3.2 La post-édition pour l’adaptation au domaine médical
3.3.2 Post-édition à partir d’un modèle de traduction générique
B L E U
FIG.3.2 –Progression des scores BLEU et oracle en fonction de la quantité de données dédiées à la construction du modèle de post-édition. Le système de traduction est com, selon con f ig3, avec le
système de post-édition SPEmedLMgen
+
LMmed.références, peut améliorer des hypothèses de traductions issues d’un système PBMT.
Cependant, nous voulons pouvoir tester plus de configurations, au niveau des données
utilisées pour le système de traduction. Nous proposons dans les sections suivantes
d’étudier l’impact de la post-édition statistique sur des systèmes de traduction par
segments au niveau de l’état-de-l’art.
3.3.2 Post-édition à partir d’un modèle de traduction générique
Pour l’approche de traduction PBMT, nous disposons de plusieurs modèles de
traductions, selon les corpus d’apprentissage utilisés, mais aussi plusieurs modèles de
langages. Nous proposons dans un premier temps d’évaluer l’impact de notre approche
sur le système PBMT basé uniquement sur des données génériques (PBMT
genLM
gen).
Avec un modèle de langage générique
Nous voulons vérifier la possibilité d’adapter un système de traduction construit
sur des données génériques (hors domaine médical) au domaine de la médecine. Nous
utilisons les deux modèles de langages, individuellement ou combinés. Les résultats de
la post-édition de sorties du système générique sont présentés dans le tableau3.12.
S
YSTÈMESPE S
CORESBLEU (oracle)
con f ig1 con f ig2 con f ig3
PBMT
genLM
gen27,0 27,9 29,9
+SPE
medLM
gen73,3 (73,3) 56,4 (56,7) 43,6 (43,9)
+SPE
medLM
gen+LM
med78,1 (78,2) 60,6 (61,1) 45,6 (47,0)
+SPE
medLM
med77,2 (77,4) 60,5 (60,9) 46,1 (47,3)
TAB.3.12 –Résultats de SPE sur des sorties issues d’un système PBMT utilisant un modèle de
traduction et un modèle de langage générique (p-value=0.001).
utilisé. Comme dans les résultats de traduction pourcon f ig3, l’utilisation du modèle
de langage médical permet d’atteindre les scores BLEU les plus élevés. Pourcon f ig2,
l’interpolation des modèles de langage ou le modèle de langage médical permettent
d’atteindre des résultats similaires, car nous considérons qu’une différence de 0, 1% de
BLEU n’est pas significative. Pourcon f ig1, c’est l’interpolation des modèles de langage
qui mène aux meilleurs résultats.
Pour le modèle de langage générique, un gain absolu supérieur à 13% de BLEU est
observé entre la première phase de traduction et l’applicationnaïve de la post-édition
pourcon f ig3. Le scoreoracleindique que la sélection de phrases à post-éditer ne permet
pas d’améliorer de manière significative les résultats, car la différence de scores BLEU
est égale à 0, 3%. Ceci peut provenir de trois phénomènes :
– peu d’erreurs sont introduites par la post-édition,
– peu d’erreurs sont corrigées par la post-édition,
– de manière générale, la post-édition introduit des erreurs, mais en corrige un plus
grand nombre.
L’utilisation des modèles de langage contenant des données médicales permet
une amélioration des résultats de l’ordre de 2 points BLEU environ pour le système
SPE
medLM
gen+LM
med, et de 2,5 points pour SPE
medLM
med, par rapport au système
SPE
medLM
gen. Ces gains, liés à la post-édition, permettent d’atteindre les scores issus
de la traduction avec un système PBMT construit sur les données médicales. Nous
pouvons comparer les résultats en traduction obtenus par le système PBMT
medLM
medpour con f ig3 (tableau 3.9), avec la combinaison des systèmes PBMT
genLM
genet
SPE
medLM
med. Les scores BLEU sont de 46, 4% et 46, 1% respectivement. La différence
non-significative entre ces deux scores indique la possibilité d’adapter un système
PBMT générique en utilisant SPE. C’est dans cette seconde phase que les données
spécialisées sont introduites.
Cet aspect est très intéressant dans le cas où un système de traduction générique
est déjà disponible et que des données spécialisées sont à traduire. Il est moins coûteux
de combinerPBMT
genLM
genetSPE
medLM
medpour atteindre des résultats équivalents
à ceux atteints parPBMT
medLM
med, plutôt que de construire un système de traduction
utilisant l’ensemble des données (génériques et spécialisées). Cependant, ces systèmes
de traduction combinant les types de données produisent des phrases cibles atteignant
des résultats supérieurs.
