Elaboration de techniques d'analyse adapt6es h la construction d'une base de 
connaissances. 
F.ROUSSELOT Universitd de Strasbourg II ERIC-GRILL d402f~frccsc21.earn 
B.MIGAULT ENSAIS Strasbourg, P.IGOT Universitd de Strasbourg II 
Introduction 
Le probl6me de l'acquisition de connais- 
sances pour constituer une base de connais- 
sances ou moddliser le comportement d'un ex- 
pert n6cessite souvent le traitement de donndes 
verbales. Les techniques courantes en linguis- 
tique computationnelte ne semblent pas adap- 
tdes: il est irr6aliste d'6crire un analyseur spd- 
cialisd pour chaque sous-domaine considdrd 
(chaque syst~me expert) (cf SAGER et al. 87). 
Ces donndes verbales sont souvent incorrectes 
(retranscriptions de conversations).Les ap- 
proches statistiques (ZERNIK et al.90) sont 
inadaptdes. 
Notre objectif est d'accdl6rer le ddchiffrage 
du domaine en procurant, sur une station de 
travail dddi6e a la moddlisation, les outils n6ces- 
saires au traitement de la langue m6me, afin 
d'assister le cogniticien dans la premiere phase 
d'analyse d'un domaine. Comme d'autres cher- 
cheurs (WROBEL 90) (GRUBER 90), nous 
pensons qu'il faut d6velopper un processus 
coopdratff entre l'utilisateur et le systbme qui 
doit prendre en charge le plus possible la vdrifi- 
cation de la coh6rence des entr6es, qui doit aider 
"~ poser de bonnes questions h l'expert, qui doit 
suggdrer des choix d'interpr6tation, proposer 
des concepts... A la diff6rence de ces auteurs, 
nous envisageons cette coopdration dbs l'dtape 
d'analyse des donndes textuelles, sans pr6voir 
un prdtraitement manuel de la langue comme 
(MOLLER 88) et (KERSTEN 86), sans nous 
restreindre a un domaine particulier comme 
(SCHMIDT et al 91) (JANSEN-WINKEL 88). 
Nous basant sur les rdgularitds du langage 
scientifique dans la situation de recueil 
d'expertise, nous dlaborons des outils gdnd- 
raux, c'est h dire inddpendant du domaine et 
d'un type de probl~me particulier. Nous dtu- 
dions surtout des domaines o/a moddliser des 
actions est important: planification, conception, 
conception de plans, conception d'expdriences 
(JELTSCH et al. 89), mais aussi des probl~mes 
de type diagnostic. 
Cette recherche s'inscrit dans le eontexte de 
la moddlisation de connaissances (KEITH et al. 
90), nous n'aborderons ici que raspect traite- 
merit de la langue. 
Ce processus consiste ici aussi en la cr6ation 
d'une certaine reprdsentation du texte. CeUe-ci 
doit 6tre adaptde a son utilisation future: la com- 
pr6hension d'un domaine et de certains pro- 
blames h rdsoudre dans ce domaine. Newell, 
(NEWELL 82) parle de trois abstractions h ex- 
traire des doundes, ce sont: les buts de l'agent 
intelligent, les actions dont il est capable, et les 
connaissances qui lui pennettent de rdaliser ces 
buts. Les expressions d'actions rencontrdes 
dans les donndes linguistiques sont donc d6- 
terminantes pour ranalyse de rexpertise. La re- 
pr6sentation doit avoir une certaine addquation 
psychologique (CARD et al. 83)(VALLACHER 
87) (KLAUS et al. 72), opdratoire (MAHLING 
90) cf GOMS (CARD et al. 80) et linguistique 
AcrEs DE COLING-92, NAN'rgs. 23-28 AOm" 1992 4 8 3 PROC. OF COLING-92, NAMES. AUO. 23-28. 1992 
(LOFFLER-LAURIAN 82 et 83). Elle doit 8tre 
structurEe, pemlettre l'expression d'attributs qui 
ddcrivent les objets, par exemple, les liens 
partie-tout (WINSTON et al. 87) (IRIS et al 88) 
ou qui dEcrivent les actions (VOGEL 88). 
II Le module 
Nous ne donnons ici qu'un aperqu de notre 
module ndcessaire h la comprehension de notre 
