WOKIE : Traduction assistée par LLM de thésaurus SKOS pour les Humanités Numériques multilingues

1. Introduction et motivation

L'organisation des connaissances en Humanités Numériques (HN) repose fortement sur des vocabulaires contrôlés, des thésaurus et des ontologies, principalement modélisés à l'aide du Simple Knowledge Organization System (SKOS). Une barrière significative existe en raison de la prédominance de l'anglais dans ces ressources, ce qui exclut les locuteurs non natifs et sous-représente les cultures et langues diverses. Les thésaurus multilingues sont cruciaux pour des infrastructures de recherche inclusives, mais leur création manuelle n'est pas évolutive. Les méthodes classiques de Traduction Automatique (TA) échouent dans les contextes des HN en raison du manque de corpus bilingues spécifiques au domaine. Cet article présente WOKIE (Well-translated Options for Knowledge Management in International Environments), un pipeline open-source et modulaire qui combine des services de traduction externes avec un raffinement ciblé utilisant des Modèles de Langage de Grande Taille (LLM) pour automatiser la traduction de thésaurus SKOS, en équilibrant qualité, évolutivité et coût.

2. Le pipeline WOKIE : Architecture et flux de travail

WOKIE est conçu comme un pipeline configurable à plusieurs étapes qui ne nécessite aucune expertise préalable en TA ou en LLM. Il fonctionne sur du matériel courant et peut utiliser des services de traduction gratuits.

3. Détails techniques et méthodologie

WOKIE est implémenté en Python, utilisant des bibliothèques comme RDFLib pour l'analyse SKOS. L'efficacité du système repose sur son mécanisme de routage intelligent.

4. Résultats expérimentaux et évaluation

L'évaluation a couvert plusieurs thésaurus de HN dans 15 langues, testant différents paramètres, services de traduction et LLM.

5. Cadre d'analyse : Une étude de cas sans code

Scénario : Une bibliothèque numérique européenne détient un thésaurus en langue allemande sur les techniques de l'art médiéval. Des chercheurs au Japon ne peuvent pas trouver de ressources pertinentes car leurs outils d'appariement d'ontologies ne traitent que les étiquettes en anglais.

Application de WOKIE :

1. Entrée : Terme allemand "Wandmalerei" (peinture murale).
2. Étape 1 (TA externe) : Google Translate renvoie "wall painting." DeepL renvoie "mural painting." Microsoft Translator renvoie "wall painting." Il y a divergence ("mural" vs. "wall").
3. Étape 2 (Détection des divergences) : La similarité entre les candidats est inférieure au seuil. Le raffinement LLM est déclenché.
4. Étape 3 (Raffinement LLM) : Instruction : "Étant donné le terme d'histoire de l'art allemand 'Wandmalerei' et les traductions anglaises candidates ['wall painting', 'mural painting'], laquelle est le terme le plus précis et contextuellement approprié pour un thésaurus SKOS en histoire de l'art ? Considérez la spécificité et l'usage courant dans le domaine."
5. Sortie du LLM : "Dans le contexte des thésaurus d'histoire de l'art comme le Getty AAT, 'mural painting' est le descripteur le plus précis et couramment utilisé pour 'Wandmalerei', car il désigne spécifiquement une peinture appliquée directement sur un mur ou un plafond."
6. Résultat : Le concept SKOS obtient le prefLabel "mural painting", permettant un appariement précis avec les ontologies en langue anglaise.

6. Applications futures et axes de recherche

• Au-delà de la traduction : Étendre WOKIE pour suggérer des concepts nouveaux apparentés ou des altLabels dans la langue cible, agissant comme un outil d'augmentation de thésaurus.
• Intégration avec les modèles fondateurs : Tirer parti des modèles vision-langage (comme CLIP) pour traduire des concepts basés sur des images associées dans les collections numériques, et pas seulement sur du texte.
• Boucle d'apprentissage actif : Incorporer des retours humains en boucle pour corriger les sorties des LLM, améliorant continuellement les performances spécifiques au domaine du pipeline.
• Standardisation de l'évaluation : Développer une suite de référence dédiée pour évaluer la qualité de traduction des thésaurus SKOS, dépassant BLEU vers des métriques qui capturent la préservation hiérarchique et relationnelle.
• Systèmes d'organisation des connaissances (KOS) plus larges : Appliquer le principe de raffinement hybride TA+LLM à des ontologies plus complexes (OWL) au-delà de SKOS.

