💻 computer science

A Quantitative Confirmation of the Currier Language Distinction

Ce document fournit des preuves quantitatives étayant la validité de la distinction linguistique A/B de Currier dans le manuscrit de Voynich en démontrant qu'un modèle de mélange bêta-binomial peut retrouver cette séparation sans étiquettes préalables et qu'un classifieur supervisé peut prédire les identités des feuillets avec une précision de 89,2 %.

Auteurs originaux : Christophe Parisel

Publié 2026-04-30

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Christophe Parisel

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

Imaginez le Manuscrit de Voynich comme un livre mystérieux et ancien, écrit dans un code que personne n'a jamais réussi à décrypter. Pendant des décennies, un cryptographe nommé Prescott Currier a eu un pressentiment : ce livre n'est pas écrit dans une seule « langue ». Il pensait qu'il s'agissait en réalité d'un mélange de deux dialectes distincts, qu'il a nommés Langue A et Langue B.

Pendant des années, cela n'était qu'une théorie fondée sur une intuition concernant les motifs des mots. Mais dans ce nouvel article, l'auteur, Christophe Parisel, décide de mettre cette intuition à l'épreuve en utilisant les mathématiques, et non plus de simples conjectures. Considérez cette étude comme un audit médico-légal de l'ADN du livre.

Voici le détail de ce qu'ils ont fait et de ce qu'ils ont découvert, en utilisant des analogies simples :

1. L'outil du détective : « Paires de caractères »

Au lieu d'essayer de lire les mots (ce qui est impossible), les chercheurs ont examiné comment l'auteur choisissait entre des lettres visuellement similaires.

L'analogie : Imaginez que vous écrivez une histoire. Parfois, vous utilisez le mot « couleur », parfois « color ». Si vous alternez entre les deux de manière aléatoire, ce n'est qu'une bizarrerie. Mais si vous utilisez toujours « couleur » dans la première moitié du livre et toujours « color » dans la seconde moitié, cela suggère deux auteurs différents ou deux règles différentes.
L'étude : Ils ont sélectionné 11 paires de lettres qui se ressemblent dans l'écriture de Voynich (comme d vs l, ou or vs ar). Ils ont compté la fréquence d'utilisation de chaque lettre de la paire sur chaque page (folio) individuelle.

2. La grande question : Réel ou simple coïncidence ?

Les chercheurs ont posé trois questions difficiles :

Est-ce simplement du bruit aléatoire ? Les différences pourraient-elles survenir par hasard dans une seule langue ?
Est-ce un effet de la reliure ? La séparation originale de Currier coïncidait fortuitement avec l'endroit où le livre était physiquement cousu (les « cahiers »). Peut-être que le style a changé simplement parce que le scribe a changé, et non parce que la langue a changé.
Peut-on le prédire ? Si nous cachons les étiquettes (A ou B) et laissons un ordinateur deviner, peut-il déterminer dans quelle « langue » se trouve une page uniquement en examinant les comptes de lettres ?

3. Les résultats : La théorie des « deux langues » se confirme

L'étude a utilisé un modèle statistique sophistiqué (un mélange Beta-Binomial) qui agit comme un trieur intelligent. Il a examiné les chiffres bruts sans savoir quelle page était A ou B.

Le tri « magique » : Même sans connaître les réponses, l'ordinateur a naturellement trié les pages en deux groupes distincts. Il a correspondu à la séparation originale A/B de Currier avec environ 38 % de précision (ce qui est considérable en statistiques pour ce type de données) et était confiant à 90 % sur plus de 100 pages.
Le test « en aveugle » : Lorsqu'ils ont entraîné un ordinateur à reconnaître les motifs sur la moitié du livre, puis lui ont demandé de deviner la langue de l'autre moitié, il a eu raison 89,2 % du temps.
L'élimination de la théorie de la « reliure » : Ils ont constaté que lorsque la langue changeait à l'intérieur d'une seule section cousue (un cahier), les motifs de lettres faisaient un bond brusque. Cela prouve que le changement ne concerne pas seulement celui qui a cousu le livre, mais bien le texte lui-même.

4. Les trois « types de personnalité » des lettres

L'étude a découvert que les paires de lettres ne se comportent pas toutes de la même manière. Elles se divisent en trois groupes, comme différents types d'employés dans une entreprise :

Les « Commuteurs » (Catégoriels) : Ces lettres sont strictes. Si la page est en Langue A, elles utilisent une lettre. Si c'est la Langue B, elles passent à l'autre. Ce sont les « cartes d'identité » qui prouvent l'existence des deux langues.
Les « Penchants » (Intermédiaires) : Ces lettres ont une préférence mais ne sont pas strictes. Elles penchent vers un style ou l'autre, agissant comme un signal subtil.
Les « Esprits libres » (Variation libre) : Ces lettres ne se soucient pas de la langue du tout. Elles changent de manière aléatoire, peu importe qu'il s'agisse de la page A ou B.