approche. Nous distinguons quatre concepts de 
bases que nous dEfinissons rapidement de fa~on 
informelle ci-dessous. I1 s'agit des objets, des 
actions, des contraintes et des rEgles qui permet- 
tent essentiellement de savoir quand dEclencher 
les actions. A chaque concept, est attachEe une 
structure. 
Les objets concernent les entitEs du do- 
maine qui peuvent intervenir dans les actions 
des problEmes considErEs. Les objets classi- 
quement forment une hiErarchie de classes et ont 
des instances: les objets spEcifiques. Aux objets 
sont attach6s des attributs qui suivant les cas 
servent ~t dEcrire des propriEtEs de l'objet 
(relations unaires) ou des relations avec d'autres 
entitEs du module. Certains attributs structuraux 
font partie du module et sont prEdEfinis: "est- 
un" et "instancede". Les attributs "inter- 
vient dans ", "affect6 par" participent h la des- 
cription intensionnelle des objets, ils relient des 
objets h des actions nous l'expliquons plus loin. 
Pour une classe donnEe (un concept), un certain 
nombre d'attributs sont obligatoires dans un 
domaine donne (inaliEnables) l, d'autres non. 
Certains attributs sont values, par exemple 
"longueur". Chacun d'eux a une unite associde 
et 6ventuellement un intervalle de definition, un 
type etc... D'autres attributs sont bien stir 
propres au domaine, par exemple pour la classe 
enzyme "le site de restriction" associE 2. Ceux-ci 
lN~cessaire h la description d'un objet dans le cadre du 
probl~me envisage dans le domaine. 
2Un enzyme est un outil destin6 .~ couper une molecule 
d'ADN, le site de restriction est la description de la 
sont importants, car lies en g6nEral aux actions: 
ils apparMtront dans les contraintes d'actions ou 
dans les r~gles. 
La description des aetions est basde sur 
l'hypoth~se que le temps est discrEtisable et 
qu'une action peut 6tre dEcdte par un Etat initial 
et un Etat fnal. Nous distinguerons plusieurs 
types d'actions: les actions simples consi- 
d6rEes par l'expert comme des operations d16- 
mentaires non dEcomposables, les aetions 
complexes qui peuvent ~tre d6composEes en 
une suite (ou plus rarement une structure) 
d'actions simples. 
Une action possEde les attributs "agent" (la 
plupart du temps l'expert) qui dEcrit celui qui 
fait et contrEle l'action, "objet affectE" , 
"dtat final" et Eventuellement "objet_ap" (objet 
present en arri~re plan dont la presence condi- 
tionne le dEroulement de l'action: instrument par 
exemple, le catalyseur dans une reaction etc...) 
et des attributs hiErarchiques "est-un" pour relier 
une action h une action gEnErique ou 
"liste des sous actions" pour une action 
complexe. 
Les verbes correspondent souvent ~t des ac- 
tions compl~tement dEfinies (cf ci-dessus), ils 
correspondent parfois ~t des actions incompld- 
tement spEcifiEes, communEment appelEes 
plans. Cette notion n'est pas rigoureusement 
d6finie dans la littErature, nous prEcisons donc 
notre terminologie ici. 
Une action-objectif fait rEfErence soit ~t un 
objectif, soit ~t un encha~nement de tfiches abs- 
traites. Ainsi, une action-objectif peut 6tre dd- 
finie uniquement par 1' 6nonce de son objectif 
ou par une liste de mEthodes pour l'atteindre. 
Chaque mEthode est appelEe plan: il s'agit 
d'une description des actions h entreprendre 
pour espErer arriver ~ rEaliser l'objectif. Cette 
description est effectuEe en terme d'autres ac- 
tions-objectif: le problEme de l'expert se mm~ne 
souvent ~t construire un plan compl¢tement 
sequence d'ADN qu'il coupe (de longueur 5 ou 10 
bases).exemple CGTCA 
