Les discours de Pierre Plaoul au Parlement de Paris (1406) : un exemple des rhétoriques française et latine au Moyen Âge tardif

Le 27 mai 1406, le théologien parisien Pierre Plaoul comparaît devant la cour du Parlement de Paris en tant que représentant de l’Université de Paris dans une affaire qui l’oppose à l’Université de Toulouse. Il y prononce un sermon en latin, ce que la cour lui reproche instantanément, lui demandant de parler en français pour la prochaine séance. Le 7 juin, lors de sa deuxième comparution, il parle cette fois en langue vernaculaire et prononce un discours extrêmement différent du premier, autant dans son genre que dans son registre de citations. Les deux discours sont conservés dans le registre X1a4787 des Archives nationales de France. L’édition des discours permet de comprendre le raisonnement derrière leurs différences, mais il permet surtout de constater que le discours français fait état d’une érudition encore plus grande que son homologue latin et que son orateur n’était nullement gêné par l’usage de la langue vernaculaire. Remis dans le contexte historiographique actuel, il en ressort que l’utilisation du français par Plaoul concorde parfaitement avec l’abandon du modèle de rapport diglossique entre latin et français pour la fin du Moyen Âge, lui préférant plutôt un rapport de langues en contacts. Ce postulat est soutenu par les nombreuses occurrences d’universitaires médiévaux démontrant une excellente maîtrise d’un registre savant de la langue vulgaire, des poètes, aux prédicateurs en passant par les practiciens du droit. Un examen plus attentif de l’utilisation de la langue française par les docteurs en théologie du règne de Charles VI vient aussi appuyer l’hypothèse selon laquelle les universitaires du bas Moyen Âge considéraient la langue vernaculaire comme un instrument approprié à la transmission de la culture savante.

Apprentissage des réseaux de neurones profonds et applications en traitement automatique de la langue naturelle

En apprentissage automatique, domaine qui consiste à utiliser des données pour apprendre une solution aux problèmes que nous voulons confier à la machine, le modèle des Réseaux de Neurones Artificiels (ANN) est un outil précieux. Il a été inventé voilà maintenant près de soixante ans, et pourtant, il est encore de nos jours le sujet d'une recherche active. Récemment, avec l'apprentissage profond, il a en effet permis d'améliorer l'état de l'art dans de nombreux champs d'applications comme la vision par ordinateur, le traitement de la parole et le traitement des langues naturelles. La quantité toujours grandissante de données disponibles et les améliorations du matériel informatique ont permis de faciliter l'apprentissage de modèles à haute capacité comme les ANNs profonds. Cependant, des difficultés inhérentes à l'entraînement de tels modèles, comme les minima locaux, ont encore un impact important. L'apprentissage profond vise donc à trouver des solutions, en régularisant ou en facilitant l'optimisation. Le pré-entraînnement non-supervisé, ou la technique du ``Dropout'', en sont des exemples. Les deux premiers travaux présentés dans cette thèse suivent cette ligne de recherche. Le premier étudie les problèmes de gradients diminuants/explosants dans les architectures profondes. Il montre que des choix simples, comme la fonction d'activation ou l'initialisation des poids du réseaux, ont une grande influence. Nous proposons l'initialisation normalisée pour faciliter l'apprentissage. Le second se focalise sur le choix de la fonction d'activation et présente le rectifieur, ou unité rectificatrice linéaire. Cette étude a été la première à mettre l'accent sur les fonctions d'activations linéaires par morceaux pour les réseaux de neurones profonds en apprentissage supervisé. Aujourd'hui, ce type de fonction d'activation est une composante essentielle des réseaux de neurones profonds. Les deux derniers travaux présentés se concentrent sur les applications des ANNs en traitement des langues naturelles. Le premier aborde le sujet de l'adaptation de domaine pour l'analyse de sentiment, en utilisant des Auto-Encodeurs Débruitants. Celui-ci est encore l'état de l'art de nos jours. Le second traite de l'apprentissage de données multi-relationnelles avec un modèle à base d'énergie, pouvant être utilisé pour la tâche de désambiguation de sens.

The Gandarela Mountain Range and the “resistance space” against iron ore mining threat: a focus on the contrapositions

Full Text / Article complet