💬 NLP

When Semantic Overlap Is Not Enough: Cross-Lingual Euphemism Transfer Between Turkish and English

Cette étude démontre que le recouvrement sémantique ne suffit pas à garantir un transfert positif dans la détection des euphémismes entre le turc et l'anglais, révélant une asymétrie où l'alignement fonctionnel et la distribution des labels jouent un rôle plus déterminant que la simple similarité lexicale.

Auteurs originaux : Hasan Can Biyik, Libby Barak, Jing Peng, Anna Feldman

Publié 2026-02-20

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Hasan Can Biyik, Libby Barak, Jing Peng, Anna Feldman

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 Défi : Traduire l'Art de la "Douceur"

Imaginez que le langage est une boîte à outils. Parfois, on doit dire des choses dures, taboues ou blessantes (comme "il a été viré" ou "il est mort"). Pour ne pas heurter les gens, on utilise des euphémismes : des mots doux qui cachent la réalité brute (comme "il a perdu son emploi" ou "il nous a quittés").

Le problème, c'est que ces "mots doux" sont comme des pièces de monnaie locales. Ce qui fonctionne à Paris ne fonctionne pas à Istanbul. Dire "il est parti vers les étoiles" pour parler de la mort, c'est joli en anglais, mais en turc, on dira peut-être "il a rendu l'âme".

Les chercheurs de cette étude se sont demandé : Si on apprend à une intelligence artificielle (IA) à reconnaître ces mots doux en anglais, peut-elle les comprendre en turc, même si les mots sont différents ?

🔍 L'Expérience : Deux Types de Mots

Pour tester cela, les chercheurs ont divisé les mots en deux catégories, comme on trierait des vêtements :

Les "Jumeaux" (OPETs) : Ce sont des mots qui ont le même sens et la même fonction dans les deux langues.
- Exemple : "Pass away" (anglais) et "Vefat etmek" (turc). Les deux signifient "mourir" de manière polie. C'est comme si les deux langues utilisaient la même pièce de monnaie.
Les "Étrangers" (NOPETs) : Ce sont des mots qui existent dans une langue mais n'ont aucun équivalent dans l'autre.
- Exemple : En anglais, on dit "between jobs" pour dire qu'on est au chômage. En turc, il n'y a pas d'expression imagée équivalente pour cela ; on dit juste "chômeur". C'est comme essayer de payer avec une pièce qui n'existe pas dans le pays voisin.

🤖 Le Test : L'IA en Voyage

Ils ont pris un modèle d'IA très puissant (XLM-R) et l'ont entraîné sur l'anglais, puis l'ont envoyé en "vacances" en turc (et vice-versa), sans lui apprendre le turc spécifiquement. C'est ce qu'on appelle un transfert zéro-shot (apprendre une chose pour l'appliquer à une autre sans entraînement supplémentaire).

Voici ce qu'ils ont découvert, et c'est là que ça devient surprenant :

1. La Surprise : Avoir les mêmes mots ne suffit pas !

On pourrait penser que si les mots sont "Jumeaux" (OPETs), l'IA devrait passer du coq à l'âne facilement. Faux.

Quand l'IA apprenait en anglais et testait en turc, même avec des mots "Jumeaux", elle s'est parfois trompée.
Pire encore : parfois, l'IA fonctionnait mieux quand elle avait appris sur des mots "Étrangers" (NOPETs) que sur des mots "Jumeaux".
L'analogie : C'est comme si un étudiant qui a appris l'histoire de France par cœur (les mots "Jumeaux") échouait à l'examen d'histoire turque parce qu'il a trop mémorisé les détails français, alors qu'un étudiant qui a appris des concepts généraux (les mots "Étrangers") réussissait mieux à s'adapter.

2. Le Déséquilibre : L'Anglais est le "Super-Héros"

Il y a une énorme différence de direction :

Anglais ➔ Turc : L'IA est très forte. Même si les mots turcs sont différents, l'IA comprend le concept. C'est comme si l'IA avait lu tous les livres du monde en anglais, elle a donc une base solide pour deviner les autres.
Turc ➔ Anglais : L'IA s'effondre. Quand on l'entraîne en turc, elle ne comprend plus rien en anglais.
L'analogie : Imaginez que l'anglais est un océan immense et le turc une petite rivière. Si vous apprenez à nager dans l'océan, vous pouvez facilement traverser la rivière. Mais si vous apprenez à nager dans la rivière, l'océan vous submerge. L'IA a beaucoup plus "lu" d'anglais que de turc avant le test.

