Comparing term extraction methodsComparer les méthodes d'extraction de termes
TRA2600 S8 · in classS8 · en classe
TRA6008 To read for S5À lire pour la S5
Dedicated tools and LLMs
A dedicated term extractor, such as TermoStat or the D-Terminer demo, was built for this one task; a chatbot was not, but it can be asked to do it. The table below sets out how a dedicated tool and a large language model large language model (LLM)grand modèle de langue (GML) language modelsmodèles de langue A neural-network language model, usually based on the transformer architecture, that is trained on very large amounts of text and contains many learned parameters.Modèle de langue à réseau de neurones, habituellement fondé sur l'architecture des transformeurs, entraîné sur de très grandes quantités de texte et comptant de très nombreux paramètres appris. (LLM) differ.
No single difference settles the choice between a dedicated tool and an LLM, but some situations point one way:
- A large corpus in one domain, to go through the same way every time, suits a dedicated tool: its ranked list can be read from the top, and running it again gives the same list.
- A single document, a language or domain no tool was trained for, or a list you want with labels and remarks, suits an LLM.
- A language with little text on the web is a reason for caution with either: the results of LLMs on this task were obtained on languages with many resources (Rigouts Terryn, 2026).
The two can also be combined: a large LLM marks the terms in many texts, and a much smaller, openly available model is trained on those marks, which avoids sending every new text to a provider (Senger et al., 2025).
Typical errors of each method
Each method of this chapter tends to go wrong in its own way, as the table below sums up.
| Method | Typical errors |
|---|---|
| Linguistic | Proposes every sequence with the form of a term, such as little girl, and misses terms of an unusual form, such as on the bit |
| Statistical | Misses rare terms and terms that are also everyday words, such as collection, and proposes words that are frequent in the texts for another reason |
| Hybrid | Has the limits of both, and the result depends on where the ranked list is cut off |
| Machine learning machine learning (ML)apprentissage automatique machine learningapprentissage automatique An approach to artificial intelligence in which a model is trained on data or experience so that its adjustable parameters come to reflect patterns relevant to a task.Approche de l'intelligence artificielle dans laquelle un modèle est entraîné sur des données ou sur l'expérience, de sorte que ses paramètres ajustables en viennent à refléter des régularités pertinentes pour une tâche. | Does less well on texts unlike the ones it learned from, on terms of several words and on terms that are also everyday words |
| LLMs | Propose too much, such as general words and several terms joined into one, and sometimes return a form that is not in the text word for word |
The evaluation of a term extractor is explained in a chapter of its own (see also the Evaluating extraction and classification chapter, in the Evaluating language technology module) (voir aussi le chapitre Évaluation de l'extraction et de la classification, dans le module L'évaluation des technologies langagières).
Validation and storage
Whatever produced the list, a person still validates it (Lefever & Rigouts Terryn, 2024). The validated terms are then recorded where they can be used: a termbase termbasebase terminologique terminologyterminologie A database of terminological entries organized by concept, grouping the terms of several languages with metadata such as definitions, domains and usage status.Base de données d'entrées terminologiques organisée par concept, contenant les termes de plusieurs langues et des métadonnées comme des définitions, des domaines et des marques d'usage. organizes them by concept, with their equivalents, definitions and sources, and a CAT computer-assisted translation (CAT)traduction assistée par ordinateur (TAO) CAT toolsTAO Software that assists a human translator during the translation process, commonly by dividing texts into segments and providing functions such as translation-memory retrieval, terminology management, consistency checks and file management.Logiciel qui assiste un traducteur humain pendant le processus de traduction, généralement en divisant les textes en segments et en offrant des fonctions comme la recherche en mémoire de traduction, la gestion terminologique, les vérifications de cohérence et la gestion des fichiers. tool can show them while you translate (see also the Termbases page, in the CAT tools module) (voir aussi la page Les bases terminologiques, dans le module Outils de TAO).
Outils spécialisés et GML
Un extracteur de termes spécialisé, comme TermoStat ou la démonstration D-Terminer, a été conçu pour cette seule tâche ; un agent conversationnel ne l’a pas été, mais on peut lui demander de s’en charger. Le tableau ci-dessous présente ce qui distingue un outil spécialisé d’un grand modèle de langue large language model (LLM)grand modèle de langue (GML) language modelsmodèles de langue A neural-network language model, usually based on the transformer architecture, that is trained on very large amounts of text and contains many learned parameters.Modèle de langue à réseau de neurones, habituellement fondé sur l'architecture des transformeurs, entraîné sur de très grandes quantités de texte et comptant de très nombreux paramètres appris. (GML).
Aucune de ces différences ne tranche à elle seule entre un outil spécialisé et un GML, mais certaines situations orientent le choix :
- Un grand corpus dans un seul domaine, à traiter chaque fois de la même façon, convient à un outil spécialisé : sa liste classée se lit à partir du début, et le relancer donne la même liste.
- Un seul document, une langue ou un domaine pour lesquels aucun outil n’a été entraîné, ou une liste que vous voulez avec des étiquettes et des remarques, conviennent à un GML.
