Search

International audience; De Homère à Shakespeare les questions de paternité littéraire ou de datation passionnent la critique. Or le décryptage de l’ADN résout sans discussion les problèmes de criminalité ou de paternité. L’Intelligence artificielle peut-elle jouer le même rôle dans le déchiffrement des textes? C’est l’objet de la présente étude, menée conjointement dans deux corpus. Dans le premier, on aborde le roman au XXème siècle en proposant à l’algorithme du deep learning un panel de 50 textes et de 25 écrivains (parmi lesquels Roman Gary et Émile Ajar). Il s’agit de reconnaître les textes qui ont le même auteur. Le deep learning réussit l’épreuve sans faillir. Fort de cette réussite, le même algorithme est appliqué au théâtre classique. La conclusion est là aussi catégorique : Racine, Corneille et Molière se distinguent parfaitement sauf dans deux cas (Don Garcie et Les Plaideurs) où le genre vient brouiller la signature. Le présent article s’interroge sur les mécanismes mis en œuvre dans le deep learning. Il s’agit d’abord de contrôler les résultats du deep learning en les confrontant non seulement aux acquis de l’histoire littéraire mais à l’approche classique de la statistique linguistique. Diverses mesures intertextuelles ont été proposées pour tenter de distinguer les distances intra (entre les textes d’un même auteur) et les distances inter (entre les auteurs). Tantôt on évalue la distance intertextuelle à partir des fréquences basses (grâce aux formules convergentes de, Jaccard , Evrard ou Muller), tantôt on s’appuie sur les hautes fréquences en recourant à l’analyse factorielle et à l’analyse arborée. Dans les deux corpus les procédures éprouvées de la lexicométrie confirment l’approche algorithmique du deep learning.On cherche aussi à imiter la démarche du deep learning en appliquant la statistique non pas aux mots individuels mais à des chaînes obtenues par glissement de trois mots adjacents (les triplets) ou bien en séparant, comme fait le deep learning, les textes soumis à l’apprentissage et les textes proposés à la prédiction (ces derniers traités en éléments supplémentaires dans l’analyse factorielle), ou bien en recourant à d’autres méthodes relevant de la technique neuronale (cartes de Kohonen).On vise aussi à expliquer, de l’intérieur, le processus , ici convolutionnel, du deep learning. Par une démarche rétroactive , dite de déconvolution, on s’applique à retrouver les marqueurs qui ont pesé sur les choix et à en relever la trace dans le texte. Mais le but principal est de comprendre et de maîtriser la démarche du deep learning et de la guider dans ses tentatives en s’appuyant sur des procédures plus exploratoires, transparentes, interprétables à chaque étape, avec des résultats visualisés (plans, arbres) ou évalués (zones de confiance bootstrap par exemple). On montre en particulier que l’analyse de correspondance peut obtenir les mêmes résultats que le deep learning, sans se soumettre à la nécessité d’un apprentissage supervisé : en traitant les pages du corpus en vrac, au kilomètre, sans partition explicite des textes.

