Une relation de discours est la connexion sémantique ou pragmatique qui relie deux ou plusieurs segments de texte, tels que des propositions, des phrases ou des unités plus larges, en un discours cohérent. Ces relations expliquent comment le sens d'un segment dépend ou se rapporte à un autre, permettant aux lecteurs ou auditeurs de comprendre un texte comme un tout unifié plutôt que comme des phrases isolées. Des exemples courants incluent les relations de cause, de contraste, d'élaboration et de séquence temporelle. Ce concept est fondamental pour l'étude de l'analyse du discours, de la linguistique textuelle et de la linguistique computationnelle, où il sous-tend des tâches telles que le résumé de texte, la traduction automatique et la génération de langage naturel.
Les relations de discours sont souvent implicites, nécessitant que le lecteur infère la connexion à partir du contexte, ou explicites, signalées par des marqueurs de discours ou des connecteurs tels que « parce que », « cependant » ou « par exemple ». Dans les théories formelles, ces relations sont généralement représentées sous forme de graphe ou d'arbre structuré, où les nœuds sont des segments de texte et les arêtes sont étiquetées avec le type de relation spécifique. Le cadre le plus influent à cet égard est la Théorie de la Structure Rhétorique (RST), développée dans les années 1980 par William Mann et Sandra Thompson à l'Institut des sciences de l'information de l'Université de Californie du Sud. La RST définit une taxonomie de plus de vingt relations, y compris la Motivation, l'Évidence et la Concession, et a été largement adoptée dans les travaux théoriques et computationnels.
Fondements théoriques
L'étude des relations de discours s'appuie sur plusieurs traditions intellectuelles. En linguistique, les travaux de Halliday et Hasan sur la cohésion dans les années 1970 ont identifié des dispositifs grammaticaux et lexicaux qui relient les phrases, tels que la référence, l'ellipse et la conjonction. Plus tard, la sémantique formelle et la pragmatique, influencées par des philosophes comme Paul Grice, ont mis l'accent sur le rôle des intentions du locuteur et de l'inférence dans l'établissement de la cohérence. Dans les années 1990, des linguistes computationnels comme Bonnie Webber et Aravind Joshi ont développé le Penn Discourse Treebank, qui a annoté plus de 40 000 relations de discours dans le corpus du Wall Street Journal, en utilisant une approche lexicalement fondée basée sur les connecteurs de discours. Cette ressource est devenue une référence standard pour l'entraînement et l'évaluation des analyseurs de discours automatiques.
Une autre contribution théorique clé est la Théorie de la Représentation du Discours Segmenté (SDRT), proposée par Nicholas Asher et Alex Lascarides au début des années 2000. La SDRT modélise les relations de discours dans un cadre logique formel, permettant la résolution d'ambiguïtés et la représentation d'interactions complexes entre relations, comme lorsqu'une relation est imbriquée dans une autre. Cette théorie a été influente en sémantique computationnelle et dans le développement de systèmes de dialogue.
Approches computationnelles
En linguistique computationnelle, l'analyse du discours est la tâche d'identifier automatiquement la structure discursive d'un texte, y compris la segmentation du texte en unités discursives élémentaires et l'étiquetage des relations entre elles. Les premiers systèmes reposaient sur des règles artisanales et des caractéristiques superficielles, telles que la présence de connecteurs et des schémas syntaxiques. Avec l'avènement de l'Machine learning et des Neural network, les performances se sont considérablement améliorées. Les approches modernes utilisent des architectures basées sur les Transformer (architecture), telles que les encodeurs de style BERT, pour apprendre des représentations contextuelles des segments de texte et prédire les relations de manière supervisée, atteignant souvent une haute précision sur des ensembles de données de référence comme le RST Discourse Treebank et le Penn Discourse Treebank.