3. Le Piège des Catégories

Certaines situations sont plus difficiles que d'autres :

Le travail et la politique : C'est là que l'IA échoue le plus quand on va du turc vers l'anglais. Pourquoi ? Parce que ces sujets sont très culturels. Un mot turc pour dire "licenciement" ne correspond à aucun mot anglais spécifique.
La mort : C'est souvent plus facile car presque toutes les cultures ont des mots doux pour la mort, même si les mots sont différents.

🧠 Ce que cela nous apprend

Cette étude nous dit deux choses importantes :

La traduction littérale ne suffit pas : Pour qu'une IA comprenne les nuances humaines (comme les euphémismes), il ne suffit pas que les mots aient le même sens. Il faut comprendre la culture derrière.
La quantité compte (beaucoup) : Même si une IA est censée être "multilingue", elle est souvent biaisée vers les langues pour lesquelles elle a le plus de données (ici, l'anglais). Elle est comme un polyglotte qui parle parfaitement l'anglais, mais qui bafouille un peu le turc.

🚀 Conclusion

En résumé, les chercheurs ont créé une carte précise pour naviguer entre l'anglais et le turc. Ils ont prouvé que l'IA ne peut pas simplement "copier-coller" sa compréhension d'une langue à l'autre. Elle doit apprendre à comprendre les intentions et les cultures, pas juste les dictionnaires.

C'est un pas de géant pour améliorer les outils de modération de contenu sur internet : pour savoir si quelqu'un essaie de contourner les règles avec des mots doux, l'IA doit comprendre la culture, pas juste les mots.

1. Problématique et Contexte

Les euphémismes sont des expressions pragmatiques qui adoucissent ou re-cadrent des concepts socialement sensibles (tabous, politesse, etc.). Leur détection computationnelle est complexe car elle dépend fortement du contexte culturel et pragmatique plutôt que de simples indices lexicaux.

Le défi central abordé par cette étude est la limites du transfert interlingue dans la détection des euphémismes. Bien que les modèles de langage multilingues (comme XLM-RoBERTa) excellent dans les tâches sémantiques littérales, leur capacité à transférer la connaissance des euphémismes d'une langue à une autre reste mal comprise. La question de recherche principale est : L'équivalence sémantique entre deux langues garantit-elle un transfert positif ?

L'étude se concentre sur le couple linguistique Turc-Anglais, deux langues typologiquement distinctes (agglutinante vs analytique) et présentant un déséquilibre de ressources (l'anglais étant une langue à haute ressource, le turc à basse ressource).

2. Méthodologie

A. Construction du Jeu de Données et Catégorisation

Les auteurs ont étendu et harmonisé les jeux de données existants sur les Termes Potentiellement Euphémistiques (PETs) pour l'anglais et le turc.

Expansion : Le jeu de données turc a été étendu de 40 à 70 PETs en collectant des exemples contextuels dans le corpus trTenTen20.
Catégorisation Rigoureuse : Les PETs ont été divisés en deux sous-ensembles basés sur l'alignement fonctionnel et pragmatique (et non seulement lexical) :
1. OPETs (Overlapping PETs) : Termes ayant un équivalent fonctionnel et sémantique dans la langue cible (ex: pass away $\approx$ vefat etmek pour la mort).
2. NOPETs (Non-Overlapping PETs) : Termes dont la stratégie euphémistique n'a pas d'équivalent fonctionnel dans la langue cible (ex: l'expression anglaise between jobs pour le chômage n'a pas d'équivalent direct en turc).
Fiabilité : L'annotation a atteint un accord inter-annotateurs très élevé ( $\kappa = 0.96$ ).

B. Protocole Expérimental

Modèle : Utilisation de XLM-RoBERTa (XLM-R), un modèle masqué multilingue pré-entraîné sur 100 langues.
Évaluation :
- Ligne de base (Baseline) : Évaluation des embeddings figés (frozen) sans fine-tuning spécifique.
- Fine-tuning : Entraînement séparé sur chaque sous-ensemble (EN-OPET, EN-NOPET, TR-OPET, TR-NOPET) avec validation croisée 10 plis.
- Transfert Zero-Shot : Un modèle entraîné sur une langue source (ex: Anglais) est évalué directement sur la langue cible (ex: Turc) sans ajustement supplémentaire.
Comparaison : Les résultats sont comparés à un modèle génératif zero-shot (GPT-4o) pour contextualiser les performances.