7. Références

1. Kraus, F., Blumenröhr, N., Tonne, D., & Streit, A. (2025). Mind the Language Gap in Digital Humanities: LLM-Aided Translation of SKOS Thesauri. arXiv preprint arXiv:2507.19537.
2. Miles, A., & Bechhofer, S. (2009). SKOS Simple Knowledge Organization System Reference. W3C Recommendation. https://www.w3.org/TR/skos-reference/
3. Vaswani, A., et al. (2017). Attention Is All You Need. Advances in Neural Information Processing Systems 30 (NIPS 2017).
4. Carroll, J. J., & Stickler, P. (2004). RDF Triples in the Semantic Web. IEEE Internet Computing.
5. Getty Research Institute. (2024). Art & Architecture Thesaurus (AAT). https://www.getty.edu/research/tools/vocabularies/aat/
6. Papineni, K., et al. (2002). BLEU: a Method for Automatic Evaluation of Machine Translation. Proceedings of the 40th Annual Meeting of the Association for Computational Linguistics (ACL).

8. Analyse experte : Idée centrale, logique, forces & faiblesses, pistes d'action

Idée centrale : WOKIE n'est pas juste un autre outil de traduction ; c'est un moteur d'interopérabilité pragmatique et soucieux des coûts pour le monde fragmenté des données du patrimoine culturel. Sa véritable innovation est de reconnaître qu'une traduction IA parfaite est une quête vaine pour les domaines de niche, et d'utiliser plutôt les LLM comme un scalpel de haute précision plutôt qu'un marteau contondant. L'article identifie correctement le problème racine dans les HN : l'anglais est la langue de requête de facto pour les données liées, créant une exclusion silencieuse de vastes réservoirs de connaissances non anglophones. L'objectif de WOKIE n'est pas la traduction poétique mais l'accès à la découverte, une cible bien plus réalisable et impactante.

Logique : L'argumentation est convaincante et bien structurée. Elle commence par un point de douleur indéniable (l'exclusion linguistique dans les HN), démolit les solutions évidentes (le travail manuel est impossible, la TA classique échoue par manque de données), et positionne les LLM comme un sauveur potentiel mais imparfait (coût, hallucinations). Ensuite, elle introduit le modèle hybride élégant : utiliser des API bon marché et rapides pour les 80 % de cas faciles, et déployer les LLM coûteux et intelligents uniquement comme arbitres pour les 20 % litigieux. Cette "détection des divergences" est le noyau astucieux du projet. L'évaluation lie logiquement la qualité de traduction au résultat concret et mesurable de l'amélioration des scores d'appariement d'ontologies, prouvant l'utilité réelle au-delà de la qualité de traduction subjective.

Forces & Faiblesses :
Forces : L'architecture hybride est commercialement avisée et techniquement solide. L'accent mis sur SKOS, un standard du W3C, assure une pertinence immédiate. La nature open-source et la conception pour du "matériel courant" abaissent considérablement les barrières à l'adoption. L'évaluation sur les performances d'AO est un coup de maître—elle mesure l'utilité, pas seulement l'esthétique.
Faiblesses : L'article passe sous silence l'ingénierie des prompts, qui est le facteur déterminant pour le raffinement par LLM. Un mauvais prompt pourrait rendre la couche LLM inutile ou nuisible. L'évaluation, bien que sensée, reste quelque peu cloisonnée ; comment WOKIE se compare-t-il au fine-tuning d'un petit modèle open-source comme NLLB sur du texte des HN ? La trajectoire des coûts à long terme des API LLM est un facteur de risque pour la durabilité qui n'est pas pleinement abordé.

Pistes d'action :

• Pour les institutions des HN : Pilotez WOKIE immédiatement sur un thésaurus non-anglophone clé. Le retour sur investissement en termes d'amélioration de la découverte des ressources et d'alignement avec des pôles majeurs comme Europeana ou la DPLA pourrait être significatif. Commencez avec les services gratuits pour valider.
• Pour les développeurs : Contribuez au code source de WOKIE, en particulier en créant une bibliothèque d'instructions optimisées et adaptées à différents sous-domaines des HN (archéologie, musicologie, etc.).
• Pour les financeurs : Financez la création d'un référentiel de référence de qualité, multilingue, pour la terminologie des HN afin de faire avancer le domaine au-delà des scores BLEU. Soutenez les projets qui intègrent la sortie de WOKIE dans des systèmes d'apprentissage actif.
• Prochaine étape critique : La communauté doit développer un modèle de gouvernance pour ces étiquettes traduites automatiquement. Elles doivent être clairement étiquetées comme "augmentées par machine" pour maintenir l'intégrité scientifique, suivant les principes de provenance des données défendus par des initiatives comme la Research Data Alliance (RDA).

En conclusion, WOKIE représente le type d'application IA pragmatique et axée sur les cas d'usage qui changera réellement les flux de travail. Il ne poursuit pas l'AGI ; il résout un problème spécifique et douloureux avec un mélange astucieux de technologies anciennes et nouvelles. Son succès ne se mesurera pas en points BLEU, mais au nombre de documents historiques auparavant invisibles qui deviennent soudainement trouvables pour un chercheur mondial.