💬 NLP

Markov reads Pushkin, again: A statistical journey into the poetic world of Evgenij Onegin

Cette étude applique des modèles de Markov et une analyse symbolique pour révéler des régularités structurelles et des asymétries mémorielles entre le texte original russe d'« Eugène Onéguine » et sa traduction italienne, démontrant ainsi la pertinence des approches statistiques minimalistes pour l'analyse poétique comparée.

Auteurs originaux : Angelo Maria Sabatini

Publié 2026-04-23

📖 4 min de lecture☕ Lecture pause café

CC BY 4.0

Auteurs originaux : Angelo Maria Sabatini

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 Poème comme une Symphonie de Voyelles et de Consonnes

Imaginez que vous prenez le célèbre poème Eugène Onéguine d'Alexandre Pouchkine (un classique russe du XIXe siècle) et que vous le transformez en une simple suite de notes de musique. Au lieu de lire les mots, vous ne regardez que le rythme des sons : V pour les voyelles (comme des notes aiguës) et C pour les consonnes (comme des notes graves).

C'est exactement ce que fait cette étude. Elle prend le texte original russe et sa traduction italienne, et les réduit à une longue chaîne de "V" et de "C". C'est comme si on enlevait les vêtements du texte pour ne garder que son squelette rythmique.

🧠 Le "Cerveau" de Markov : Un Détective de l'Ordre

Au début du XXe siècle, un mathématicien russe nommé Andreï Markov a eu une idée géniale : il a regardé ce même poème et s'est demandé : "Est-ce que les lettres s'enchaînent au hasard, ou y a-t-il une logique cachée ?"

Il a découvert que ce n'est pas du tout le hasard. Si vous entendez une voyelle, il y a de fortes chances que la prochaine lettre soit une consonne, et vice-versa. C'est un peu comme si le texte avait une mémoire.

Dans cette nouvelle étude, les chercheurs utilisent un "détective mathématique" (un modèle de Markov) pour mesurer cette mémoire. Ils appellent cela la "Profondeur de la Mémoire" (Memory Depth).

Une mémoire forte signifie que le texte est très prévisible : si vous voyez "V-V", vous savez presque à coup sûr que le prochain sera "C".
Une mémoire faible signifie que le texte devient plus chaotique et imprévisible.

🇷🇺 🆚 🇮🇹 Le Duel : Le Texte Russe vs La Traduction Italienne

C'est ici que l'histoire devient fascinante. Les chercheurs ont comparé le texte original russe avec sa traduction italienne, brique par brique, tout au long du livre.

Le Texte Russe (L'original) : Au début du poème, la structure est très rigide et prévisible. Mais à mesure que l'histoire avance (les personnages vieillissent, les drames se succèdent), la "mémoire" du texte diminue. Le rythme devient plus libre, plus fluide, moins prévisible. C'est comme si le poète, en racontant l'histoire, laissait sa structure se détendre pour mieux refléter les émotions changeantes.
La Traduction Italienne : Elle reste constante. Sa "mémoire" ne change pas vraiment du début à la fin. C'est comme si le traducteur, en essayant de garder le rythme, a lissé les variations naturelles du texte original.

L'analogie : Imaginez un vieux chêne (le texte russe) qui change de forme au fil des saisons, devenant plus tortueux et unique avec le temps. La traduction italienne, elle, ressemble à un arbre taillé en topiaire : il reste parfaitement symétrique et régulier, peu importe la saison.

🔍 Les "Sondes" : Détecter les Émotions dans le Bruit

Pour aller plus loin, les chercheurs ont cherché des motifs spécifiques, qu'ils appellent des "sondes phonologiques". Ils ont cherché des combinaisons de lettres qui apparaissent souvent ensemble et qui pourraient cacher un sens.

Ils ont trouvé une pépite en russe : le motif "вст" (qui se prononce un peu comme "vst").

