Literatura académica sobre el tema "Apprentissage contrastif"

Afin de rompre avec le déterminisme social marqué au sein et au sortir de l’école française, les dispositifs d’accompagnement individuel et collectif des jeunes visant à fournir un soutien aux apprentissages scolaires ou une aide à l’orientation et à l’insertion, se sont multipliés depuis le début des années 2000. L’analyse comparative de six dispositifs de ce type soutenus par le Fonds d’expérimentation pour la jeunesse (FEJ) conduit cependant à interroger l’efficacité de ces formes d’accompagnement. En effet, les dispositifs étudiés n’ont que peu, voire pas d’effet sur le niveau scolaire, sur l’acquisition de compétences sociales, ainsi que sur l’orientation des élèves. En outre, si les filles et les élèves dont l’accompagnement perdure dans le temps tirent davantage bénéfice de leur participation au dispositif, des effets contre-productifs sont rapportés chez les élèves en retard scolaire et les jeunes les moins bien accompagnés au cours de l’intervention.

Cet article présente les résultats d’une vaste étude consacrée aux travaux sur la traduction entre le catalan et l’espagnol, aussi bien ceux qui se basent sur l’approche traductologique que ceux qui se fondent sur la linguistique. En raison du détail et de la longueur de l’étude, les résultats seront présentés dans deux articles indépendants. Le premier : « La investigación sobre la traducción entre catalán y español : estudios lingüísticos », abordera les études qui se fondent sur la linguistique, et le deuxième : « La investigación sobre la traducción entre catalán y español : estudios traductológicos », qui apparaîtra bientôt dans ce journal, s’occupera de la recherche faite dans le domaine des études en traduction. Le but de ce premier article est d’offrir une première approximation à ce champ d’études selon l’approche linguistique. Les travaux se fondant sur la linguistique se sont notamment intéressés à l’interférence et ses implications sur l’établissement des normes orthographiques et grammaticales de la langue, surtout du catalan, et à la précision du lexique, lors de la normalisation linguistique. Conséquemment, l’article passe en revue les approches grammaticales et stylistiques, les approches basées sur la linguistique contrastive diachronique, sur la lexicographie, sur l’enseignement-apprentissage des langues et sur le contact des langues.

Résumé La langue du politique est constituée de cristallisations linguistiques et sociologiques spécifiques. Elle devient problématique une fois traduite, car les termes et les syntagmes changent de contexte géo-socio-culturel. Notre recherche s’oriente sur l’environnement contextuel des termes concernant la culture et leur articulation dans le rapport présenté lors de l’ouverture du 19e congrès du Parti communiste chinois en 2017. En plus d’une attention particulière portée à la stabilisation des formes langagières, depuis certains stéréotypes lexicaux jusqu’à des habitus discursifs et notamment la présence de parallélismes, nous étudions de près la créativité langagière, les difficultés de traduction et leurs solutions dans un corpus parallèle français-chinois, assistées par des outils textométriques. Une comparaison contrastive des spécificités de co-occurrences thématiques autour de la culture entre le français et le chinois permet d’éclairer les mécanismes d’émergence du langage politique chinois et fournit également un accès privilégié aux contenus sociaux. En outre, les fonctions textométriques de groupes de termes, de segments répétés et d’affichage contextuel donnent un éclairage utile sur le discours programmatif autour de la culture : culture socialiste avancée, culture socialiste à la chinoise, confiance culturelle, softpower culturel, etc. Les résultats obtenus et les méthodes textométriques appliquées peuvent être utiles à toute analyse de terminologie ou à tout apprentissage de la traduction en langue de spécialité.

Dans le cadre de cet article, les auteurs s’efforcent de dégager une démarche méthodologique en vue d’analyser les problèmes d’écriture des élèves de l’école primaire en situation de difficulté, ainsi que les interventions didactiques des enseignants pour dépasser ces derniers. L’axe principal de la réflexion théorique concerne le traitement des problèmes d’écriture dans le cadre d’une didactique des genres de textes. Pour cette contribution, l’observation et la comparaison des productions écrites de trois élèves d’une classe de 4P qualifiés de «faibles» et de trois élèves qualifiés de «forts» par leur enseignant sur un genre textuel argumentatif particulier, «La réponse au courrier des lecteurs», permettra de décrire les capacités et les obstacles à ce niveau scolaire ainsi que les particularités qui caractérisent les textes des élèves en difficulté dans le domaine de l’expression écrite. L’étude se prolonge par une analyse des pratiques effectives d’enseignement à l’aide d’une séquence didactique. D’une part, les effets de ce type d’enseignement sur les apprentissages des élèves sont mis en évidence à la lumière des aspects formels et sémantiques du genre. D’autre part, cette étude de caractère exploratoire cherche à identifier la nature particulière des interventions et des gestes de régulation des enseignants en fonction des obstacles des élèves en difficulté.

