Linguistique informatique

Linguistique informatique

Partie de	Informatique, linguistique mathématique (en)
Pratiqué par	Linguiste informatique (d)

La linguistique informatique, ou linguistique computationnelle contribue au traitement automatique du langage naturel (TALN), notamment dans les interfaces homme-machine, la traduction automatique, la reconnaissance vocale et l'analyse textuelle à grande échelle ou la création de nouvelles langues.

Elle s'appuit sur des méthodes de calcul automatisé, de modélisation et de traitement de données linguistiques, pour à décrire et traiter les phénomènes linguistiques. Ce domaine associe les apports de la linguistique théorique, de l'informatique, de la logique et, plus récemment, de l'intelligence artificielle. Elle recouvre notamment l'élaboration de grammaires formelles (éventuellement nouvelles), le développement d'outils pour l'analyse de corpus, ou encore la conception de ressources numériques linguistiques.

Elle joue un rôle central dans le traitement automatique du langage naturel (TALN), en particulier dans les interfaces homme-machine, la traduction automatique, la reconnaissance vocale, ou l'analyse textuelle à grande échelle. Elle permet aux chercheurs d'exploiter les capacités de calcul pour étudier les langues sous des angles inaccessibles aux méthodes manuelles.

Selon les usages, le terme peut être employé pour désigner une approche davantage orientée vers les questions linguistiques et théoriques, tandis que « traitement automatique du langage » renvoie plus souvent à des développements applicatifs.

Débuts

La recherche informatisée sur les langues nait vers 1950, dans le cadre de projets de traduction automatique financés par l'armée américaine, sur la base des bons résultats obtenus en utilisant des machines pour le décryptage des messages codés. Mais traduire s'avère plus complexe que déchiffrer des messages codés.

Dans les années 1960, des travaux en intelligence artificielle visent une modélisation automatisée de compétences linguistiques. Ils commencent par s'appuyer sur des ressources lexicales et des règles explicites, avant de mettre en évidence des difficultés importantes pour la traduction et la compréhension. Ils connaissent la grammaire, les règles de bon usage, qui ne relèvent pas d'une description scientifique de la langue, d'où l'idée qu'un bon dictionnaire bilingue et des outils statistiques suffiraient pour obtenir des résultats en traduction automatique. Faute de résultats suffisants, en 1960, les crédits en sont coupés (cf. Rapport ALPAC).

Dans les années 1970, on repart sur de nouvelles bases en formalisant la grammaire. Le « modèle des grammaires formelles » est utilisé pour décrire certains aspects des langages de programmation. Les interprètes ou les compilateurs sont constitués par une chaîne de traitements : analyse lexicale, syntaxique, sémantique. Les travaux de Noam Chomsky ont fait l'hypothèse d'une similitude entre les langues naturelles et les langages informatiques. Les propositions de modèles formels de la langue par Zellig Harris puis Chomsky ont orienté la recherche de solutions sur la formalisation de la syntaxe. Les grammaires génératives de Chomsky décrivent des systèmes de règles de production pour engendrer toutes les phrases admissibles. Des automates inverses devraient permettre la reconnaissance des phrases bien construites. Avec cette hypothèse, l'interprétation d'un texte est constituée par une chaîne de traitements analogue à celle qu'effectuent les compilateurs. Le système SHUDLU, présenté dans l'introduction du TAL en est un exemple. L'application de grammaires formelles aux langues naturelles a rencontré des limites, notamment pour la prise en compte de l'ambiguïté et du contexte. Parallèlement, les premiers travaux sur le dialogue humain-machine ont commencé dans les années 1960 avec Eliza, qui peut maintenir un dialogue par reconnaissance de mots clés. C'est une première tentative de modèle interactif.

Dans les années 1980, des modèles basés sur la connaissance prennent le relais. Ils incitent à construire une base de connaissances, pour compléter les méthodes formelles. Ils supposent que la clé de la compréhension des langues est dans les connaissances partagées. Mais s'il en était ainsi, il serait nécessaire d'avoir une autre théorie pour l'apprentissage du dialogue des enfants. A nouveau, les résultats sont moins rapides qu'espéré. C'est aussi à cette époque que l'enregistrement de la parole et le traitement automatique du signal enregistré, ainsi que la synthèse de la parole, font entrer l'oral dans les technologies du langage.

Après ces séries d'espoirs déçus de maîtrise des langues par les ordinateurs, les informaticiens combinent méthodes statistiques, formalismes et connaissances, ce qui était la condition de nouvelles technologies linguistiques, efficaces et utiles, comme celles présentées sur le blog de Jean Véronis. Les objectifs s'élargissent ensuite, par exemple avec la prise en compte de la gestuelle, via l'enregistrement vidéo, les personnages animés, les robots... Le dialogue entre humains, médié par l'internet invente des formes nouvelles de pratiques sociales : courriel, chats, forums, qui transforment le rapport oral/écrit sans présence effective des locuteurs.

Au milieu des années 2010, l'apprentissage automatique progresse, notamment en s'appuyant sur la capture de « patrons statistiques » dans de grands corpus, ce qui améliore aussi la traduction automatique, l'automatisation de systèmes question‑réponse ou l'analyse automatique de sentiments. Des chercheurs comme Mordatch & Abbeel (2017) signalent qu'un nouveau langage émerge parfois, spontanément, au sein de populations multi‑agents (quand ces agents entraînés par apprentissage par renforcement, en ont besoin pour atteindre des objectifs communs). Ce langage, plus ou moins optimisé, est un flux de symboles discrets abstraits, et il évolue avec le temps ; il a une structure cohérente, et dispose d'un vocabulaire défini et d'une syntaxe identifiable. En outre, quand la communication linguistique était impossible, des agents informatiques ont spontanément utilisé des formes simples de communication non verbale, comme le « pointage » ou le « guidage ».

