@inproceedings{sitbon-etal-2006-vers,
title = "Vers une pr{\'e}diction automatique de la difficult{\'e} d{'}une question en langue naturelle",
author = "Sitbon, Laurianne and
Grivolla, Jens and
Gillard, Laurent and
Bellot, Patrice and
Blache, Philippe",
editor = "Mertens, Piet and
Fairon, C{\'e}drick and
Dister, Anne and
Watrin, Patrick",
booktitle = "Actes de la 13{\`e}me conf{\'e}rence sur le Traitement Automatique des Langues Naturelles. Articles longs",
month = apr,
year = "2006",
address = "Leuven, Belgique",
publisher = "ATALA",
url = "https://aclanthology.org/2006.jeptalnrecital-long.31",
pages = "338--347",
abstract = "Nous proposons et testons deux m{\'e}thodes de pr{\'e}diction de la capacit{\'e} d{'}un syst{\`e}me {\`a} r{\'e}pondre {\`a} une question factuelle. Une telle pr{\'e}diciton permet de d{\'e}terminer si l{'}on doit initier un dialogue afin de pr{\'e}ciser ou de reformuler la question pos{\'e}e par l{'}utilisateur. La premi{\`e}re approche que nous proposons est une adaptation d{'}une m{\'e}thode de pr{\'e}diction dans le domaine de la recherche documentaire, bas{\'e}e soit sur des machines {\`a} vecteurs supports (SVM) soit sur des arbres de d{\'e}cision, avec des crit{\`e}res tels que le contenu des questions ou des documents, et des mesures de coh{\'e}sion entre les documents ou passages de documents d{'}o{\`u} sont extraits les r{\'e}ponses. L{'}autre approche vise {\`a} utiliser le type de r{\'e}ponse attendue pour d{\'e}cider de la capacit{\'e} du syst{\`e}me {\`a} r{\'e}pondre. Les deux approches ont {\'e}t{\'e} test{\'e}es sur les donn{\'e}es de la campagne Technolangue EQUER des syst{\`e}mes de questions-r{\'e}ponses en fran{\c{c}}ais. L{'}approche {\`a} base de SVM est celle qui obtient les meilleurs r{\'e}sultats. Elle permet de distinguer au mieux les questions faciles, celles auxquelles notre syst{\`e}me apporte une bonne r{\'e}ponse, des questions difficiles, celles rest{\'e}es sans r{\'e}ponses ou auxquelles le syst{\`e}me a r{\'e}pondu de mani{\`e}re incorrecte. A l{'}oppos{\'e} on montre que pour notre syst{\`e}me, le type de r{\'e}ponse attendue (personnes, quantit{\'e}s, lieux...) n{'}est pas un facteur d{\'e}terminant pour la difficult{\'e} d{'}une question.",
language = "French",
}
<?xml version="1.0" encoding="UTF-8"?>
<modsCollection xmlns="http://www.loc.gov/mods/v3">
<mods ID="sitbon-etal-2006-vers">
<titleInfo>
<title>Vers une prédiction automatique de la difficulté d’une question en langue naturelle</title>
</titleInfo>
<name type="personal">
<namePart type="given">Laurianne</namePart>
<namePart type="family">Sitbon</namePart>
<role>
<roleTerm authority="marcrelator" type="text">author</roleTerm>
</role>
</name>
<name type="personal">
<namePart type="given">Jens</namePart>
<namePart type="family">Grivolla</namePart>
<role>
<roleTerm authority="marcrelator" type="text">author</roleTerm>
</role>
</name>
<name type="personal">
<namePart type="given">Laurent</namePart>
<namePart type="family">Gillard</namePart>
<role>
<roleTerm authority="marcrelator" type="text">author</roleTerm>
</role>
</name>
<name type="personal">
<namePart type="given">Patrice</namePart>
<namePart type="family">Bellot</namePart>
<role>
<roleTerm authority="marcrelator" type="text">author</roleTerm>
</role>
</name>
<name type="personal">
<namePart type="given">Philippe</namePart>
<namePart type="family">Blache</namePart>
<role>
<roleTerm authority="marcrelator" type="text">author</roleTerm>
</role>
</name>
<originInfo>
<dateIssued>2006-04</dateIssued>
</originInfo>
<typeOfResource>text</typeOfResource>
<language>
<languageTerm type="text">French</languageTerm>
<languageTerm type="code" authority="iso639-2b">fre</languageTerm>
</language>
<relatedItem type="host">
<titleInfo>
<title>Actes de la 13ème conférence sur le Traitement Automatique des Langues Naturelles. Articles longs</title>
</titleInfo>
<name type="personal">
<namePart type="given">Piet</namePart>
<namePart type="family">Mertens</namePart>
<role>
<roleTerm authority="marcrelator" type="text">editor</roleTerm>
</role>
</name>
<name type="personal">
<namePart type="given">Cédrick</namePart>
<namePart type="family">Fairon</namePart>
<role>
<roleTerm authority="marcrelator" type="text">editor</roleTerm>
</role>
</name>
<name type="personal">
<namePart type="given">Anne</namePart>
