Each language version is independently generated for its own context, not a direct translation.
Imaginez que le système juridique d'un pays est comme une immense bibliothèque. Dans cette bibliothèque, il y a des millions de livres (les lois, les projets de loi) qui expliquent les règles de la société. Mais voici le problème : dans le cas du Sri Lanka, ces livres sont écrits dans une langue très spécifique (le cinghalais), et pendant longtemps, ils étaient enfermés dans des coffres-forts numériques illisibles pour les ordinateurs.
Voici comment les auteurs de cet article ont ouvert ces coffres et organisé cette bibliothèque.
1. Le Problème : Des livres dans un coffre-fort
Les lois du Sri Lanka existaient sous forme de documents scannés (des images de pages papier). Pour un humain, c'est lisible. Pour un ordinateur, c'est une simple image, comme une photo. L'ordinateur ne peut pas "lire" ou "comprendre" ce qu'il y a dessus. C'est comme essayer de lire un livre en regardant sa couverture : on voit les couleurs, mais pas les mots.
De plus, le cinghalais est une langue avec un alphabet unique et complexe, un peu comme si vous deviez apprendre à lire non pas l'alphabet latin, mais un système de symboles très anciens et détaillés. Les ordinateurs avaient du mal à déchiffrer ces symboles.
2. La Solution : Le grand nettoyage (SINHALEGAL)
Les chercheurs ont créé un nouveau trésor appelé SINHALEGAL. Imaginez que c'est une équipe de détectives et de bibliothécaires qui se sont mis au travail pour transformer cette bibliothèque chaotique en une base de données moderne.
Voici les étapes de leur mission, expliquées simplement :
- La collecte (Le ramassage) : Ils ont récupéré environ 1 200 documents officiels (des lois existantes et des projets de loi) datant de 1981 à 2014. C'est comme si ils avaient pris les plus importants livres de la bibliothèque pour les travailler.
- Le scanner intelligent (OCR) : Ils ont utilisé une technologie très avancée (Google Document AI) pour "photographier" le texte et le transformer en mots numériques. C'est comme si un robot très rapide lisait chaque page et écrivait ce qu'il voyait sur un ordinateur.
- Le grand ménage (Nettoyage) : C'est l'étape la plus importante. Le robot a fait des erreurs, comme tout le monde. Il a laissé des numéros de page au milieu des phrases, des taches d'encre, ou a mélangé des mots.
- Les auteurs, qui parlent cinghalais couramment, ont passé des heures à réparer manuellement ces erreurs. C'est comme un restaurateur d'art qui enlève la poussière d'un tableau ancien pour révéler les couleurs originales. Ils ont retiré les en-têtes, les numéros de page, les sceaux officiels et corrigé les fautes de frappe.
- L'organisation : Une fois propres, ils ont classé chaque document dans un dossier numérique avec une étiquette précise (année, type de loi, titre).
3. Ce qu'ils ont découvert (L'analyse)
Une fois le travail de nettoyage terminé, ils ont regardé ce qu'ils avaient dans les mains. C'est comme si un chef cuisinier avait enfin pu goûter son plat pour voir ce qu'il contient.
- La richesse du vocabulaire : Ils ont vu que le langage juridique est très spécial. Il utilise beaucoup de mots répétitifs (comme des formules magiques) mais aussi des mots très rares et techniques. C'est un mélange de phrases toutes faites et de termes très précis.
- Les "acteurs" du texte : Ils ont programmé un petit robot pour repérer les éléments clés : les dates, les noms des ministres, les noms des tribunaux et les montants d'argent. Ils ont trouvé des dizaines de milliers de ces "acteurs" dans les textes.
- Les thèmes : En utilisant une technique appelée "modélisation de sujets", ils ont découvert que les lois parlent principalement de choses comme les élections, les pensions, les commissions et les tribunaux. C'est comme si on avait pu voir les sujets principaux d'une conversation en écoutant seulement les mots les plus fréquents.
4. Le test final : Les ordinateurs comprennent-ils ?
Pour vérifier si leur travail était utile, ils ont donné ces textes propres à plusieurs "cerveaux" d'intelligence artificielle (des modèles de langage comme Llama ou Mistral).
- Le résultat surprenant : Ces intelligences artificielles ont beaucoup mieux compris les lois cinghalaises que le langage quotidien général.
- Pourquoi ? Parce que les lois sont très structurées et répétitives. C'est comme si vous appreniez une langue en lisant uniquement des manuels de grammaire : c'est prévisible. Les ordinateurs adorent la prévisibilité ! Cela signifie que SINHALEGAL est un excellent terrain d'entraînement pour apprendre aux ordinateurs à comprendre le droit cinghalais.
En résumé
SINHALEGAL, c'est comme avoir construit une autoroute numérique là où il n'y avait que des sentiers boueux et impraticables.
Avant, les chercheurs ne pouvaient pas explorer facilement les lois du Sri Lanka. Maintenant, grâce à ce corpus (cette collection de données), ils peuvent utiliser l'intelligence artificielle pour :
- Résumer des lois complexes en quelques lignes.
- Trouver des informations spécifiques instantanément.
- Analyser comment les lois ont évolué au fil des années.
C'est une première étape cruciale pour moderniser la recherche juridique dans une langue qui était jusque-là un peu "oubliée" par la technologie de pointe.