« Procédure d’anonymisation et traitement automatique : l’expérience d’ESLO »
Résumé
ESLO (Enquête Sociolinguistique à Orléans), projet du Laboratoire Ligérien de Linguistique, est un grand corpus de données orales qui regroupe deux enquêtes ESLO 1 et ESLO 2 (Baude et Dugua 2011, Eshkol-Taravella et al. 2012). ESLO 1 fait suite à l’initiative d’universitaires britanniques qui, entre 1968 et 1974, ont collecté à Orléans des documents sonores (entretiens, appels téléphoniques, réunions, repas, divers) avec une visée didactique : l’enseignement du français langue étrangère dans le système public d’éducation anglais. En partant des acquis d’ESLO 1, une nouvelle enquête a été mise en chantier en 2008 par le LLL : ESLO 2. Il s’agit, à quarante années de distance, de constituer un corpus comparable dans le produit attendu et dans les modalités de la collecte : l’objectif a été fixé à 400 heures environ de documents sonores répondant à une approche variationniste et conçus à travers des programmes spécifiques. Réunis, ESLO 1 et ESLO 2 forment une collection de 700 heures d’enregistrement (10 millions de mots), ce qui est considéré aujourd’hui comme une valeur repère pour les investigations projetées. Il s’agit en somme d’un très grand corpus dont l’objectif de mise à disposition (sons – transcriptions – métadonnées) a déclenché une réflexion sur les aspects juridiques qui a abouti à la définition et à la mise en place d’une phase d’anonymisation dans la chaîne de traitement.
Bien que l'on parle souvent d'anonymisation, la question légale concerne principalement l’assurance qu’il sera impossible d'identifier des personnes. Juridiquement l'anonymisation, qui n’est obligatoire qu’en substitut du consentement, sert à qualifier l'opération par laquelle se trouve supprimé dans un ensemble de données, recueilli auprès d'un individu ou d'un groupe, tout élément qui permettrait l'identification de ces derniers. (Baude et al. 2006). Dans le cas des corpus oraux il faut prendre en compte, d’une part les moyens permettant l’identification dans un contexte de développement d’outils de fouille de masses de données, et d’autre part, l’ambigüité sur le statut juridique de la voix comme données identifiantes.
L’anonymisation dans le domaine du TAL concerne souvent le domaine médical (Meyster et al. 2010, Tweit et al. 2004, Raaj 2012, Uzuner et al. 2007) et porte ainsi sur les documents écrits (rapports, dossiers médicaux, etc) où les informations à anonymiser sont assez homogènes et présentées d’une manière linéaire propre aux textes écrits. Le langage oral est différent de l’écrit. Anonymiser le discours d’une manière automatique est une tâche difficile qui pose des problèmes supplémentaires au TAL. Cela a récemment été constaté dans (Amblard et Fort, 2014)
Dans le cadre d’ANR Variling nous avons effectué, entre 2009 et 2011, une expérience d’anonymisation automatique d’un sous-corpus transcrit d'ESLO1. En premier lieu, nous avons étudié des éléments permettant l’identification du locuteur que nous avons appelés entités dénommantes (Eshkol 2010a).
Il est difficile de rendre compte du mécanisme cognitif en jeu dans le processus de reconnaissance d’un individu. On peut supposer qu’une entité dénommante (nom rare, handicap, caractéristique particulière) ou une série de ces entités (nom, métier, lieu de travail, loisir, etc.) est associée à un individu particulier dans la mémoire à l’aide d’un certain lien dénominatif qui sera réactivé lors de leur apparition dans le discours. Il faut prendre en considération les facteurs contextuels qui entourent l’énonciation de ces entités. C’est le contexte qui permettra de réduire le champ d’application de ces éléments à un seul porteur, de le distinguer des autres référents possibles. Le locuteur peut être identifié directement (nom Kanaan ou Eshkol, métier général, maire ou caractéristiques rares mon père a fondé le plus grand cabinet ophtalmologique de la ville) ou à travers la combinaison de divers identifiants (le locuteur est patron d’un bar au moment de l’enregistrement et avant il travaillait dans l’aviation militaire). On voit dans ces exemples que la reconnaissance des entités nommées ne suffit pas à repérer toutes les informations concernant le sujet parlant et que certaines informations décrivant le locuteur ou sa famille ne sont pas repérables automatiquement.
L’expérience de l’annotation automatique s’est portée sur un sous-corpus d’ESLO1 : les 112 fichiers de transcription contenant les entretiens « face-à-face » riches des informations personnelles sur les locuteurs interviewés. Les questions posées portent beaucoup sur l’identité du locuteur et des membres de sa famille : « Depuis combien de temps habitez-vous Orléans ? » « Quel âge avez-vous ? » « Qu’est-ce que vous faites comme métier ? » « Où travaillez-vous ? » « Qu’est-ce que fait votre époux(se) ? », etc. Ces questions nous ont aidés à établir une typologie des éléments à annoter. La typologie ainsi définie concerne les informations sur la personne interrogée (pers.speaker), son conjoint (pers.spouse), ses enfants (pers.child) et d’autres membres de la famille (pers.parent). Les questions posées ont été aussi utilisées pour désambiguïser certaines informations. Ainsi, la mention du lieu est importante dans la réponse à la question portant sur les origines du locuteur que dans la question sur la région en France où on parle le mieux français.
Pour repérer et annoter les entités nommées et dénommantes, nous avons choisi l’approche en surface permettant de construire les grammaires locales selon le contexte en utilisant le système CasSys (Friburger 2002) intégré à la plate-forme Unitex (Paumier 2003). Ce choix nous a permis de ne pas développer un nouvel outil mais d’adapter un outil existant à nos données. L’annotation s’est faite en deux étapes. Nous avons repéré et annoté, en premier lieu, les entités nommées. Nous avons recherché ensuite les entités dénommantes. L’annotation des entités nommées et dénommantes a été décrite dans (Eshkol-Taravella et al. 2012, Eshkol et al. 2010b, Maurel et al. 2011, 2009).
Comme il a été mentionné ci-dessus, la reconnaissance des entités dénommantes prend en compte le contexte d’emploi de ces éléments mais aussi la nature orale des données.
Nous annotons tout d’abord le sujet sur qui porte l’information : le locuteur ou les autres membres de sa famille ; nous précisons ensuite la nature de cette information : l’identité, le travail, les études, l’engagement associatif ou syndicale, les vacances.
et qu'est-ce que vous faites comme travail ?