Entre 2020 et 2022, Google DeepMind étend ces observations en démontrant que des populations d'agents peuvent inventer un langage compositionnel et des systèmes de communication très structurés (incluant des conventions stables, des signaux combinatoires et des proto‑syntaxes, dans des environnements interactifs complexes). Des jeux dits « jeux de Lewis » ont été proposés. Ce sont des jeux où deux agents informatiques doivent coopérer pour résoudre une tâche commune sans se comprendre au départ. Les agents se montrent capables d'inventer ensemble un langage de signaux, appris par essais-erreurs récompensés. Des travaux antérieurs avaient montré que ce langage généralise souvent mal et manque de « compositionnalité » (c'est-à-dire qu'il ne combine pas des éléments simples pour créer des significations complexes, contrairement au langage humain). Mathieu Rita de l'Inria-Paris et ses collègues de DeepMind (2022) distinguent : une perte de « co-adaptation », due à un ajustement trop spécifique entre les deux agents, et une perte « d'information », liée à la qualité du signal transmis ; ce sont deux causes possibles de surapprentissage (un phénomène où les agents deviennent trop spécialisés pour s'adapter à de nouvelles situations) ; selon eux, en limitant le surapprentissage lié à la co-adaptation, le langage produit devient plus « compositionnel » et généralisera mieux, se rapprochant en cela du langage humain. Mais Rahma Chaabouni et al. (2022), dans un article sur les langages émergents, notent qu'un indicateur couramment utilisé pour évaluer la qualité des langages inventés, la Similarité sémantique, mesurée d'une manière particulière dite topographique (topographic similarity, souvent abrégée « topsim », qui évalue si un langage inventé par des agents est bien structuré, en vérifiant si les objets ou situations proches en sens sont décrits par des messages qui se ressemblent également dans leur forme) reflète mal la capacité des agents à généraliser quand ils travaillent sur des images naturelles ; Chaabouni et ses collègues proposent donc d'évaluer plutôt la facilité d'apprentissage et le transfert des compétences permis par ces langages. Ils constatent qu'augmenter le nombre d'agents ne suffit pas à produire un langage plus stable et plus efficace, ce qui invite à tester d'autres méthodes exploitant la population d'agents (comme le vote collectif et l'apprentissage par imitation).

En 2023, l'arrivée des grands LLM accélère les choses : ils peuvent désormais générer des langues artificielles complètes, dotées d'un lexique, d'une phonologie et de règles morphosyntaxiques, comme le montre ConlangCrafter ; une nouvelle linguistique, non‑humaine, artificielle émerge, produite par des agents logiciels.

Lors de l'apprentissage par renforcement multi‑agent, plusieurs agents doivent apprendre à coopérer, généralement dans un environnement qu'ils ne « voient » que partiellement et qui change constamment pour chacun d'eux. Selon une revue d'études pré-publiée en 2026, basée sur 29 publications scientifiques sur le sujet, il existerait 5 grands types de méthodes de communication inter-agents : la communication explicite (les agents s'échangent directement des messages), implicite, basée sur l'attention, basée sur des graphes, et hiérarchique ou fondée sur des rôles.

Ces agents inventent généralement spontanément leur propre « langage » au fil de l'entraînement. Cela donne souvent des systèmes linguistiques peu efficaces, et opaques pour un humain. Des chercheurs ont suggéré de plutôt de leur faire utiliser le langage humain (ces agents apprennent non seulement à agir, mais aussi à décrire linguistiquement en mots ce qu'ils font et observent autour d'eux. Ceci a un double avantage : la communication est claire et compréhensible entre les agents et par les humains ; et les agents pourraient ainsi mieux se représenter mentalement leur environnement. Selon Toquebiau et al. (2025), les agents « ancrés dans le langage humain » sont plus performants que ceux qui inventent leur propre code de communication, ils s'adaptent mieux à de nouveaux « partenaires », et ils interagissent plus facilement avec des humains. Mais quelque soi l'agent, pour que sa communication soit sobre et optimale, elle devrait n'apporter au système que des informations utiles et au bon moment (car trop de messages redondants ou mal organisés perturbent l'apprentissage). Les concepteurs d'IA cherche donc à améliorer ce que les agents envoient (le contenu des messages) et quand ils l'envoient (au moment pertinent, en limitant les répétitions). Selon Chuxiong Sun et al. (2025) cela ne suffit pas, car — même après filtrage —, les messages reçus contiennent encore des informations inutiles ou confuses ; ils proposent une nouvelle approche (dite DRMAC, pour Dimensional Rational Multi-Agent Communication) qui s'appuie sur l'« analyse dimensionnelle » : 1) l'approche DRMAC réduit la redondance en séparant mieux les différentes informations dans les représentations apprises ; 2) elle utilise un « masque » dynamique qui ajuste automatiquement l'importance des différentes dimensions pendant l'entraînement afin d'ignorer celles qui ne servent pas à décider. Selon les auteurs, testée sur de nombreuses tâches, cette méthode dépasse les techniques existantes, et elle peut être ajoutée facilement à d'autres systèmes de communication inter-agents.

Dans les tâches collaboratives multi‑agents, l'IA peut — conjointement — produire des messages structurés, et générer un consensus partagé entre agents (qui permet de réduire l'incertitude entre partenaires, et de donner une orientation commune permettant de désactiver la communication toutes les fois où elle n'apporte rien, tout en la conservant comme "complément informatif" lorsque le consensus ne suffit pas.

