Counting trees: A treebank-driven exploration of syntactic variation in speech and writing across languages
Cet article propose une approche inductive fondée sur des arbres syntaxiques pour démontrer que, tant en anglais qu'en slovène, la parole présente un inventaire syntaxique moins diversifié et largement distinct de l'écrit, révélant des préférences structurelles spécifiques à chaque modalité qui reflètent leurs contraintes fonctionnelles respectives.
🌳 L'Idée de Base : Compter les Arbres de la Langue
Imaginez que chaque phrase que vous dites ou écrivez est un arbre.
Dans cet article, les chercheurs ne regardent pas les feuilles (les mots individuels), mais la structure entière de l'arbre : comment les branches se connectent, où elles partent et comment elles s'organisent.
Ils ont utilisé un outil informatique (appelé STARK) pour "photographier" des millions de ces arbres dans deux langues très différentes : l'anglais et le slovène.
Ensuite, ils ont séparé les arbres qui poussent dans le jardin de la parole (ce qu'on dit à l'oral) de ceux qui poussent dans le jardin de l'écriture (ce qu'on lit dans les livres).
Leur but ? Découvrir si les arbres de la parole ressemblent vraiment à ceux de l'écriture, ou s'ils sont des espèces totalement différentes.
🔍 Ce qu'ils ont découvert (Les 3 Grandes Révélations)
1. L'Orchestre vs Le Solo (La Diversité)
L'écriture est comme un grand orchestre symphonique. Elle a une immense variété d'instruments et de partitions complexes. Les chercheurs ont trouvé que les textes écrits contiennent une diversité d'arbres syntaxiques beaucoup plus grande. On y trouve des structures longues, complexes et variées.
La parole est comme un groupe de musique pop qui joue les mêmes tubes. À l'oral, nous utilisons beaucoup moins de structures différentes. Nous avons tendance à répéter les mêmes "formules" (comme "Tu sais...", "Je veux dire...", "C'est super...").
L'analogie : Si l'écriture est une bibliothèque avec des millions de livres différents, la parole est une playlist où quelques-uns de vos titres préférés tournent en boucle. C'est plus facile à gérer quand on doit parler en temps réel !
2. Le Mur Invisible (Le Chevauchement)
C'est la découverte la plus surprenante.
On pensait que la parole et l'écriture partageaient beaucoup de structures communes (comme des racines d'arbres similaires).
La réalité : Il y a un mur presque infranchissable entre les deux.
Seulement 10 à 11 % des structures d'arbres trouvées dans la parole existent aussi dans l'écriture.
90 % des structures que nous utilisons à l'oral sont totalement absentes des livres !
L'analogie : C'est comme si les gens qui parlent et les gens qui écrivent utilisaient deux dictionnaires de grammaire différents. Si vous essayiez de construire un meuble avec les instructions d'un manuel écrit, mais en utilisant les pièces d'un kit de construction pour enfants (la parole), ça ne marcherait pas du tout.
3. Les Spécialités de la Parole (Les "Arbres Spéciaux")
Quels sont ces arbres que l'on ne trouve que dans la parole ? Les chercheurs ont identifié des structures typiques de l'interaction humaine :
L'économie de temps : Des phrases courtes et elliptiques (ex: "Si tu veux..." au lieu de "Si tu veux bien le faire...").
L'interaction : Des structures qui servent à gérer la conversation (ex: "Tu vois ?", "Hein ?").
La spontanéité : Des répétitions ou des corrections en direct (ex: "Je vais... euh... je vais partir").
L'analogie : La parole utilise des "raccourcis" et des "signaux de navigation" pour rester connectée à l'interlocuteur, alors que l'écriture prend le temps de construire des routes larges et complètes.
🌍 Pourquoi comparer l'Anglais et le Slovène ?
Pour s'assurer que ce n'est pas juste une particularité de l'anglais, ils ont aussi regardé le slovène.
