Organisation 2021-22
Calendrier 2021-22
19 octobre 2021 — Adrien Bibal - Local DOYEN 21
Interpretability and Explainability in Machine Learning
Adrien Bibal, Postdoctoral Researcher in Machine Learning and NLP at UCLouvain
Abstract :
Machine learning models are becoming more and more complex for the sake of performance. However, in many situations, the way in which the model is computed must be somewhat transparent. For instance, in some countries, the reasons for credit denial must legally be provided. Furthermore, in science, it is often not the predictive performance of the model that is sought, but the knowledge that can be extracted from it. Interpretability is a property of models that characterizes the degree to which models are understandable by their users, while explainability is the capacity the model to be explained, if it is not interpretable. In this seminar, we will introduce these two concepts, as well as the issues related to their implementation and evaluation.
Références :
Bibal, A., & Frenay, B. (2016). Interpretability of machine learning models and representations: an introduction. In European Symposium on Artificial Neural Networks, Computational Intelligence and Machine Learning (pp. 77-82).
Lipton, Z. C. (2018). The mythos of model interpretability: in machine learning, the concept of interpretability is both important and slippery. Queue, 16(3), 31-57.
Guidotti, R., Monreale, A., Ruggieri, S., Turini, F., Giannotti, F., & Pedreschi, D. (2018). A survey of methods for explaining black box models. ACM Computing Surveys, 51(5), 1-42.
Bibal, A., Lognoul, M., De Streel, A., & Frénay, B. (2021). Legal requirements on explainability in machine learning. Artificial Intelligence and Law, 29(2), 149-169.
Rudin, C. (2019). Stop explaining black box machine learning models for high stakes decisions and use interpretable models instead. Nature Machine Intelligence, 1(5), 206-215.
09 novembre 2021 — Thomas François - Salle du Conseil FIAL
Le TAL pour l'évaluation automatique de la difficulté de lecture en FLE
Thomas François, Chargé de cours à l'UCLouvain
Abstract :
Cette présentation introduira trois projets du Cental ciblant la question de l’évaluation automatique de la difficulté de documents pour le FLE. Tout d’abord, nous présenterons une nouvelle formule de lisibilité pour évaluer la difficulté des textes de FLE automatiquement. Cette formule intègre les dernières technologies basées sur le Deep Learning et les représentations sémantiques de type BERT. Dans un second temps, nous présenterons le projet CEFRLex, un projet phare du Cental. La présentation décrira ses fondements théoriques et la méthodologie de conception des ressources. Ensuite, nous discuterons comment les informations du projet CEFRLex, couplées avec les référentiels de Beacco pour le CECR, peuvent être utilisées pour prédire automatiquement la connaissance lexicale réceptive d’apprenants du FLE.
Références
https://cental.uclouvain.be/team/tfrancois/
07 décembre 2021 — Bill McDowell (DuoLingo) - Online
The Duolinguo CEFR Checker: A multilingual Tool for Adapting Learning Content
Bill McDowell, this seminar is held in the context of the CEFR workshop
Abstract :
- is the world's most popular language education platform, with more than 500 million students worldwide. Content creation for the Duolingo app requires adapting text in many languages to target varying levels of proficiency. To make this process more efficient, we have developed automated multilingual methods for aligning content to the CEFR proficiency standard. In this talk, I’ll discuss the Duolingo CEFR Checker, a (semi-)language-agnostic tool that aligns text to the CEFR standard using methods that involve transfer learning, multilingual word embeddings, and word frequencies estimated across large corpora.
22 février 2022 — David Alfter
La prédiction automatique de la complexité des mots et ses applications à l'apprentissage des languages assisté par ordinateur
David Alfter, Chercheur postdoctoral en linguistique computationnelle
Abstract :
Le vocabulaire joue un rôle essentiel dans l'acquisition d'une nouvelle langue. La question centrale est de savoir quand apprendre quoi. Cette présentation se concentrera sur la complexité des mots pour les apprenants de langues d'un point de vue de linguistique appliquée. Dans la première partie, un modèle automatique entraîné sur des manuels scolaires et capable de prédire le niveau estimé des mots inconnus sera présenté. Dans la deuxième partie, l'utilisation du crowdsourcing pour la création de ressources graduées sera discutée. Dans la dernière partie, des applications pratiques destinées aux apprenants seront présentées.