Champ d'étude

Trois domaines principaux de recherche et d'ingénierie des langues sont basés sur l'informatique : le traitement de la parole, le traitement automatique des langues écrites ou TAL et le dialogue humain/machine :

1. La « parole » s'intéresse à l'oral, part du traitement du signal acoustique et cherche à le décoder pour le transformer en écriture. La synthèse de parole est le point de vue complémentaire, qui transforme un texte écrit en son. Deux niveaux sont requis, la phonologie (phonèmes, syllabes) et la prosodie : pauses, accentuations, rythme, changement de ton, montant ou descendant. Les serveurs vocaux par téléphone sont un bon exemple d'application de ces techniques ;
2. Le TAL s'intéresse surtout aux textes écrits, à les analyser, les résumer, les traduire. Les questions essentielles sont :
   • l'annotation des corpus : étiquetage par les parties du discours, analyse morpho-syntaxique ;
   • le lexique (Trésor de la Langue Française informatisé ou tlfi) ;
   • la traduction et le résumé automatiques ;
   • la recherche d'information sur le Web à partir des documents présents ;
3. Les travaux sur le dialogue, qu'il soit oral ou écrit (chats, forums), s'intéressent à rendre compte de la parole spontanée, à trouver ses règles de fonctionnement, et à inclure les machines dans des processus de dialogue humain. Dans les deux champs que sont la « parole » et le TAL, il s'agit rarement de parole spontanée, mais de textes écrits, relus et corrigés avant d'être disponibles sous forme orale (radio, télévision) ou écrite. Or, le dialogue spontané précède toutes les formes d'usage de la langue, tant dans l'espèce humaine que dans l'histoire de chaque enfant. L'étude du dialogue humain à travers la machine concerne des aspects fondamentaux du langage.

D'autres aspects du langage sont étudiés grâce à l'informatique. Ainsi, l'anthropologie étudie l'apparition et le développement du langage oral et de l'écriture durant l'évolution et la dispersion de l'humanité dans le monde. Les études sur l'origine du langage ont pris une nouvelle jeunesse avec les simulations informatiques.

Modèles théoriques

Les modèles théoriques visent à construire une formalisation du fonctionnement de la langue permettant à un système artificiel de reproduire les compétences langagières humaines. On distingue :

• les approches empiriques : basées sur des modèles statistiques construits à partir d'observations ;
• les approches logico-grammaticales : basées sur des modèles logiques ou algébriques, construits à partir d'exemples, qui peuvent être descriptifs ou génératifs ;
• les approches interactives : basées sur des modèles multi-agents ou sur l'observation des interactions humaines, ou encore des interactions humains-machines.

Approches empiriques

Les modèles statistiques sont très utilisés pour l'étude des langues. Les calculs de fréquences, de moyenne, de dispersion donnent des résultats parfois étonnants. Le modèle de Markov caché est le plus utilisé pour l'analyse de la parole et pour des analyses lexicales et syntaxiques. Les tentatives basées sur les réseaux de neurones artificiels sont plus rares.

Loi de Zipf

Dans les années 1930, un scientifique de l'université de Harvard, G.K. Zipf, montre en classant les mots d'un texte par fréquence décroissante, que la fréquence d'utilisation d'un mot est inversement proportionnelle à son rang. La loi de Zipf stipule que la fréquence du second mot le plus fréquent est la moitié de celle du premier, la fréquence du troisième mot le plus fréquent, son tiers, etc. Cette loi peut s'exprimer de la manière suivante : Fréquence d'un mot de rang N = (Fréquence du mot de rang 1) / N. Si l'on dresse une table de l'ensemble des mots différents d'un texte quelconque, classés par ordre de fréquences décroissantes, la fréquence d'un mot s'avère inversement proportionnelle à son rang dans la liste, ou, autrement dit, que le produit de la fréquence de n'importe quel mot par son rang est constant : ce que traduit la formule f * r = C, où f est la fréquence et r le rang. Cette égalité, qui n'est qu'approximativement vraie, est indépendante des locuteurs, des types de textes et des langues. Il semble ainsi qu'elle soit un trait général des énoncés linguistiques. Ce constat n'est pas isolée ; il est le premier d'une série d'autres, que l'on peut résumer ainsi :

• la fréquence relative des catégories grammaticales, bien que variant d'un individu ou d'un texte à l'autre, est stable. C'est ainsi qu'en français les mots outils (articles, pronoms, conjonctions, prépositions) représentent 50/100 de n'importe quel texte, l'autre moitié étant constituée par les mots pleins (substantifs, verbes, adjectifs, adverbes). On peut noter que dans le dictionnaire cette proportion est tout autre, les mots outils ne représentant que 0,5/100 du lexique total ;
• la fréquence des mots d'une langue dans le discours est liée à leur structure phonique ; en particulier, le nombre de phonèmes d'un mot dépend de son rang. On peut ainsi observer une tendance générale de toutes les langues, selon laquelle plus un mot est fréquent, plus il est court (c'est-à-dire moins son « coût de production » est élevé). Cela apparaît bien dans le phénomène général d'abrègement des mots longs dont la fréquence a tendance à augmenter dans le discours : tronquements (« cinématographe » devient « cinéma » et « ciné »), sigles (S.N.C.F., U.R.S.S.), auxquels on peut rattacher certains phénomènes de substitution (« contremaître » devient « singe », etc.).

En traçant pour chaque mot le couple rang/effectif dans un repère logarithmique, alors le nuage de points paraît linéaire. Il est d'ailleurs possible de calculer l'équation de la droite de régression linéaire sur ce nuage. La répartition des points autour de cette droite montre que la linéarité n'est qu'approximative. En étudiant la liste des fréquences, on peut noter que les mots les plus fréquents sont les mots grammaticaux, et que leur ordre d'apparition dans la liste est stable d'un texte à l'autre à partir du moment où le texte est de longueur significative (c'est une loi tendancielle). Les mots lexicaux apparaissent ensuite, en commençant par les mots thématisant le document.

Modèles de Markov cachés

Une phrase ou un texte peut être vu comme une séquence de mots. Supposons qu'on ait un vocabulaire exhaustif où les mots sont numérotés de 1 à M et ajoutons un mot n^o 0 noté # comme séparateur. Le petit chat est mort. va être récrit w0 w42 w817 w67 w76 w543 w0 (par exemple) en remplaçant chaque mot par son entrée dans le vocabulaire. Appelons W1 le fait d'observer le premier mot et en général Wi le fait d'observer le ième mot.

