💬 NLP

Recursive numeral systems are highly regular and easy to process

Cet article soutient que l'incorporation de la régularité et de la complexité de traitement à travers un cadre de longueur de description minimale (MDL) explique mieux la structure des systèmes de numération récursifs et rend compte naturellement de contraintes que les modèles précédents basés sur l'efficacité devaient imposer de manière ad hoc.

Auteurs originaux : Ponrawee Prasertsom, Andrea Silvi, Jennifer Culbertson, Moa Johansson, Devdatt Dubhashi, Kenny Smith

Publié 2026-02-03

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Ponrawee Prasertsom, Andrea Silvi, Jennifer Culbertson, Moa Johansson, Devdatt Dubhashi, Kenny Smith

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 concevoir le manuel d'instruction ultime pour compter. Vous voulez qu'il soit assez court pour tenir dans votre poche (efficace) mais assez clair pour que n'importe qui comprenne exactement quel nombre vous voulez dire (informatif).

Pendant longtemps, les linguistes ont pensé que le secret de la raison pour laquelle les langues humaines comptent de la manière dont elles le font résidait simplement dans l'équilibre entre le nombre de mots dont vous avez besoin (taille du lexique) et la longueur des phrases (complexité). Ils pensaient que les langues évoluaient pour trouver le « point idéal » entre ces deux aspects.

Cependant, ce nouvel article soutient que cette ancienne vision oublie un ingrédient crucial : la Régularité.

Voici la décomposition de leur argument en utilisant des analogies simples :

1. Le « Lego » contre la « Boîte Magique »

Considérez une langue humaine comme l'anglais ou le mandarin comme un ensemble de briques Lego.

Vous avez un petit ensemble de briques de base (1, 2, 3... 10).
Vous avez quelques règles pour les emboîter (additionner, multiplier).
Pour faire 43, il suffit d'emboîter une brique « 4 », une brique « 10 » et une brique « 3 ». C'est un modèle prévisible.

Maintenant, imaginez un système « théoriquement optimal » que les anciens modèles mathématiques suggéraient être tout aussi efficace. Ce système est comme une Boîte Magique.

Pour le nombre 18, la boîte dit « 10 + 8 ».
Pour 19, elle dit « 25 - 7 ».
Pour 20, elle dit « 5 × 4 ».
Pour 21, elle dit « 3 × 7 ».

Mathématiquement, cette Boîte Magique pourrait utiliser moins de mots au total ou des phrases moyennes plus courtes que le système Lego. Mais elle est chaotique. Il n'y a aucun motif. Vous ne pouvez pas deviner comment dire « 22 » en connaissant « 21 ». Vous devez mémoriser chaque nombre comme un code unique et bizarre.

Les auteurs soutiennent que, bien que la Boîte Magique paraisse efficace sur un tableur, elle échoue car elle manque de régularité. Les humains détestent la Boîte Magique car elle est difficile à apprendre et difficile à traiter.

2. La nouvelle mesure : la « Compressibilité »

Les chercheurs ont utilisé un concept issu de l'informatique appelé Longueur de description minimale (MDL). Voyez cela comme un fichier compressé (zip).

Un système régulier (comme le Lego) est hautement compressible. Vous pouvez écrire un minuscule livret de règles : « Pour faire les nombres 10-99, prenez un chiffre, multipliez par 10 et ajoutez un autre chiffre. » Le « fichier zip » est minuscule.
Un système irrégulier (comme la Boîte Magique) ne peut pas être compressé. Vous devez lister chaque nombre individuellement car il n'y a aucun motif à exploiter. Le « fichier zip » est énorme.

L'article affirme que les langues naturelles sont « optimales » non seulement parce qu'elles sont courtes, mais parce qu'elles sont hautement compressibles. Elles sont faciles à « zipper » (stocker) et à « dézipper » (traiter) pour nos cerveaux.

3. Tester la théorie

Les auteurs ont mené une simulation massive :

Ils ont pris 128 langues humaines réelles (comme l'anglais, le mandarin, le français).
Ils ont généré 10 000 langues artificielles aléatoires (incluant les types « Boîte Magique » que les modèles mathématiques précédents disaient être « parfaits »).

Le Résultat :
Les langues humaines étaient systématiquement plus régulières et plus faciles à traiter que les langues artificielles. Même lorsqu'ils forçaient les langues artificielles à utiliser les mêmes blocs de construction (chiffres et multiplicateurs) que les langues humaines, les systèmes humains gagnaient toujours. Ils étaient meilleurs pour organiser ces blocs en un motif prévisible.

4. Le problème du « Poids »

Des études précédentes supposaient que nous utilisons les petits nombres (1, 2, 3) beaucoup plus souvent que les grands nombres (90, 99), et elles accordaient donc beaucoup de « poids » aux petits nombres dans leurs calculs. Elles pensaient : « Si nous ne nous soucions que des petits nombres, la Boîte Magique convient. »

Les auteurs ont testé cela en changeant les règles pour traiter tous les nombres de manière égale (un « a priori uniforme »).

