La notion de corpus parallèle, qui émerge actuellement dans les travaux de différents chercheurs comme corpus comportant plusieurs volets qui correspondent chacun à une version d’un même texte dans deux ou plusieurs langues différentes, renvoie à des situations connues de coexistence de textes présentant des liens forts dans leur structuration.

Le traitement de corpus parallèles suppose une phase préalable d’alignement[1], c’est-à-dire de mise en correspondance dans chacun des volets de différents types d’unités textuelles [Zimina, 2004].

Aligner des corpus de textes originaux et de leurs traductions c’est mettre en relation des unités textuelles qui se correspondent. On peut établir des correspondances entre des unités de différents niveaux : mots, syntagmes, phrases, paragraphes, sections, etc.

3 Présentation générale

Le programme mkAlign permet de construire, corriger et visualiser un alignement de deux textes via un éditeur à double entrée. Il permet d’afficher simultanément les textes source et cible pour y rajouter ou corriger des segments équivalents.

Ce programme n’est pas (seulement) un aligneur automatique.

Il est conçu pour aider l’utilisateur dans la création, l’alignement, la correction et la validation de textes traduits. L’utilisateur garde la maîtrise sur l’ensemble des processus, depuis la mise en correspondance initiale des segments équivalents jusqu’à l’export final du bi-texte produit.

Il est aussi conçu pour mener des calculs lexicométriques[2] sur les contenus textuels chargés.

Il appartient à l’utilisateur de construire l’alignement et de définir son degré de précision (résolution). Cette résolution peut varier pour mettre en évidence les correspondances entre les segments textuels des différents niveaux.

La notion de sauvegarde de session de travail (création de fichiers d’export/import de bi-textes au format xml et html) permet de commencer le travail sur un corpus à deux volets textuels, l’exporter au format désiré, puis le réimporter plus tard pour y apporter des modifications.

La visualisation de l’alignement dans une représentation cartographique (bi-text map) offre plusieurs possibilités de gestion de corpus qui partagent des similitudes au plan traductionnel[3].

4 Interface de mkAlign

L’interface du programme est composée d’une fenêtre graphique disposant de différents onglets.

L’onglet HOME visible au chargement contient un mode d’emploi du programme.

Figure 1 : mkAlign Fenêtre principale

L’onglet PARAM permet de modifier le paramétrage de certaines fonctionnalités du programme (taille des polices d’affichage des textes, couleurs de cellules d’édition, encodage des fichiers source et cible etc.).

Figure 2 : mkAlign Onglet PARAM

Les autres onglets sont décrits infra.

5 Descriptif des icônes

Icône	Fonction	Localisation
	Chargement du fichier source	Onglet ALIGN
	Chargement du fichier cible	Onglets ALIGN
	Alignement du fichier cible et du fichier cible	Onglets ALIGN
	Sauvegarde (fichier source, cible, export, carte)	Onglets ALIGN, EXPORT, MAP
	Rafraîchissement éditeur/carte	Onglets ALIGN, MAP
	MODE MERGE	Onglet ALIGN
	MODE SPLIT	Onglet ALIGN
	Dessin de la carte des sections	Onglet MAP
	Export au format HTML	Onglets EXPORT, CONCORDANCE
	Parser XML	Onglet ALIGN
	Import d’alignement	Fenêtre principale
	Export au format XML	Fenêtre principale
	Export de bitexte	Fenêtre principale
	Export au format Lexico3	Fenêtre principale
	Export au format HTML	Fenêtre principale
	Documentation du programme	Fenêtre principale
	Sortie du programme	Fenêtre principale
	Palette	Onglet PARAM
	Page suivante	Onglet ALIGN
	Dernière page	Onglet ALIGN
	Première page	Onglet ALIGN
	Page précédente	Onglet ALIGN
	Editeur annexe	Fenêtre principale
	Export "Recherche Source"	Onglet MAP
	Export "Recherche Cible"	Onglet MAP
	Export Intersection "Recherche Source/Cible"	Onglet MAP
	Export Vecteur Recherche Source	Onglet MAP
	Export Vecteur Recherche Cible	Onglet MAP
	Import Vecteur Recherche Source	Onglet MAP
	Import Vecteur Recherche Cible	Onglet MAP
	Import de liste (Source)	Onglet MAP
	Import de liste (Cible)	Onglet MAP
	Calcul des segments répétés dans les fichiers SOURCE et CIBLE	Fenêtre principale
	Recherche des cooccurrents d’une forme dans la source	Onglet MAP
	Recherche des cooccurrents d’une forme dans la cible	Onglet MAP
	Calcul des spécificités dans une sélection de sections dans la source	Onglet MAP
	Calcul des spécificités dans une sélection de sections dans la cible	Onglet MAP
	Sélection du type de recherche dans la zone miroir	Onglet MAP
	Ventilation Source/Cible : présence/absence/intersection	Onglet MAP
	Ajout au rapport / Enregistrement du rapport	Fenêtre principale
	Calcul des cooccurrents et des poly-cooccurrents	Onglet COOCS

