The Digital Afterlife of Empires: Four Language Models Converge on the Same Imperial Cartography of Writing

Résumé Technique : L'Au-delà Numérique des Empires

Énoncé du Problème
Les modèles de langage de grande taille (LLM) traitent les systèmes d'écriture du monde avec une inégalité radicale. Si les écritures des empires historiques (ex. : latin, cyrillique, arabe) sont traitées efficacement, les écritures des communautés colonisées ou marginalisées souffrent d'une exclusion numérique significative. Cet article examine si les infrastructures numériques contemporaines et les LLM reproduisent les inégalités structurelles infligées par les empires historiques. Plus précisément, il demande si les « horloges culturelles brisées » des systèmes d'écriture — documentées dans une étude complémentaire (Fukui, 2026) comme étant des déviations structurelles causées par l'intervention impériale — persistent dans l'espace latent des modèles de langage modernes à travers le corpus d'entraînement partagé, plutôt que par des choix de conception architecturale spécifiques.

Méthodologie
L'étude construit l'Indice de Représentation des Écritures Numériques (DSRI), un instrument à sept axes appliqué à la Base de Données Mondiale des Écritures (GSD), qui répertorie 300 systèmes d'écriture sur 43 000 ans d'histoire. Le DSRI mesure la présence numérique selon :

1. Ratio d'Efficacité de Tokenisation (TER) : Le nombre de tokens requis pour représenter un groupe de graphèmes par rapport à une référence latine, mesuré à travers quatre tokeniseurs (tiktoken, Mistral, Qwen, Phi-4) en utilisant des textes parallèles (DUDH, Bible) et des corpus Wikipédia.
2. Couverture Unicode : Statut d'encodage, plages de points de code et versionnage.
3. Volume du Corpus Web : Dérivé du nombre d'articles Wikipédia et du nombre d'octets du corpus CC-100.
4. Fidélité de Génération des LLM : Précision de la réponse à 10 questions typologiques binaires (ex. : directionnalité, usage religieux) par rapport à la vérité terrain de la GSD.
5. Support OCR : Taux d'erreur de caractères via Tesseract, Google Cloud Vision et Azure.
6. Couverture de la Traduction Automatique : Support binaire via Google, NLLB-200 et DeepL.
7. Disponibilité des Méthodes de Saisie : Support natif des claviers/IME sur iOS, Android, Windows et macOS.

Pour répondre à la circularité consistant à utiliser un seul LLM à la fois comme instrument et comme objet, l'étude emploie un protocole de validation inter-architectures. Quatre familles de LLM indépendantes (Claude Haiku 4.5, GPT-4o, Grok-3-mini, DeepSeek-V3) ont été interrogées avec 3 000 prompts typologiques identiques (300 écritures × 10 caractéristiques), produisant 12 000 réponses.

Les analyses statistiques incluent :

• Modélisation de Médiation Sérielle : Test du cheminement Intervention Impériale → Population de Locuteurs → Volume du Corpus Web → Efficacité du Tokeniseur.
• Modélisation par Équations Structurelles (SEM) : Évaluation de l'ajustement du modèle à $n=45$ (la limite des écritures avec un texte parallèle mesurable).
• Analyse de Convergence : Calcul des corrélations de Spearman des écarts d'erreur (taux de faux positifs et de faux négatifs) entre les paires de modèles pour identifier les biais indépendants de l'architecture.
• Tests de Sensibilité : Exclusion de la caractéristique « utilisé pour la religion » pour tester si la convergence est pilotée par un codage unique et contesté de la vérité terrain.

