Phonological distances for linguistic typology and the origin of Indo-European languages

En utilisant un cadre informationnel pour quantifier les distances phonologiques entre 67 langues modernes, cette étude démontre que ces mesures révèlent non seulement les familles linguistiques et les convergences de contact, mais permettent également de localiser la patrie originelle des langues indo-européennes dans la steppe, en accord avec l'hypothèse de la steppe.

L'essentiel

🌍 L'histoire en bref : Comment les langues sont-elles liées ?

Imaginez que vous avez un immense puzzle représentant toutes les langues du monde. Les linguistes essaient depuis longtemps de reconstituer les pièces pour voir quelles langues sont "cousines" (comme l'anglais et l'allemand) et d'où elles viennent toutes.

Cette étude, menée par des chercheurs espagnols et français, propose une nouvelle façon de regarder ce puzzle. Au lieu de se concentrer sur le sens des mots (le vocabulaire) ou la grammaire, ils ont décidé d'écouter les sons eux-mêmes.

🔊 L'analogie du "Jeu de Legos Sonores"

Pour comprendre leur méthode, imaginez que chaque langue est une boîte de Legos.

• Les briques sont les sons de base (les phonèmes, comme le "a", le "t", le "ch").
• Les langues sont les châteaux que l'on construit avec ces briques.

Les chercheurs ont fait deux choses intelligentes :

1. Ils ont écouté les "patterns" (les motifs) :
   Ils ne se sont pas contentés de compter combien de fois on dit "a" ou "b". Ils ont regardé comment les sons s'assemblent. C'est comme regarder si, dans une langue, on a tendance à empiler toujours une brique rouge sur une brique bleue, ou si c'est le chaos total.
   Ils ont découvert que les langues suivent des règles très précises d'assemblage, un peu comme une mélodie. Ils ont modélisé cela comme une prévision : si je vous donne les deux derniers sons d'un mot, pouvez-vous deviner le troisième ? Plus une langue est prévisible, plus elle a une "mémoire" courte.

2. Ils ont mesuré la "distance" entre les châteaux :
   Pour savoir si deux langues sont proches, ils ont utilisé une règle spéciale. Imaginez que vous devez transformer le château de l'anglais en celui du français.

   • Si vous devez changer un son "doux" (comme un "m") en un son "dur" (comme un "k"), c'est un gros effort.
   • Si vous changez un "m" en un "n" (qui sont très proches dans la bouche), c'est un petit effort.
     Ils ont calculé le "coût" total de cette transformation pour l'ensemble des sons de la langue. C'est ce qu'ils appellent la distance phonologique.

🗺️ La grande découverte : Le lien avec la géographie

Une fois qu'ils ont mesuré la distance entre 67 langues différentes (en utilisant la Bible comme texte de référence pour tout le monde, afin d'avoir une comparaison équitable), ils ont tracé une carte.

Le résultat est fascinant :
Il y a une corrélation directe entre la distance géographique et la distance des sons.

• Plus deux langues sont parlées loin l'une de l'autre sur la carte, plus leurs sons sont différents.
• C'est comme si les langues "s'éloignaient" physiquement en même temps qu'elles s'éloignaient géographiquement. Les voisins qui parlent des langues différentes finissent par se ressembler un peu (parce qu'ils s'entendent et s'influencent), tandis que les cousins qui vivent à des milliers de kilomètres de distance finissent par ne plus se comprendre du tout.

🏔️ Le mystère de l'Indo-Européen résolu ?

Le vrai but du jeu était de trouver la patrie originelle de la famille des langues indo-européennes (qui inclut le français, l'anglais, le russe, l'hindi, etc.). C'est un débat vieux comme le monde : sont-ils nés en Anatolie (Turquie actuelle) ou dans les steppes (autour de la mer Noire) ?