L'anglais et le slovène sont très différents (l'un est rigide sur l'ordre des mots, l'autre est très flexible).
Le résultat magique : Malgré ces différences, les mêmes règles s'appliquent. Dans les deux langues, la parole est moins diversifiée et utilise des structures totalement différentes de l'écriture.
Cela prouve que ce n'est pas un problème de langue, mais un problème de façon de communiquer (parler vs écrire).
💡 Pourquoi est-ce important ?
Avant, les linguistes étudiaient souvent des phrases prédéfinies ou des mots spécifiques. Ici, ils ont regardé tout, sans préjugés.
La leçon : La grammaire n'est pas une seule chose fixe. Elle change radicalement selon que vous parlez ou écrivez.
L'avenir : Cette méthode (compter les arbres) est comme un nouveau microscope. Elle permet de voir des détails invisibles auparavant et peut être appliquée à n'importe quelle langue du monde, grâce à des bases de données universelles.
En résumé : Parler et écrire, ce n'est pas juste la même chose avec des mots différents. C'est comme si nous vivions dans deux univers parallèles avec leur propre architecture. La parole est un monde de raccourcis, de répétitions et d'interaction immédiate, tandis que l'écriture est un monde de complexité et de variété structurée.
1. Problématique et Contexte
L'étude s'inscrit dans le cadre de la variation linguistique entre l'oral et l'écrit. Bien que la recherche récente ait mis l'accent sur les phénomènes spécifiques à l'oral (hésitations, ellipses, constructions parenthétiques), la plupart des approches comparatives se limitent à des analyses de surface (mots, bundles lexicaux, étiquettes POS) ou à des constructions syntaxiques prédéfinies. Le problème central identifié par l'auteure est l'absence d'une approche inductive complète pour comparer les inventaires syntaxiques entiers de l'oral et de l'écrit. Les études existantes utilisant des treebanks (corpus annotés syntaxiquement) se concentrent souvent sur des sous-ensembles spécifiques de structures, laissant une grande partie de la richesse structurelle des données non explorée. L'objectif est de combler ce vide en développant une méthode capable d'extraire et de comparer systématiquement l'ensemble des configurations syntaxiques attestées, sans hypothèses préalables.
2. Méthodologie
L'article propose un cadre méthodologique inductif, « treebank-driven » (piloté par l'arbre syntaxique) et indépendant de la langue.
Corpus utilisés : L'étude compare deux langues typologiquement distinctes, l'anglais et le slovène, en utilisant des sous-ensembles oraux et écrits de Universal Dependencies (UD) :
Anglais : Le corpus GUM (Georgetown University Multilayer), divisé en sous-ensembles parlés (interviews, vlogs, podcasts, etc.) et écrits (biographies, fiction, académique, etc.).
Slovène : Les treebanks SSJ (écrit) et SST (oral), issus de corpus de référence.
Normalisation des données : Pour assurer la comparabilité, deux versions normalisées ont été créées pour chaque corpus :
Sans ponctuation : Élimination des artefacts de transcription (la ponctuation étant un ajout de l'écrit).
Sans disfluences : Suppression des marqueurs de discours, des réparations (reparandum) et des hésitations pour se concentrer sur les constructions syntaxiques de base.
Unité d'analyse : La définition de la « structure syntaxique » est étendue à l'ensemble des arbres et sous-arbres de dépendance délexicalisés. Chaque mot d'une phrase est considéré comme la racine d'une structure (arbre complet ou sous-arbre), incluant ses dépendants directs et indirects.
Extraction : L'outil STARK (Statistical Treebank Analysis) est utilisé pour extraire automatiquement toutes les structures de dépendance étiquetées (morphosyntaxiques ou purement relationnelles) de chaque corpus.
Analyse comparative : Les inventaires extraits sont comparés selon trois axes :
Diversité et taille : Utilisation du rapport Type-Token (TTR) segmenté (STTR) pour mesurer la diversité syntaxique indépendamment de la taille du corpus.