5. L'anomalie « surprise »

Une paire de lettres (e/ch) était étrange. Elle n'a pas aidé à trier les pages en A ou B, mais elle était la meilleure pour repérer l'instant exact où la langue passait de l'une à l'autre. C'est comme un détecteur de fumée qui ne vous dit pas dans quelle pièce se trouve l'incendie, mais qui hurle dès que le feu commence.

La conclusion

L'article conclut que Currier avait raison. Le Manuscrit de Voynich n'est pas un texte unique et uniforme. Il contient une division structurelle réelle entre deux « langues » (ou régimes d'écriture) distinctes.

Ce n'est pas aléatoire : Les motifs sont trop forts pour être un hasard.
Ce n'est pas un tour de passe-passe physique : Le changement se produit même au sein de la même section physique du livre.
C'est prévisible : Un ordinateur peut examiner les statistiques des lettres et deviner la langue avec une grande précision.

Cependant, l'étude note également que la séparation « A vs B » n'explique que 29 % environ des différences dans le texte. Cela signifie qu'il reste encore beaucoup de complexité et de structure cachées dans le livre que nous n'avons pas encore élucidées, mais la théorie des « Deux Langues » est définitivement un fait réel et mesurable, et non pas un simple mythe.

1. Énoncé du problème

L'article examine la validité de l'hypothèse de Prescott Currier de 1976 selon laquelle le Manuscrit Voynich contient deux « langues » distinctes (désignées Currier A et Currier B). Bien que largement citée, cette distinction a historiquement manqué de validation quantitative rigoureuse par rapport à des hypothèses nulles explicites. L'étude cherche à résoudre trois défis spécifiques :

Fluctuation statistique : Déterminer si les différences observées ne sont que du bruit aléatoire au sein d'un texte homogène unique.
Facteurs confondants codicologiques : Vérifier si la distinction est une propriété linguistique réelle ou un artefact de la structure physique du manuscrit (par exemple, les limites de cahiers), l'affectation originale de Currier étant corrélée à ces divisions physiques.
Prévisibilité intrinsèque : Établir si la distinction A/B est une propriété statistique intrinsèque, découvrable sans étiquettes préalables et capable de prédire le comportement de textes non vus.

2. Méthodologie

Les auteurs ont employé une approche quantitative multiforme utilisant la transcription Takahashi EVA (32 693 jetons de mots répartis sur 185 folios).

Représentation des données : L'étude s'est concentrée sur 11 paires de caractères EVA visuellement similaires (par exemple, k/t, d/l, or/ar). Pour chaque folio, le rapport $r = \frac{\text{comptage}(a)}{\text{comptage}(a) + \text{comptage}(b)}$ a été calculé pour chaque paire, sous réserve qu'un seuil minimum de 20 occurrences combinées soit atteint.
Lignes de base de simulation : Pour tester les hypothèses nulles, trois modèles ont été générés :
- Mélange d'étiquettes : Texte réel avec des étiquettes A/B randomisées.
- Markov unique : Texte synthétique issu d'un seul modèle de Markov homogène.
- Markov divisé : Texte synthétique issu de modèles de Markov A et B séparés (contrôle positif).
Récupération non supervisée : Des algorithmes de clustering (K-means, GMM, etc.) ont été appliqués à la matrice folio × rapport de paires sans accès aux étiquettes de Currier pour voir si les données se partitionnaient naturellement en deux groupes.
Modélisation générative : Un modèle de mélange Bêta-Binomial a été ajusté aux comptes bruts de caractères. Ce modèle suppose que les comptes de folios sont tirés d'une distribution binomiale où la probabilité de succès suit une distribution Bêta spécifique à un régime latent. Le modèle a été ajusté via l'algorithme Espérance-Maximisation (EM) pour déterminer le nombre optimal de régimes ( $k$ ).
Validation prédictive : Un classifieur Bêta-Binomial supervisé a été entraîné sur un sous-ensemble de folios pour prédire l'identité A/B des folios retenus. La validation comprenait la validation croisée, des séparations spatiales (début vs fin du manuscrit) et des tests de permutation.
Analyse des frontières : Les transitions entre folios ont été catégorisées (Même, Cahier uniquement, Langue uniquement, Les deux) pour mesurer l'ampleur des sauts de rapport aux frontières linguistiques par rapport aux frontières physiques du livre.

