💬 NLP

Modeling Narrative Structure in Latin Epic Poetry with Automatically Generated Story Grammars

Cet article présente une méthode interprétable basée sur les grands modèles de langage et utilisant l'apprentissage par quelques exemples pour générer automatiquement des étiquettes de grammaire narrative destinées à la poésie épique latine, comblant ainsi le fossé entre l'analyse computationnelle et la recherche humaniste afin d'améliorer la compréhension de la structure narrative et l'analyse stylistique.

Auteurs originaux : Abigail Swenor, John James, Neil Coffee, Walter Scheirer

Publié 2026-05-13

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Abigail Swenor, John James, Neil Coffee, Walter Scheirer

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez que vous essayez de comprendre deux récits antiques romains très différents : l'un est un long et sinueux voyage (l'Énéide de Virgile), et l'autre est une guerre civile chaotique (la Pharsale de Lucain).

Habituellement, lorsque les ordinateurs tentent d'analyser ces récits, ils transforment les mots en nombres invisibles (comme transformer un tableau en un tableau de couleurs). Cela aide l'ordinateur à faire des mathématiques, mais cela rend difficile pour les humains de voir pourquoi les récits semblent différents. C'est comme essayer de comprendre une chanson en regardant le volume des ondes sonores au lieu d'écouter la mélodie.

Cet article propose une nouvelle façon d'écouter la musique. Au lieu de transformer le texte en nombres, les auteurs enseignent à une IA ultra-intelligente d'étiqueter le texte avec des balises narratives, de la même manière qu'un bibliothécaire pourrait étiqueter un livre avec « aventure », « tristesse » ou « bataille ».

Voici comment ils l'ont fait et ce qu'ils ont découvert, expliqué simplement :

1. La recette de la « grammaire narrative »

Les auteurs ont créé un ensemble spécial de règles, qu'ils appellent une « grammaire narrative ». Pensez-y comme à une recette pour une histoire. Chaque histoire, aussi complexe soit-elle, est composée d'ingrédients de base :

Qui fait quelque chose ? (Le Personnage)
Que fait-il ? (L'Action)
À qui/quoi ? (L'Objet)
Où, quand et pourquoi ? (Les Circonstances)

Au lieu de simplement regarder les mots latins, l'IA décompose chaque phrase en ces ingrédients. Par exemple, au lieu de voir la phrase latine « Aeneas a fui la ville », l'IA voit une étiquette qui dit : [Personnage : Énée] + [Action : A fui] + [Lieu : Ville].

2. Enseigner à l'IA (l'astuce du « few-shot »)

L'IA qu'ils ont utilisée (un modèle de langage très avancé) ne connaissait pas cette « recette narrative » spécifique auparavant. Ainsi, les auteurs n'ont pas essayé de réentraîner toute l'IA depuis zéro. Au lieu de cela, ils ont utilisé une astuce appelée « apprentissage par quelques exemples » (few-shot learning).

Imaginez que vous enseignez à un enfant à trier des blocs. Vous ne lui écrivez pas un manuel ; vous lui montrez simplement trois exemples : « Ce bloc rouge va dans le tas rouge. Ce bloc bleu va dans le tas bleu. » Ensuite, vous dites : « Maintenant, trie le reste. »

Les auteurs ont montré à l'IA 30 exemples de textes latins avec les balises narratives correctes déjà appliquées. L'IA a rapidement compris le motif et a appliqué ces mêmes balises à des milliers de lignes de poésie.

3. Ce qu'ils ont découvert

Une fois que l'IA a étiqueté les deux poèmes, les auteurs ont pu comparer les « comptes de balises » pour voir les styles des auteurs. C'est comme comparer deux chefs en comptant combien de fois ils ont utilisé le sel par rapport au poivre.

Le Voyageur contre le Combattant : Ils ont constaté que l'Énéide de Virgile commence de nombreux passages en mentionnant des lieux (comme « Sur la rive... »). Cela correspond à l'histoire d'un héros voyageant d'un lieu à l'autre.
Le Nombriliste : La Pharsale de Lucain commence beaucoup plus souvent des passages en mentionnant des noms spécifiques de personnes ou de groupes. Cela correspond à une histoire centrée sur le chaos de la guerre et des généraux spécifiques.
Les Négatifs : Lucain a utilisé des mots pour « non » ou « pas » beaucoup plus souvent que Virgile, reflétant le ton sombre et négatif d'une guerre civile.