6 Chargement des fichiers

Trois modes de chargement des textes de travail sont disponibles :

Mode général : Sélection d’un segmenteur. Chargement d’un fichier SOURCE puis d’un fichier CIBLE.
Mode « alignement par recherche de cognats». Alignement automatique du fichier SOURCE et du fichier CIBLE basé sur la recherche de cognats[4].
Mode « Import d’alignement au format TMX ». Chargement d’un alignement enregistré au format TMX[5] .

Figure 3 : mkAlign Onglet ALIGN, chargement des fichiers

6.1 Mode général

6.1.1 Chargement des textes à aligner

L’onglet ALIGN contient les fenêtres d’édition pour l’alignement et les points d’entrée pour les différentes fonctionnalités associées.

La construction d’un alignement utilise en entrée deux volets d'un même corpus (SOURCE et CIBLE) : le texte SOURCE sera chargé dans la partie gauche de mkAlign et le texte CIBLE dans la partie droite.

Pour charger le texte SOURCE: activez le bouton (onglet ALIGN)
Pour charger le texte CIBLE: activez le bouton (onglet ALIGN)

Le chargement peut être réalisé en tenant compte d'un caractère délimiteur (appelé le segmenteur, par défaut le caractère #) qui sera utilisé pour aligner les 2 volets du corpus. Si le segmenteur n'est pas présent dans les 2 volets initiaux, les 2 volets seront alignés globalement affichés intégralement dans les premières cellules SOURCE et CIBLE.

Par exemple, si le caractère segmenteur choisi est #, les fichiers en entrée peuvent avoir l'allure suivante :

Fichier Source :

sssssssssssssss #

etc.

Fichier Cible :

ccccccccccccccc #

etc.

Dans cet exemple, le fichier SOURCE sera chargé dans la partie gauche de mkAlign avec au moins 2 cellules correspondant au découpage sur la base du segmenteur sélectionné. Idem pour le fichier CIBLE, dans la partie droite. Les 2 volets du corpus aligné sont présentés par page de 5 blocs alignés, on peut passer d'une page à l'autre de l'alignement via les boutons présents au bas de l'onglet ALIGN, ou en sélectionnant une page donnée (puis touche Entrée).

Après chargement de 2 fichiers, l'onglet ALIGN a l'allure suivante :

Figure 4 : mkAlign Onglet ALIGN, fichiers chargés

Dans les figures qui suivent, on présente le chargement des fichiers après sélection des paramètres d’encodage : iso-8859-1 pour le texte SOURCE et utf-8 pour le texte CIBLE.

Figure 5 : mkAlign Onglet PARAM, paramétrage de l’encodage

Figure 6 : mkAlign Onglet ALIGN, fichiers chargés après sélection d’encodage

6.1.2 Choix du segmenteur

Il est possible de paramétrer le segmenteur avant de charger le corpus : il suffit pour cela de changer la valeur dans la zone de saisie idoine (onglet ALIGN ou onglet PARAM)

Figure 7 : mkAlign choix du segmenteur onglet ALIGN ou onglet PARAM

Si la zone de saisie permettant de définir le segmenteur est vide, c’est le caractère retour chariot qui sera défini comme étant le segmenteur.