ACRES DE COLING-92, NAMES. 23-28 ^Ot3T 1992 4 8 4 PROC. OF COLING-92, NANTES, AUo. 23-28. 1992 
spEcifiE ou h adapter un plan existant 
(FRIEDLAND 85). 1l est souvent difficile de 
determiner si un verbe dans un texte peut 
representer une action ou une action-objectif, il 
faut souvent attendre pour pouvoir decider de 
quelle type d'entitE il s'agit. 
Une action-objectif est dEfinie par l'attribut 
6tat_final qui dEcrit l'objectif (qui est en somme 
un but ~ atteindre) et par l'attribut 
"liste des plans", il poss~de les attributs 
"agent", "Etat initial" (Eventuellement vide) et 
"objet_ap" (idem). 
On remarque que les plans sont comparables 
des actions complexes, mis ~t part le fait qu'ils 
sont incomplEtement spEcifiEs: ils ont donc les 
mEmes attributs que les actions complexes: 
l'attribut liste des_sous actions renvoie sur une 
structure b~ttie sur des actions-objectif. Un plan 
est comparable hun programme informatique et 
comporte Eventuetlement boucle et 
"instructions" de contrEles. 
Nous avons encore deux types d'entit6s que 
nous ne dEtaillons pas les r~gles qui relient les 
mEthodes aux actions-objectif et les con- 
traintes liEes aux actions et ~ la description des 
objets. 
III Analyser 
Sans insister sur la validit6 du modEle pro- 
posE, posons le probl~me du traitement 
linguistique. 
1) la langue seientifique 
Sur le plan lexical, on distingue dmls le dis- 
cours scientifique trois nivcaux d'emploi des 
lexEmes 
-les lexEmes employds dans le mEme sens 
que celui qu'ils ont dans le langage courant ; 
- les lex~mes spEcifiques au domaine 
- les lex~mes appartenant au lexique courant, 
mais ddtournEs de leur sens. 
Remarquons qu'un mEme terme peut ~tre 
employE dans le discours scientifique ~ la fois 
dans son sens courant et dans un ou plusieurs 
sens spEcifiques (par exemple le cas du verbe 
transformer dans le domaine du genie gEnEtique 
a un sens gEnEral et deux sens spEcifiques). Le 
syst~me que nous dEveloppons doit aider 
l'utilisateur dans la construction d'un lexique du 
domaine en proposant des entrees multiples et 
en repErant les diffErents emplois dans les 
textes. Ceux-ci dependent des types 
d'arguments des diverses occurences qui doi- 
vent 6ire analyses et structures avec soin. 
Dans la situation envisagEe, nous voulons 
profiter de l'emploi frequent par l'expert des 
constructions toutes faites, de sa faqon standard 
d'organiser et de presenter ses propos qui relEve 
d'une rhEtorique propre ~ la langue et ~ la 
pratique scientifique. 
2)m~thode 
Nous avons constat6 deux choses - les 
moyens de traitements "faibles" de la langue 
(NORVIG 89) sont plus adaptEs ~ la gEnEralitE 
et aux extensions, que les systEmes forts, du 
type analyseurs exhaustifs de la langue - il n'y a 
pas de frontiEre entre les niveaux morphologie, 
syntaxe et sEmantique, notre competence 
linguistique est basEe sur des schemas cons- 
tructifs m6lant ces niveaux (LANGACKER 87). 
Aussi, avons-nous choisi de rechercher des 
schemas morpho-syntaxiques caractEristiques 
qui sont en principe rEutilisables dans tout 
domaine scientifique, lls servent h 6crire des 
rEgles destinEes ~t associer des roots ou des 
groupes de mots aux structures de la 
representation choisie. L'interprEtation de ces 
r~gles ne nEcessite qu'un analyseur trEs simple. 
Nous avons d'abord relevE un certain 
hombre de critEres pertinents comme par 
exemple: la "dEtermination", l'usage de 
l'infinitif, l'emploi de certains verbes spEci- 
fiques pour l'expression des r~gles (voir les 
exemples plus loin). Des hypotheses de r~gles 