4. Le test du « miroir magique » (correspondance sémantique)

Pour prouver que leur méthode fonctionne, ils ont essayé de trouver des liens cachés entre les deux poèmes. Habituellement, les ordinateurs cherchent des mots qui se ressemblent. Mais ces deux poètes utilisaient souvent des mots différents pour décrire la même idée.

Les auteurs ont utilisé leurs balises narratives pour trouver des correspondances. Ils ont trouvé un vers dans le poème de guerre et un vers dans le poème de voyage qui avaient des mots très différents mais la structure narrative exacte (par exemple, « Rive contre rive » contre « Enseignes contre enseignes »). L'IA leur a attribué un score élevé, prouvant que les récits faisaient écho l'un à l'autre, même si les mots étaient différents. C'est comme reconnaître que deux chansons sont les mêmes parce qu'elles ont le même rythme, même si l'une est jouée au piano et l'autre à la guitare.

5. Pourquoi cela compte

Le point principal de cet article est la clarté.

Ancienne méthode : Les ordinateurs vous donnent une liste de nombres que seuls d'autres ordinateurs comprennent.
Nouvelle méthode : Les ordinateurs vous donnent une liste de balises narratives (comme « Personnage », « Action », « Lieu ») que les humains peuvent lire et comprendre immédiatement.

Cela permet aux chercheurs (humanistes) et aux informaticiens de mieux travailler ensemble. L'ordinateur fait le gros du travail de lecture de milliers de lignes, mais le résultat est une carte claire de la structure du récit que n'importe qui peut interpréter. Cela nous aide à voir le « squelette » de l'histoire, plutôt que simplement la « peau » (les mots spécifiques).

En résumé : Ils ont appris à un ordinateur à lire des poèmes antiques non pas en comptant les mots, mais en identifiant les blocs de construction de l'histoire, révélant l'« empreinte digitale » unique du style de chaque auteur d'une manière facile à comprendre pour les humains.

Résumé technique : Modélisation de la structure narrative dans la poésie épique latine à l'aide de grammaires narratives générées automatiquement

Énoncé du problème
Les approches computationnelles actuelles de la « lecture à distance » en études littéraires reposent souvent sur la transformation du texte en embeddings d'espace vectoriel. Bien qu'efficaces pour des tâches spécifiques d'apprentissage automatique, ces représentations abstraites obscurcissent les détails littéraires riches en contexte et manquent d'interprétabilité pour les humanistes. Les méthodes traditionnelles sont souvent adaptées à des domaines ou des tâches spécifiques, limitant leur généralisabilité. De plus, les analyses computationnelles existantes de textes classiques nécessitent fréquemment des jeux de données ou des modèles spécialisés qui ne se traduisent pas facilement d'un domaine littéraire à un autre ou d'une langue à une autre. Les auteurs identifient le besoin d'un ensemble de caractéristiques à la fois robuste sur le plan computationnel et lisible par l'humain, capable de capturer la structure narrative sans s'appuyer sur des modèles statistiques opaques.

Méthodologie
L'article propose une méthode pour générer automatiquement des étiquettes de « grammaire narrative » pour des textes d'entrée en utilisant un pipeline de modèle de langage (LLM). L'approche s'inspire de la psychologie de la lecture, qui suggère que les humains comprennent les récits grâce à des grammaires narratives implicites.

Définition de la grammaire narrative : Les auteurs définissent une grammaire narrative modifiée basée sur les grammaires transformationnelles (Chomsky 1956). Contrairement aux analyseurs syntaxiques standards qui se concentrent sur les relations formelles (par exemple, sujet, verbe, objet), cette grammaire mappe le texte vers des fonctions narratives. L'unité de base est le « triplet sémantique » (sujet, action, objet) entouré de circonstances (temps, lieu, raison, instrument, résultat). La grammaire inclut une hiérarchie d'environ 28 étiquettes réparties sur cinq niveaux, allant des accolades structurelles (par exemple, <narrative>, <event>, <trip>) aux étiquettes terminales décrivant des rôles narratifs spécifiques (par exemple, ind-name, circum-place, act-neg).
Modèle et entraînement : L'étude utilise GPT-5 (OpenAI 2025) pour générer ces étiquettes. En raison de l'absence de données de vérité terrain existantes pour ce schéma d'étiquetage spécifique, les auteurs emploient l'apprentissage par quelques exemples (few-shot learning). Ils ont étiqueté manuellement 30 lignes des Bucoliques de Virgile pour servir de jeu de données d'entraînement. Ces exemples, ainsi que la définition de la grammaire et la description de la tâche, ont été fournis au modèle via des invites.
Traitement des données : La méthode a été appliquée à deux poèmes épiques latins : l'Énéide de Virgile et la Bellum Civile de Lucain. Les textes ont été prétraités en les divisant en vers poétiques individuels (passages). Le modèle a généré une séquence d'étiquettes de grammaire narrative pour chaque mot d'un passage, créant ainsi efficacement une structure arborescente représentant la fonction narrative du texte.
Techniques d'analyse : Les auteurs ont employé deux méthodes d'analyse principales :
1. Analyse de fréquence : Comptage de l'occurrence d'étiquettes et de sous-séquences spécifiques pour identifier des modèles stylistiques.
2. Appariement sémantique : Utilisation des séquences d'étiquettes générées comme vecteurs de caractéristiques pour une métrique de similarité cosinus pondérée. Cette métrique calcule la similarité basée sur les nœuds (étiquettes), les arêtes (relations parent-enfant) et les chemins (séquences de longueur $n=3$ ) pour identifier des parallèles intertextuels sans s'appuyer sur le chevauchement lexical.