P (# le petit chat est mort #) = P (W0=0, W1=42, W2=817…)

Un modèle de Markov cherche à prédire l'apparition d'un mot en fonction du mot qui le précède (modèle bigramme) ou des deux mots qui le précèdent (modèle trigramme). Le modèle bigramme suppose que le modèle de Markov sous-jacent au langage est « stationnaire ». Un « modèle de Markov » est dit stationnaire si l'observation de l'état actuel permet de prédire les états suivants. Il y a un lien direct entre l'état où se trouve le processus et les probabilités des états suivants. La reconnaissance automatique de la parole fait un grand usage des modèles de Markov pour aider la reconnaissance des mots dans un signal de parole continu. Pour apprendre les probabilités conditionnelles des bigrammes ou de trigrammes, il faut une grande quantité de corpus annoté. Le même principe peut être utilisé pour d'autres tâches, comme l'étiquetage (attribution des parties du discours aux mots). Dans ce cas, on observe les mots, pas leur étiquette, et on parle de modèle de Markov caché. L'étiqueteur de Brill (en) est basé sur ce principe. Il s'agit d'attribuer des tags aux mots de façon à maximiser la probabilité de bonne réponse sur l'ensemble des tags.

Réseaux de neurones

Les réseaux de neurones formels ont été utilisés pour modéliser la sémantique des langues et permettre la construction dynamique du sens des phrases.

Approches logico-grammaticales

Les traités de Noam Chomsky sur la syntaxe des langues naturelles furent une source d'inspiration pour traiter les phrases comme des expressions d'un langage formel. Mais alors que le modèle de Chomsky est génératif, les modèles de grammaires formelles doivent comporter les deux volets de l'analyse et de la génération.

Mais la compétence linguistique est peu de chose pour un système ne sachant pas de quoi on lui parle. En 1972, SHRDLU de Terry Winograd, s'appuie sur une modélisation d'un micro-monde parfaitement circonscrit (quelques cubes et pyramides de couleurs diverses, entassés sur une table) en vue de réaliser une conversation à propos des situations concrètes que l'on peut rencontrer dans cet univers restreint. Munis de deux clés : grammaire formelle pour la morpho-syntaxe et réseaux d'associations sémantiques pour le sens, les expérimentateurs du milieu et de la fin des années 1960 réalisèrent une foule de systèmes. Pour passer du dialogue dans un micro-monde au monde humain, la grande question des années 1970 fut celle de la représentation des connaissances. En 1974, dans un recueil sur la vision artificielle, Marvin Minsky, un des fondateurs de l'IA, exposa la notion de stéréotypes (en anglais : frames). Un stéréotype est une description des caractéristiques d'un élément du monde associé aux mots correspondants. les stéréotypes fonctionnent en réseaux, appelés réseaux sémantiques. Les liens de ce réseau sont les relations généralisation spécialisation et les relations tout parties. Mais il ne suffit pas de décrire le monde pour comprendre les histoires, Roger Schank pose la question des comportements en termes de scénarios prédéfinis.

Le cours de Jean Véronis répertorie les modèles morpho-syntaxiques et sémantiques courants. Pour aller plus loin, un bilan a été fait en 1991 montrant les forces et les faiblesses de cette approche.

Approches interactives

Le dialogue est la matrice de nos langues, de notre pensée, de notre mémoire et du dialogue lui-même. Il est la matrice de nos institutions et de nos sociétés. Il nous constitue en tant qu'humains. Le dialogue est un état premier de l'activité langagière, si on le compare à l'écrit bien sûr, mais aussi à d'autres formes de langage oral, comme raconter une histoire ou faire un discours. Le petit enfant apprend à parler par la parole et le dialogue. Les approches interactives de la modélisation du langage ont été développées pour le dialogue entre les humains et les machines, pour le dialogue entre agents logiciels ou pour améliorer les interfaces graphiques.

Interactions humaines, interactions humain-machine

Entre humains, l'interaction passe principalement par l'action conjointe (jouer au foot), les mouvements, les gestes, les expressions du corps et du visage, la voix (cris, parole) et secondairement par l'écriture. Elle s'inscrit dans un monde partagé et construit un monde social. Elle met en jeu des objets intermédiaires comme ressources, comme enjeux ou comme manifestation d'un accord. Dans les dialogues, chaque participant prend tour à tour les rôles de locuteur, d'interlocuteur ou d'observateur. L'interaction entre humains est donc symétrique du point de vue des modalités comme du point de vue des rôles.

L'interaction des usagers avec les ordinateurs est seulement une interaction par signes. Elle n'est pas symétrique ni du point de vue des modalités, ni du point de vue des rôles. La plupart du temps, la machine présente des pages sur un écran comportant des textes et des images et envoie des messages auditifs (mode visuel et auditif). L'usager agit principalement par l'écriture (mode textuel) et avec la souris (mode gestuel). Cette interaction ne met en jeu que le monde de l'ordinateur, son monde interne et les flux arrivant par ses capteurs, pas celui de son interlocuteur. Pour toutes les applications informatiques simples, où l'ensemble des ordres à donner à la machine est facile à énumérer et à mémoriser, les interfaces à boutons ou à menus déroulants, qui restent dans le paradigme compositionnel et exhaustif sont certainement supérieures au dialogue en langue naturelle. Mais les limites à leurs usages, les appréhensions et difficultés des usagers, tiennent souvent aux difficultés de l'interaction. On peut par exemple observer les difficultés des usagers à comprendre les messages d'erreur, ou à utiliser des formules logiques d'interrogation de bases de données documentaires.