ont Et6 ensuite ElaborEes ~t partir de diffErents 
corpus scientifiques reprEsentatifs (IGOT 91), 
puis vErifiEes sur l'intEgmlitE de ceux-ci. Elles 
devront bien entendu &re validEes sur des cor- 
pus plus importants, mais on peut dEj~ avoir 
une certaine confiance en elles. 
ACRES DE COLING-92. NAm'ES, 23-28 Ao~r 1992 4 8 5 PRO¢. OF COLING-92, NANTES, AUG. 23-28, 1992 
Nous pr6sentons ici un certain nombre de 
r~gles de faqon informelle pour montrer les 
possibilit6s de notre approche. Les sch6mas 
sont 6ventuellement accompagn6s de con- 
traintes. 
Quelques exemples: 
obiets 
attribution d'une propri~t~ 
exl "le/la <nora> de <objet> " => 
<nom>=propri6t6 
contraintes li6es "~ ex 1: objet est un objet du 
domaine, nom n'est pas une propri6t6 r6perto- 
ri6e, n'est pas dans la liste ( groupe, ensemble, 
extr6mit6...), nom n'est pas tin nora verbal 
exemple: "la couleur de la solution" 
constitution d'une classe 
ex2 "il y a, il existe" n < objet O>-s 
\["diff6rents"\]: <noml>, <nom2>,..<nomn> 
la classe objet O est constitu6e de ... 
exemple: "il y a quatre bases: ...." 
d~termination d'une sous-classe 
ex3 <nompropre> "est un" <objet 
O>\[<attributs>\] => <nora> =<sous-classe de 
objet O> 
ex4 "un" <nora> "est un" <objet O> 
\[<attributs>\] => <nora> =<sous-classe de 
objet O> 
ex5 "les" <nom>-s "sont des" <objet O>-s 
\[<attributs>\] => <nora> =<sous-classe de 
objet O> 
(l'6criture <obj O> fait r6f6rence ~ une classe 
d'objets O r6pertori6e) 
exemple "les vecteurs sont des mol6cules 
d'ADN" 
relation pattie-tout 
elle est surtout bas6e sur les occurences de 
"avoir", de "poss6der" exemple 
ex 6 <objet> "a un/des"<nom>-s \[ +Sadj \] 
=> <nom> d6signe une partie de <objet> d6jh 
r6pertori6 comme objet du domaine. 
En g6n6ral, on ne se contente pas de d6finir 
une partie, dans le mfme 6nonc6 on la qualifie 
d'o~ la possibilit6 du syntagme adjectival Sadj. 
Exemple "les mol6cules ont des extr6mit6s 
franches" 
D'autres verbes sont plus productifs: "faire 
partie de", "~tre compos6 de" etc.., ils indiquent 
une relation partie-tout qui permet de conclure 
que les deux arguments sont des objets. 
liaisons entre les objets et les actions 
I1 est important de savoir si un objet peut in- 
tervenir dans un action ou 8tre affect6 par une 
action. 
ex7 "on peut" <infinitif><objet> 
<objet> "peut" <infinitif passif> 
<objet> "sert ~" <infinitif> 
on ddtecte ici la pr6sence d'actions (les infini- 
tifs). 
exemple: on peut couper la mol6cule..." 
attributs quantifi~s 
Les sch6mas sont nombreux, ils sont en g6n6- 
ral bas6s sur des pr6positions : "de...~t" etc... 
des nombres, sur des noms de propridt6s mesu- 
rabies: " d'une longueur de X m~tres ", ainsi 
que sur des unit6s. 
synonymie 
ex8 "On appelle <nom> ,un <nom>" le der- 
nier nom 6tant non suivi d'un syntagme 
adjectival. 
actions 
Elles doivent &re tout d'abord rep6r6es: un 
pr6traitement morphologique bas6 sur certains 
suffixes connus peut fournir bon nombre de 
candidats ~ 8tre une action ( mais pas tous, 
exemple: electrophor~se). 
r~gles bas~es sur des verbes op~ra- 
teurs (LOFFLER-LAURIAN 82 et 83) 
ex9 "faire/r6aliser/effectuer un/le"<nom> 
\["de"<objet>\] confirme un candidat. 
autre utilisation possible: quand on pense &re 
stir d'avoir r6pertori6 tous les objets du do- 
maine: si <nora> n'en fait pas partie, c'est cer- 
tainement une action, exemple: "faire une elec- 
trophor~se". 
III programmation 
1) schemas. 
Nous allons darts la suite en donner quelques 
exemples d6monsta-atifs et en profiterons pour 