RÉSUMÉ. L’expression écrite est une activité complexe qui occupe une place importante dans l’enseignement/apprentissage du français langue étrangère en Algérie. Enseigner le français aux arabophones donne lieu à des contacts entre l’arabe langue maternelle et le français langue étrangère. Ces contacts engendrent des erreurs qui influencent les écrits des apprenants. Cet article vise à repérer, analyser et comprendre les erreurs interférentielles dans les productions écrites des élèves algériens. Le but ultime étant d’y remédier. Pour ce faire, une analyse d’erreurs sera appliquée à un corpus de 30 copies de productions écrites réalisées par des élèves de 3éme année secondaire ainsi qu’une analyse contrastive des systèmes des deux langues en question : l’Arabe et le Français. L’analyse des données recueillies a révélé que ce problème pourrait être provoqué par 3 facteurs : les pratiques scripturales des élèves notamment la difficulté de mettre en œuvre les étapes du processus de production textuelle, les confrontations des deux systèmes linguistiques arabe et français au moment de l’apprentissage ainsi que les pratiques enseignantes, telle que l’évaluation, qui ne ciblent pas les erreurs interférentielles. Mots-clés : contact des langues, erreurs, évaluation, interférences, langue étrangère, langue maternelle, production écrite. ABSTRACT. Written expression is a complex activity that occupies an important place in the teaching / learning of French as a foreign language in Algeria. Teaching French to Arabic speakers leads to contacts between Arabic mother tongue and French as a foreign language. These contacts generate errors that influence student’s writings. This article aims to identify, analyze and understand interferential errors in the written productions of Algerian students. The ultimate goal is to fix it. To do this, an analysis of errors will be applied to a corpus of 30 copies of written productions made by students of the 3rd year secondary as well as a contrastive analysis of the systems of the two languages in question: Arabic and French.The analysis of the collected data revealed that this problem could be caused by 3 factors: the scriptural practices of the pupils notably the difficulty to implement the stages of the process of textual production, the confrontations of the two linguistic systems Arabic and French also to teaching practices, such as evaluation, that do not target interferential errors. Keywords: error, evaluation, foreign language, interference, language contact, mother tongue, written production.

Sustainable pre-service teacher education is needed to encourage academic success for under-represented populations, through both culturally responsive and alternative programming options (Carr-Stewart, Balzer, & Cottrell, 2013). In 2013, the Western Canadian University that served as the basis for this case study, implemented a blended learning pilot course in multicultural education for its existing cohort of pre-service teachers, within their Indigenous Focus Teacher Education Program (IFTEP). The aim of the blended pilot was to increase flexibility in participation for the IFTEP students, who were all employed full time as teacher assistants within a local school board. The author examined the design model through qualitative analysis of student interview data, contrasted against observations of activities on the learning management system (LMS). Five themes emerged as important in effective and culturally responsive practice for blended learning design, in this case related to: institutional challenges, student autonomy and the complexity of commitments. This research presents a critical review of the feasibility of adopting blended learning for Indigenous students. Afin de favoriser la réussite scolaire des populations sous-représentées, il est nécessaire que la formation initiale des enseignants soit durable, et ce, par l’entremise d’options de programmes à la fois culturellement sensibles et alternatives (Carr-Stewart, Balzer et Cottrell, 2013). En 2013, l’université de l’Ouest canadien qui a servi de base pour la présente étude de cas a mis en œuvre un cours pilote en apprentissage mixte portant sur l’éducation multiculturelle pour la cohorte existante d’enseignants en formation initiale au sein de son programme de formation des enseignants axé sur les Premières Nations (IFTEP). Ce pilote mixte avait pour objectif d’augmenter la flexibilité de la participation des étudiants de l’IFTEP, qui étaient tous employés à temps plein comme aides-enseignants au sein d’un conseil scolaire local. L’auteur a examiné le modèle de conception à la lumière d’une analyse quantitative des données tirées d’entrevues d’étudiants, mises en contraste avec des observations d’activités portant sur le système de gestion de l’apprentissage (SGA). Cinq thèmes sont apparus importants pour une pratique efficace et culturellement sensible de la conception en apprentissage mixte, liés aux défis de l’établissement, à l’autonomie étudiante et à la complexité des engagements. Cette étude présente un examen critique de la faisabilité d’adopter l’apprentissage mixte pour les élèves autochtones.

Dans cette thèse, nous développons des approches d'apprentissage auto-supervisé pour l'analyse d'images et de vidéos. L'apprentissage de représentation auto-supervisé permet de pré-entraîner les réseaux neuronaux à apprendre des concepts généraux sans annotations avant de les spécialiser plus rapidement à effectuer des tâches, et avec peu d'annotations. Nous présentons trois contributions à l'apprentissage auto-supervisé de représentations d'images et de vidéos. Premièrement, nous introduisons le paradigme théorique de l'apprentissage contrastif doux et sa mise en œuvre pratique appelée Estimation Contrastive de Similarité (SCE) qui relie l'apprentissage contrastif et relationnel pour la représentation d'images. Ensuite, SCE est étendue à l'apprentissage de représentation vidéo temporelle globale. Enfin, nous proposons COMEDIAN, un pipeline pour l'apprentissage de représentation vidéo locale-temporelle pour l'architecture transformer. Ces contributions ont conduit à des résultats de pointe sur de nombreux benchmarks et ont donné lieu à de multiples contributions académiques et techniques publiées
In this thesis, we develop approaches to perform self-supervised learning for image and video analysis. Self-supervised representation learning allows to pretrain neural networks to learn general concepts without labels before specializing in downstream tasks faster and with few annotations. We present three contributions to self-supervised image and video representation learning. First, we introduce the theoretical paradigm of soft contrastive learning and its practical implementation called Similarity Contrastive Estimation (SCE) connecting contrastive and relational learning for image representation. Second, SCE is extended to global temporal video representation learning. Lastly, we propose COMEDIAN a pipeline for local-temporal video representation learning for transformers. These contributions achieved state-of-the-art results on multiple benchmarks and led to several academic and technical published contributions