Ce n'est pas un mot entier, mais une suite de consonnes.
En analysant où ce motif apparaît, ils ont découvert qu'il surgit souvent dans des moments clés de l'histoire : les rencontres, les tensions, les émotions fortes.
C'est comme si le texte, sans le dire explicitement, "battait la mesure" différemment quand les personnages se rencontrent ou tombent amoureux. Le rythme du texte change subtilement pour accompagner l'intrigue.

💡 La Leçon : La Simplicité a du Pouvoir

Le message principal de cette étude est surprenant : on n'a pas besoin d'une intelligence artificielle ultra-complexe pour comprendre la poésie.

En utilisant des outils mathématiques très simples (comme ceux inventés il y a 100 ans par Markov) et en regardant juste les voyelles et les consonnes, on peut quand même :

Voir comment la structure d'un livre évolue avec l'histoire.
Détecter des différences culturelles entre un texte original et sa traduction.
Repérer des moments d'émotion intense cachés dans le rythme des mots.

C'est comme si on pouvait entendre la mélodie cachée d'un orchestre en n'écoutant que le battement des pieds des musiciens, sans même entendre les instruments. Cette étude nous rappelle que derrière chaque grand texte, il y a une structure mathématique et rythmique qui raconte l'histoire tout autant que les mots eux-mêmes.

1. Problématique et Contexte

L'étude vise à réexaminer l'approche pionnière d'Andrej A. Markov (1913), qui a appliqué l'analyse de séries temporelles symboliques à la littérature en encodant Eugène Onéguine d'Alexandre Pouchkine comme une séquence binaire de voyelles (V) et de consonnes (C).

Le problème central est de déterminer si des modèles probabilistes minimalistes, basés uniquement sur la structure graphémique (alternance V/C), peuvent capturer des régularités structurelles profondes et des dynamiques narratives dans un texte poétique complexe. L'article compare le texte original russe avec une traduction italienne contemporaine (Giuseppe Ghini) pour identifier des divergences structurelles et tester l'hypothèse que l'alternance V/C reflète des tendances stylistiques et thématiques, au-delà du simple bruit statistique.

2. Méthodologie

Prétraitement et Encodage :

Corpus : Le texte russe original (8 chapitres, 421 strophes) et sa traduction italienne.
Encodage binaire : Les textes sont convertis en séquences binaires V (voyelle) / C (consonne), en excluant la ponctuation, les espaces et les signes diacritiques spécifiques (ъ, ь), tout en conservant les mots étrangers (latin).
Alignement : Les textes sont alignés au niveau des strophes pour permettre des comparaisons structurelles.

Modélisation Markovienne :
Deux modèles sont utilisés pour analyser les dépendances séquentielles :

Modèle à deux états (ordre 1) : Transitions directes V $\to$ V, V $\to$ C, etc.
Modèle à quatre états (ordre 2 implicite) : L'espace d'état est étendu aux bigrammes (VV, VC, CV, CC). Bien que formellement une chaîne de Markov d'ordre 1, ce modèle encode une mémoire de deux symboles, permettant de capturer des dépendances d'ordre supérieur.

Métriques et Validation :

Profondeur de mémoire (Memory Depth - MD) : Définie comme $MD = 1 - CF $, où$ CF$ est le coefficient de correction (ou coefficient de dispersion) complexe dérivé du modèle à quatre états. Le MD mesure le degré de dépendance séquentielle (0 = dépendance parfaite, 1 = indépendance totale).
Analyse par blocs : Le texte est découpé en blocs de 10 000 caractères pour suivre l'évolution temporelle des métriques.
Validation statistique :
- Utilisation du Moving Block Bootstrap (MBB) pour estimer les intervalles de confiance et gérer l'autocorrélation.
- Tests de Ljung-Box pour rejeter l'hypothèse d'indépendance (i.i.d.).
- Génération de données de substitution (surrogate data) pour vérifier que les tendances observées ne sont pas dues au simple regroupement local de caractères.
Sondage phonologique (Phonological Probes) : Identification de trigrammes spécifiques (VVV, CCC, VVC, CCV) dont la fréquence évolue significativement le long du texte, puis analyse contextuelle de leurs réalisations lexicographiques.

