💬 NLP

Pragmatics beyond humans: meaning, communication, and LLMs

Cet article soutient que l'émergence des grands modèles de langage nécessite une reconceptualisation de la pragmatique au-delà des cadres traditionnels anthropocentrés, proposant plutôt une approche de Communication Homme-Machine qui traite les biais anthropomorphiques, adopte des modèles probabilistes tels que l'Acte de Parole Rationnel, et rend compte du paradoxe de la « frustration contextuelle » dans les interactions avec l'IA générative.

Auteurs originaux : Vít Gvoždiak

Publié 2026-08-20

📖 6 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Vít Gvoždiak

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

Le langage est bien plus qu'une simple suite de mots agencés selon des règles grammaticales. C'est un outil social, une manière pour les individus d'agir ensemble, de partager des intentions et de naviguer dans les règles tacites et complexes d'une conversation. Pendant des décennies, les linguistes ont tenté de cartographier le fonctionnement du sens en le décomposant en trois couches : la structure de la phrase, la définition littérale des mots et le contexte dans lequel ils sont prononcés. Cette troisième couche, connue sous le nom de pragmatique, est l'endroit où la véritable magie de la communication humaine opère. C'est ce qui fait la différence entre une affirmation de fait et une requête, ou entre une plaisanterie et une insulte, selon entièrement qui parle, quand et pourquoi. Aujourd'hui, un nouveau genre de machine est entré dans la conversation. Les grands modèles de langage, ces puissants systèmes d'intelligence artificielle capables de rédiger des essais, de répondre à des questions et de tenir des conversations, forcent les scientifiques à repenser ces anciennes cartes. La question centrale n'est plus seulement de savoir si ces machines peuvent imiter le langage humain, mais s'ils comprennent réellement la danse sociale du sens, ou s'ils se contentent de prédire le mot suivant dans une séquence sans jamais saisir l'intention qui le sous-tend.

Un chercheur nommé Vít Gvoždiak a examiné de près la manière dont nous étudions ces machines et les théories que nous utilisons pour les juger. Il soutient que nos méthodes actuelles sont défectueuses car elles tentent de faire entrer un pion carré dans un trou rond. Pendant longtemps, la méthode standard pour évaluer ces modèles a consisté à les traiter comme des humains. Les chercheurs leur demandent d'accomplir des tâches qui nécessitent la compréhension de codes sociaux, comme reconnaître une excuse ou détecter le sarcasme, puis comparent leurs réponses à ce qu'un humain dirait. Si la machine réussit, elle est souvent louée pour sa « compétence pragmatique ». Si elle échoue, on dit qu'elle manque de compréhension. Gvoždiak suggère que cette approche est trompeuse. Elle suppose que parce que la machine produit un texte semblable à celui de l'humain, elle doit fonctionner selon des principes humains. Mais ces machines ne sont pas humaines ; ce sont des moteurs statistiques entraînés sur de vastes quantités de textes issus d'Internet. Elles ne se soucient pas de la vérité ou de la coopération sociale comme le font les humains ; elles se soucient de la probabilité. Elles sont conçues pour deviner quel mot est le plus susceptible de suivre, et non pour communiquer une réalité partagée.

L'article propose de cesser d'essayer de faire entrer ces machines dans des catégories humaines et d'examiner plutôt la manière unique dont elles interagissent avec nous. Gvoždiak suggère un nouveau cadre appelé Communication Humain-Machine. Cette approche reconnaît que lorsqu'une personne parle à un chatbot, elle ne parle pas seulement à un outil, et elle ne parle pas non plus à une personne. Elle se trouve dans un espace hybride où les deux parties façonnent la conversation de manières qui n'ont jamais existé auparavant. La machine n'est pas un récepteur passif de commandes, et l'humain n'est pas simplement un utilisateur. Ils sont les co-conspirateurs d'un nouveau type de dialogue. L'auteur souligne que beaucoup de la recherche actuelle souffre d'un problème qu'il appelle le « substitutionnisme ». Cela se produit lorsque les scientifiques prennent les résultats d'un modèle spécifique, ou d'une langue spécifique comme l'anglais, et supposent qu'ils s'appliquent à toute l'intelligence artificielle et à toutes les langues humaines. Plus subtilement encore, les chercheurs remplacent souvent le participant humain dans une conversation par une machine, supposant que la machine peut se substituer à une personne. Cela les aveugle sur la façon dont les humains changent réellement leur propre comportement lorsqu'ils parlent à une machine. Les gens commencent à parler différemment, utilisant des phrases et des structures qui imitent l'IA, créant une boucle de rétroaction où la machine influence l'humain autant que l'humain influence la machine.