15 mars 2022 — Zoé Broisson & Noé Tits (Flowchase)
Flowchase: From UCLouvain spin-off project to EdTech tool. How research informs the development of our mobile app to teach English with voice technology
Zoé Broisson, Co-fondatrice, PDG et Linguiste et Noé Tits, chef de la recherche et du développement
Over the last decades, speech technologies based on Deep Learning algorithms have evolved into successful applications such as speech recognition or synthesis. Online language-learning solutions have begun to recognize the potential of such technologies to personalize language teaching and learning. However, as of now, even the most prominent solution providers integrate speech technologies in their learning tools as they are packaged by the GAFAM companies that develop them. This lack of adaptation limits their impact on learning as those technologies were not designed for providing pedagogical feedback.
Flowchase is a mobile app and a textbook that help English as a Foreign Language teachers personalise the way they teach pronunciation. What started as a UCLouvain research project in voice technology is now a tool used by thousands of students in Belgium, France and Spain. Coming from an academic background, scientific research has been at the heart of our design principles from day one to produce evidence-based learning content or to craft speech technology resulting in pedagogically-sound feedback for learners. In this seminar, we outline the research paradigms that have guided us so far, introduce our tool, and present our ongoing research projects within the fields of second language acquisition and speech technology.
19 avril 2022 — Katrien Beuls (BST visio)
La grammaire de construction et l'intelligence artificielle
Katrien Beuls, Chargée de cours à la faculté informatique de l'Université de Namur
Dans cet exposé, je soutiendrai qu'il est très bénéfique pour le linguiste contemporain d'avoir une compréhension approfondie de la relation étroite entre les domaines de la grammaire de construction et de l'intelligence artificielle. Je commencerai par démêler les liens historiques entre les deux domaines, montrant que leur relation est enracinée dans une attitude commune envers la communication humaine et le langage. On étudiera ensuite la première direction d'influence, en se concentrant en particulier sur la façon dont les idées et les techniques du domaine de l'intelligence artificielle jouent un rôle important dans l'opérationnalisation, la validation et la mise à l'échelle des approches constructionnistes du langage. On étudiera ensuite la deuxième direction d'influence, soulignant la pertinence des connaissances et des analyses de la grammaire de construction pour l'effort de créer des agents véritablement intelligents dans le domain de l'intelligence artificielle. Je soutiendrai mon cas avec une multitude d'exemples illustratifs et conclurai que l'élaboration plus poussée de cette relation jouera un rôle clé dans le façonnement de l'avenir du domaine de la grammaire de construction.
10 mai 2022 — Matthew Shardlow
Neural Text Simplification: Methods, Evaluation and Application
Matthew Shardlow, Lecturer in computer science at the Manchester Metropilitan University
Abstract :
Text Simplification is the technique of automatically reducing the complexity of a text by altering the syntax or lexicon. Neural text simplification seeks to apply deep learning to the text simplification problem in order to create systems which can automatically generate easier to understand alternatives to complex texts. In this talk, I will look at the current methods for neural text simplification ranging from the application of statistical machine translation software to the transformer methodology and beyond. I will consider how to evaluate text simplification (and other natural language generation methods) with a view to developing gold standard evaluation practices that can be adopted between researchers. I will also discuss some of the varied applications of text simplification, ranging from improving medical language for patients to improving the performance of other NLP tool.
Références :
Shardlow, M. and Nawaz, R., 2019, July. Neural Text Simplification of Clinical Letters with a Domain Specific Phrase Table. In Proceedings of the 57th Annual Meeting of the Association for Computational Linguistics (pp. 380-389).
Cooper, M. and Shardlow, M., 2020, May. CombiNMT: An exploration into neural text simplification models. In Proceedings of the 12th Language Resources and Evaluation Conference (pp. 5588-5594).
Przybyła, P. and Shardlow, M., 2020, December. Multi-Word Lexical Simplification. In Proceedings of the 28th International Conference on Computational Linguistics (pp. 1435-1446).
Shardlow, M., Sellar, S. and Rousell, D., 2021. Collaborative augmentation and simplification of text (CoAST): pedagogical applications of natural language processing in digital learning environments. Learning Environments Research, pp.1-23.