3. Contributions Clés

Réactualisation de l'approche de Markov : L'article démontre que les modèles markoviens minimalistes, combinés aux outils modernes de science des données (bootstrap, analyse longitudinale), restent pertinents pour l'analyse stylométrique.
Découverte d'une asymétrie structurelle : Mise en évidence d'une divergence fondamentale entre l'original russe et la traduction italienne concernant la dynamique de la mémoire phonologique.
Lien entre forme graphémique et narration : Introduction de la méthode des « sondes phonologiques », reliant des motifs V/C spécifiques (comme le trigramme « вст ») à des thèmes narratifs récurrents (rencontres, émotions).
Modèle génératif validé : Démonstration qu'une chaîne de Markov à quatre états suffit à reproduire fidèlement les propriétés statistiques (autocorrélation, distribution des trigrammes) du texte original.

4. Résultats Principaux

Évolution de la Profondeur de Mémoire (MD) :

Texte Russe : On observe une diminution significative et progressive de la MD au fil du texte. Cela indique que la structure V/C devient moins contrainte et plus « aléatoire » (ou moins prévisible par un contexte court) à mesure que le poème avance.
Traduction Italienne : La MD reste stable tout au long du texte, sans tendance marquée.
Analyse de régression : Un modèle linéaire avec interaction confirme que la pente de déclin est statistiquement différente entre les deux versions (l'interaction est négative et significative). Les tests de données de substitution excluent l'hypothèse que ce résultat soit un artefact d'échantillonnage.

Analyse des Trigrammes et Sondes Phonologiques :

L'analyse des trigrammes montre une augmentation des trigrammes « persistants » (VVV, CCC) et une diminution des trigrammes « alternants » (VVC, CCV) dans le texte russe, corrélée à la baisse de la MD.
Cas du trigramme « вст » : Ce motif consonantique persistant présente une tendance ascendante significative.
- Analyse lexicale : Il correspond majoritairement à des racines verbales liées à la rencontre (встречать, встретить) et à l'émotion (чувствовать).
- Corrélation narrative : La fréquence de « вст » est significativement corrélée à la présence des noms des protagonistes (Tatiana et Onéguine) dans les mêmes strophes, suggérant que ce motif phonétique marque structurellement les moments de tension narrative et d'interaction entre les personnages.

Validation du Modèle :

Les simulations basées sur le modèle à quatre états reproduisent avec précision les distributions empiriques de trigrammes et les valeurs de MD, validant le modèle comme une représentation générative adéquate de la structure locale voyelle-consonne.

5. Signification et Implications

Stylométrie et Structure : L'étude prouve que des contraintes métriques et stylistiques (comme le mètre iambique de Pouchkine) laissent une empreinte détectable même dans une représentation binaire très simplifiée. La diminution de la mémoire dans l'original russe pourrait refléter une libération progressive de la structure narrative ou une complexification du discours au fil de l'intrigue.
Limites et Potentiel : Bien que le modèle soit « aveugle » au sens sémantique (il ne connaît pas les mots), il réussit à extraire des signaux thématiques. Cela suggère que la forme phonologique est intrinsèquement liée au contenu narratif dans la poésie russe.
Perspectives Futures : L'article ouvre la voie à l'utilisation de ces modèles minimalistes comme base pour des analyses comparatives interlangues ou comme point de départ pour des encodages plus riches (e.g., modèles de sujets, plongements lexicaux) afin d'explorer la structure sémantique latente.

En résumé, ce travail démontre la robustesse de l'approche markovienne pour l'analyse littéraire, révélant que la structure rythmique et phonologique d'un chef-d'œuvre comme Eugène Onéguine contient des informations statistiques riches sur son évolution narrative et stylistique.