<namePart type="family">Dister</namePart>
<role>
<roleTerm authority="marcrelator" type="text">editor</roleTerm>
</role>
</name>
<name type="personal">
<namePart type="given">Patrick</namePart>
<namePart type="family">Watrin</namePart>
<role>
<roleTerm authority="marcrelator" type="text">editor</roleTerm>
</role>
</name>
<originInfo>
<publisher>ATALA</publisher>
<place>
<placeTerm type="text">Leuven, Belgique</placeTerm>
</place>
</originInfo>
<genre authority="marcgt">conference publication</genre>
</relatedItem>
<abstract>Nous proposons et testons deux méthodes de prédiction de la capacité d’un système à répondre à une question factuelle. Une telle prédiciton permet de déterminer si l’on doit initier un dialogue afin de préciser ou de reformuler la question posée par l’utilisateur. La première approche que nous proposons est une adaptation d’une méthode de prédiction dans le domaine de la recherche documentaire, basée soit sur des machines à vecteurs supports (SVM) soit sur des arbres de décision, avec des critères tels que le contenu des questions ou des documents, et des mesures de cohésion entre les documents ou passages de documents d’où sont extraits les réponses. L’autre approche vise à utiliser le type de réponse attendue pour décider de la capacité du système à répondre. Les deux approches ont été testées sur les données de la campagne Technolangue EQUER des systèmes de questions-réponses en français. L’approche à base de SVM est celle qui obtient les meilleurs résultats. Elle permet de distinguer au mieux les questions faciles, celles auxquelles notre système apporte une bonne réponse, des questions difficiles, celles restées sans réponses ou auxquelles le système a répondu de manière incorrecte. A l’opposé on montre que pour notre système, le type de réponse attendue (personnes, quantités, lieux...) n’est pas un facteur déterminant pour la difficulté d’une question.</abstract>
<identifier type="citekey">sitbon-etal-2006-vers</identifier>
<location>
<url>https://aclanthology.org/2006.jeptalnrecital-long.31</url>
</location>
<part>
<date>2006-04</date>
<extent unit="page">
<start>338</start>
<end>347</end>
</extent>
</part>
</mods>
</modsCollection>
%0 Conference Proceedings
%T Vers une prédiction automatique de la difficulté d’une question en langue naturelle
%A Sitbon, Laurianne
%A Grivolla, Jens
%A Gillard, Laurent
%A Bellot, Patrice
%A Blache, Philippe
%Y Mertens, Piet
%Y Fairon, Cédrick
%Y Dister, Anne
%Y Watrin, Patrick
%S Actes de la 13ème conférence sur le Traitement Automatique des Langues Naturelles. Articles longs
%D 2006
%8 April
%I ATALA
%C Leuven, Belgique
%G French
%F sitbon-etal-2006-vers
%X Nous proposons et testons deux méthodes de prédiction de la capacité d’un système à répondre à une question factuelle. Une telle prédiciton permet de déterminer si l’on doit initier un dialogue afin de préciser ou de reformuler la question posée par l’utilisateur. La première approche que nous proposons est une adaptation d’une méthode de prédiction dans le domaine de la recherche documentaire, basée soit sur des machines à vecteurs supports (SVM) soit sur des arbres de décision, avec des critères tels que le contenu des questions ou des documents, et des mesures de cohésion entre les documents ou passages de documents d’où sont extraits les réponses. L’autre approche vise à utiliser le type de réponse attendue pour décider de la capacité du système à répondre. Les deux approches ont été testées sur les données de la campagne Technolangue EQUER des systèmes de questions-réponses en français. L’approche à base de SVM est celle qui obtient les meilleurs résultats. Elle permet de distinguer au mieux les questions faciles, celles auxquelles notre système apporte une bonne réponse, des questions difficiles, celles restées sans réponses ou auxquelles le système a répondu de manière incorrecte. A l’opposé on montre que pour notre système, le type de réponse attendue (personnes, quantités, lieux...) n’est pas un facteur déterminant pour la difficulté d’une question.
%U https://aclanthology.org/2006.jeptalnrecital-long.31
%P 338-347
Markdown (Informal)
[Vers une prédiction automatique de la difficulté d’une question en langue naturelle](https://aclanthology.org/2006.jeptalnrecital-long.31) (Sitbon et al., JEP/TALN/RECITAL 2006)
ACL