Nuxeo Developers Blog

Correcteur grammatical... la suite

Je suis étudiante en 2ème année de Master recherche Industries de la langue. Mon mémoire de recherche s'inscrit dans le prolongement du travail initié par Myriam Lechelt en 2005, à savoir le projet de développement d'un correcteur grammatical libre pouvant être intégré à la suite OpenOffice.org.

Le travail effectué par Myriam a permis de montrer les limites des outils Gramadoir (http://borel.slu.edu/gramadoir/) de Kevin Scannell et LanguageTool (http://www.danielnaber.de/languagetool/) de Daniel Naber pour leur adaptation à la correction grammaticale du français.
LanguageTool a entre temps beaucoup évolué et la nouvelle version semble plus adaptable au français que ne l'étaient l'ancienne version et Gramadoir.

Mon travail va donc consister

• à reprendre le travail de Myriam Lechelt, notamment sur les règles d'erreurs à compléter
• à étudier la nouvelle version de LanguageTool et lui apporter les modifications nécessaires à une meilleure adaptation à la grammaire française,
• dans le but d'obtenir un outil générique et libre adapté au français et pouvant être intégré à OpenOffice.org ou à d'autres projets.
  

J'ai par ailleurs effectué un stage au sein de la société Nuxeo-InDesko durant l'été 2006. L'objectif était la création d'un outil d'extraction automatique d'affixes à partir d'une liste de mots, afin de pouvoir générer automatiquement, pour toute langue, un fichier d'affixes et un dictionnaire compatibles avec le correcteur orthographique d'OpenOffice.org. Les fichiers actuels sont construits manuellement et très coûteux à produire.
http://w3.u-grenoble3.fr/lebarbe/agnes/index.php

(Post originally written by Agnes Souque on the old Nuxeo blogs.)

Présentation de LanguageTool

LanguageTool est un correcteur libre de style et de grammaire, développé initialement pour l'anglais par Daniel Naber et adapté par la suite à d'autres langues comme l'allemand, le hongrois ou encore le polonais.

Il était à l'origine programmé en python mais a été entièrement réécrit en java (pour un meilleur support du format XML utilisé notamment pour les fichiers de règles d'erreurs, comme nous allons le voir pas la suite).

Il est composé de plusieurs modules qui effectuent successivement :

1. la segmentation du texte à vérifier en phrases
2. la segmentation des phrases en mots
3. l'étiquetage morpho-syntaxique des mots : les mots ambigus reçoivent plusieurs étiquettes correspondant aux diverses catégories morpho-syntaxiques auxquelles ils peuvent appartenir ainsi qu'aux différents traits qu'ils peuvent avoir dans une catégorie, et ils les conservent toutes car aucune désambiguïsation n'est effectuée. Ainsi bête aura les étiquettes <nom féminin singulier>, <adjectif masculin singulier> et <adjectif féminin singulier>.
4. la détection des erreurs de grammaire : elle s'effectue par comparaison de chaque segment de phrase avec une base de règles décrivant des erreurs. Si un segment correspond à une règle, alors une erreur est détectée.

Les règles d'erreurs sont formalisées en XML et sont composées de plusieurs éléments :

• id et name : respectivement l'identifiant et le nom de la règle
• pattern : modèle de l'erreur
• message : description de la règle à l'usage de l'utilisateur
• example  : exemple d'énoncé correspondant à la faute commise. Il y a en général au moins deux exemples : un exemple d'énoncé correct et un exemple d'énoncé incorrect.

L'élément pattern est le plus important. C'est lui qui décrit le modèle de l'erreur et avec lui que les phrases sont comparées lors de la détection. Le modèle se présente généralement sous la forme d'expression(s) régulière(s).

Voici un exemple de règle en français :

<rule name="ma (m'a)" id="MA">
    <pattern mark_to="-1">
        <token>ma</token>
        <token postag="V.*" postag_regexp="yes"/>
    </pattern>
    <message>Voulez vous écrire<suggestion>m'a</suggestion>?</message>
    <example type="incorrect">Il <marker>ma</marker>répondu.</example>
    <example type="correct">Il <marker>m'a</marker>répondu.</example>
</rule>

Cette règle détecte une confusion dans l'utilisation des homophones m'a  et ma. Si le texte à vérifier contient ma suivi d'un verbe (V), suivi de n'importe quel mot (.*), alors il y a une erreur.

(Post originally written by Agnes Souque on the old Nuxeo blogs.)