C'est à suite de tentatives infructueuses pour formaliser les langues, comme on l'avait fait efficacement pour les langages de programmation dans les années 1960, qu'un autre point de vue a pu être développé, le point de vue de l'interaction comme source et enjeu de la constitution des langues. Les humains peuvent interagir entre eux par des signes selon plusieurs modes. Ils peuvent par exemple communiquer par des signaux routiers ou de navigation dont le sens n'est pas négociable. Ils peuvent aussi utiliser des codes, analysables terme à terme de manière compositionnelle, comme les notations mathématiques et les langages de programmation. Ces codes ont une sémantique compositionnelle et non ambiguë qui fixe le sens des messages indépendamment du contexte dans lequel il a lieu. Un code nécessite un accord préalable entre les parties sur le sens des éléments et le sens de leurs combinaisons. Les humains utilisent principalement pour communiquer les langues naturelles qui ne fonctionnent pas selon le modèle du code mais selon le modèle du transfert. Les langues sont un préalable pour créer les systèmes de signaux, de formules et de codes et pour les faire évoluer.

Sémantique interprétative

La sémantique interprétative de François Rastier décrit comment le sens est construit de manière rhétorique et herméneutique, c'est-à-dire dans un processus d'interprétation dans le contexte et dans l'histoire des interactions. Elle s'attache à décrire les textes (ou les dialogues) dans leur entier. Elle sert aussi de base pour des études et projets informatiques.

Pertinence

Jean-Louis Dessalles (chercheur en intelligence artificielle et sciences cognitives, professeur émérite à Télécom Paris) part du constat qu'au quotidien, l'inattendu, les coïncidences, la banalisation (le small talk) semblent être les principaux ressorts des conversations sociales. Il propose néanmoins une modélisation scientifique du « jugement de pertinence », avec des lois testables capables de prédire l'intérêt d'un récit conversationnel ou l'organisation d'une argumentation spontanée. Selon lui, la pertinence est le principal critère du « jeu social » que constitue l'échange verbal, et nous avons tous (hormis les personnes autistes) une intuition fine de ce qui rend une histoire ou un argument pertinent, tout en étant très sensibles à ses défauts. Il suppose que la pertinence serait née de l'organisation politique particulière de l'espèce humaine, où l'information est un facteur essentiel de survie — autrement dit, savoir détecter et signaler l'information pertinente aurait joué un rôle central dans l'évolution sociale et politique de notre espèce, dont via la formation de coalitions). l'humain est altruiste selon Dessalles parce qu'il y a eu une coévolution du langage avec la biologie et la culture humaines, ce pourquoi les humains partagent gratuitement de l'information malgré son coût darwinien apparent ; le langage aurait évolué comme moyen de choisir des partenaires de coalition avantageux et de renforcer la cohésion sociale dans un environnement compétitif.

Aides aux linguistes

La linguistique a d'abord été descriptive, et elle a décrit l'évolution des langues, leurs racines communes. La linguistique peut être prescriptive, établir des normes pour une langue déterminée. On l'appelle alors la grammaire. Elle fixe les normes pour l'enseignement des langues et des conventions pour l'imprimerie. La linguistique peut être théorique, proposer des théories du langage, de la production ou de l'interprétation des langues : Saussure (système de signes, linguistique structurale), Chomsky (système de règles, linguistique générative), Langaker (grammaire cognitive).

On distingue plusieurs champs d'étude dans les théories linguistiques :

• la phonétique et la phonologie (parole) ;
• la morphologie et la syntaxe (structure des mots et des phrases) ;
• la sémantique (sens, dictionnaires, résumés) ;
• le discours (textes, dialogues).

L'informatique peut aider les linguistes pour :

• chercher des exemples et des contre-exemples dans de grands corpus ;
• faire des statistiques sur les emplois des termes, des constructions syntaxiques, les rimes… ;
• calculer des cooccurrences de termes.

La linguistique de corpus résulte de cet apport technique de l'informatique aux études linguistiques.

Un autre point de vue des rapports en linguistique et informatique est de faire des modèles calculatoires des théories linguistiques et éprouver ces modèles en les implantant sur une machine. Par exemple, la syntaxe de Lucien Tesnière utilisée par Jacques Vergne pour construire un analyseur syntaxique sans dictionnaire.

Linguistique de corpus

Les corpus sont à la fois la matière première de l'étude des langues et des textes et le moyen de tester les modèles qui sont proposés. L'informatique permet l'utilisation de grands corpus de textes pour l'étude des langues. Elle facilite leur recueil, leur constitution, leur annotation. La diffusion des corpus présente des problèmes scientifiques, techniques et juridiques :

• droits des auteurs, des éditeurs, des traducteurs, des annotateurs ;
• Protection de la personne et de son image dans le cas des corpus oraux.

Qu'est-ce qu'un corpus ?

Un corpus est une grande quantité de matériaux linguistiques attesté : livres, journaux, devoirs d'étudiants, enregistrements de radio, de télévision, de réunions de famille, de discussions de café… Les corpus numérisés sont les plus utiles pour les linguistes, les littéraires, comme pour les chercheurs en TAL. Les sources de corpus écrits sont nombreuses, tant par le Web que du fait que l'édition est numérisée depuis les années 1980.

Pour certaines tâches, un corpus doit être représentatif : représentatif d'un état de langue dans un pays, un milieu social, à une époque déterminée. Il faut donc prélever soigneusement des échantillons dans ce but et ces choix doivent être documentés (exemple Frantext pour le TLFI). Les corpus « patrimoniaux » sont recueillis pour servir de base à des comparaisons ultérieures sur les états de langues, ou pour conserver des témoignages sur les langues en voie de disparition. Pour réaliser un système automatique de réservation de billets de train, il faut enregistrer des dialogues aux guichets de la SNCF, dans des lieux variés, avec de nombreux interlocuteurs. Les autres dialogues apporteront peu d'informations, la radio encore moins.