L'une des conclusions les plus frappantes de l'article est le concept de « frustration contextuelle ». Dans une conversation humaine, le contexte est le bagage de connaissances partagées qui nous permet de nous comprendre. Si je dis « Il fait froid ici », vous savez que je peux être en train de vous demander de fermer la fenêtre. Avec une machine, ce bagage partagé est absent. La machine n'a pas d'histoire personnelle, pas de corps physique, et pas d'expériences réelles. Pour faire comprendre la machine, les humains sont contraints de fournir un travail supplémentaire. Ils doivent rédiger des instructions détaillées et précises, spécifiant exactement qui la machine doit prétendre être, quel est le cadre et quel est l'objectif de la conversation. C'est un phénomène connu sous le nom d'ingénierie de prompt (prompt engineering). L'ironie est que, bien que la technologie s'améliore pour traiter de plus en plus d'informations — se souvenant de conversations plus longues et lisant des documents plus volumineux — l'utilisateur humain se sent de plus en plus frustré. La capacité de la machine à traiter de vastes quantités de données n'a pas résolu le problème de la compréhension partagée ; elle a rendu le fossé entre le contexte humain et celui de la machine plus large. L'utilisateur tente constamment de construire un pont de contexte pour la machine, pour découvrir que la compréhension de la machine est toujours fondamentalement différente de la sienne.

L'article conclut que nous devons cesser de demander si les machines peuvent être humaines et commencer à demander en quoi elles sont différentes. Les vieilles théories du langage, construites pour l'interaction humain-humain, ne suffisent plus à expliquer ce qui se passe actuellement. Nous avons besoin de nouvelles façons de penser qui reconnaissent la nature unique de la machine. Au lieu de juger une machine selon sa capacité à réussir un test conçu pour une personne, nous devrions étudier les conversations hybrides uniques qui se déroulent entre les humains et les machines. Ces interactions créent de nouvelles formes de sens, de nouvelles règles sociales et de nouveaux défis. L'auteur suggère que l'avenir de l'étude du langage réside dans la compréhension de ce partenariat, où les humains et les machines s'ajustent constamment l'un à l'autre, créant un espace partagé qui n'est ni tout à fait humain, ni tout à fait mécanique, mais quelque chose d'entièrement nouveau. L'objectif n'est pas de rendre la machine plus semblable à nous, mais de comprendre comment nous changeons en sa présence.

Résumé technique : La pragmatique au-delà des humains : sens, communication et LLM

Énoncé du problème
L'article traite des insuffisances théoriques et méthodologiques de la pragmatique traditionnelle lorsqu'elle est appliquée aux grands modèles de langage (LLM). La pragmatique conventionnelle est souvent conceptualisée comme une troisième dimension subordonnée du sens au sein d'une trichotomie sémiotique hiérarchique (syntaxe $\rightarrow$ sémantique $\rightarrow$ pragmatique), ancrée dans des hypothèses spécifiques à l'humain telles que les principes de coopération de Grice, l'évaluation fondée sur la vérité et l'intentionnalité biologique. L'auteur soutient que ce cadre ne parvient pas à rendre compte de la nature connexionniste et probabiliste des LLM. Plus précisément, la recherche actuelle souffre de :

Biais anthropomorphique : Appliquer des théories centrées sur l'humain (par exemple, la théorie des actes de langage basée sur la vérité et l'intention) à des systèmes qui opèrent sur des probabilités d'occurrence de mots plutôt que sur des conditions de vérité.
Substitutisme : La substitution non critique de modèles spécifiques pour « les LLM » en général, de langues spécifiques pour « le langage » en général, et de sujets humains pour les LLM dans les protocoles expérimentaux, obscurcissant ainsi la nature hybride de l'interaction homme-machine.
Paradoxe contextuel : La tension entre l'expansion massive du contexte technique (fenêtres de contexte plus larges, données d'entraînement) et l'effondrement simultané du contexte humain partagé, menant à un état que l'auteur qualifie de « frustration contextuelle ».

Méthodologie
L'article emploie une analyse conceptuelle et méthodologique plutôt qu'une expérimentation empirique. Il procède à travers quatre sections interconnectées :

Recadrage théorique : Il critique la trichotomie sémiotique traditionnelle (Morris/Carnap/Kaplan) et propose le cadre de la Communication Homme-Machine (HMC) (Guzman & Lewis) comme une alternative supérieure. Ce cadre analyse la communication à travers des dimensions fonctionnelles, relationnelles et métaphysiques plutôt que par des niveaux sémiotiques discrets.
Alignement théorique : Il oppose les théories de la pragmatique centrées sur l'humain (Grice) à la Pragmatique Probabiliste, spécifiquement le cadre de l'Acte de Parole Rationnel (RSA). L'auteur soutient que le RSA, qui modélise la communication comme un processus récursif d'optimisation de l'utilité basé sur des distributions de probabilité, s'aligne mieux sur la téléologie des LLM (l'optimisation de la prédiction du mot suivant) que les modèles d'évaluation de la vérité.
Analyse critique des pratiques de recherche : Il identifie et catégorise trois formes de substitutisme dans la littérature actuelle :
- Généralisation : Traiter les sorties de modèles spécifiques comme représentatives de toute l'IA.
- Linguistique : Extrapoler des découvertes centrées sur l'anglais à toutes les langues.
- Communicative : Remplacer les interlocuteurs humains par des LLM dans les conceptions expérimentales, ignorant la manière dont le comportement humain s'adapte.
Synthèse conceptuelle : Il introduit le concept de « frustration contextuelle » pour décrire le paradoxe où l'augmentation du contexte technique (tokens, données) ne parvient pas à résoudre l'incommensurabilité fondamentale entre les présuppositions humaines et mécaniques, entraînant un effondrement du contexte partagé et exigeant des utilisateurs qu'ils co-construisent les conditions pragmatiques.