- Une langue peu présente sur le web est une raison d’être prudent avec l’un comme avec l’autre : les résultats des GML pour cette tâche ont été obtenus pour des langues bien dotées en ressources (Rigouts Terryn, 2026).
Les deux peuvent aussi se combiner : un grand GML marque les termes dans de nombreux textes, et un modèle beaucoup plus petit, librement accessible, est entraîné sur ces marques, ce qui évite d’envoyer chaque nouveau texte à un fournisseur (Senger et al., 2025).
Les erreurs typiques de chaque méthode
Chaque méthode de ce chapitre tend à échouer à sa manière, comme le résume le tableau ci-dessous.
| Méthode | Erreurs typiques |
|---|---|
| Linguistique | Propose toute suite qui a la forme d’un terme, comme fillette joyeuse, et manque les termes de forme inhabituelle, comme sur la main |
| Statistique | Manque les termes rares et les termes qui sont aussi des mots courants, comme passage, et propose des mots fréquents dans les textes pour une autre raison |
| Hybride | A les limites des deux, et le résultat dépend de l’endroit où la liste classée est coupée |
| Apprentissage automatique machine learning (ML)apprentissage automatique machine learningapprentissage automatique An approach to artificial intelligence in which a model is trained on data or experience so that its adjustable parameters come to reflect patterns relevant to a task.Approche de l'intelligence artificielle dans laquelle un modèle est entraîné sur des données ou sur l'expérience, de sorte que ses paramètres ajustables en viennent à refléter des régularités pertinentes pour une tâche. | Réussit moins bien sur des textes différents de ceux de son entraînement, sur les termes de plusieurs mots et sur les termes qui sont aussi des mots courants |
| GML | En proposent trop, par exemple des mots généraux et plusieurs termes joints en un seul, et renvoient parfois une forme qui ne figure pas telle quelle dans le texte |
L’évaluation d’un extracteur de termes est expliquée dans un chapitre à part (see also the Evaluating extraction and classification chapter, in the Evaluating language technology module) (voir aussi le chapitre Évaluation de l'extraction et de la classification, dans le module L'évaluation des technologies langagières).
La validation et la consignation
Quelle que soit l’origine de la liste, une personne doit encore la valider (Lefever et Rigouts Terryn, 2024). Les termes validés sont ensuite consignés là où ils peuvent servir : une base terminologique termbasebase terminologique terminologyterminologie A database of terminological entries organized by concept, grouping the terms of several languages with metadata such as definitions, domains and usage status.Base de données d'entrées terminologiques organisée par concept, contenant les termes de plusieurs langues et des métadonnées comme des définitions, des domaines et des marques d'usage. les organise par concept, avec leurs équivalents, leurs définitions et leurs sources, et un outil de TAO computer-assisted translation (CAT)traduction assistée par ordinateur (TAO) CAT toolsTAO Software that assists a human translator during the translation process, commonly by dividing texts into segments and providing functions such as translation-memory retrieval, terminology management, consistency checks and file management.Logiciel qui assiste un traducteur humain pendant le processus de traduction, généralement en divisant les textes en segments et en offrant des fonctions comme la recherche en mémoire de traduction, la gestion terminologique, les vérifications de cohérence et la gestion des fichiers. peut les afficher pendant que vous traduisez (see also the Termbases page, in the CAT tools module) (voir aussi la page Les bases terminologiques, dans le module Outils de TAO).
Sources
- Lefever, E., & Rigouts Terryn, A. (2024). Computational Terminology. In Y. Peng et al. (Eds.), New Advances in Translation Technology: Applications and Pedagogy (pp. 141–159). Springer Nature. https://doi.org/10.1007/978-981-97-2958-6_8
- Rigouts Terryn, A. (2026). Large Language Models Are Good Term Extractors: A Systematic Evaluation. Proceedings of the Fifteenth Language Resources and Evaluation Conference (LREC 2026), 7631–7643. https://doi.org/10.63317/49gta5itne3q
- Senger, E., Campbell, Y., van der Goot, R., & Plank, B. (2025). Crossing Domains without Labels: Distant Supervision for Term Extraction. Proceedings of the 2025 Conference on Empirical Methods in Natural Language Processing: Industry Track, 1366–1378. https://aclanthology.org/2025.emnlp-industry.95/
Sources
- Lefever, E., & Rigouts Terryn, A. (2024). Computational Terminology. In Y. Peng et al. (Eds.), New Advances in Translation Technology: Applications and Pedagogy (pp. 141–159). Springer Nature. https://doi.org/10.1007/978-981-97-2958-6_8
- Rigouts Terryn, A. (2026). Large Language Models Are Good Term Extractors: A Systematic Evaluation. Proceedings of the Fifteenth Language Resources and Evaluation Conference (LREC 2026), 7631–7643. https://doi.org/10.63317/49gta5itne3q
- Senger, E., Campbell, Y., van der Goot, R., & Plank, B. (2025). Crossing Domains without Labels: Distant Supervision for Term Extraction. Proceedings of the 2025 Conference on Empirical Methods in Natural Language Processing: Industry Track, 1366–1378. https://aclanthology.org/2025.emnlp-industry.95/