Les modèles développés dans cette thèse sont le résultat d'un processus itératif d'analyse et de synthèse entre les théories existantes et nos études réalisées. Plus spécifiquement, nous souhaitons étudier l'apprentissage inter-modal pour la compréhension contextualisée sur les composants des documents à travers le langage et la vision. Cette thèse porte sur l'avancement de la recherche sur l'apprentissage inter-modal et apporte des contributions sur quatre fronts : (i) proposer une approche inter-modale avec des réseaux profonds pour exploiter conjointement les informations visuelles et textuelles dans un espace de représentation sémantique commun afin d'effectuer et de créer automatiquement des prédictions sur les documents multimodaux; (ii) à étudier des stratégies concurrentielles pour s'attaquer aux tâches de classification de documents intermodaux, de récupération basée sur le contenu et de classification few-shot de documents ; (iii) pour résoudre les problèmes liés aux données comme l'apprentissage lorsque les données ne sont pas annotées, en proposant un réseau qui apprend des représentations génériques à partir d'une collection de documents non étiquetés ; et (iv) à exploiter les paramètres d'apprentissage few-shot lorsque les données ne contiennent que peu d’exemples
The frameworks developed in this thesis were the outcome of an iterative process of analysis and synthesis between existing theories and our performed studies. More specifically, we wish to study cross-modality learning for contextualized comprehension on document components across language and vision. The main idea is to leverage multimodal information from document images into a common semantic space. This thesis focuses on advancing the research on cross-modality learning and makes contributions on four fronts: (i) to proposing a cross-modal approach with deep networks to jointly leverage visual and textual information into a common semantic representation space to automatically perform and make predictions about multimodal documents (i.e., the subject matter they are about); (ii) to investigating competitive strategies to address the tasks of cross-modal document classification, content-based retrieval and few-shot document classification; (iii) to addressing data-related issues like learning when data is not annotated, by proposing a network that learns generic representations from a collection of unlabeled documents; and (iv) to exploiting few-shot learning settings when data contains only few examples

Cette thèse traite du problème de l'inférence de réseau dans le domaine des réseaux sociaux en ligne. L'hypothèse principale des problèmes d'inférence de réseau est que le réseau que nous observons n'est pas celui dont nous avons réellement be-soin. Cela est particulièrement vrai dans l'espace numérique actuel, où l'abondance d'informations s'accompagne généralement d'un manque crucial de fiabilité, sous la forme de bruit et de points manquants dans les données. Cependant, les approches existantes ignorent ou ne garantissent pas l'inférence de réseaux d'une manière qui puisse expliquer les données dont nous disposons. Il en résulte une ambiguïté sur la signification du réseau inféré, en plus d'un manque d'intuition et de contrôle sur l'inférence elle-même. L'objectif de cette thèse est d'explorer plus avant ce problème. Pour quantifier la capacité d'un réseau inféré à expliquer un ensemble de données, nous introduisons un nouveau critère de qualité, appelé feasibility. Notre intuition est que si un ensemble de données est "feasible" en ce qui concerne le réseau inféré, celui-ci est un meilleur candidat que le cas échéant. Pour le vérifier, nous proposons une nouvelle méthode d'inférence de réseau sous la forme d'un problème d'optimisation contraint, basé sur le maximum de vraisemblance, qui garantit la feasibility à 100%. Cette méthode est adaptée aux données provenant des réseaux sociaux en ligne, qui sont des sources bien connues de données peu fiables et restreintes. Nous présentons des expériences sur un ensemble de données synthétiques et données réelles provenant de la plateforme Twitter/X. Nous montrons que la méthode proposée génère une distribution a posteriori des graphes qui garantit l'explication de l'ensemble de données tout en étant plus proche de la véritable structure sous-jacente. En guise d'exploration finale, nous nous penchons sur le domaine de l'apprentissage profond pour trouver des alternatives plus évolutives et plus flexibles, en fournissant un cadre préliminaire basé sur les réseaux neuronaux graphiques et l'apprentissage contrastif qui donne des résultats prometteurs
This thesis deals with the problem of network inference in the domain of Online So-cial Networks. The main premise of network inference problems is that the networkwe are observing is not the network that we really need. This is especially prevalentin today's digital space, where the abundance of information usually comes withcrucial unreliability, in the form of noise and missing points in the data. However, existing approaches either ignore or do not guarantee to infer networks in a waythat can explain the data we have at hand. As a result, there is an ambiguity around the meaning of the network that we are inferring, while also having little intuition or control over the inference itself. The goal of this thesis is to further explore this problem. To quantify how well an inferred network can explain a dataset, we introduce a novel quality criterion called feasibility. Our intuition is that if a dataset is feasible given an inferred network, we might also be closer to the ground truth. To verify this,we propose a novel network inference method in the form of a constrained, Maximum Likelihood-based optimization problem that guarantees 100% feasibility. It is tailored to inputs from Online Social Networks, which are well-known sources of un-reliable and restricted data. We provide extensive experiments on one synthetic andone real-world dataset coming from Twitter/X. We show that our proposed method generates a posterior distribution of graphs that guarantees to explain the dataset while also being closer to the true underlying structure when compared to other methods. As a final exploration, we look into the field of deep learning for more scalable and flexible alternatives, providing a preliminary framework based on Graph Neural Networks and contrastive learning that gives promising results