International audience; Les tableaux de la statistique sont-ils les tables de la loi ou des tables tournantes ? Disent-ils quelque chose ? Et si oui, doit-on le croire ? Quel crédit accorder au médium – au statisticien – qui parle en chiffres comme le médium de Hugo dans les réunions spiritistes de Guernesey parlait en vers ? Dans nos sociétés modernes les batailles de chiffres se sont substituées aux guerres de religion et aux conflits idéologiques. Mais on voit souvent les mêmes chiffres servir successivement dans les deux camps, comme les mercenaires des combats d’antan, au point que Platon, s’il écrivait le Gorgias à notre époque, orienterait vers les chiffres les cours de rhétorique et de sophistique et ferait de Calliclès un statisticien. Les chiffres paraissent avoir sur les mots une supériorité de droit divin, car ils donnent lieu à des effectifs dits absolus. Or cet absolutisme, qui en impose à la pensée, recouvre très souvent des opérations relatives et contingentes, qui n’ont rien de nécessaire. Comme la nature reproduit rarement le même objet, le temps le même événement, le discours les mêmes mots et les mots la même signification, les faits dont on fait un effectif ne sont pas rigoureusement identiques. Ils ne le deviennent que par abstraction, par neutralisation des conditions particulières de leur réalisation. Et ils ne se prêtent à la comparaison que si les conditions sont supposées ne pas varier et si l’unité de mesure reste constante. Ce qui se produit rarement. On est ainsi amené à biaiser, à relativiser l’absolu, en pondérant, et, par exemple, en exploitant les données économiques « corrigées des variations saisonnières », ou en corrigeant les chiffres des sondages pour tenir compte des sondés et des sondeurs.Ces difficultés, inhérentes à toutes les sciences humaines, obèrent les travaux de statistique linguistique. Faut-il une fois de plus les passer en revue ? Ce qui manque à cette discipline c’est d’abord une unité de mesure. Ce sont aussi les termes de référence, les points de comparaison. La jeunesse de la discipline explique un certain manque de clarté – ou de modestie - dans les objectifs. Elle s’est imprudemment engagée dans les problèmes les plus épineux, comme ceux de l’attribution des textes douteux ou de leur datation. Ce qui manque surtout à la statistique c’est un consensus sur les méthodes, sur les résultats et sur sa justification même. En dehors du cercle restreint des spécialistes et de leur approbation jalouse ou intéressée, il faut reconnaître que les observateurs littéraires voient les débats statistiques parfois d’un œil amusé, plus souvent d’un œil indifférent et dans certains cas d’un œil courroucé et indigné.Pourtant à l’heure présente, c’est-à-dire en 1989, à l’occasion du deuxième centenaire de la Révolution Française, on a tenté de rassembler les textes qui environnent cet événement majeur et d’en faire une base de données, documentaire et statistique, accessible au public du Centre Pompidou, à Paris. La présente communication s’emploie à exposer et à justifier cette réalisation.

International audience; Il peut sembler surprenant et presque inconvenant qu’un ‘littéraire’ s’engage dans un labyrinthe technique où toutes les chances de se perdre sont avec lui. Mais l’informatique a renversé tant de barrières qu’il n’est plus de domaine où ne s’exerce sa passion dévorante et peut être vaut-il mieux se jeter en avant qu’être englouti par le monstre. Et puis, pour guider les pères, les fils conducteurs ne manquent pas : c’est Icare qui conduit Dédale et de jeunes informaticiens de 20 ans enseignent la logique et l’art de raisonner à la génération des aînés.Nous avons pensé que les littéraires ne devaient pas renoncer trop vite non seulement à utiliser mais à comprendre, à maîtriser ce puissant instrument de recherche. Par un exemple très simple on essaie de les convaincre (texte de 1970).

International audience; Il peut sembler surprenant et presque inconvenant qu’un ‘littéraire’ s’engage dans un labyrinthe technique où toutes les chances de se perdre sont avec lui. Mais l’informatique a renversé tant de barrières qu’il n’est plus de domaine où ne s’exerce sa passion dévorante et peut être vaut-il mieux se jeter en avant qu’être englouti par le monstre. Et puis, pour guider les pères, les fils conducteurs ne manquent pas : c’est Icare qui conduit Dédale et de jeunes informaticiens de 20 ans enseignent la logique et l’art de raisonner à la génération des aînés.Nous avons pensé que les littéraires ne devaient pas renoncer trop vite non seulement à utiliser mais à comprendre, à maîtriser ce puissant instrument de recherche. Par un exemple très simple on essaie de les convaincre (texte de 1970).