Acres DE COLING-92, NANTES, 23-28 AO~' 1992 4 8 6 PROC. OF COLING-92. NANTES, AUO. 23-28, 1992 
introduire le langage d'6criture de ces schdmas 
qui utilisent un nombre minimum de crit~res 
identififs. 
1' exemple exl s'dcrit 
< Art: def >< Mot: nom: non domobj: non 
nomverb: non listexpl>de<Gnom: domobj > 
=> <Mot> = < propridt6> 
Un schfma est destin6 h faire une sorte de 
pattern-matching, il comporte des cha~nes de ca- 
ractbres, des suffixes et des cat6gories spdci- 
fiant des ensembles de roots possibles. 
Les doubles points servent h 6crire les con- 
traintes qui sont morphologiques, syntaxiques, 
qui portent sur la d6termination, ou qui rel~vent 
de l'6tat d'dlaboration de la base: par exemple, 
dans l'exemple, domobj signifie que le Gnom 
doit rdfdrer h une entit6 ddjh rdpertoride commc 
un objet du domaine. 
Gnom est une information obtenue de 
l'analyseur, il signifie que le programme doit 
analyser ici un groupe de roots comme groupe 
nominal. 
On peut interpr6ter ces symboles comme des 
pr6dicats ~t v6rifier: on dispose d'une liste de 
prddicats prdd6finis 
portants sur les mots et relevant de 
l'analyse: Mot, Art (teste un article), 
Nompropre (teste un nompropre), lnf(pour 
infinitif), Gn ( teste un groupe nominal) etc... 
- morphologiques: suffaction (suffixes des 
actions: ion, age, ment) 
- portants sur des traits syntaxiques: def 
(pour ddfini), sing, plur etc. 
- portants sur l'6tat d'avancement de la base: 
candaction (candidat h 6tre une action), objdom 
(objet r6pertori6 comme objct du domaine), 
actiondom (action du domaine) etc... 
On peut utiliser "non" pour signifier qu'un 
pr6dicat ne dolt pas fitre vrai, le double point 
dans un 616ment de schdma entre "<" et ">" 
joue le r61e du connecteur logique "et". 
Dans le cas de succ~s '~ tous ces tests, la 
r~gle s'applique et l'on ddduit que le premier 
mot est un nora de propridt6. 
L'exemple 1 caract6rise un 6nonc6 de des- 
cription d'objet, voir paragraphe prdc6dent. 
exemple2 : "la <Mot: suitcar-"ion" > de 
<Gnom : domobj >" 
le "matching" aura r6ussi si la phrase contient 
une sdquence de roots du type 
"la xxxx-ion de l'enzyme" 
<mot: suitcar-"ion" >sp6cifie n'importe quel 
mot avec la contrainte qu'il soit eonstitu6 par 
une suite de caractbres (suitcar est un mot-el6 du 
langage) suivie du suffixe ion. ( le signe "-" 
signifie "suivi de" ) 
exemple3: < Mot: domobj: non candaction > 
signifie que le mot attendu h cette place du 
sch6ma est un mot qui ddsigne un objet du do- 
maine mais pas un cmldidat h ~lxe une action. 
On a l'a vu, toutes les rbgles ne permettent 
pas forcdment de conclure imm6diatement h une 
ddcision unique quant hun syntagme particulier, 
cependant ellcs pcuvent servir ~t restreindre le 
champ des recherches. Un groupe de mots pent 
~t un endoit ~tre repdr6 comme action ou classe 
et ~ un autre endroit par une autre r~gle comme 
classe ou objet, le syst~me que nous 
impldmentons en tient compte. 
2) implementation 
L'impl6mentation est actuellement en cours, 
avec pour objectif de tester ces r~gles, de les 
classer scion leur vraissemblance et de les 
int6grer au syst6me existant. Le but est de dimi- 
nuer le plus possible l'intervention bumaine 
dans la premiere phase de l'acquisition, 
l'adjonction future d'un gestionnaire 
d'hypoth~ses est pr6vue. 
Le programme dispose d'infonnations pr6a- 
lables. Un dictionnaire des mots non sp6cialis6s 
est donn6, il contient les roots de la m6talangue 
qui servent ~t d6finir des concepts exemple : "se 
composer de", "filxe form6 de".., des notions 