Durant ces dernières années, les architectures de réseaux de neurones (RN) ont été appliquées avec succès à de nombreuses applications en Traitement Automatique de Langues (TAL), comme par exemple en Reconnaissance Automatique de la Parole (RAP) ainsi qu'en Traduction Automatique (TA).Pour la tâche de modélisation statique de la langue, ces modèles considèrent les unités linguistiques (c'est-à-dire des mots et des segments) à travers leurs projections dans un espace continu (multi-dimensionnel), et la distribution de probabilité à estimer est une fonction de ces projections.Ainsi connus sous le nom de "modèles continus" (MC), la particularité de ces derniers se trouve dans l'exploitation de la représentation continue qui peut être considérée comme une solution au problème de données creuses rencontré lors de l'utilisation des modèles discrets conventionnels.Dans le cadre de la TA, ces techniques ont été appliquées dans les modèles de langue neuronaux (MLN) utilisés dans les systèmes de TA, et dans les modèles continus de traduction (MCT).L'utilisation de ces modèles se sont traduit par d'importantes et significatives améliorations des performances des systèmes de TA. Ils sont néanmoins très coûteux lors des phrases d'apprentissage et d'inférence, notamment pour les systèmes ayant un grand vocabulaire.Afin de surmonter ce problème, l'architecture SOUL (pour "Structured Output Layer" en anglais) et l'algorithme NCE (pour "Noise Contrastive Estimation", ou l'estimation contrastive bruitée) ont été proposés: le premier modifie la structure standard de la couche de sortie, alors que le second cherche à approximer l'estimation du maximum de vraisemblance (MV) par une méthode d’échantillonnage.Toutes ces approches partagent le même critère d'estimation qui est la log-vraisemblance; pourtant son utilisation mène à une incohérence entre la fonction objectif définie pour l'estimation des modèles, et la manière dont ces modèles seront utilisés dans les systèmes de TA.Cette dissertation vise à concevoir de nouvelles procédures d'entraînement des MC, afin de surmonter ces problèmes.Les contributions principales se trouvent dans l'investigation et l'évaluation des méthodes d'entraînement efficaces pour MC qui visent à: (i) réduire le temps total de l'entraînement, et (ii) améliorer l'efficacité de ces modèles lors de leur utilisation dans les systèmes de TA.D'un côté, le coût d'entraînement et d'inférence peut être réduit (en utilisant l'architecture SOUL ou l'algorithme NCE), ou la convergence peut être accélérée.La dissertation présente une analyse empirique de ces approches pour des tâches de traduction automatique à grande échelle.D'un autre côté, nous proposons un cadre d'apprentissage discriminant qui optimise la performance du système entier ayant incorporé un modèle continu.Les résultats expérimentaux montrent que ce cadre d'entraînement est efficace pour l'apprentissage ainsi que pour l'adaptation des MC au sein des systèmes de TA, ce qui ouvre de nouvelles perspectives prometteuses
Over the past few years, neural network (NN) architectures have been successfully applied to many Natural Language Processing (NLP) applications, such as Automatic Speech Recognition (ASR) and Statistical Machine Translation (SMT).For the language modeling task, these models consider linguistic units (i.e words and phrases) through their projections into a continuous (multi-dimensional) space, and the estimated distribution is a function of these projections. Also qualified continuous-space models (CSMs), their peculiarity hence lies in this exploitation of a continuous representation that can be seen as an attempt to address the sparsity issue of the conventional discrete models. In the context of SMT, these echniques have been applied on neural network-based language models (NNLMs) included in SMT systems, and oncontinuous-space translation models (CSTMs). These models have led to significant and consistent gains in the SMT performance, but are also considered as very expensive in training and inference, especially for systems involving large vocabularies. To overcome this issue, Structured Output Layer (SOUL) and Noise Contrastive Estimation (NCE) have been proposed; the former modifies the standard structure on vocabulary words, while the latter approximates the maximum-likelihood estimation (MLE) by a sampling method. All these approaches share the same estimation criterion which is the MLE ; however using this procedure results in an inconsistency between theobjective function defined for parameter stimation and the way models are used in the SMT application. The work presented in this dissertation aims to design new performance-oriented and global training procedures for CSMs to overcome these issues. The main contributions lie in the investigation and evaluation of efficient training methods for (large-vocabulary) CSMs which aim~:(a) to reduce the total training cost, and (b) to improve the efficiency of these models when used within the SMT application. On the one hand, the training and inference cost can be reduced (using the SOUL structure or the NCE algorithm), or by reducing the number of iterations via a faster convergence. This thesis provides an empirical analysis of these solutions on different large-scale SMT tasks. On the other hand, we propose a discriminative training framework which optimizes the performance of the whole system containing the CSM as a component model. The experimental results show that this framework is efficient to both train and adapt CSM within SMT systems, opening promising research perspectives