Remarque : il est aussi possible de forcer la segmentation des textes à aligner en caractères en cochant dans l’onglet PARAM la case idoine associée au fichier visé.

6.1.3 Prétraitement des textes à aligner

Par défaut, le chargement du texte SOURCE et du texte CIBLE se réalise en ne tenant compte que du segmenteur choisi et n’opère aucune modification sur les 2 volets à charger.

Il est aussi possible de prétraiter les 2 textes à charger et d’attribuer ainsi une valeur prédéfinie au segmenteur. Dans l’onglet ALIGN, l’activation de la case à cocher « Prétraitement » permet de pré-formater les 2 textes à charger en phrases ou en paragraphes.

Figure 8 : mkAlign pré-formatage de la SOURCE et de la CIBLE

Le découpage en paragraphes / phrases a pour objectif la création automatique d’un premier alignement très approximatif. Ce « brouillon » du bi-texte aligné devrait ensuite être retravaillé par l’utilisateur à l’aide des fonctionnalités de mkAlign (voir la section §6 « Principales fonctionnalités de mkAlign ».

Le découpage automatique en phrases suit les règles typographiques élémentaires :

Une phrase est définie grossièrement comment une chaîne de caractères se terminant par les caractères suivants : point (.), 3 points (…), point d’interrogation ( ?) et point d’exclamation ( !).
Un paragraphe étant défini grossièrement aussi comme une suite de phrase terminée par un retour à la ligne.

Si l’option « Prétraitement » est choisie, il reste à déterminer le type de pré-formatage à réaliser. Par défaut, l’activation du prétraitement active le pré-formatage en paragraphes ; pour activer le pré-formatage en phrases, il suffit de cocher la case idoine.

6.1.4 Découpage des textes en parties

Le chargement des 2 fichiers alignés tient compte d'un marquage dans les textes d'une éventuelle partition, ce marquage est détecté s'il est réalisé de la manière suivante :

<nomdelapartie="valeur">

Ce marquage signifie que l'utilisateur a prédéfini un marquage de partie via une série de balises dans laquelle la partie est désignée par un type, ici par "nomdelapartie", et qu’elle est associée à chaque fois à une valeur donnée. Un fichier en entrée pourra donc avoir l'allure suivante (2 parties définies ici) :

<para="xxx">sssssssssssssss #

<part="yyy">sssssssssssssss #

<para="zzz">sssssssssssssss #

<part="uuu">sssssssssssssss #

etc.

6.1.5 Paramètres lexicométriques des textes chargés

Le chargement des fichiers SOURCE et CIBLE déclenche automatiquement un module de segmentation générant un dictionnaire des formes graphiques du fichier chargé. Ce programme de segmentation est paramétrable dans l’onglet PARAM : une liste des délimiteurs utilisés pour cette segmentation est donnée par défaut, l’utilisateur peut la modifier :

Le résultat de cette segmentation est visible dans l'onglet DICT et dans l'onglet RAPPORT :

· le dictionnaire sera visible dans le premier

Figure 9(1) : mkAlign Onglet DICT, chargement

Après sélection d’une ou de plusieurs formes du dictionnaire, il est possible de déclencher :

la recherche de cette forme (ou de ces formes) dans la représentation cartographique de l'alignement présentée infra (cf onglet MAP).

Figure 9(2) : mkAlign Onglet DICT, projection sur la carte d’une sélection de formes

la construction d’une concordance de cette forme (ou de ces formes) et l'affichage du résultat de cette concordance dans l’onglet CONCORDANCE.

Figure 9(3) : mkAlign Onglet DICT, concordance d’une sélection de formes

On peut rechercher des formes dans le dictionnaire en définissant un motif de recherche dans les zones de saisie « Recherche Forme(s) ». Les formes trouvées seront affichées dans les zones d’édition situées au bas de l'onglet DICT. On peut réaliser la même opération en sélectionnant un item dans la liste des formes puis en activant le raccourci clic-droit sur la forme visée.