Contributions clés

Reconceptualisation de la pragmatique : L'article soutient que la pragmatique ne doit pas être vue comme un « panier à rebuts » hiérarchique du sens, mais comme une interface dynamique où le langage opère comme un outil socialement ancré pour l'action. Il pose que les frontières entre syntaxe, sémantique et pragmatique sont floues dans les architectures connexionnistes.
Adoption du cadre HMC : Il préconise de passer d'une vision centrée sur l'humain à une perspective HMC qui reconnaît les machines comme des entités communicatives actives, analysant les implications fonctionnelles, relationnelles et métaphysiques de ce changement.
Proposition de la pragmatique probabiliste : Il suggère que le cadre de l'Acte de Parole Rationnel (RSA) offre une approche méthodologiquement plus solide pour les LLM car il se concentre sur l'optimisation et la probabilité plutôt que sur les conditions de vérité et la rationalité humaine.
Identification du substitutisme : L'article définit formellement le « substitutisme » comme un défaut méthodologique dans la recherche sur les LLM qui crée des asymétries en substituant des modèles, des langues ou des rôles humains spécifiques, faussant ainsi l'évaluation des capacités des machines et des changements de comportement humain.
Définition de la « frustration contextuelle » : Il introduit un nouveau terme pour décrire la dissonance expérientielle et structurelle dans les interactions humain-LLM, caractérisée par l'échec de la contextualisation technique massive à parvenir à un alignement contextuel véritable, forçant les utilisateurs dans un cycle de co-construction des conditions pragmatiques.

Résultats et conclusions
En tant qu'article théorique, il ne présente pas de données expérimentales mais dérive plusieurs conclusions critiques :

Déstabilisation de la hiérarchie sémiotique : La nature connexionniste des LLM déstabilise la vision traditionnelle selon laquelle la syntaxe est la base, la sémantique le milieu et la pragmatique le sommet. Les effets pragmatiques dans les LLM se manifestent à travers tous les niveaux de création de sens comme des processus continus et gradués plutôt que comme des inférences post-propositionnelles discrètes.
Inadéquation des modèles de Grice : Les approches griceennes traditionnelles, qui reposent sur l'hypothèse d'une rationalité coopérative et de la recherche de la vérité, introduisent un biais méthodologique lorsqu'elles sont appliquées aux LLM, qui sont conçus pour maximiser les probabilités distributionnelles.
Adaptation du comportement humain : La recherche actuelle ignore souvent comment le comportement communicatif humain change dans les interactions hybrides. Des preuves suggèrent que les humains commencent à imiter les schémas linguistiques des LLM (par exemple, dans le langage parlé) et pratiquent l'« ingénierie de prompt », adaptant leurs propres stratégies de communication aux affordances du modèle plutôt que l'inverse.
Équilibre inatteignable : Contra�izar l'interaction humaine-humaine où les contextes tendent à converger vers un équilibre, les interactions humain-LLM restent contextuellement instables et défectueuses car les ensembles de présuppositions et de mondes possibles disponibles pour les LLM sont incommensurables avec ceux des humains.

Signification
L'article affirme que la théorie pragmatique nécessite un ajustement ou une expansion significative pour rendre compte de la communication impliquant l'IA générative. Sa portée réside dans :

Correction méthodologique : Il fournit un cadre pour dépasser le « biais anthropomorphique » qui domine actuellement l'évaluation des LLM, suggérant que les chercheurs doivent cesser de traiter les LLM comme des humains défaillants et commencer à les analyser comme des agents communicatifs distincts.
Évolution théorique : Il remet en question la définition de la pragmatique comme un « panier à rebuts », proposant au contraire que la pragmatique est une interface dynamique essentielle pour comprendre le fonctionnement du langage comme outil d'action dans un écosystème mixte humain-machine.
Traitement du paradoxe contextuel : En introduisant la « frustration contextuelle », l'article met en lumière une limite structurelle critique dans l'interaction actuel humain-IA qui ne peut être résolue simplement en augmentant la taille du modèle ou la fenêtre de contexte, pointant vers la nécessité de nouveaux outils théoriques pour comprendre la co-construction du sens dans les environnements hybrides.

L'article conclut que l'entrée des LLM dans les pratiques communicatives nécessite un passage d'une vision de la communication comme processus exclusivement humain à la reconnaissance d'une performance hybride impliquant des machines, exigeant une réévaluation des rôles, des contextes et des théories qui définissent l'enquête pragmatique.

Articles similaires