Cette thèse est une étude de l’interlangue prosodique des apprenants d’anglais dont la langue maternelle est le français ou l’espagnol. Elle est organisée en deux parties principales. La première est une étude sur les méthodes de conception et de représentation de la prosodie pour l’analyse de l’interlangue, un système linguistique hybride présentant des caractéristiques de la langue maternelle de l’apprenant, des caractéristiques de la langue cible et des caractéristiques intermédiaires ou développementales. Cette partie débouche sur un cadre méthodologique pour l’analyse phonétique et pour l’interprétation phonologique de ce type de systèmes prosodiques. La deuxième partie est la mise en œuvre de cette méthodologie par une analyse contrastive de l’interlangue réalisée à travers l’étude d’un corpus oral d’apprenants d’anglais. Les résultats montrent des traces de l’influence de leurs langues maternelles respectives à un niveau phonétique et phonologique, ainsi que des caractéristiques développementales communes aux deux groupes de locuteurs. Les résultats servent de base pour une réflexion sur les niveaux d’abstraction de l’étude de la prosodie et sur les priorités didactiques pour l’enseignement de l’anglais oral au niveau universitaire
This thesis is a study of the prosodic interlanguage of students of English as a foreign language whose native language is French or Spanish. It is organized in two main parts. The first part is a study of the methods of conception and representation of prosody for the analysis of interlanguage – a hybrid linguistic system which includes characteristics of the student's native language, characteristics of the target language, and intermediate developmental or characteristics. This provides a methodological framework for the phonetic analysis and phonological interpretation of this type of prosodic systems. The second part is the implementation of this methodology through a contrastive interlanguage analysis conducted through the study of an oral corpus of students of English as a foreign language. The results show traces of the influence of their respective native languages at the phonetic and phonological levels, as well as developmental characteristics common to both groups of learners. The results serve as a basis for reflection on the levels of abstraction in the study of prosody and on the didactic priorities for teaching oral English at a university level

Les relations entre les habitants de la France et les locuteurs de la langue-culture arabe sont très anciennes puisqu'elles remontent au moins aux Croisades et aux premières traductions du Coran en latin. Après avoir rappelé les principales étapes historiques de l'enseignement de l'arabe en France (qui fut organisé officiellement depuis le XVIe siècle), nous nous intéressons à la situation actuelle de l'arabe dans l’Hexagone où il est aujourd'hui la deuxième langue la plus parlée. Or, cette langue connaît une remarquable situation de pluriglossie où se côtoient cinq variétés : arabe classique, arabe standard moderne (ou ASM), arabe intermédiaire, dialectes arabes et francarabe. Ces éléments historiques et sociolinguistiques, complétés par une étude comparative de l’ASM et du français standard, nous permettent d'aborder notre problématique qui relève de la didactique des langues-cultures : quelles sont les difficultés majeures que peut rencontrer l’apprenant Français adulte lorsqu'il commence à apprendre l’ASM ? L’analyse d’un corpus d’erreurs nous permet de répondre à cette question et de formuler quelques propositions didactiques propres à faciliter l’apprentissage de la communication en ASM. Afin d’approfondir notre réflexion, nous avons aussi cherché à connaître les motivations qui conduisaient les enquêtés à apprendre l’ASM ainsi que les utilisations qu’ils faisaient de leurs compétences en arabe. Notre problématique s’inscrit également dans le contexte social de la France d’aujourd’hui, où la communication interculturelle revêt une importance capitale
The relationships between the inhabitants of France and the speakers of the Arab language-culture are very old, as they date back at least to the Crusades and the first Latin translations of the Koran. After reminding the main historical steps of the teaching of Arabic in France (officially organised in France since the 16th century), we will look into the current situation of this language in France, where it is considered the second most spoken language. However, this language presents a remarkable pluriglossia situation with five varieties living alongside: Classical Arabic, Modern Standard Arabic (or MSA), Middle Arabic, the Arabic dialects and the “francarabe”. These historical and sociolinguistic elements, completed by a comparative study between MSA and Standard French, allow us to approach our problematic that falls into the didactics of languages-cultures : What are the main issues that can be encountered by a adult French learner who starts studying MSA? The analysis of a corpus of errors allows us to answer this question and to proffer some didactic proposals to facilitate the learning of communication in MSA. In order to deepen our thinking on this matter, we also sought to know the motivations that led the respondents to learn MSA, as well as the uses they made of their skills in Arabic. Our problematic is also set in the social context of contemporary France, where intercultural communication is of paramount importance