3. Contributions clés

Découverte non supervisée : Démonstration qu'un modèle génératif ajusté aux comptes bruts sans accès aux étiquettes de Currier récupère indépendamment la séparation A/B (ARI = 0,383), prouvant que la distinction est intrinsèque à la structure des données.
Taxonomie fonctionnelle : Identification que les paires de caractères ne se comportent pas uniformément mais se séparent en trois régimes fonctionnels distincts : Catégoriel, Intermédiaire et Variation libre.
Découplage de la codicologie : Apport de preuves statistiques que les transitions linguistiques au sein d'un même cahier produisent des sauts statistiques significativement plus importants que les limites physiques de cahiers, écartant la structure physique comme cause principale de la variation.
Puissance prédictive : Établissement du fait que la connaissance de l'étiquette A/B permet de prédire les statistiques des paires de caractères sur des folios non vus avec une grande précision, passant de la simple description à la prédiction.

4. Résultats clés

Robustesse statistique

V de Cramér : Six des onze paires de caractères ont montré des valeurs de V de Cramér dépassant toutes les 1 000 permutations d'étiquettes aléatoires. Le V de Cramér moyen (0,136) était significativement plus élevé que la ligne de base mélangée (0,025).
Rejet par simulation :
- Le modèle Markov unique n'a pas réussi à reproduire la variance inter-folio observée ni les effets de frontière (0/200 simulations correspondantes).
- Le modèle Markov divisé a correspondu aux statistiques agrégées mais n'a pas réussi à reproduire la forte variance au niveau des folios et la netteté des frontières du manuscrit réel.

Récupération non supervisée et générative

Clustering : Le clustering K-means sur la matrice de rapports a donné un Indice Rand Ajusté (ARI) de 0,208 (significatif, $p < 0,001$ ). Le retrait des paires « bruyantes » a augmenté l'ARI à 0,456.
Mélange Bêta-Binomial : Le modèle a sélectionné $k=2$ comme nombre optimal de composantes sur la base du Critère d'Information Bayésien (BIC).
- Le modèle a assigné 113 des 185 folios (61 %) avec une confiance a posteriori >90 % à l'un des deux régimes.
- La partition récupérée s'alignait sur l'affectation manuelle de Currier (ARI = 0,383).

Validation prédictive

Précision : Le classifieur supervisé a atteint 89,2 % de précision dans la prédiction des étiquettes de folios retenus (Validation croisée).
Significativité : Zéro permutation sur 500 d'étiquettes a atteint une précision comparable ( $p < 0,002$ ).
Variance expliquée : L'étiquette A/B a expliqué 29,3 % de la variance des rapports de paires de caractères sur des folios non vus ( $R^2 = 0,293$ ).
Asymétrie spatiale : Les séparations spatiales forward (début $\to$ fin) ont bien fonctionné (79,6 %), tandis que les séparations backward (fin $\to$ début) ont échoué (41,3 %) en raison d'un déséquilibre de classe (les folios tardifs sont majoritairement B), confirmant que le signal est réel mais sensible à la composition de l'ensemble d'entraînement.

Régimes de paires de caractères

L'étude a catégorisé les 11 paires en trois régimes :

Catégoriel (par exemple, d/l, or/ar) : Commutations quasi-binaires entre régimes ; essentielles pour le clustering.
Intermédiaire (par exemple, ol/al, k/t) : Déplacements modérés de préférence ; portent les signaux de frontière.
Variation libre (par exemple, o/a, ch/sh) : Dépendance quasi-nulle au régime A/B ; représentent probablement une variation allographique.

Note sur l'anomalie : La paire e/ch présentait une corrélation globale quasi-nulle mais l'effet de frontière local le plus fort, suggérant que sa variation est conditionnée par des facteurs autres que le régime binaire (par exemple, la position dans le mot).

5. Signification

Cet article fournit la première confirmation rigoureuse et quantitative que la distinction Currier A/B est une propriété réelle, intrinsèque et prédictive du Manuscrit Voynich, et non un artefact de la structure physique ou du bruit aléatoire.

Implications pour le déchiffrement : Toute théorie du système d'écriture Voynich doit rendre compte d'une structure à double régime où des paires de caractères spécifiques commutent catégoriellement entre régimes tandis que d'autres varient librement.
Nature du texte : Les résultats suggèrent que le manuscrit n'est pas un texte homogène unique mais contient une structure complexe où la séparation binaire A/B est l'axe principal de variation, bien qu'elle n'explique que ~29 % de la variance totale, impliquant l'existence de sous-régimes ou de gradients supplémentaires.
Avancée méthodologique : L'étude démontre l'efficacité des modèles de mélange Bêta-Binomial et de l'apprentissage non supervisé en cryptanalyse, offrant un cadre pour valider des hypothèses linguistiques dans des scripts indéchiffrés sans dépendre d'un étiquetage manuel.