International audience; Les données textuelles ont des propriétés très avantageuses que Guiraud avait soulignées, dès 1959, deux ans après le colloque de Strasbourg : « La linguistique est la science statistique type ; les statisticiens le savent bien ; les linguistes l’ignorent encore.» Ces données sont d’abord bon marché ; il suffit d’un traitement de texte pour les enregistrer, ou d’un scanner, ou tout simplement d’une liaison à Internet où les textes foisonnent. Elles sont abondantes ; or la statistique se plaît dans les grands nombres et ses conclusions sont moins sûres quand les observations sont en nombre limité parce qu’elles sont chères, ce qui est le cas des enquêtes et des sondages, ou que la nature des choses le veut ainsi, comme il arrive en médecine. Les données textuelles sont faciles à contrôler, à reproduire, à transmettre, à corriger, et se prêtent volontiers à la répétition et aux variations des expériences. Elles sont exemptes de filtrage sélectif et subjectif, et la conscience du chercheur intervient peu à l’entrée. Enfin et surtout les textes sont immédiatement interprétables, sans le truchement des machines. La lecture et la connaissance du texte sont des garants contre les calculs aberrants et les manœuvres avortées. La conscience a au moins une idée de l’ordre de grandeur des résultats attendus et peut les rejeter s’ils sont exagérément erronés ou délibérément triviaux, alors que d’autres disciplines travaillent sans vision directe et se trouvent liées aux instruments, sans possibilité de récuser leur témoignage.Ce qui est un avantage est aussi un inconvénient. Puisqu’en matière littéraire ou linguistique, on peut se débrouiller sans appareillage, pourquoi s’encombrer de méthodes indirectes et grossières qui obscurcissent l’évidence ou brutalisent les nuances. Pour beaucoup d’esprits, le refus d’accueillir les méthodes quantitatives est une manière de réserver un espace de liberté pour la conscience individuelle. Qu’il y ait au moins un domaine préservé, une réserve naturelle comme il y des parcs du même nom pour la sauvegarde des paysages, un refuge contre l’invasion technologique, où puissent vivre et subsister les disciplines menacées : l’art, le langage, la philosophie, la religion, la musique, la cuisine…Là s’arrête notre plaidoirie à charge et à décharge. La défense et illustration de la statistique ne passe pas par des discours mais par des exemples. Nous nous proposons d’en donner quelques-uns.

International audience; Il peut sembler surprenant et presque inconvenant qu’un ‘littéraire’ s’engage dans un labyrinthe technique où toutes les chances de se perdre sont avec lui. Mais l’informatique a renversé tant de barrières qu’il n’est plus de domaine où ne s’exerce sa passion dévorante et peut être vaut-il mieux se jeter en avant qu’être englouti par le monstre. Et puis, pour guider les pères, les fils conducteurs ne manquent pas : c’est Icare qui conduit Dédale et de jeunes informaticiens de 20 ans enseignent la logique et l’art de raisonner à la génération des aînés.Nous avons pensé que les littéraires ne devaient pas renoncer trop vite non seulement à utiliser mais à comprendre, à maîtriser ce puissant instrument de recherche. Par un exemple très simple on essaie de les convaincre (texte de 1970).

S’il est un domaine où le chiffre a été légitimement associé à la lettre, c’est bien celui du vers et de la rime. La rime est rythme ; les pieds, la métrique, la mesure et même le mot quantité, tout le vocabulaire de la versification appartient à l’univers des nombres. Les premiers travaux de linguistique quantitative ont précisément pris pour objet le vers de Valéry ou celui de Corneille, ou, à l’étranger, celui de Shakespeare, et ils continuent une antique tradition de comptage qui remonte aux lettrés alexandrins et qui s’est exercée sur le premier poète : Homère.

International audience; Les fonctions statistiques supposent habituellement une segmentation du corpus en textes séparés et sont fondées sur des fréquences ou des effectifs observés dans ces textes. Cette segmentation se justifie souvent parce que les textes rassemblés se distinguent par la date, le genre, l’auteur, le thème ou tout simplement le titre. Quand il s’agit d’œuvres distinctes, la partition du corpus semble aller de soi. Pourtant cela ne va pas parfois sans quelque arbitraire. Les nécessités du traitement posent souvent des problèmes de sélection, de jalons et de frontières et imposent des équilibres, des regroupements ou des sectionnements. Or paradoxalement la décision doit être prise avant que le traitement puisse l’éclairer. Au stade du traitement, la statistique, étant essentiellement comparative, est amenée à durcir les oppositions entre les parties de l’ensemble. Et la segmentation initiale, bonne ou mauvaise, se trouve alors artificiellement justifiée.Il serait de meilleure méthode de n’imposer aucune segmentation au départ de l’entreprise et de laisser à l’analyse du contenu le soin d’en suggérer une. C’est ainsi que procède souvent le dépouillement des enquêtes d’opinion : le texte libre est traité à plat, en continu, et si des balises permettent de se repérer dans le flux textuel, elles restent étrangères au traitement et permettent seulement d’interpréter les oppositions et les classements qui ont été obtenus sans leur concours. La présente communication s’inscrit dans cette démarche globale où les mots sont appréhendés dans le continuum du corpus, avec leurs sautes d’humeur, leurs silences et leur compagnonnage variable avec les mots voisins.