L'apprentissage auto-supervisé a gagné en popularité en tant que méthode d'apprentissage à partir de données non annotées. Il s'agit essentiellement de créer puis de résoudre un problème de prédiction qui utilise les données; par exemple, de retrouver l'ordre de données qui ont été mélangées. Ces dernières années, cette approche a été utilisée avec succès pour entraîner des réseaux de neurones qui extraient des représentations utiles des données, le tout sans aucune annotation. Cependant, notre compréhension de ce qui est appris et de la qualité de cet apprentissage est limitée. Ce document éclaire ces deux aspects de l'apprentissage auto-supervisé.Empiriquement, nous évaluons ce qui est appris en résolvant des tâches auto-supervisés. Nous spécialisons des tâches de prédiction lorsque les données sont des enregistrements d'activité cérébrale, par magnétoencéphalographie (MEG) ou électroencephalographie (EEG). Ces tâches partagent un objectif commun: reconnaître la structure temporelle dans les ondes cérébrales. Nos résultats montrent que les représentations apprises en résolvant ces tâches-là comprennent des informations neurophysiologiques, cognitives et cliniques, interprétables.Théoriquement, nous explorons également la question de la qualité de l'appretissage, spécifiquement pour les tâches de prédiction qui peuvent s'écrire comme un problème de classification binaire. Nous poursuivons une trâme de recherche qui utilise des problèmes de classification binaire pour faire de l'inférence statistique, alors que cela peut nécessiter de sacrifier une notion d'efficacité statistique pour une autre notion d'efficacité computationnelle. Nos contributions visent à améliorer l'efficacité statistique. Nous analysons théoriquement l'erreur d'estimation statistique et trouvons des situations lorsque qu'elle peut rigoureusement être réduite. Spécifiquement, nous caractérisons des hyperparametres optimaux de la tâche de classification binaire et prouvons également que la populaire heuristique de "recuit" peut rendre l'estimation plus efficace, même en grandes dimensions
Self-supervised learning has gained popularity as a method for learning from unlabeled data. Essentially, it involves creating and then solving a prediction task using the data, such as reordering shuffled data. In recent years, this approach has been successful in training neural networks to learn useful representations from data, without any labels. However, our understanding of what is actually being learned and how well it is learned is still somewhat limited. This document contributes to our understanding of self-supervised learning in these two key aspects.Empirically, we address the question of what is learned. We design prediction tasks specifically tailored to learning from brain recordings with magnetoencephalography (MEG) or electroencephalography (EEG). These prediction tasks share a common objective: recognizing temporal structure within the brain data. Our results show that representations learnt by solving these tasks contain interpretable cognitive and clinical neurophysiological features.Theoretically, we explore the quality of the learning procedure. Our focus is on a specific category of prediction tasks: binary classification. We extend prior research that has highlighted the utility of binary classification for statistical inference, though it may involve trading off some measure of statistical efficiency for another measure of computational efficiency. Our contributions aim to improve statistical efficiency. We theoretically analyze the statistical estimation error and find situations when it can be provably reduced. Specifically, we characterize optimal hyperparameters of the binary classification task and also prove that the popular heuristic of "annealing" can lead to more efficient estimation, even in high dimensions

Les mécanismes biologiques qui sous-tendent les symptômes des maladies psychiatriques sont encore mal compris à de nombreux égards. Une hypothèse qui justifierait la difficulté des chercheurs à identifier des marqueurs biologiques associés spécifiquement avec les troubles schizophrènes, bipolaires ou autistique serait qu'il existe une hétérogénéité neurobiologique importante au sein de chacune de ses maladies, qui rend plus difficile l'analyse de ces affections. Dans cette thèse, notre objectif est de développer des techniques d'apprentissage statistique automatique pour stratifier les maladies psychiatriques en sous-groupes ou en spectre de dimensions indépendantes sur la base de marqueurs biologiques objectifs acquis à l'aide de technique d'imagerie IRM neuroanatomique. Dans un premier temps, nous nous sommes concentrés sur le développement de méthodes de regroupement («clustering») visant à stratifier une maladie en sous-groupes homogènes. Un obstacle majeur fût d'observer que la prédominance de marqueurs neuroanatomiques sous-tendus par des facteurs de variabilité «généraux» (age, sexe, site d'acquisition, ethnicité) rendait difficile l'identification de marqueurs pathologiques distincts (associé à des échelles cliniques telles que la paranoïa, l'anxiété, ou la dépression par exemple). Notre première contribution fût donc de développer un algorithme linéaire de découverte de sous-groupes: UCSL qui se base uniquement sur des facteurs de variabilité existant spécifiquement et uniquement dans la population malade et non dans la population saine. Afin d'étendre ce travail à des algorithmes d'analyse profond non-linéaire, potentiellement plus puissant, susceptibles de reconnaître des signatures pathologiques plus complexes, nous avons étendu l'algorithme UCSL à un algorithme de Deep Learning intitulé Deep UCSL. Deep UCSL est capable d'extraire directement des caractéristiques directement dans l'image IRM anatomique et démontre des capacités de généralisation à d'autres domaines d'imagerie médicale (pathologies de l'œil et des poumons). Puis, afin d'illustrer l'utilité de ces méthodes de découverte de sous-groupes, nous avons utilisé la méthode linéaire UCSL dans une cohorte de personnes atteintes de schizophrénie pour identifier plusieurs sous-types et analyser leur pertinence clinique. Une autre ligne de recherche intéressante consiste à estimer les facteurs génératifs latents distincts et interprétables qui sous-tendent l'hétérogénéité neurobiologique propre à la maladie psychiatrique. Ainsi, nous nous sommes donc intéressés à une classe de méthodes d'apprentissage de représentations pathologiques (qui capture des motifs de variabilité qui n'existent que dans la maladie) intitulée «l'analyse contrastante». Ce champ de l'apprentissage statistique vise à séparer les facteurs de variabilité «communs» et «cibles», étant donné un ensemble de données «source» et un ensemble de données «cible». Dans notre cas, l'objectif serait d'identifier d'un côté la projection permettant d'identifier les motifs de variabilité sains et de l'autre côté la projection permettant d'identifier les «signatures pathologiques» qui n'existe que dans la classe des malades et non dans la classe des gens sains. Nous avons développé une méthode d'auto-encodeur variationnelle: SepVAE, qui contribue à des méthodes concurrentes via l'ajout de deux fonctions de coût à minimiser.. Enfin, nous avons développé une nouvelle méthode d'analyse contrastante: SepCLR, qui étend le cadre des méthodes d'Analyse Contrastive à une autre classe de méthodes prometteuse d'apprentissage de représentations: l'apprentissage par maximisation d'information mutuelle. Nous avons validé ces deux contributions méthodologiques sur des ensembles de données de vision, médicaux et de neuroimagerie
The biological mechanisms that underlie the symptoms of psychiatric diseases, such as schizophrenia, bipolar, or autistic disorders, are still poorly understood in many regards.One of the main reasons is the neurobiological heterogeneity associated with these diseases. Furthermore, healthy subjects usually share common but irrelevant factors of variation with the patients, such as age, sex, acquisition site, and ethnicity. These two major obstacles hamper the identification of consistent and interpretable biological markers associated with these diseases and their clinical scales, such as paranoia, anxiety, or depression.One of the main reasons is the neurobiological heterogeneity associated with these diseases. This hampers the identification of clear and interpretable biological markers associated with these diseases. In this thesis, our goal is to develop machine learning techniques to automatically stratify psychiatric diseases into homogeneous subgroups or to automatically identify the pathological latent distinct and interpretable generative factors, based on objective biological markers acquired through neuroanatomical MRI imaging techniques.At first, this thesis focused on developing clustering methods to stratify a disorder into homogeneous subgroups. Our first contribution was a extit{linear} subgroup discovery algorithm, called UCSL (Unsupervised Clustering driven by Supervised Learning), which identifies subgroups that stem only from the pathological variability specific to the disorder while disregarding the common variability shared with the healthy population. As a second contribution, this was then extended with a non-linear deep features extractor, potentially more powerful in recognizing complex pathological signatures. This new deep learning method entitled Deep UCSL, can directly extract features from anatomical MRI images, showed state-of-the-art results in neuro-psychiatric subgroup identification, and demonstrated generalization capabilities to other medical imaging domains (eye and lung pathologies). Ultimately, to illustrate the usefulness of such Subgroup Discovery methods, the linear method UCSL was leveraged to identify subtypes in a cohort of individuals with schizophrenia and to analyze their clinical relevance.Another line of research investigated in this thesis consisted of estimating the latent distinct and interpretable generative factors that underpin the neurobiological heterogeneity proper to the psychiatric disorder. To address this objective, this thesis investigated a class of representation learning methods that enable separating pathological patterns from healthy patterns of variability: contrastive analysis methods. These methods do not require assuming the existence of homogeneous subgroups. This field of statistical learning aims at separating ''common'' and ''target'' variability factors given a ''source'' dataset and a ''target'' dataset. In our case, the goal is to identify, on the one hand, the projection that allows identifying healthy variability patterns and, on the other hand, the projection that allows identifying ''pathological signatures'' that exist only in the class of patients and not in the class of healthy people. A contrastive variational autoencoder method entitled SepVAE was developed and contributed to competing methods in two ways: by adding a classification task in the pathological space and by adding a cost function based on mutual information to minimize information redundancy between the common space and the pathological space. Eventually, to provide a rich methodological perspective, a novel contrastive analysis strategy was developed. This method extends the framework of contrastive analysis methods to another promising class of representation learning methods: mutual information maximization learning. These methodological contributions were then validated on vision, medical, and neuroimaging datasets