Surprise : Même quand chaque nombre compte de la même manière, les langues humaines semblaient beaucoup plus efficaces et régulières que les artificielles.
Conclusion : Les systèmes de type « Boîte Magique » ne paraissaient efficaces que parce que les mathématiques ignoraient les grands nombres désordonnés. Quand on regarde l'ensemble du tableau, les langues humaines sont les gagnantes claires grâce à leur structure.

L'essentiel à retenir

L'article conclut que la régularité est une pression fondamentale dans l'évolution des langues. Il ne s'agit pas seulement d'économiser de l'espace ou d'être informatif ; il s'agit de créer un système qui suit des règles afin que nos cerveaux n'aient pas à mémoriser un million de codes aléatoires.

Les langues naturelles ne sont pas seulement « efficaces » ; elles sont prévisibles. Elles sont comme une bibliothèque bien organisée où vous pouvez trouver n'importe quel livre en suivant un système simple, plutôt qu'une pile chaotique de livres où vous devez mémoriser l'emplacement de chacun d'eux. Cette prévisibilité est ce qui les rend faciles à apprendre, faciles à utiliser, et explique pourquoi elles sont telles quelles.

Résumé technique : Régularité et complexité de traitement dans les systèmes numériques récursifs

Énoncé du problème

Des recherches récentes en linguistique ont largement démontré que la variation translinguistique est contrainte par des pressions pour une communication efficace, souvent formulées comme un compromis entre la simplicité (ex. : taille du lexique) et l'informativité. Cependant, les analyses d'efficacité existantes négligent largement la systématicité (régularité) des formes, une caractéristique définissant les langues naturelles où les correspondances forme-sens adhèrent à des modèles de type règles.

Cette lacune est particulièrement évidente dans l'étude des systèmes numériques récursifs (systèmes de comptage). Des travaux antérieurs par Denić et Szymanik (2024, D&S) ont soutenu que les systèmes naturels optimisent le compromis entre la taille du lexique et la complexité morphosyntaxique moyenne. Bien que leur modèle ait montré que les systèmes naturels se situent près de la frontière de Pareto théorique, les systèmes « optimaux » générés par leur modèle incluent des systèmes hautement irréguliers et non naturels (ex. : des systèmes avec des bases alternées). Pour résoudre cela, Yang et Regier (2025, Y&R) ont introduit des contraintes ad hoc pour restreindre artificiellement l'espace de recherche aux systèmes humains. Les auteurs soutiennent que ces contraintes sont insatisfaisantes car elles manquent d'une explication théorique ; idéalement, les propriétés humaines devraient émerger comme des sous-produits de pressions plus fondamentales. Le problème central est que les mesures actuelles ne parviennent pas à capturer la régularité et la complexité de traitement, qui sont supposées être les différenciateurs clés entre les systèmes numériques naturels et théoriquement possibles.

Méthodologie

Les auteurs proposent un cadre basé sur le principe de la Longueur de Description Minimale (MDL) pour quantifier deux propriétés clés des systèmes numériques récursifs : l'irrégularité et la complexité de traitement.

1. Formalisation de l'irrégularité

La régularité est mesurée via la compressibilité. Les auteurs modélisent un système numérique comme un automate fini déterministe (DFA) partiel qui génère tous les nombres valides pour une plage donnée (1–99).

Mesure : L'irrégularité $L(G)$ est définie comme le nombre de bits requis pour encoder le DFA.
Calcul : La taille du DFA est déterminée par le nombre d'états ( $|S|$ ), de transitions ( $|Z|$ ) et de symboles ( $|\Sigma|$ ). Un système hautement régulier (comme le Karo Batak) possède un DFA de petite taille avec peu d'états et de transitions, ce qui entraîne une longueur de description plus faible.
Algorithme : Ils utilisent l'algorithme de Mihov et Schulz (2019) pour inférer le DFA partiel minimal pour un ensemble donné de nombres.

2. Formalisation de la complexité de traitement

La complexité de traitement mesure l'effort requis pour analyser ou générer un nombre donné à travers le DFA.

Mesure : $L(N|G)$ est l'information moyenne (en bits) requise pour déterminer le chemin d'analyse unique pour un ensemble de nombres $N$ à travers la grammaire $G$ .
Calcul : Cela somme les log-probabilités des transitions empruntées à chaque état, plus un bit supplémentaire pour chaque état acceptant rencontré.
Priors : Les auteurs testent initialement leurs mesures en utilisant un prior de loi de puissance ( $P(n) \propto n^{-2}$ ), reflétant le besoin de communication pour les petits nombres. Ils testent plus tard un prior uniforme pour contester l'hypothèse selon laquelle les petits nombres dominent les calculs d'efficacité.

