Las políticas lingüísticas en Quebec y Cataluña : un reflejo de las dinámicas sociales

Le but de cette recherche est de mieux comprendre les fondements et enjeux sociopolitiques d’un processus d’aménagement linguistique, ainsi que de cerner le rôle que le fait linguistique peut avoir dans le processus de construction d’un système national et dans son fonctionnement et de quelle manière l’application d’une politique linguistique se révèle efficace. Pour ce faire, nous procéderons à une étude comparative des cas concrets de la planification linguistique de la Catalogne et du Québec. Le choix des deux régions se base principalement sur le fait qu’elles représentent toutes les deux un type de nation « subétatique » au sein de laquelle la langue propre (le catalan et le français respectivement) s’est révélée être un élément clé de la représentation de l’identité collective, et qu’elle y possède à la fois un rôle symbolique et participatif. Cependant, la nature du conflit linguistique engendré par la cohabitation entre la langue propre et la langue de l’état (français-anglais/ catalan-espagnol) est visiblement perçu et traité de manière différente dans les deux régions. Donc, les environnements sociopolitiques et linguistiques québécois et catalans offrent à la fois des similitudes et des divergences qui mettent en relief certaines caractéristiques essentielles à la compréhension des mécanismes dans le développement d’une politique linguistique. Les étapes de l’étude se divisent en trois : après une exposition de l’évolution de la théorie de la planification linguistique, seront abordés les moments et évènements historiques marquants, intimement liés au développement du sentiment nationaliste dans les deux régions, ce qui permettra par le fait même d’explorer les relations entre les entités « subétatiques » et étatiques: Québec/Canada et Catalogne/Espagne. Puis seront passés en revue les textes législatifs et juridiques et leur portée. C’est-à-dire que sera vue plus spécifiquement l’application concrète des politiques linguistiques dans les domaines de l’éducation, de l’immigration et des médias de communication. Finalement, au regard des recensements sociolinguistiques les plus récents, les relations seront établies entre les résultats statistiques de l’usage des langues dans les régions respectives et les moyens ayant été déployés dans le cadre de la planification linguistique.

Apprentissage de représentations sur-complètes par entraînement d’auto-encodeurs

Les avancés dans le domaine de l’intelligence artificielle, permettent à des systèmes informatiques de résoudre des tâches de plus en plus complexes liées par exemple à la vision, à la compréhension de signaux sonores ou au traitement de la langue. Parmi les modèles existants, on retrouve les Réseaux de Neurones Artificiels (RNA), dont la popularité a fait un grand bond en avant avec la découverte de Hinton et al. [22], soit l’utilisation de Machines de Boltzmann Restreintes (RBM) pour un pré-entraînement non-supervisé couche après couche, facilitant grandement l’entraînement supervisé du réseau à plusieurs couches cachées (DBN), entraînement qui s’avérait jusqu’alors très difficile à réussir. Depuis cette découverte, des chercheurs ont étudié l’efficacité de nouvelles stratégies de pré-entraînement, telles que l’empilement d’auto-encodeurs traditionnels(SAE) [5, 38], et l’empilement d’auto-encodeur débruiteur (SDAE) [44]. C’est dans ce contexte qu’a débuté la présente étude. Après un bref passage en revue des notions de base du domaine de l’apprentissage machine et des méthodes de pré-entraînement employées jusqu’à présent avec les modules RBM, AE et DAE, nous avons approfondi notre compréhension du pré-entraînement de type SDAE, exploré ses différentes propriétés et étudié des variantes de SDAE comme stratégie d’initialisation d’architecture profonde. Nous avons ainsi pu, entre autres choses, mettre en lumière l’influence du niveau de bruit, du nombre de couches et du nombre d’unités cachées sur l’erreur de généralisation du SDAE. Nous avons constaté une amélioration de la performance sur la tâche supervisée avec l’utilisation des bruits poivre et sel (PS) et gaussien (GS), bruits s’avérant mieux justifiés que celui utilisé jusqu’à présent, soit le masque à zéro (MN). De plus, nous avons démontré que la performance profitait d’une emphase imposée sur la reconstruction des données corrompues durant l’entraînement des différents DAE. Nos travaux ont aussi permis de révéler que le DAE était en mesure d’apprendre, sur des images naturelles, des filtres semblables à ceux retrouvés dans les cellules V1 du cortex visuel, soit des filtres détecteurs de bordures. Nous aurons par ailleurs pu montrer que les représentations apprises du SDAE, composées des caractéristiques ainsi extraites, s’avéraient fort utiles à l’apprentissage d’une machine à vecteurs de support (SVM) linéaire ou à noyau gaussien, améliorant grandement sa performance de généralisation. Aussi, nous aurons observé que similairement au DBN, et contrairement au SAE, le SDAE possédait une bonne capacité en tant que modèle générateur. Nous avons également ouvert la porte à de nouvelles stratégies de pré-entraînement et découvert le potentiel de l’une d’entre elles, soit l’empilement d’auto-encodeurs rebruiteurs (SRAE).