Résultats clés
L'étude a appliqué ce pipeline à l'Énéide (9 897 vers) et à la Bellum Civile (8 060 vers), ainsi qu'à un texte en prose, l'Ab urbe condita de Tite-Live (Livre 1).

Différences stylométriques : Les fréquences d'étiquettes ont révélé des stratégies narratives distinctes. La Bellum Civile présentait une fréquence plus élevée de ind-name (1,047 par vers) par rapport à l'Énéide (0,641), s'alignant sur les observations savantes concernant le catalogage des noms propres par Lucain. À l'inverse, l'Énéide utilisait circum-place plus fréquemment au début des passages (0,500 contre 0,470), reflétant la structure itinérante de Virgile et son cadrage spatial.
Modèles de sous-séquences : Des sous-séquences courantes, telles que event, trip, subj, subj-ind, ind-name, étaient prévalentes dans les deux textes, indiquant des conventions épiques partagées. Cependant, event, trip, act, act-circum, circum-place était significativement plus courant dans l'Énéide, renforçant la découverte selon laquelle Virgile privilégie le cadre avant l'action.
Prose vs Poésie : Lorsqu'appliquée à la prose de Tite-Live, le modèle a eu des difficultés avec les structures de phrases plus longues et plus complexes, abusant de l'étiquette obj-subj. Cela a mis en évidence la nécessité d'exemples few-shot adaptés au style pour des performances optimales.
Appariement sémantique : Dans une étude de cas comparant l'Énéide et la Bellum Civile, l'appariement sémantique basé sur la grammaire narrative a récupéré 501 des 3 410 intertextes connus (provenant du benchmark Tesserae) dans les 10 % supérieurs des résultats. Notamment, il a identifié des correspondances à haute cote (par exemple, score 0,975) entre des passages ayant peu de similarité lexicale mais des structures narratives similaires, démontrant la capacité de la méthode à détecter des parallèles basés sur la fonction plutôt que sur le vocabulaire.

Importance et affirmations
Les auteurs affirment que cette méthode offre un « ensemble de caractéristiques lisible par l'humain et généralisable » qui comble le fossé entre l'analyse computationnelle et la recherche littéraire traditionnelle.

Interprétabilité : Contrairement aux méthodes basées sur les embeddings, la sortie consiste en des étiquettes narratives explicites (par exemple, « individu nommé », « action de départ », « lieu ») que les chercheurs peuvent interpréter directement. Cela permet la découverte de modèles « accessibles aux humanistes et aux technologues ».
Généralisabilité : En évitant les mappages de vocabulaire fixes et en s'appuyant sur une grammaire structurelle, la méthode peut être adaptée à divers domaines littéraires et langues, à condition que des exemples few-shot appropriés soient disponibles.
Complémentarité : Les auteurs positionnent cette approche non pas comme un remplacement des tâches de TALN existantes, mais comme un ensemble de caractéristiques complémentaire. Elle peut être intégrée dans des pipelines d'apprentissage ensembliste pour des tâches telles que la stylistique, l'attribution d'auteur, la détection d'allusions et l'appariement sémantique.
Validation : La méthode a récupéré avec succès des insights littéraires établis (par exemple, l'orientation spatiale de Virgile par rapport aux ouvertures axées sur l'action de Lucain) et a identifié de nouveaux modèles structurels, validant l'utilité des grammaires narratives comme outil pour l'analyse littéraire computationnelle.

L'article conclut que cette approche favorise une collaboration plus riche entre humanistes et technologues en rendant la structure narrative lisible à grande échelle tout en restant ancrée dans des catégories humanistes.