Un corpus respecte le contexte de l'énonciation et du recueil des textes. Il comporte donc des métadonnées : auteur, date, édition… Il est organisé en vue d'une exploitation scientifique ou technique. La question des formats est incontournable : codage de caractères, jeu de caractères, mise en forme matérielle, format du fichier (HTML, Word, PDF…). Si un corpus est annoté, chaque élément du corpus est décrit par des annotations et le jeu d'annotations doit être le même pour tous les éléments du corpus. Un corpus peut être monolingue ou multilingue. Une catégorie particulière de corpus concerne les textes traduits dans plusieurs langues, alignés par le sens, comme les textes de la communauté européenne. Ils sont très utilisés en traduction automatique.

Histoire des corpus

L'idée d'utiliser des corpus pour la recherche linguistique précède l'informatique. Zellig Harris a posé les bases de recherches distributionnelles sur la syntaxe qu'il n'a pas pu réaliser. Sous leur forme numérique, les corpus ont commencé à être constitués vers 1950, mais c'est seulement dans les années 1980 que les machines ont été suffisamment disponibles pour que de grands corpus soient constitués. Ils ont été d'abord constitués sur l'anglais aux États-Unis (Brown Corpus 1979 Francis) et en Angleterre (British National Corpus, Bank of English). Dans les années 1990, on commence à trouver des corpus oraux et des corpus multilingues. Les corpus écrits sont en général disponibles pour la recherche scientifique. Par contre, il y a peu de corpus oraux disponibles, très peu en français, pour des raisons juridiques et pour des raisons de propriété industrielle.

Annotation de corpus

Un corpus annoté est un corpus accompagné d'informations complémentaires aux métadonnées qui le décrivent. Les annotations peuvent être manuelles ou automatiques. Elles évitent de refaire plusieurs fois le même travail et ouvrent des possibilités de recherche automatique sur les éléments annotés. Les principales annotations sont des annotations lexicales, morphologiques ou syntaxiques. Elles se réfèrent à des dictionnaires ou à des théories grammaticales (parties du discours, fonctions sujet, verbe, complément…). Elles peuvent être systématiques ou partielles, pour les besoins d'un travail particulier (signaler les adverbes par exemple, ou les verbes au futur…). Elles posent la question de l'objectivité de ces annotations, les linguistiques pouvant discuter longtemps de certains choix sans se mettre d'accord. Elles sont donc des interprétations du corpus et les conditions de cette interprétation doivent être clairement décrites dans les métadonnées afin de rendre publics et explicites les principes sur lesquels l'annotation a été faite. Les annotations manuelles sur de grands corpus sont faites par des équipes de linguistes et la consistance entre leurs annotations est difficile à obtenir. Toutefois, des expériences faites avec des linguistes bien entraînés et bien coordonnés n'ont pas montré de véritable problème de consistance pour l'anglais, le français et l'espagnol. Les annotations automatiques sont obtenues en construisant un modèle à partir d'annotations manuelles d'une partie du corpus. Elles ne sont pas parfaites (3 % d'erreurs pour l'annotation des parties du discours) mais elles rendent de grands services si ce taux d'erreur est acceptable. Elles peuvent être reprises manuellement par des experts, ce qui est moins lourd qu'une première annotation.

Actuellement, l'annotation de corpus se diversifie. On trouve des corpus annotés sémantiquement (recherche des entités nommées). Il existe aussi des annotations d'analyse du discours, de pragmatique et de stylistique. Les annotations stylistiques servent en particulier dans les langues anciennes pour attribuer des auteurs aux œuvres anonymes, ou pour étudier les influences des auteurs les uns sur les autres. Une normalisation de ses annotations est proposée par la TEI (Text Encoding Initiative).

Exploitation des corpus en TAL

L'utilisation de corpus annotés permet d'évaluation des nouveaux systèmes, qui peuvent se comparer sur des corpus attestés et dont les annotations sont validées. Elle permet de travailler sur d'autres niveaux d'analyse du langage en disposant de ressources ou les analyses de bas niveau sont déjà réalisées et donc d'expérimenter des analyses pragmatiques ou rhétoriques sans réaliser les analyseurs syntaxiques qui sont un préalable à l'analyse de haut niveau.

Technologie des langues

La linguistique informatique prend place dans l'histoire de l'instrumentation du langage. Les technologies des langues commencent avec l'écriture, il y a environ 5 000 ans. Elles se poursuivent avec la constitution de dictionnaires et de grammaires. Puis l'imprimerie est née en Chine au XIV^e siècle et est attribuée en Europe à l'Allemand Gutenberg en 1440. Elle a permis la diffusion des textes et des dictionnaires au XVII^e siècle. La machine à écrire est inventée en 1868. L'informatique reprend, transforme et développe toutes ces technologies : elle se sert de la machine à écrire, elle met les techniques de l'imprimerie à la disposition de tous, et propose des dictionnaires en ligne. Elle ouvre de nouveaux champs d'application de l'instrumentation informatique du langage humain.

Les informaticiens cherchent à instrumenter les divers aspects du langage : reconnaissance et synthèse de la parole, génération de la parole, dialogue humain-machine, traitement des textes (analyse morphologique et syntaxique, études sémantiques et stylistiques, résumés). En retour, l'informatique a besoin du langage pour son propre compte, par exemple dans les interfaces humain-machine, dans les systèmes d'aide, pour la recherche d'information dans des bases de données de documents textuels.

Technologies de l'écrit

Citons :

• la traduction automatique et la traduction assistée par ordinateur ;
• le résumé automatique de texte ;
• la veille technologique ;
• les correcteurs orthographiques ou grammaticaux ;
• les conjugueurs des verbes ;
• les dictionnaires en ligne ou électroniques ;
• la réponse aux requêtes langagières des usagers du Web ou d'autres plates-formes.

