Classification Space : Une procédure multivariée pour l'indexation automatique de documents et la recherche

Une approche conceptuelle des problèmes de traitement des données linguistiques est esquissée et des illustrations empiriques sont présentées pour les principaux composants logiciels - indexation, stockage et recherche - d'un système de traitement de documents offrant, en principe, les avantages d'une automatisation complète, d'un indexage croisé illimité, d'une recherche séquentielle efficace, d'un indexage sous-documentaire reflétant l'hétérogénéité des sujets dans un document, ainsi que d'une procédure pour identifier automatiquement les requêtes de recherche qui seraient mal traitées par le système. Le schéma d'indexation, désigné sous le nom de « Classification Space », consiste en un modèle euclidien pour la cartographie de la similarité des sujets dans un domaine donné. Un schéma de ce type est dérivé empiriquement pour certains domaines de l'ingénierie et de la chimie. Un ensemble de cinq études empiriques connexes fournit des preuves convaincantes que, lorsque les procédures expérimentales appropriées sont suivies, un C-Space très stable pour un domaine de contenu donné peut être construit à partir d'une base de données étonnamment petite. D'autres études empiriques démontrent des procédures computationnelles spécifiques pour une indexation automatique efficace des documents dans un C-Space, en utilisant un vocabulaire système relativement restreint. Une étude montre qu'un C-Space cartographie la pertinence du sujet ainsi que la similarité du sujet, favorisant ainsi une recherche séquentielle efficace ; ce résultat est également démontré dans des conditions d'indexation automatique. Des résultats négatifs sont constatés dans une tentative d'utiliser la distinction linguistique structurale de sujet et d'objet comme moyen d'améliorer les techniques d'indexation automatique.