Ces modèles computationnels sont essentiels pour de nombreuses applications en aval. Dans les systèmes de Large language model, les relations de discours sont implicitement apprises lors du pré-entraînement sur de vastes corpus de texte, leur permettant de générer des paragraphes cohérents et de maintenir la continuité thématique. Cependant, la modélisation explicite des relations de discours reste précieuse pour des tâches nécessitant un raisonnement structuré, comme la notation de dissertations argumentatives, l'analyse de documents juridiques et la réponse à des questions. Par exemple, dans les systèmes de Generative AI, le contrôle des relations de discours peut améliorer le flux logique du texte généré, réduisant des problèmes comme la dérive thématique ou les déclarations contradictoires.
Applications et défis
Les relations de discours ont des applications pratiques dans plusieurs domaines. En résumé automatique, l'identification de relations comme l'Élaboration ou la Cause aide à extraire l'information la plus saillante et à la compresser en un résumé concis. En traduction automatique, la préservation des relations de discours entre les langues est cruciale pour produire des traductions naturelles et précises, surtout pour des langues avec des systèmes de connecteurs différents. Dans les systèmes de dialogue et l'IA conversationnelle, la compréhension des relations de discours permet à un système de suivre l'intention de l'utilisateur et de fournir des réponses cohérentes, une capacité poursuivie par des entreprises comme OpenAI et Anthropic dans leurs derniers modèles.
Malgré les progrès, plusieurs défis subsistent. Les relations de discours implicites, où aucun connecteur explicite n'est présent, sont notoirement difficiles à identifier, même pour les modèles de pointe. L'annotation des relations de discours est également subjective, avec un faible accord inter-annotateurs sur certains types de relations, ce qui complique l'entraînement et l'évaluation. De plus, les structures discursives varient selon les genres et les langues, nécessitant que les modèles s'adaptent à différentes conventions. La recherche se poursuit sur l'analyse du discours multilingue et sur l'intégration de l'information discursive dans les modèles de Deep learning de manière plus rigoureuse.
Relation avec d'autres domaines
Les relations de discours sont étroitement liées à d'autres concepts en linguistique et en science cognitive. En pragmatique, elles se rapportent aux théories de la cohérence et de la pertinence, comme la Théorie de la Pertinence de Sperber et Wilson. En psychologie, elles sont étudiées dans le cadre de la compréhension en lecture, où la capacité à inférer des relations de discours est un composant clé de la lecture experte. En Artificial intelligence, les relations de discours sont une forme de connaissance structurée qui peut compléter les modèles statistiques appris par les Neural network. Des chercheurs comme Melanie Mitchell et Joshua Tenenbaum ont soutenu que des structures symboliques explicites, y compris les relations de discours, pourraient être nécessaires pour atteindre des systèmes d'IA robustes et interprétables, une vision qui contraste avec les approches purement basées sur les données.
Le développement de systèmes d'IA sensibles au discours est un domaine de recherche actif, avec des contributions de laboratoires académiques comme Stanford AI Lab et MIT CSAIL, ainsi que de groupes de recherche industriels. L'intégration des relations de discours dans l'entraînement et l'inférence des Large language model est considérée comme une direction prometteuse pour améliorer la cohérence et la fiabilité du texte généré, en particulier pour le contenu de longue durée et les tâches de raisonnement complexe. À mesure que les modèles deviennent plus capables, la représentation explicite de la structure discursive pourrait jouer un rôle de plus en plus important pour garantir que les systèmes d'IA puissent communiquer efficacement et comprendre le langage humain nuancé.
Voir aussi
Références
Mann, W. C., & Thompson, S. A. (1988). Rhetorical Structure Theory: Toward a functional theory of text organization. Text, 8(3), 243-281.
Webber, B., & Joshi, A. (1998). Anchoring a lexicalized theory of discourse. In Proceedings of the 36th Annual Meeting of the Association for Computational Linguistics.
Asher, N., & Lascarides, A. (2003). Logics of Conversation. Cambridge University Press.