Les moteurs de recherche sur le Web considèrent les textes comme des sacs de mots. Les analyses ne dépendent pas de la place des mots, seulement du nombre d'occurrences d'un mot dans un texte. Les fonctions de modification d'un texte dans les traitements de texte, comme « rechercher » et « remplacer » considèrent le texte comme une chaîne de caractères. Les blancs, les caractères alphabétiques ou numériques, les signes de ponctuation et les signes de mise en forme sont considérés de la même manière que les caractères alphabétiques. Elles utilisent des expressions régulières. Les correcteurs orthographiques comparent les mots du texte à tous les mots d'un dictionnaire de formes fléchies, c'est-à-dire où il y a le singulier, le pluriel, le masculin et le féminin pour les noms et les adjectifs et toutes les formes conjuguées des verbes. Ils pointent les formes qui n'existent pas, mais pas celles qui sont utilisées à tort. Pour la traduction automatique ou pour résumer des textes, le texte est considéré comme la manifestation d'une langue, et il faut tenir compte de connaissances linguistiques pour l'analyser, car un texte lu à l'envers n'est plus un texte, juste une chaîne de caractères.

Technologies de l'oral

• La transcription de la parole

Transcrire manuellement la parole pour obtenir une forme écrite équivalente est un travail très difficile.

Le Transcriber est un outil pour segmenter, étiqueter et transcrire la parole. Il est utilisé en linguistique de corpus et pour aider à l'acquisition des données pour la reconnaissance et la synthèse de la parole.

• La reconnaissance automatique de la parole

La reconnaissance de la parole prend en entrée un flux de signal de parole et produit un texte écrit en sortie. Elle utilise des modèles de Markov cachés. Ce qui fait la différence entre les différents systèmes, c'est :

1. le découpage des unités dans le flux de parole ;
2. la taille du corpus d'apprentissage et la manière dont on fait l'apprentissage pour obtenir le modèle linguistique qui donne la probabilité d'une phrase ;
3. la prise ne compte des bigrammes, trigrammes, ou plus de ces unités pour la prédiction de l'élément textuel à produire en fonction de l'unité courante et du modèle.

Les logiciels de dictée vocale ont de bons résultats lorsque les tâches sont répétitives, comme la dictée de lettres administratives ou les comptes rendus médicaux.

• La synthèse de la parole

La synthèse de parole est le point de vue inverse de la reconnaissance. Elle transforme un texte écrit en flux de parole. Deux niveaux de production sont requis, la phonologie (phonèmes, syllabes) et la prosodie : pauses, accentuations, rythme, changement de ton, montant ou descendant. Les serveurs vocaux par téléphone sont un bon exemple d'application de ces techniques.

Applications

Avec les développements récents dans les domaines de l'internet, de grandes masses de données ont ouvert de larges portes à d'innombrables applications de la linguistique informatique qui connaît une nouvelle montée en puissance :

Traduction automatique

La traduction automatique : ce problème longtemps sous-estimé s'est en fait avéré l'un des plus délicats à effectuer pour un ordinateur. Aux phases lexicales et syntaxiques, à peu près maîtrisées, s'ajoutent une analyse sémantique, puis pragmatique, qui tentent de déterminer le sens particulier d'un mot, dans le contexte où il apparaît. Le contexte lui-même pouvant s'étendre à l'ensemble du texte traduit.

Résumés

Résumer un texte implique d'en identifier le contexte et pondérer les parties significatives des autres. (Peu de recherches connues).

Reformulation

La reformulation permet par exemple la vulgarisation scientifique, la compréhension par un public plus jeune, la présentation en mode facile à lire et à comprendre (FALC), ou de parer une accusation de plagiat.

Analyse de requêtes en langage naturel

Cette approche fut un temps considérée comme une solution satisfaisante au problème de communication entre l'humain et la machine. Quoi de mieux en effet pour un non-spécialiste que de pouvoir adresser ses commandes et ses questions à l'ordinateur, dans son propre langage ? L'arrivée des interfaces graphiques, de la souris et de la métaphore du bureau ont, au moins provisoirement,éclipsé cette technique. Elle réapparaît sous d'autres formes, notamment comme composante nécessaire de l'analyse et de la reconnaissance automatique de la parole ou encore de la reconnaissance d'écriture, popularisée par certains assistants personnels (PDA)

Correction de grammaires et d'orthographe

Ces modules se basent à la fois sur des modèles statiques du langage, et sur des modèles linguistiques.

Extraction d'informations

Ce besoin croît avec la production croissante de textes et de données disponibles en formats numériques, notamment sur internet (Big data). La linguistique informatique joue un rôle important dans ce procédé, notamment dans l'identification des entités nommées (noms propres adresses, etc.), l'analyse et la classification des sentiments et des opinions, etc.

Création de langues artificielles, recherche émergente sur les communications non humaines

La création de langues, par des IA génératives (IAg) émerge au milieu des années 2010.

Elle consiste à concevoir — maintenant via des modèles de langage — des systèmes phonologiques, morphologiques et syntaxiques entièrement nouveaux : on définit d'abord un ensemble de règles (inventaire phonologique, contraintes syllabiques, règles morphosyntaxiques), puis on génère un lexique et des traductions conformes à ces règles.

Des outils récents automatisent ces étapes et rendent cette pratique accessible à un public élargi (« conlangers » amateurs, auteurs de fiction, « worldbuilders » et chercheurs en linguistique expérimentale). Des logiciels dédiés contiennent des fonctions d'inventaire phonologique, de génération lexicale et de simulation d'évolutions phonétiques ou morphologiques. Parmi ces logiciels, l'IASC (Interactive Agentic System for ConLangs) ou ConlangCrafter génèrent des systèmes phonologiques, des structures syllabiques, une orthographe et des vocabulaires respectant des contraintes définies par l'utilisateur ; il utilise un générateur aléatoire pour s'éloigner des modèles linguistiques familiers et explorer des combinaisons inédites, permettant d'obtenir des langues humaines « plausibles », mais aussi d'explorer des voies plus spéculatives (en créant par exemple des langages fondés sur des changements de couleur ou des gestes « tentaculaires »).

