RISC : Détail des Mémoires et Thèses

Résumé : L'objet de ce travail est la modélisation informatique de la capacité d'apprentissage de la syntaxe de leur langue naturelle par les enfants. Une synthèse des connaissances psycho-linguistiques sur la question est donc tout d'abord proposée. Le point de vue adopté pour la modélisation accorde une place privilégiée à la sémantique, qui est supposée acquise avant la syntaxe. Le Principe de compositionnalité, éventuellement adapté, est mis à contribution pour formaliser les liens entre syntaxe et sémantique, et le modèle d'apprentissage ``à la limite'' par exemples positifs de Gold est choisi pour régir les conditions de l'apprentissage. Nous présentons dans ce contexte divers résultats d'apprenabilité de classes de grammaires catégorielles à partir de divers types de données qui véhiculent des informations sémantiques. Nous montrons que, dans tous les cas, la sémantique contribue à spécifier les /structures/ sous-jacentes aux énoncés, et à réduire ainsi l'espace de recherche des algorithmes d'apprentissage. This work deals with the computational modeling of naturallanguage syntax learning by children. A synthesis of contemporary psycho-linguistic knowledge on the subject is first proposed. The focus is put on semantics, which is supposed to be first acquired. The Principle of compositionality, sometimes adapted, is adopted to formalize the links between syntax and semantics, and Golcl's model of learnability in the limit from positive examples is chosen to speci(y the conditions where learning takes place. We show, under these conditions, various learnability results for classes of categorial grammars, for various kincls of input data carrying semantic information. We show that, in each case, semantic information contribute to specify the underlying stTuctures of utterances, and so to l'educe the search space of the learning algorithms.