Figure 9(4) : mkAlign Onglet DICT, recherche de formes

Là encore, on peut sélectionner une forme (ou plusieurs) dans la liste construite puis déclencher (1) la recherche de cette forme dans la représentation cartographique de l'alignement présentée infra (cf onglet MAP), (2) la construction d’une concordance sur cette forme et l'affichage du résultat de cette concordance dans l’onglet CONCORDANCE.

· les paramètres de la segmentation sont disponibles dans le l'onglet RAPPORT

Figure 10 : mkAlign Onglet RAPPORT

6.2 Mode « alignement par recherche de cognats ». Alignement automatique de fichiers

Ce mode de chargement s’inspire de travaux réalisés dans le domaine de l’alignement automatique des phrases utilisant la recherche de points d’ancrage lexicaux pour mettre en correspondances des segments textuels plus longs. Cette méthode permet, pour des langues apparentées, de construire un alignement en recherchant tout d’abord des équivalents traductionnels sous forme de mots apparentés (ou cognats)[6], les points d’ancrage obtenus déterminent ensuite l’alignement des zones en correspondance. Sur ce type de méthodes, on consultera en particulier [Kraif, 1999].

Pour lancer ce mode de chargement via mkAlign, il faut utiliser le bouton disponible sous l’item « Alignement Source/Cible (Recherche de cognats) ». Celui-ci déclenche (1) l’ouverture d’une fenêtre demandant à l’utilisateur de préciser les paramètres pour construire l’alignement :

Figure 11 (1) : mkAlign Alignement par recherche de cognats

Les 4 paramètres étant définis (2), on peut lancer le processus d’alignement (3).

Après alignement des 2 fichiers, mkAlign a l'allure suivante :

Figure 11 (2) : mkAlign Alignement par recherche de cognats

Avec mkAlign, les résultats de l’alignement par recherche de cognats peuvent toujours être corrigés ou affinés par l’utilisateur à l’aide des fonctionnalités de création / gestion du bi-texte (voir la section §6 « Principales fonctionnalités de mkAlign»).

6.3 Mode «Import d’alignement au format TMX »

Ce mode de chargement permet de charger un alignement construit sur deux ou plusieurs fichiers et enregistré en utilisant le format TMX[7]. Le format TMX (Translation Memories eXchange) est un format d’échange entre mémoires de traduction développé par Lisa[8]. Dans ce format, un lien implicite relie les segments équivalents dans une même unité de traduction :

Les figures suivantes illustrent le chargement d’un fichier de ce type. Après sélection du fichier à importer, il suffit de sélectionner les 2 langues associées aux deux volets visés :

Figure 12 (1) : mkAlign Alignement par importation d’un fichier au format TMX (choix du fichier)

Figure 12 (2) : mkAlign Alignement par importation d’un fichier au format TMX (choix de 2 langues)

Le dossier EXPORT/TMX contient 2 exemples de ce type de fichier qu’il est possible d’importer dans mkAlign.

7 Principales fonctionnalités de mkAlign pour l’édition de l’alignement

7.1 Recherche de chaînes

La figure 12 illustre une des fonctionnalités classique d'éditeurs de texte que l'on retrouve dans mkAlign : la recherche de chaîne de caractères.

Figure 13 : mkAlign Onglet ALIGN, recherche de chaînes

On dispose dans l'onglet ALIGN de 2 zones de saisie permettant de lancer des recherches de chaînes : "Recherche Source" et "Recherche Cible". Les requêtes de recherche peuvent s'exprimer sous la forme d'expressions régulières [Fourmond, 2005].

Une expression régulière a pour fonction de définir un "modèle" de chaîne de caractères. Seules les formes lexicales contenant une chaîne de caractères conforme à ce modèle seront sélectionnées. Une des formes d'expression régulière simple est, par exemple, ique. Seules les formes qui contiennent ique seront sélectionnées.

Dans la figure précédente par exemple, les 2 requêtes exprimées sont :

Recherche Source : \bpsych

Recherche Cible : yse\b

Pour la requête SOURCE, on recherche en début de mot (\b) la présence des caractères psych : on cherche, par exemple, tous les mots qui commencent par psych. Comme le montre la figure 12, les séquences trouvées dans la figure sont colorées en rouge (psychanalyse).