Les chercheurs ont utilisé leur "règle de distance" pour faire une expérience :

1. Ils ont pris la "moyenne" des sons de toutes les langues indo-européennes actuelles.
2. Ils ont imaginé que cette moyenne représente le point de départ.
3. Ils ont calculé : "Si on part de tel endroit, est-ce que la distance des sons augmente bien avec la distance géographique ?"

Le verdict :
Le point qui correspond le mieux à la réalité est situé au nord de la mer Noire, dans les steppes (l'actuelle Ukraine/Russie).

Cela valide l'hypothèse dite "des steppes" (ou hypothèse Kurgan). C'est comme si les chercheurs avaient trouvé l'empreinte digitale du lieu de naissance en regardant comment les enfants (les langues actuelles) ont grandi et changé en s'éloignant de la maison.

🎯 En résumé

• L'idée : Les langues sont comme des musiques. On peut mesurer leur différence en regardant comment les sons s'enchaînent.
• La méthode : On compare les "motifs" de sons de 67 langues en utilisant une règle mathématique qui tient compte de la difficulté à passer d'un son à l'autre.
• Le résultat : Plus on s'éloigne géographiquement, plus les langues sonnent différemment.
• La conclusion : En utilisant cette logique, les chercheurs confirment que la famille des langues indo-européennes est probablement née dans les steppes au nord de la mer Noire il y a des milliers d'années.

C'est une preuve de plus que la géographie et l'histoire des sons sont intimement liées, comme deux danseurs qui ne cessent de tourner autour de la même piste.

Résumé technique

1. Problématique

L'article s'attaque à la question de la quantification des relations linguistiques et de la reconstruction de l'histoire évolutive des langues, en se concentrant spécifiquement sur le domaine phonologique. Bien que les distances linguistiques soient couramment utilisées en dialectométrie et en linguistique historique (basées sur le vocabulaire ou la syntaxe), l'exploitation systématique des dépendances à court terme entre phonèmes pour capturer des motifs de parenté à grande échelle reste sous-exploitée.

L'objectif principal est de :

1. Développer une métrique robuste pour mesurer la distance phonologique entre des langues modernes.
2. Vérifier l'existence d'une corrélation entre la distance phonologique et la distance géographique.
3. Utiliser cette corrélation pour contraindre et localiser la région d'origine (la « patrie ») de la famille des langues indo-européennes (IE), un débat majeur opposant notamment l'hypothèse anatolienne à l'hypothèse des steppes.

2. Méthodologie

L'approche proposée repose sur un cadre théorie de l'information appliqué à un corpus parallèle multilingue.

A. Données et Prétraitement

• Corpus : 129 traductions de la Bible (choisies pour leur accessibilité et leur longueur similaire), couvrant 67 langues modernes.
• Transcription : Conversion du texte en alphabet phonétique international (API) via Phonemizer et Epitran.
• Nettoyage : Suppression des traits suprasegmentaux (tons, diacritiques subtils) et normalisation de la longueur des voyelles, tout en conservant les distinctions phonémiques cruciales (aspiration, palatalisation, nasalisation, etc.).
• Validation : Comparaison avec la base de données WikiPron pour évaluer la fiabilité des transcriptions automatiques.

B. Modélisation Informationnelle

Les auteurs modélisent les séquences de phonèmes comme un processus stochastique (chaîne de Markov d'ordre élevé).

• Approche : Ils ignorent les limites des mots pour capturer les corrélations inter-mots.
• Entropie de bloc : Calcul de l'entropie $H_r$ pour des blocs de phonèmes de taille $r$ (r-phones).
• Gain de prédictibilité ($G_u$) : Utilisation de la dérivée seconde discrète de l'entropie pour déterminer l'ordre de mémoire du système.
• Résultat clé : L'analyse montre que le gain d'information sature après l'ordre 2. Ainsi, les séquences de phonèmes peuvent être efficacement modélisées comme des chaînes de Markov d'ordre 2 (modèles de triphones), ce qui capture l'essentiel des propriétés statistiques du système phonologique sans sur-ajustement.