Ces recherche suscitent des questions nouvelles, dont sur le degré de créativité des modèles et l'élargissement de la linguistique comparée : certains auteurs considèrent que l'approche combinatoire des réseaux de neurones artificiels est comparable aux procédés humains de création, alors que d'autres soulignent que l'originalité ne se réduit pas à l'exploration d'un espace de possibilités prédéfini. En 2026, ConlangCrafter ne traite pas encore l'évolution naturelle des langues, mais ses concepteurs envisagent de le faire, dont en étudiant comment un langage artificiel pourrait évoluer au fil d'interactions entre systèmes d'IA, ouvrant la voie à des simulations de l'évolution linguistique.
Depuis les années 2000, l'apparition des LLM, de modèles frontière et d'autres outils numériques de pointe transforme la création linguistique : des « pipelines LLM multi‑sauts » permettent aujourd'hui de construire des conlangs de manière semi‑automatique et reproductible, comme le montrent des travaux récents sur ConlangCrafter (ACL 2026). En 2026, d'autres outils (comme Lexurgy, VulgarLang, Polyglot...) offrent des fonctionnalités proches ou similaires (allant de la création automatique de lexiques à la simulation d'évolutions phonétiques ou morphologiques).

Méthodologiquement, la conception de conlangs et l' analyse computationnelle des communications animales partagent des outils et des problématiques : segmentation automatique des signaux, extraction et clustering de traits acoustiques, modélisation de régularités séquentielles (n‑grammes, modèles de langage), et recours à des architectures génératives pour simuler ou recombiner des unités de signal. Des études récentes sur les vocalisations de corvidés ou sur des modèles traduisant comportements de chiens et de chats illustrent l'usage de ces techniques en bioacoustique et en traitement multimodal (audio, visuel, comportemental).
Cette convergence a aussi donné lieu à des cadres critiques, notamment la zoosémiotique générative (Generative Zoosemiotics), qui interroge la manière dont les LLM et modèles génératifs interprètent, simulent ou reconfigurent les signes animaux et met en garde contre la réduction de la sémiose non humaine à des formes abstraites et décontextualisées.

Enjeux et perspectives

L'intersection entre création de langues artificielles et analyse des communications animales offre des opportunités pour la linguistique expérimentale (simulation de l'évolution des langues, tests de créativité computationnelle), pour la conservation et le bien‑être animal (outils d'analyse comportementale multimodale), et pour la création artistique.

Elle soulève cependant des défis importants : rareté des données ; biais des données et des chercheurs ou des méthodes ; difficultés de généralisation interspécifique et questions épistémologiques et éthiques quant à la légitimité d'appliquer des catégories linguistiques humaines à des systèmes non humains (espèces non humaines — animaux, organismes vivants, mais aussi agents artificiels dont on constate qu'ils sont parfois capables d'inventer spontanément des langages).

Notes et références

Voir aussi

Bibliographie

• François Rastier, Marc Cavazza et Anne Abeillé, Sémantique pour l'analyse : De la linguistique à l'informatique, Paris, Masson, coll. « Sciences cognitives », 1994, 240 p. (ISBN 2-225-84537-9).
• Ingénierie des Langues, sous la direction de Jean-Marie Pierrel, Collection « Information - Commande - Communication », Éditions Hermès Science, 360 p. (ISBN 2-7462-0113-5), octobre 2000.
• (en) The Oxford Handbook of Computational Linguistics, edited by Ruslan Mitkov, Oxford University Press, (ISBN 0-19-823882-7), 2003.

Articles connexes

• Traitement automatique des langues
• Génération automatique de textes
• Analyse du discours
• Analyse morphosyntaxique
• Lexical markup framework (LMF), travaux de normalisation ISO des lexiques du TAL
• LRE Map, base de données des ressources utilisées dans le TAL
• Indigenous Tweets Analyse de messages Twitter
• Histoire de la traduction automatique
• Hugo Brandt Corstius
• Invention d'une langue
• Psycholinguistique

Liens externes

• L'Association française pour le Traitement Automatique des Langues ; l'Association for Computational Linguistics (qui dispose d'un chapitre européen
• CNRTL-CNRS Créé en 2005 par le CNRS, le CNRTL fédère au sein d'un portail unique, un ensemble de ressources linguistiques informatisées et d'outils de traitement de la langue.
• Le portail de l'action Technolangue, financée dans un cadre interministériel.
• Le livre blanc du GFII sur les applications industrielles
• Principes d'informatique linguistique
• Société Mémodata : dictionnaire et dictionnaire inversé
• Dominique Dutoit : trouver des mots à partir de leur définition
• Les recherches à Xerox
• Les outils unix appliqués à la recherche linguistique
• Un toolkit spécialise dans le NLP en français Voir aussi: Lettria

Liens externes pédagogiques

• Le descriptif du Master (parcours professionnel ou recherche) en Traitement Automatique des Langues à Besançon (Université de Franche-Comté)
• Le cursus de Linguistique Informatique de l'université Paris Diderot (Paris 7)
• Cours de sémantique computationnelle (en anglais)
• Le descriptif de la spécialité « TAL, Dictionnaires, Terminologies, Corpus » du master « Arts, Lettres, Langues et Communication » mention « Sciences du Langage » de Lille 3
• Les cursus « TAL », « Ingénierie Multilingue » et "Traductique et Gestion de l'Information" de l'INALCO (Institut National des Langues et Civilisations Orientales, Paris).
• Le site du Master pluriTAL de Paris-III Sorbonne nouvelle, Paris-X Nanterre et INALCO
• Le descriptif de la spécialité « Industries de la langue » du Master « Sciences du langage » de l'université Stendhal Grenoble 3.
• Le descriptif du master pro Traitement Informatique et Linguistique des Documents écrits (TILDE) de l'université Paris 13
• Le descriptif du master professionnel et recherche de l'université Paris-Sorbonne (Paris 4) en Langue et Informatique (ex master ILGII)
• Le centre de traitement automatique du langage (CENTAL) de l'Université Catholique de Louvain