Résultats Clés

1. Entonnoir d'Exclusion Numérique : Seules 29 des 300 écritures (9,7 %) sont pleinement supportées par l'infrastructure numérique contemporaine. Parmi les 158 écritures vivantes, 60 (38,0 %) manquent d'un support complet. L'exclusion suit une géographie coloniale, les écritures d'Afrique, d'Asie du Sud/Sud-Est et d'Océanie étant disproportionnellement affectées.
2. La « Taxe Numérique » : L'efficacité de la tokenisation varie d'un facteur de 31,7 à travers les 45 écritures mesurées (référence latine = 1,0 ; Limbu = 31,7×). Cette disparité est constante à travers quatre tokeniseurs indépendants, indiquant une cause structurelle plutôt qu'une cause spécifique à l'implémentation. Les écritures présentant les coûts de token les plus élevés manquent souvent de corpus web en langage naturel (ex. : absence de paragraphes Wikipédia), ce qui aggrave l'exclusion.
3. Médiation Causale : La relation entre l'intervention impériale et l'inefficacité de la tokenisation est entièrement médiée par la population de locuteurs et le volume du corpus web. L'effet direct de l'empire sur la tokenisation est indiscernable de zéro ($\beta = -0,22, p = 0,39$). Le modèle d'équations structurelles atteint un ajustement quasi parfait à $n=45$ (CFI = 1,01, RMSEA = 0,00), la présence numérique contribuant à un $\Delta R^2$ incrémentiel de 0,366.
4. Convergence Inter-Architecture : Quatre LLM indépendants présentent des schémas d'erreurs hautement corrélés ($\rho = ,85–0,98$) lorsqu'ils s'écartent des attentes de base. Cette convergence persiste même lorsque la caractéristique « religion » est exclue, suggérant que le biais est externe à tout modèle unique et réside dans le substrat textuel partagé.
5. Erreurs Unanimes : Les quatre modèles répondent de manière identique et erronée à 172 items écriture-caractéristique. La sur-attribution (assigner une caractéristique absente) surpasse la sous-reconnaissance selon un ratio de 3,9:1. La caractéristique « utilisé pour la religion » concentre 43,6 % de ces erreurs. Lorsqu'elle est exclue, l'asymétrie persiste à 1,77:1 ($p = 0,008$), indiquant un biais multicanal où les écritures non occidentales sont systématiquement cartographiées sur des modèles d'origines « anciennes », « pictographiques » ou « religieuses ».
6. Deux Blessures Indépendantes : L'étude trouve une indépendance statistique entre la perturbation structurelle des écritures (déviation de l'horloge moléculaire) et la destruction démographique des communautés utilisatrices d'écritures (statut de repli sur l'octet/byte-fallback). Les empires infligent les deux : altérant la forme de l'écriture et détruisant la communauté qui l'utilise.

Signification et Revendications
L'article soutient que l'« empire » n'a pas besoin d'empereur pour reproduire sa violence à l'ère numérique. Les inégalités structurelles de l'histoire coloniale se sont sédimentées dans la distribution statistique du web mondial. Parce que les LLM sont entraînés sur ce corpus, ils héritent et reproduisent ces biais avec une « fidélité mathématique », indépendamment de leur architecture spécifique ou de l'organisation qui les a construits.

Les conclusions remettent en question l'idée que le biais est le résultat de choix de conception de modèles spécifiques ou de procédures d'alignement. Au contraire, l'article pose que la assimilation computationnelle — l'attribution systématique de caractéristiques d'écritures majoritaires à des écritures minoritaires — est une propriété du substrat textuel lui-même. La convergence de quatre modèles indépendants suggère que « l'imagerie impériale de l'écriture » est encodée dans les données, et non dans les algorithmes.

Les auteurs présentent modestement les résultats de la médiation causale comme « suggestifs plutôt que confirmatifs » en raison de la fragilité statistique à la marge (l'intervalle bootstrap BCa frôle zéro), reconnaissant que la taille de l'échantillon $n=45$ est un « horizon » imposé par l'exclusion numérique elle-même, et non une limitation de l'échantillonnage aléatoire. Cependant, la convergence inter-architecture fournit une preuve robuste et indépendante que le biais est structurel et en amont des modèles.

L'article conclut que la remédiation ne peut être obtenue par le réglage fin (fine-tuning) de modèles individuels. Puisque le biais est situé dans le corpus, les interventions doivent se faire en amont : étendre les tokeniseurs pour inclure tous les scripts Unicode, corriger l'allocation de vocabulaire basée sur la fréquence, et, plus crucialement, traiter les dommages démographiques et institutionnels infligés par les empires qui ont laissé ces communautés sans voix numérique. L'« au-delà numérique des empires » est préservé non par la malveillance, mais par la méthode de l'apprentissage basé sur la fréquence d'un corpus non neutre.