g6n6rales qui peuvent 6tre utiles dans le do- 
maine scientifique: taille longueur, extr6- 
mit6...Le syst~me dispose d'un analyseur mor- 
phologique qui traite: la conjugaison des verbes, 
les pluriels des noms, des adjectifs. 
ACTES DE COLING-92. NANTES. 23-28 AO~' 1992 4 8 7 PaoC. OF COLING-92. NANTES. AUG. 23-28, 1992 
L'utilisateur du langage peut se ddfinir des 
prrclicats qui grnEralisent des constructions. Par 
exemple dans le schema suivant 
< Gnom:domobj> avec un (e) <Mot: 
propriEtr> <delta > 
delta recouvre toute une sdrie de schemas 
associds ~t des quantitEs : "de <Nombre> 
<Nombre>", "entre <Nombre> et <Nombre>" 
etc... 
exemple "le cuivre utilisd avec une puretd de 
99%.".. 
M~taop6rateurs 
Ceux-ci permettent de grrer les contraintes 
qui lient les entitrs des schemas: un schema peut 
avoir une interpretation totalement declarative, 
q.Ld. si dans une suite de roots pour un scb6ma 
donnE, un seul prEdicat est non calculable, il 
est dEduit, 
Exemple: du schema prEcEdent, si on sait que 
le groupe nominal est un objet du domaine alors 
on peut en dEduire que le mot qui suit "avec 
un(e)" est une propriEtE, de mSme si on salt que 
le second mot est une propriEtE, on peut en 
dEduire que le premier est un objet du domaine. 
6crimre: decl (schEma) 
Si le schema n'est pas dEclaratif, on signale 
par un ? suivant la propriEtE "a dEduire, la 
conclusion potenfielle du matching du schema 
Exemple 
"on peut effectuer le" <Mot: suitcar-"age": 
candidaction: domaction?> de <Gnom: 
objdom>" suitcar teste une suite decaract~res 
quelconque. 
Lorsque le matching rdussit ici on en dEduit 
que le mot est la denomination d'une action du 
domaine. 
connaissances. Le fait que les structures 
poss~dent des rEfErences croisEes, rend possible 
certaines verifications de coherence, la 
d6termination de questions pertinentes h poser ~t 
l'expert, la detections d'anomalies: notions 
inutiles etc... 
Nous ddvelopperons par la suite deux axes: 
l'apprentissage des schemas (apprentissage par 
l'exemple) et la recherche, dans les donndes 
verbales, d'indices de la presence d'opErateurs 
d'inf6renee ou de tfiches gEnEriques 
(CHANDRASEKARAN 86) en gEnrralisant 
l'utilisation de champs sdmantiques lies h ces 
tfiches (MOLLER 88 dEj~ citE). On peut dE- 
duire, par exemple de la presence du mot 
"norme" la presence d'un ensemble de "para- 
m~tres" h "comparer" "h celle-ci, ou ~t partir 
d'occurrences de mots tels "trier" "caractEriser" 
"identifier" detecter la presence de primitives 
d'inf&enees 1. Notre but est d'aboutir h une 
mEthode directive (dirigEe par les donnEes ver- 
bales ) d'analyse de domaine; en effet, la plupart 
des mEthodes actuelles souffrent d'un manque 
de directivitE. 
Nous pensons que les rEsultats actuels ont 
dEj~t une portEe gdnErale et seront rEutilisables 
dans des contextes dEpassant le cadre du recueil 
d'expertise. Par exemple, il est envisageable de 
r6utiliser la biblioth~que de schemas pour pro- 
duire des textes (explicatifs) ~t partir d'une base 
de connaissances. I1 est, en outre, vraisem- 
blable que cette approche, dans son principe, est 
ind6pendante d'une langue parficuli~re. 
Conclusion 
Les premiers rEsultats sont encourageants, 
l'approche semble prometteuse. Nous avons 
rassemblE plus de cent schemas que nous 
exprrimentons. Une Etude est actuellement en 
cours sur une integration ergonomique de ces 
schemas sur la station de travail d'acquisition de 
1 Grosso modo ce terme drsigne route manipulation 
conceptuelle entrant darts un processus de resolution de 
probl~me. 