Pour la requête CIBLE, on recherche la présence des caractères yse en fin de mot (\b): on cherche, par exemple, tous les mots qui se terminent par yse. Sur la figure 12, les séquences trouvées dans le texte CIBLE sont colorées en rouge (Psychoanalyse).

On présente en annexe les différents opérateurs d'expression régulière disponibles avec mkAlign (opérateurs classiques).

7.2 Exporter sous-corpus contenant un motif

On trouve à côté de chaque zone de saisie de recherche un bouton permettant de sauvegarder l’ensemble des cellules contenant le motif défini dans la zone de saisie : on exporte ainsi un sous-corpus contenant toutes les sections contenant le motif sélectionné. Le fichier généré par l’exportation peut-être réimporté dans mkAlign (voir la procédure décrite supra : « Chargement des textes à aligner »).

7.3 Figement de cellule (lecture/écriture)

- il est possible de figer 2 cellules alignées (case à cocher en regard de chaque couple de cellules alignées), dans ce cas les cellules sont protégées en écriture (état R), les cellules figées sont colorées en vert

- si une cellule n'est pas protégée, elle est modifiable en écriture (état W) (couleur blanche)

7.4 Fractionnement de cellule[9]

- l'insertion du caractère segmenteur provoque automatiquement le découpage de la cellule concernée,

- si un couple de cellules est figée à une position inférieure dans mkAlign, l'insertion du segmenteur (dans une cellule SOURCE ou CIBLE) provoque aussi l'insertion d'une nouvelle cellule vide (dans la colonne CIBLE ou SOURCE) juste avant la cellule figée, cette cellule insérée est colorée en rose.

7.5 Fusion de cellule

- la suppression du caractère segmenteur dans une cellule provoque automatiquement la fusion de la cellule concernée et de la cellule juste au dessous

- si un couple de cellules est figé à une position inférieure dans mkAlign, la fusion provoque aussi l'insertion d'une nouvelle cellule vide dans la même colonne juste avant la cellule figée, cette cellule insérée est colorée en rose.

7.6 Etat de l'alignement

- on trouvera au bas de l'onglet ALIGN 3 cellules de couleur contenant chacune un compteur des différents états (de couleur) des cellules, par défaut

o le compteur vert indique le nombre de lignes protégées,

o le compteur rose indique le nombre de lignes contenant une cellule rose provenant d'une insertion ou d'une fusion,

o et le compteur blanc le nombre de ligne qui ne sont pas les précédentes

Figure 14 : mkAlign Alignement en cours

7.7 Remarques sur le segmenteur

· si la zone de saisie permettant de définir le segmenteur est vide, le segmenteur utilisé par le programme est le retour chariot, dans ce cas le fait de taper un retour chariot dans une cellule provoque le découpage de la cellule concernée

· si la zone de saisie permettant de définir le segmenteur est vide, le segmenteur utilisé par le programme est le retour chariot, dans ce cas, pour réaliser une fusion de cellule, il faut utiliser le MODE MERGE présenté infra.

7.8 Les modes

Dans les fonctionnalités précédentes, l'insertion ou la suppression du caractère segmenteur est faite au clavier en insérant/supprimant dans la zone d'édition choisie le caractère segmenteur.

Il existe aussi des modes particuliers permettant de réaliser ces opérations de fractionnement ou de fusion de cellules :

	le MODE SPLIT
	le MODE MERGE.

Ces deux modes sont disponibles après avoir chargé les fichiers de travail et après activation de l'un ou l'autre de ces modes (via les boutons SPLIT/MERGE dans l'onglet ALIGN). Ces deux modes sont désactivés par défaut.