Chevauchement : Calcul de la proportion de structures partagées entre l'oral et l'écrit.
Spécificité (Keyness) : Utilisation de la mesure %DIFF pour identifier les structures statistiquement sur-représentées dans l'oral par rapport à l'écrit.
3. Résultats Principaux
Les analyses menées sur les deux langues révèlent des tendances robustes et convergentes :
Diversité syntaxique inférieure à l'oral : Les corpus oraux présentent systématiquement une diversité structurelle plus faible (STTR plus bas) que les corpus écrits. L'oral tend à réutiliser un ensemble plus restreint de structures fréquentes et formulaïques, tandis que l'écrit exploite un inventaire beaucoup plus vaste et varié.
Chevauchement limité : Il existe un chevauchement très faible entre les inventaires syntaxiques de l'oral et de l'écrit.
Seulement 11,2 % des structures orales en anglais et 9,1 % en slovène apparaissent également dans les corpus écrits.
Même en se concentrant sur les structures les plus fréquentes (top 200), l'overlap reste faible (72,5 % en anglais, 62 % en slovène). Cela indique que l'oral et l'écrit mobilisent des sous-ensembles de ressources syntaxiques largement distincts.
Structures spécifiques à l'oral : L'analyse de keyness identifie des motifs syntaxiques caractéristiques de l'oral, souvent absents de l'écrit :
Anglais : Clauses pronominales courtes (You could come too), constructions elliptiques (If you don't), expressions figées (Let's see), et structures interrogatives.
Slovène : Conjunctions colloquiales (ali pa), ellipses dans les questions (kam pa ?), et ordres de mots atypiques liés à l'interaction.
Ces structures reflètent les contraintes de l'interaction en temps réel : économie d'expression, ancrage contextuel et interactivité.
Composition des inventaires : L'oral est dominé par des structures à tête de pronom, de verbe et d'interjection (gestion du discours, déixis), tandis que l'écrit privilégie les structures à tête de nom, d'adjectif et de préposition (densité informationnelle, complexité hiérarchique).
4. Contributions Clés
Méthodologique : Développement d'un cadre systématique et reproductible pour l'extraction exhaustive de structures syntaxiques à partir de treebanks dépendants, applicable à n'importe quelle paire de corpus annotés.
Théorique : Fourniture de preuves quantitatives à l'échelle de l'inventaire entier (et non plus seulement sur des constructions isolées) que l'oral et l'écrit possèdent des grammaires d'usage distinctes, avec un recouvrement structurel minimal.
Cross-linguistique : Démonstration que ces différences modales sont robustes et se maintiennent même entre des langues de types très différents (anglais à ordre fixe et slovène à ordre flexible et riche en morphologie), suggérant des contraintes universelles de la production orale.
5. Signification et Perspectives
Cet article marque une avancée significative dans la linguistique de corpus en étendant les techniques statistiques inductives (habituellement réservées au lexique) au domaine de la syntaxe complexe.
Scalabilité : Avec plus de 300 treebanks disponibles dans le cadre UD couvrant plus de 180 langues, cette méthode ouvre la voie à des études comparatives massives et systématiques de la variation syntaxique.
Flexibilité : La méthode permet d'ajuster le niveau d'abstraction (morphosyntaxique vs purement relationnel) et de cibler des genres spécifiques, facilitant ainsi la découverte de nouveaux patrons grammaticaux.
Théorie de la grammaire en usage : En reliant les structures syntaxiques aux contraintes de l'interaction (temps réel, contexte), l'étude soutient une vision de la grammaire comme un système dynamique et adaptatif, où l'oral et l'écrit ne sont pas simplement des variations d'un même continuum, mais des systèmes organisationnels distincts avec des préférences structurelles propres.
En conclusion, cette recherche établit les bases pour de futures théories de la syntaxe fondées sur les données, capables de modéliser finement comment la modalité (oral/écrit) façonne la structure du langage au-delà des mots.
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.