Cette thèse porte sur la fouille de graphes et propose un ensemble de méthodes pour la découverte de contrastes entre classes et leurs contributions à des problématiques de prédictions de propriétés (éco)toxicologiques de composés chimiques. Nous présentons un nouveau type de motifs, les motifs émergents de graphes - les conjonctions de graphes dont la présence est liée à la classification donnée en entrée - afin de cibler l'information caractérisant les différentes lasses. Notre méthode repose sur un changement de description des graphes permettant de revenir à un contexte de fouille de données tabulaires. L'étendue des contraintes utilisées en fouille de données tabulaires peut ainsi être exploitée, telle que la contrainte d'émergence. Nous montrons également qu'il est possible d'étendre aux motifs de graphes les représentations condensées de motifs sur la contrainte d'émergence. Cette méthode synthétise les motifs de graphes et facilite leur exploration et leur usages. Le fil conducteur de ce travail est celui de l'évaluation de propriétés (éco)toxicologiques de molécules par l'usage de modèles in silico, conformément à la norme européenne REACH. Dans ce contexte, les méthodes de fouille de graphes proposées permettent d'extraire des toxicophores (i.e. des fragments de molécules qui peuvent influencer le comportement toxique des molécules) à partir des exemples d'une chimiothèque. Une série expérimentale montre l'apparition de nouvelles structures lorsque le niveau de toxicité des molécules augmente. Ces travaux contribuent à l'acquisition de nouvelles connaissances sur les mécanismes de toxicité des molécules venant compléter les connaissances expertes humaines.

