Jean-Pierre Colson

Jean-Pierre Colson es catedrático de Estudios de Traducción y Lingüística en la Université Catholique de Louvain (Louvain-la-Neuve, Bélgica), donde fue presidente del Louvain School of Translation and Interpreting entre 2015 y 2021. Durante muchos años ha participado activamente en Europhras, la Asociación Europea de Fraseología, y es miembro del consejo de Europhras. Ha sido durante tres años director editorial del volumen Yearbook of Phraseology. Ha publicado alrededor de 120 artículos científicos sobre fraseología, lingüística computacional y estudios de traducción. También es experto internacional en varias instituciones: experto externo para los proyectos COST de la Unión Europea, experto en lingüística para la fundación universitaria belga, experto a distancia para la ANEP, la agencia española para la evaluación de proyectos científicos, y es miembro habitual del comité científico de congresos internacionales sobre fraseología, lingüística computacional y estudios de traducción.

Phraseology Extraction: From Corpora to Deep Learning

AI (Artificial Intelligence) is now present almost everywhere, from weather forecast to medicine and from financial investments to linguistics. Although some have criticized it as a hype whose cycle will soon be reaching its limits, there is no denying that AI has had major implications for applied linguistics in recent years, in particular for MT (Machine Translation). In several fields of applied linguistics, there is now a growing competition between corpus linguistics on the one hand, with a recourse to traditional statistics and huge corpora, and machine learning on the other, in particular deep learning based on neural networks. Will corpus linguistics gradually give way to deep learning? My point of view is that the automatic extraction of phraseology or multiword expressions may provide a partial answer to this question, as I will try to illustrate by a number of recent experiments. In addition, exploring phraseology from the point of view of machine learning, i.e. by drawing conclusions from its algorithmic representation, may provide fresh insights into the interaction between idiomaticity, fixedness and culture.