Résumé: Les ontologies sont devenues incontournables pour définir des vocabulaires standardisés ainsi qu’une représentation partagée d’un domaine d’intérêt. La notion de Ressource Termino-Ontologique (RTO) permet d’associer une partie terminologique et/ou linguistique aux ontologies afin d’établir une distinction claire entre la manifestation linguistique (le terme) et la notion qu’elle dénote (le concept). Les RTOs sont actuellement au coeur de nombreuses méthodes, outils et applications de l’Ingénierie des Connaissances (IC), discipline de l’Intelligence Artificielle permettant en particulier de développer des méthodes et des outils de capitalisation de connaissances.
L’objectif de cette thèse, qui s’inscrit dans les problématiques de l’IC, est de capitaliser des données expérimentales issues de documents textuels (articles scientifiques, rapports de projet, etc.) afin de pouvoir les réutiliser dans des outils d’aide à la décision. Nous avons d’abord défini la notion de relation n-aire permettant de relier plusieurs arguments et l’avons modélisée dans une nouvelle RTO, baptisée naRyQ. Cette notion de relation n-aire nous a permis de modéliser des mesures expérimentales (e.g. diffusivité de l’oxygène dans un aliment, perméabilité à l’oxygène d’un emballage, broyage d’une biomasse, etc.) réalisées sur différents objets d’études (produit alimentaire, emballage, procédé de transformation, etc.). Afin d’implémenter la plateforme de capitalisation, nommée @Web, nous avons modélisé la RTO naRyQ en OWL/SKOS et défini l’ensemble des contraintes de cohérence qu’elle doit respecter. Enfin, une RTO étant amenée à évoluer pour répondre aux besoins de changement, nous avons proposé une méthode de gestion de l’évolution de cette RTO qui permet de maintenir sa cohérence de manière préventive. Cette méthode est implémentée dans le plug-in Protégé, nommé DynarOnto.