Grant: Discovery Grants Program - Individual

En raison de leur taille et des limites des technologies actuelles, les grandes banques de données, Internet et les réseaux sociaux, sont des sources d'information difficilement exploitables. Les approches proposées pour accélérer la fouille, la lecture et l'analyse des données informationnelles sont soit symboliques et logiques, basées sur des patrons, soit numériques et empiriques, basées sur des cooccurrences ou encore de type ""reconnaissance de forme"" basées sur des modèles formels algébriques. Elles privilégient l'analyse d'une seule facette de l'information, souvent établie par un expert du domaine. Cette vision est non productive, vu la nature complexe de l'information et la multiplicité de points de vue pour son interprétation, induite par le projet de lecture de l'utilisateur. L'assistance informatique à la fouille, à la lecture et à l'analyse de données peut être améliorée si elle est en mesure de consacrer plusieurs facettes, chacune d'entre elles accordant un sens et un intérêt particuliers à l'information. De nombreuses évidences suggèrent que la compréhension du contenu d'un document implique de nombreux processus cognitifs qui manipulent différentes données informationnelles comme : Le document lui même ; les annotations textuelles ; les commentaires des utilisateurs non experts avec un langage généralement intuitif pour exprimer leurs impressions, leurs préférences, leurs motivations, leurs connaissances, leurs recommandations ; etc. Ces données informationnelles proviennent de différentes sources et deviennent des descripteurs qui donnent plus de forces à la catégorisation des documents, à leur indexation, à leur accessibilité, à leur analyse, etc. ***Nous pensons que la lecture et l'analyse de documents est biaisée par les traitements d'informations possibles propre à chaque classe de descripteurs, celle--ci contribuant de manière distincte à définir l'expérience de lecture et d'analyse. Un processus d'extraction de règles d'association se présente comme un moyen de consolider l'information provenant des différentes classes de descripteurs. Cette méthode de forage de données a la capacité de dégager des connaissances cachées dans des données dont la nature peut varier.***Afin que ce système puisse servir à bâtir et à expérimenter différentes chaînes de traitement, une architecture modulaire est nécessaire. Les chaînes de traitement sont l'aboutissement d'un processus de découverte qui nécessite un va et vient entre description théorique, implantation informatique, expérimentation et raffinement de la description théorique à la lumière des résultats de l'expérimentation. La construction d'une chaîne de traitement exige flexibilité, adaptabilité, consistance et cohérence. Nous privilégierons l'utilisation des systèmes applicatifs typés comme cadre formelle théorique pour soutenir et justifier le bien fondé de notre hypothèse.