Ce travail traite de l'imagerie électromagnétique mal-posée non-linéaire à partir de données en régime harmonique dans une expérience de diffraction bidimensionnelle, en mettant l'accent sur deux approches dans le cadre de l'inversion de source de contraste (CSI). La première approche est un CSI pénalisé par la parcimonie de groupe dans le domaine des ondelettes, la seconde est un schéma d'apprentissage profond dit déroulé. Dans la première approche, une dépendance existe entre les coefficients d'ondelettes à différentes échelles, appelée relation parent-enfant, ce qui donne une structure quadtree d'ondelettes, de sorte que les coefficients d'ondelettes sont parcimonieux tant au niveau des pixels qu'au niveau des groupes. L'accent est mis sur l'utilisation de la transformée en ondelettes complexe (CWT) à double arborescence en vue d'obtenir correctement la représentation parcimonieuse par groupe recherchée. Une norme l2,1 ajoutée à la fonction coût standard applique la parcimonie de groupe aux coefficients d'ondelettes du contraste. La stratégie de réplication est combinée avec la méthode proximale afin de résoudre le problème pénalisé de groupes qui se chevauchent. La seconde approche est inspirée de la méthode déroulée. En intégrant les itérations CSI dans le modèle d'apprentissage profond, la connaissance du domaine est intégrée au processus d'apprentissage. Dans les deux cas, des tests numériques approfondis sont effectués afin d'évaluer les performances, la stabilité, la robustesse et la fiabilité, en menant des comparaisons avec des solutions considérées plus standard (comme CSI, la transformée en ondelettes discrète ou DWT, et U-net), et celles-ci illustrent l'avantage des deux approches proposées en de nombreux aspects
This work deals with nonlinear ill-posed electromagnetic imaging from time-harmonic data within a two-dimensional scattering experiment, the focus being on two approaches in the framework of the contrast-source inversion (CSI). The first approach is a group sparsity penalized CSI in the wavelet domain, the second is an unrolled deep learning scheme. In the first approach, dependency exists between wavelet coefficients at different scales, referred to as parent-child relationship, which yields a wavelet quadtree structure so that wavelet coefficients are both pixel-wise and group-wise sparse. Emphasis is on the dual-tree complex wavelet transform (CWT) to achieve this result. A '2;1 norm added to the standard cost function is to enforce group sparsity onto the wavelet coefficients of the spatially-varying contrast. The replication strategy is combined with the proximal method to solve the overlapping group penalized problem. The second approach is inspired by the unrolled method. By embedding the CSI iterations into the deep learning model, the domain knowledge is incorporated into the learning process. In both cases, thorough numerical tests are carried out to evaluate performance, stability, robustness, and reliability with comparisons with more standard solutions (like CSI, discrete wavelet transform (DWT) and U-net), which exhibit the advantage of the proposed approaches under many aspects

Sous l’angle de la cognition, la métaphore est non seulement un phénomène de langue, mais également un mécanisme cognitif fondamental dans notre compréhension du monde. Ainsi exerce-t-elle une influence considérable sur la lexicographie d’apprentissage, qui prête désormais un grand intérêt à la structure lexicale en tant que représentation de notre connaissance du monde. D’un côté, les lexicographes ont intérêt à élaborer des stratégies pour traiter différentes informations dans un dictionnaire d’apprentissage de façon à ce que les apprenants puissent comprendre le processus métaphorique et percevoir les acceptations d’un mot comme un continuum. D’un autre côté, bien que la vision humaine du monde soit universelle, la métaphorisation peut varier d’une langue à l’autre. Dans les dictionnaires bilingues qui mettent deux langues-cultures en contact, une perspective contrastive axée sur l’exploration de la métaphore permet aux apprenants de mieux repérer tant les particularités linguistiques que les différences culturelles à l’œuvre.

L’objectif de cet article est d’exposer le processus méthodologique et le cadre théorique suivi dans la rédaction du Dictionnaire d’apprentissage de la langue roumaine, DAERUM. La méthodologie développée pour l’élaboration de cet ouvrage suit la théorie du signe centré dans le signifié et son contexte d’usage (Lara, 2016). L’analyse des mots répond à la question : À quoi cela correspond ? C’est une analyse contrastive des langues roumain-espagnol et ses vocables sont présentés dans des définitions bilingues pour faciliter la compréhension et fonctionner comme input pour l’étudiant. Le corpus a été construit à partir de la proposition Resultados numéricos del vocabulario fundamental del español en México dirigido por Luis Fernando Lara – México, D.F: El Colegio de México, Centro de Estudios Lingüísticos y Literarios, Diccionario del español de México, 2007 et le Vocabularul minimal al limbii române de Maria Iliescu et al. Bucuresti: Editura Didactică şi Pedagogică, 1981.

Nous nous intéressons ici à l’enseignement/apprentissage du français en contexte multilingue. Nous sommes partis du postulat que dans un contexte de multilinguisme, les apprenants éprouvent des difficultés linguistiques dues à leurs langues maternelles. L’objet du présent article est de montrer que le substrat de la langue maternelle moore (L1) influence les productions écrites des apprenants du post-primaire en français (L2). L’échantillon était constitué de cent (100) copies de rédaction d’apprenants moorephones de la classe de 4 e de l’enseignement post-primaire dans la ville de Ouagadougou. En nous basant sur les principes de l’analyse contrastive (Besse & Porquier, 2000), nous avons relevé d’abord les écarts de productions constatés sur les copies des apprenants moorephones et ensuite nous avons cherché à comprendre les sources de ces difficultés linguistiques. Ainsi, il ressort des investigations que les productions écrites de ces apprenants sont empreintes d’interférences phonétiques, lexico-sémantiques et morphosyntaxiques émanant du moore, leur langue maternelle. Dans ce contexte, la construction d’une didactique du bi-/plurilinguisme qui prend en compte les particularités de la langue maternelle s’avère nécessaire même s’il reste des défis à relever.