3. Conception expérimentale

L'étude compare trois catégories de systèmes :

Systèmes Naturels : 128 systèmes numériques récursifs de langues naturelles (annotés au niveau morphémique).
Systèmes Artificiels de Référence : 10 000 systèmes générés aléatoirement en utilisant la grammaire de Hurford.
Systèmes Artificiels « Optimaux » :
- Systèmes de D&S (optimisés pour la taille du lexique vs la complexité morphosyntaxique).
- Systèmes de Y&R (systèmes de D&S contraints par des règles ad hoc).

Les auteurs effectuent également une analyse de voisinage local. Pour chaque système naturel, ils génèrent un ensemble de systèmes alternatifs partageant exactement les mêmes chiffres ( $D$ ), multiplicateurs ( $M$ ), combinateurs ( $C$ ) et longueurs de nombres ( $L_{Num}$ ). Cela contrôle la taille du lexique et la complexité morphosyntaxique moyenne pour isoler les effets de l'arrangement structurel (régularité).

Résultats Clés

1. Systèmes Naturels vs Références Aléatoires

Les systèmes naturels présentent une régularité nettement plus élevée (scores d'irrégularité plus faibles) et une complexité de traitement plus faible que les 10 000 systèmes générés aléatoirement de référence. Aucun système aléatoire échantillonné n'était simultanément plus régulier et moins complexe que les systèmes naturels.

2. Systèmes Naturels vs Systèmes « Optimaux » (D&S et Y&R)

Systèmes D&S : Bien que les systèmes D&S se situent sur la frontière lexique/complexité, ils sont souvent hautement irréguliers et présentent une complexité de traitement élevée par rapport aux systèmes naturels.
Systèmes Y&R : Les contraintes ad hoc de Y&R améliorent la régularité mais ne s'alignent pas pleinement sur les systèmes naturels. Certains systèmes Y&R semblent « plus efficaces » que les systèmes naturels sous le prior de loi de puissance, mais il s'agit d'un artefact du prior qui dévalorise fortement les grands nombres. Ces systèmes « super-efficaces » utilisent des lexiques extrêmement petits (chiffres 1–5) pour construire de grands nombres via un emboîtement profond (ex. : $46 \approx (((2 \times 2 + 1) \times 2 + 1) \times 2 + 1) \times 2$ ).
Prior Uniforme : Lorsque le prior de loi de puissance est remplacé par un prior uniforme, les systèmes Y&R « super-efficaces » perdent leur avantage. L'emboîtement profond requis pour les grands nombres augmente considérablement la complexité de traitement, les rendant moins efficaces que les systèmes naturels.

3. Analyse de Voisinage Local

Même en contrôlant l'ensemble spécifique de chiffres, de multiplicateurs et de combinateurs (maintenant ainsi la taille du lexique et la complexité morphosyntaxique moyenne constantes), les systèmes naturels se situent systématiquement sur ou près de la frontière de Pareto de l'échange irrégularité vs complexité de traitement. Cela suggère que l'arrangement structurel spécifique des systèmes naturels n'est pas simplement un sous-produit de l'optimisation de la taille du lexique, mais est piloté par des pressions pour la régularité et la facilité de traitement.

Signification et Revendications

L'article affirme que la régularité et la complexité de traitement sont des pressions fondamentales façonnant les systèmes linguistiques, distinctes et complémentaires du compromis simplicité-informativité.

Contribution Théorique : Les auteurs soutiennent que les contraintes ad hoc utilisées dans les travaux précédents (Y&R) imposent de fait la régularité. En formalisant la régularité via la MDL, ils démontrent que ces contraintes découlent naturellement de la pression pour minimiser la longueur de description et l'effort de traitement.
Critique des Modèles Existants : L'étude remet en question la suffisance de la taille du lexique et de la complexité morphosyntaxique comme seules mesures d'efficacité. Elle montre qu'optimiser ces mesures seules peut produire des systèmes non naturels et irréguliers qui ne parviennent pas à capturer la nature « humaine » des systèmes numériques.
Rôle des Priors : L'article souligne la sensibilité des revendications d'efficacité au prior de distribution de nombres supposé. Il suggère qu'un prior uniforme pourrait être plus approprié pour évaluer l'efficacité des systèmes récursifs, car leur fonction principale est d'exprimer de grands nombres, qui sont fortement dévalorisés par les priors de loi de puissance.
Implications Plus Larges : L'approche suggère que les études d'efficacité dans d'autres domaines (ex. : catégories grammaticales, termes de couleur) doivent incorporer la systématicité des formes. Traiter les signaux compositionnels comme étant aussi complexes que les signaux inanalysables peut conduire à une sous-estimation du rôle de la régularité dans l'évolution du langage.

Les auteurs concluent que les systèmes numériques récursifs naturels sont optimisés non seulement pour l'efficacité de la communication en termes de transfert d'information, mais aussi pour l'efficacité structurelle (régularité) et la tractabilité computationnelle (complexité de traitement).