3.3. Évaluation de la post-édition
si la post-édition est appliquée uniquement sur certaines phrases. Selon le modèle
de langage utilisé, uniquement médical ou combiné, les scores BLEU peuvent être
améliorés, jusqu’à 1, 5%, par rapport à l’applicationnaïvede la post-édition. La sélection
des phrases à post-éditer permet donc d’atteindre des scores équivalents à ceux issus du
système de traductionPBMT
gen+medLM
med, et supérieurs à ceux obtenus par le système
PBMT
medLM
med.
Avec un modèle de langage médical
Lorsque des données spécialisées dans la langue cibles sont disponibles, il est alors
possible de construire un modèle de langage adapté au domaine. Nous effectuons des
expériences de post-édition statistique sur les sorties du système PBMT possédant un
modèle de traduction générique et un modèle de langage médical (PBMT
genLM
med).
Le modèle de langage utilisé lors de la phase de traduction est identique à celui
utilisé lors de la phase de post-édition. Les résultats obtenus sont présentés dans le
tableau 3.13. Les scores BLEU montrent des gains par rapport à la traduction par
le système PBMT
genLM
med, compris entre 1,8% et 3,5%. Ces gains sont largement
inférieurs à ceux obtenus lors de la post-édition des sorties de PBMT
genLM
gen. Notre
approche permet donc d’améliorer de manière plus significative un système PBMT
générique, par rapport à un système de traduction utilisant un modèle de langage
médical.
S
YSTÈMESPE S
CORESBLEU (oracle)
con f ig1 con f ig2 con f ig3
PBMT
genLM
med50,4 42,5 39,2
+SPE
medLM
gen70,6 (70,9) 51,4 (52,1) 41,0 (42,1)
+SPE
medLM
gen+LM
med75,2 (75,9) 55,5 (56,3) 42,5 (44,4)
+SPE
medLM
med75,2 (75,5) 55,9 (56,6) 42,7 (44,2)
TAB.3.13 –Résultats de SPE sur des sorties issues d’un système PBMT utilisant un modèle de traduction générique et un modèle de langage médical.
Pour les trois configurations, les scores BLEU n’atteignent pas ceux présentés dans
le tableau3.12. De plus, pourcon f ig3 par exemple, les scoresoraclesont à 3 points en
dessous des résultats obtenus par traduction avec le systèmePBMT
gen+medLM
med, et 2
points sous les résultats dePBMT
medLM
med. Utiliser des modèles de langage différents,
dans un ordre particulier, entre la phase de traduction et celle de post-édition paraît
donc plus appropriée pour notre approche. Si le système PBMT se base sur un modèle
de langage générique, suivi d’une post-édition utilisant un modèle de langage médical,
les gains sont supérieurs à la configuration inverse.
Avec deux modèles de langage interpolés
Nous pensons qu’il est intéressant de continuer ces expériences, en post-éditant
les sorties du système PBMT générique utilisant des modèles de langage interpolés
(PBMT
genLM
gen+LM
med). Selon les résultats obtenus précédemment par le système
SPE
medLM
gen, étant les plus bas des trois modèles de langage utilisés, nous décidons
d’étudier la post-édition avec les modèles de langage interpolés, ou le modèle médical
uniquement. Les résultats de ces expériences sont détaillés dans le tableau 3.14.
Cependant, nous observons une dégradation des résultats pour con f ig3, en
post-éditionnaïveet en évaluationoracle.
S
YSTÈMESPE S
CORESBLEU (oracle)
con f ig1 con f ig2 con f ig3
PBMT
genLM
gen+LM
med49,9 42,2 38,2
+SPE
medLM
gen+LM
med76,1 (76,5) 56,1 (57,0) 42,3 (44,0)
+SPE
medLM
med76,1 (76,4) 56,2 (57,0) 42,4 (44,0)
TAB.3.14 –Résultats de SPE sur des sorties issues d’un système PBMT utilisant un modèle de traduction générique et des modèles de langage interpolés.
Ces résultats sont cohérents par rapport au système PBMT
genLM
gen+LM
med, et à
l’utilisation des modèles de langage interpolés. En effet, dans toutes les expériences
menées jusqu’à présent, le modèle de langage médical permet d’atteindre les meilleurs
scores BLEU. Nous pouvons tout de même noter le gain pourcon f ig1 etcon f ig2 par
rapport aux résultats présentés dans le tableau3.13. Ces derniers résultats nous incitent
à penser que les sorties du système PBMT
medpeuvent difficilement être améliorées,
étant donné les bons scores BLEU obtenus initialement.
Dans le document
Traduction automatique statistique et adaptation à un domaine spécialisé
(Page 74-77)