Bibliography

BOESH "Kultur und Handlung" Ed. Fluber 
Bern 1980 

CARD S.K., MORAN T.P,. NEWELL A. 
"Computer text-editing: an information-pro- 
cessing analysis of a routine cognitive skill" 
Cognitive psychology N°12 p 32-74. 1980 

CARD S.K., MORAN T.P,. NEWELL A. "The 
psychology of Human-Computer interaction" 
Hillsdale Lawrence Erlbaum 1983 

CHANDRASEKARAN B. "Generic tasks in 
knowledge-based reasoning: High-level buil- 
ding blocks for expert system design" IEEE 
Expert 1(3) p 23-29 1986 

FRIEDLAND P., IWASAKI Y. "The concept 
and implementation of skeletal plans "Journal 
of AutomatedReasoning 1 p.161-208 1985 

1GOT P. "Eldments d'analyse linguistique en 
vue d'une moddlisation des connaissances sur 
ordinateur" mdmoire de DEA ll0p 
public.interne GRILL 1991 

IRIS M A, LITOWlTZ B.E, EVENS M 
"Problems of the part-whole relation" in 
Relational models of the lexicon Ed M. W 
EVENS p262-288 Cambridge University Press 
1988 

JANSEN-WINKELN R.M. "WASTL: An ap- 
proach to Knowledge Acquisition in the Natu- 
ral Language Domain" Bericht N ° 48 
Universit/it des Saarlandes Saarbrticken 1988 

JELTSCH J.M., KEITH B., MIGAULT B., 
ROUSSELOT F. "Reasonning about manipu- 
lation of DNA molecules" Simposium Inter- 
national de Intelligencia Artificial Mexico 1989 

KEITH B., MIGAULT B., ROUSSELOT F. " 
A Methodology of Knowledge Acquisition" 
Proceedings of AIMSA 90 Belgrade 1990 

KERSTEN M.L. "A Conceptual Modeling Ex- 
pert System" Report CS R8518 Centre for 
Mathematics and Computer Science Amster- 
dam 1986 

KLAUS G., BUHR M. "Philosophisches 
W6rterbuch" VEB Deutscher Verlag der Wis- 
senschaften Berlin ex GDR 1972 

LANGACKER R. W. "An introduction 1o co- 
gnitive grammar'" Cognitive Science 10 pl-40 
1986 

LOFFLER-LAURIAN A.M. "t~tre dans 
quelques textes en langue naturelle" Revue de 
Linguistique Romane N°181-182 Strasbourg 
p121-157. 1982 

LOFFLER-LAURIAN A.M. "Faire et ses qua- 
sisynonymes dans les discours scientifiques 
Etudes de Linguistique Appliqude (nile s~rie) 
N°51: "Les discours scientifiques" Paris. Ed 
Didier-Erudition p93-103 1983 

MAHLING D.E. GROFT W.B. "Relating Hu- 
man Knowledge of Tasks" in Foundations of 
knowledge Acquisition. Knowledge Based 
System Vol 4 Ed Boose J.H Gaines B.R. 
Academic Press 199(/ 

MOLLER Jens-Uwe "Knowledge Acquisition 
from texts" EKAW 88 ST Augustin p25-1, 
25-16 1988 

NEWELL "The knowledge level "A.I. N°18 
p87-127 1982 

NORVIG P. "Marker passing as a weak method 
for text inferencing" Cognitive Science 13 
p.569-620 1989 

SAGER N., FRIEDMAN C., MARGARET S., 
LYMAN MD. "Medical Language Processing 
of Narrative Data". Ed Addison Wesley 1987 

SCHMIDT G., SCHMALHOFER F "Situated 
text analysis with COKAM+" to appear in 
EKAW 91 

VOGEL C. "Gdnie Cognitif' Ed Masson. 1988 

WINSTON M, CHAFFIN R, HERRMAN D 
"A taxonomy of part-whole relations" Cogni- 
tive Science 11 p.417-444 1987 

WROBEL S. "Design goals for a sloppy model- 
ling system" in Foundations of Knowledge 
Acquisition. Knowledge Based System Vol 4. 
Ed Boose J.H. Gaines B.R. Academic Press 
1990 

ZERNIK U., JACOBS P. "Tagging for 
Learning: Collecting Thematic Relations from 
Corpus" Proceedings of COLING 90. 1990 