3. Contributions Clés

Premier Jeu de Données Croisé : Introduction du premier jeu de données d'euphémismes bilingue (Turc-Anglais) explicitement catégorisé en sous-ensembles OPET (chevauchement) et NOPET (non-chevauchement).
Analyse de l'Asymétrie de Transfert : Mise en évidence d'une asymétrie significative : le transfert de l'anglais vers le turc est robuste, tandis que le transfert du turc vers l'anglais se dégrade fortement, même pour les termes sémantiquement chevauchants.
Démonstration de l'Insuffisance du Chevauchement Sémantique : Preuve que la présence d'un équivalent sémantique (OPET) ne garantit pas un transfert positif, en particulier dans la direction langue à faible ressource $\to$ langue à haute ressource.
Ressources Ouvertes : Publication des guides d'annotation, des données et du code pour tous les expérimentations.

4. Résultats Principaux

A. Performance Globale et Asymétrie

Transfert Anglais $\to$ Turc (EN $\to$ TR) : Reste robuste. Les modèles entraînés sur des OPETs anglais obtiennent de bons scores sur les OPETs turcs (F1 = 0,68, proche de la ligne de base 0,72) et même un léger gain sur les NOPETs turcs (F1 = 0,70 vs 0,68).
Transfert Turc $\to$ Anglais (TR $\to$ EN) : Dégradation substantielle.
- Entraînement sur TR-OPET $\to$ Test sur EN-OPET : F1 = 0,64 (vs 0,71 en ligne de base).
- Entraînement sur TR-NOPET $\to$ Test sur EN-NOPET : F1 = 0,60 (vs 0,61 en ligne de base).
- Conclusion : Le fine-tuning sur la langue à faible ressource (Turc) nuit au transfert vers la langue à haute ressource, suggérant que l'adaptation spécifique à la tâche peut effacer les patterns universels appris lors du pré-entraînement.

B. Impact des Catégories Sémantiques

L'analyse par domaine révèle des écarts massifs :

Emploi (Employment) : Le transfert EN $\to$ TR atteint un F1 de 0,90, tandis que TR $\to$ EN chute à 0,36.
Politique : Le transfert TR $\to$ EN est catastrophique (F1 = 0,18) en raison de l'absence d'équivalents culturels pour certains termes anglais.
Explication : Ces résultats suggèrent que la distribution des étiquettes (proportion d'exemples euphémistiques vs littéraux) et la familiarité du modèle avec les indices spécifiques à la langue jouent un rôle plus important que le chevauchement sémantique pur.

C. Comparaison avec GPT-4o

GPT-4o montre un biais systématique à prédire "Euphémisme" (surtout en turc), ce qui crée artificiellement de meilleures performances sur les NOPETs turcs.
Cependant, le XLM-R fine-tuné (278M paramètres) atteint une performance moyenne (F1 = 0,77) comparable ou supérieure à GPT-4o (F1 = 0,75), démontrant l'efficacité du fine-tuning ciblé pour cette tâche.

5. Signification et Implications

Cette étude remet en question l'hypothèse selon laquelle les modèles multilingues peuvent facilement généraliser les concepts pragmatiques complexes comme les euphémismes simplement grâce à des représentations partagées.

Limites du "Semantic Overlap" : Le chevauchement sémantique n'est pas une condition suffisante pour un transfert réussi. Les différences typologiques, morphologiques et culturelles peuvent bloquer le transfert, même lorsque les concepts sous-jacents semblent similaires.
Déséquilibre des Ressources : La direction du transfert est cruciale. Les modèles pré-entraînés massivement sur l'anglais possèdent une robustesse qui leur permet de transférer vers le turc, mais l'inverse est difficile car le modèle ne peut pas "apprendre" suffisamment de nuances culturelles turques pour les généraliser à l'anglais.
Risque de Mémorisation Lexicale : L'analyse des erreurs montre que les modèles peuvent mémoriser des tokens spécifiques (ex: dört kollu pour cercueil) sans comprendre le contexte, conduisant à de faux positifs dans des usages littéraux.

Conclusion : Pour améliorer la détection interlingue des euphémismes, il ne suffit pas de s'appuyer sur l'alignement sémantique. Il faut développer des stratégies d'entraînement qui atténuent la mémorisation lexicale, prennent en compte les déséquilibres de ressources et intègrent une compréhension plus profonde des contextes culturels spécifiques.