C. Métrique de Distance

Pour comparer deux langues, les auteurs ne se contentent pas de comparer les fréquences brutes des triphones (ce qui traiterait tous les triphones comme équidistants).

1. Encodage des traits articulatories : Chaque phonème est représenté par un vecteur de 24 traits articulatories (ex: sonnant, nasal, antérieur, etc.). Un triphone devient donc un vecteur de 72 dimensions (réduit à 60).
2. Distance de Wasserstein (Earth Mover's Distance) : La distance phonologique entre deux langues est calculée comme le coût minimal de transformation de la distribution de probabilité des triphones d'une langue vers celle de l'autre, en utilisant la distance d'édition basée sur les traits articulatories comme métrique de coût locale.

3. Résultats Principaux

A. Reconstruction des Familles Linguistiques

La matrice de distances phonologiques obtenue permet de retrouver les grandes familles linguistiques connues sans utiliser de données génétiques ou historiques préexistantes :

• Regroupement clair des langues Altaïques, Germaniques, Slaves et Indo-Aryennes.
• Distinction des sous-groupes Romans (avec des clusters pour le roumain/italien/espagnol et le français/portugais/catalan).
• Identification de similarités dues au contact linguistique (convergence), comme la proximité phonologique entre le basque et l'espagnol, ou entre les langues dravidiennes et indo-aryennes.

B. Corrélation Géographique

Une analyse de régression révèle une corrélation positive significative entre la distance phonologique et la distance géographique (géodésique) :

• Plus deux langues sont éloignées géographiquement, plus leur distance phonologique est grande.
• Cette corrélation est plus forte pour les langues indo-européennes ($R_d \approx 0,496$) que pour l'ensemble des langues ($R_d \approx 0,428$), suggérant que la phylogénie joue un rôle prépondérant dans la divergence phonétique au sein d'une même famille.

C. Localisation de la Patrie Indo-Européenne

En exploitant la relation linéaire entre distance phonologique et distance géographique, les auteurs appliquent une méthode d'optimisation :

1. Ils calculent la distribution moyenne des triphones pour les 39 langues IE de l'échantillon.
2. Ils estiment la distance géographique attendue entre chaque langue et un point hypothétique d'origine, basée sur sa distance phonologique à la moyenne.
3. Ils minimisent la somme des carrés des résidus entre les distances prédites et les distances géographiques réelles.

Résultat : Le point optimal ($r^*$) et sa région d'incertitude (95 %) se situent au nord de la mer Noire, dans la région des steppes pontiques.

4. Contributions et Signification

• Innovation Méthodologique : L'article démontre que les dépendances phonémiques à court terme (modélisées par des chaînes de Markov d'ordre 2) contiennent suffisamment d'information pour reconstruire des arbres linguistiques et mesurer la parenté, offrant une alternative aux méthodes basées sur le lexique (comme la liste de Swadesh).
• Preuve Quantitative pour l'Hypothèse des Steppes : En utilisant une approche purement synchronique et statistique sur des données phonologiques modernes, l'étude fournit une preuve indépendante qui soutient l'hypothèse des steppes (Kurgan) pour l'origine des langues indo-européennes, en accord avec les récentes découvertes génétiques.
• Distinction entre Héritage et Contact : La méthode permet de distinguer les similarités dues à l'ascendance commune de celles dues au contact linguistique (convergence), enrichissant la typologie linguistique quantitative.
• Limites et Perspectives : L'étude reconnaît certaines limites (biais du corpus biblique, traitement des variétés dialectales) et suggère des pistes futures, notamment l'intégration de données diachroniques ou l'application de méthodes phylogénétiques bayésiennes pour dater les divergences.

En conclusion, cet article établit un lien robuste entre la structure statistique des phonèmes, la géographie et l'évolution historique, validant l'usage de la théorie de l'information pour résoudre des problèmes complexes de linguistique historique.