\textit{Versteasch du mi?} Computational and Socio-Linguistic Perspectives on GenAI, LLMs, and Non-Standard Language
Cet article adopte une approche interdisciplinaire combinant la sociolinguistique critique et la linguistique computationnelle pour examiner comment les grands modèles de langage peuvent être adaptés aux variétés linguistiques non standard, telles que les dialectes du Tyrol du Sud et les variétés du kurde, afin de promouvoir des stratégies numériques démocratiques et décoloniales.
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
🗣️ « Tu me comprends ? » : Quand l'Intelligence Artificielle oublie les langues du quotidien
Imaginez que l'Intelligence Artificielle (IA), et plus particulièrement les grands modèles de langage (comme ceux qui écrivent des textes ou répondent à vos questions), est un géant très éduqué. Ce géant a lu des milliards de livres, de journaux et de sites web. Mais il y a un gros problème : il n'a lu que les livres écrits dans les langues « officielles » et « parfaites » (comme l'anglais standard, le français académique ou l'allemand standard).
Ce papier, écrit par des chercheurs de l'Université de Galway et de Zurich, nous dit que ce géant est aveugle et sourd à des millions de personnes qui parlent des dialectes, des langues régionales ou des variétés de langues non standardisées.
Voici les trois grandes idées du papier, expliquées avec des images simples :
1. Le Géant qui ne parle que la « Langue de l'École » 🏫
Depuis des siècles, les États ont décidé qu'une seule façon de parler était « la bonne » (la langue standard) et que les autres façons (les dialectes, les patois) étaient « inférieures » ou « incorrectes ».
- L'analogie : Imaginez que l'IA est un professeur très strict qui ne reconnaît que la grammaire parfaite du manuel scolaire. Si vous lui parlez avec l'accent de votre grand-mère ou en utilisant des mots du marché local, il vous regarde avec pitié et vous dit : « Ce n'est pas du vrai français/allemand/kurde ».
- Le problème : L'IA a été entraînée sur ces « manuels scolaires » numériques. Elle ne comprend pas que la vraie vie, la vraie culture et les vraies conversations se passent souvent dans ces « langues de l'ombre ».
2. La « Taxe de Traduction » : Pourquoi c'est plus cher et plus lent pour vous 💸
C'est l'aspect technique, mais très important. Pour que l'IA comprenne un mot, elle le découpe en petits morceaux appelés « jetons » (tokens).
- L'analogie : Imaginez que l'IA est un camion de déménagement.
- Pour l'anglais, le camion peut charger une grande boîte (un mot entier) en une seule fois. C'est rapide et pas cher.
- Pour un dialecte comme le sud-tyrolien (parlé en Italie) ou le kurde, le camion ne connaît pas les grandes boîtes. Il doit tout casser en tout petits morceaux (des lettres, des sons) pour les faire rentrer.
- La conséquence :
- C'est plus cher : Comme il faut plus de petits morceaux pour dire la même chose, vous payez plus cher pour utiliser l'IA dans votre langue. C'est ce qu'ils appellent la « taxe de tokenisation ».
- C'est plus lent : Le camion est plein de petits morceaux, il ne peut pas emporter beaucoup de choses à la fois. L'IA oublie plus vite ce que vous lui avez dit au début de la conversation.
3. Deux histoires pour illustrer le problème 🌍
Les chercheurs prennent deux exemples concrets pour montrer que ce n'est pas juste un problème technique, mais un problème politique :
- Le Sud-Tyrol (Italie) : C'est une région où l'on parle un allemand très particulier, un mélange de dialectes locaux. Bien que ce soit la langue de la vie de tous les jours, l'IA la traite comme si elle n'existait pas. Si vous demandez à un robot administratif de comprendre un citoyen qui parle en dialecte, il risque de ne pas comprendre et de le rejeter. C'est comme si on vous disait : « Votre voix n'est pas assez claire pour entrer dans la salle du conseil ».
- Le Kurde : C'est une langue parlée par 40 millions de personnes, mais divisée en plusieurs dialectes (Kurmanji, Sorani, etc.) et souvent interdite ou réprimée politiquement.
- L'IA a un peu appris le Kurmanji et le Sorani (les plus connus).
- Mais les autres variétés (comme le Hawrami ou le Zazaki) sont totalement invisibles pour la technologie. C'est comme si ces millions de personnes étaient effacées de la carte numérique.
4. La solution : Ne pas forcer tout le monde à porter le même uniforme 🎭
Le papier conclut que le problème n'est pas seulement de « réparer » le code informatique. C'est un problème de justice.
- Ce qu'il ne faut pas faire : Continuer à forcer les gens à parler la « langue parfaite » pour que l'IA les comprenne. Cela efface leur culture.
- Ce qu'il faut faire :
- Rendre des comptes : Les grandes entreprises technologiques (Google, Meta, etc.) doivent être obligées de dire : « Combien de personnes ne sont pas comprises par nos outils ? ».
- Donner le pouvoir aux communautés : Ce sont les locuteurs eux-mêmes (les communautés) qui doivent décider comment leur langue est traitée, et non pas des ingénieurs qui ne parlent pas leur langue.
- Changer les règles du jeu : Créer des tests pour l'IA qui ne jugent pas seulement si elle parle « bien », mais si elle comprend la culture et les nuances locales.
En résumé 🎯
Ce papier nous dit : « L'IA actuelle est un outil puissant, mais elle est injuste. Elle favorise les langues dominantes et punit les langues du peuple. »
Pour que l'avenir numérique soit vraiment pour tout le monde, il faut arrêter de voir les dialectes comme des « erreurs » à corriger, et commencer à les voir comme des trésors culturels à protéger. Il faut que l'IA apprenne à dire « Oui, je te comprends », même si tu parles avec ton accent, ton dialecte ou ta façon unique de voir le monde.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.