Une fois activé (via un clic droit sur le bouton correspondant au mode choisi), ce mode permet, via le clic gauche de la souris :

- de scinder une cellule (équivalent à l'insertion du caractère segmenteur) à l'endroit où le clic a été réalisé

- de fusionner la cellule dans laquelle le clic a été réalisé avec la cellule suivante (équivalent à la suppression dans la cellule d'édition visée du caractère segmenteur)

7.9 Fonctionnalité complémentaire pour le MODE SPLIT : lecture LR/RL

Par défaut, l’activation du MODE SPLIT scinde la cellule visée en maintenant le contenu à gauche du clic gauche (ou du segmenteur inséré) dans cette cellule et insère le contenu à droite dans une nouvelle cellule en dessous (tout en décalant toutes les autres vers le bas). Ce mode de scission par défaut (lecture LR) peut être modifié pour permettre de réaliser l’opération inverse (lecture RL) : maintien de contexte droit en place et descente du contexte gauche. Ce paramétrage est disponible dans l’onglet PARAM.

Exemple :

Cellules initiales :

Cellules finales : SPLIT avant le « où ». SPLIT LR (source) et SPLIT RL (cible) ;

8 Représentation cartographique de l'alignement

8.1 Construction de la carte de l’alignement

Après avoir chargé les 2 volets d'un alignement il est possible de visualiser l'alignement en cours dans une représentation cartographique (identique à celle produite par Lexico3[10] via l'outil "Carte des Sections[11]"). On trouvera dans l'onglet MAP, un bouton permettant de construire cette représentation cartographique dans laquelle on disposera d'un carte des sections pour le volet SOURCE et d’une autre pour le volet CIBLE, les carrés construits portent la couleur de leur état dans l'aligneur (par défaut blanc, rose ou vert) ; au bas des 2 cartes on dispose aussi d'une zone d'édition pour éditer (via un clic gauche) le contenu d'un carré donné : le contour du carré sélectionné devient bleu et le contour du carré aligné devient noir.

Figure 15 : mkAlign Onglet MAP

Paramétrage de l’affichage de la carte des sections

Le bouton active le chargement de la carte. Par défaut, cet affichage insère linéairement les sections, sans alignement à gauche après insertion d’un marqueur de partie (cf infra). De plus, un séparateur de blocs de sections est inséré après affichage de 5 sections : ce séparateur est utilisable ensuite pour sélectionner les sections (cf infra).

· Alignement à gauche

Ce bouton est inhibé par défaut, son activation (clic-droit) permet de représenter la carte en alignant les sections à gauche après chaque marquage de partie. Désactivation de cette fonction par un clic sur le bouton

· Insertion d’un marqueur de bloc de sections

Ce bouton est actif par défaut, son inhibition permet de ne pas afficher le marqueur de blocs de sections. Pour inhiber cette fonction : clic-droit. Pour l’activer : clic

8.2 Recherche de motifs dans la carte de l’alignement

Il est possible de rechercher des chaînes de caractères, écrites sous la forme d'expressions régulières (cf annexes), dans le volet SOURCE et/ou dans le volet CIBLE : on dispose dans l'onglet MAP de 2 zones de saisie permettant d’y définir un motif. Si la chaîne est trouvée, le carré correspondant est surligné en rouge (dans le volet SOURCE ou CIBLE) et les diagonales du carré sont dessinées. Les sections correspondantes (respectivement dans le volet SOURCE ou CIBLE) seront-elles aussi matérialisées par un surlignage rouge (trait fin) : la zone miroir.

Remarque : Le surlignage rouge sera inhibé après sélection (par un clic gauche) d’un carré donné et la croix sera maintenue i.e les résultats de la précédente requête resteront ainsi accessibles. Par contre le surlignage rouge restera actif après activation du raccourci clavier shift-clic sur le carré visé (affichage de la section associée).

Figure 16 : mkAlign Recherche dans la carte des sections

A l'issue d'une recherche de motif dans la carte, la zone d'édition obtenue par un clic gauche (ou via shift-clic) sur un carré donné prend en compte le motif défini dans la zone de saisie associée : la sélection ou l’affichage d'une section de la carte déclenche une recherche du motif dans l'éditeur et produit le cas échéant l'affichage coloré de ce motif.

La recherche de 2 motifs respectivement dans chacun des volets de l’alignement permet de donner une représentation contrastée de la ventilation de ces 2 motifs :