Automatic Annotation of Ancient Greek Vowel Length
Cet article présente le premier macroniseur à usage général et basé sur des règles pour le grec ancien qui annote automatiquement la longueur des voyelles dans les lettres dichrones en utilisant le contexte morphologique, et démontre que son résultat entraîne efficacement un transformeur au niveau des caractères pour atteindre une précision élevée tant sur les vers que sur la prose, tout en améliorant les tâches prosodiques en aval.
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 que vous soyez un détective tentant de résoudre un mystère écrit dans un code perdu depuis deux mille ans. Ce code est le grec ancien, une langue qui nous a donné la philosophie, le drame et les fondements mêmes de la science occidentale. Mais voici le rebondissement : les anciens scribes qui ont écrit ces textes n'utilisaient pas un alphabet complet de sons — ils avaient une version « courte » et une version « longue » de trois lettres spécifiques — alpha, iota et upsilon — mais ils ne les écrivaient pas différemment sur la page. C'est comme si l'anglais avait deux versions de la lettre « a » (une courte comme dans « cat », une longue comme dans « father »), mais que nous écrivions simplement « a » pour les deux. Pour donner du sens à la poésie, à la grammaire et au sens, vous devez découvrir quelle « a » était intentionnelle. Ce n'est pas seulement un concours d'orthographe ; en grec ancien, se tromper de longueur peut transformer un mot de verbe en nom, ou transformer une question en commandement. Pendant des décennies, les ordinateurs essayant de lire ces textes sont restés bloqués car ils ne pouvaient pas faire la différence. Sans connaître la longueur, l'ordinateur est comme un musicien essayant de jouer une chanson sans savoir quelles notes sont tenues longues ou courtes.
C'est ici que commence l'histoire de « l'annotation automatique de la longueur des voyelles du grec ancien ». Les auteurs, Albin Thörn Cleland et Eric Cullhed, s'attaquent à un problème appelé « macronisation ». Considérez la macronisation comme l'ajout de petits signes musicaux (comme un petit trait ou un petit chapeau) au-dessus des lettres pour dire à l'ordinateur : « Tenez ce son » ou « Dites-le rapidement ». Le défi est colossal : il existe des millions de formes de mots, et la règle pour savoir si une lettre est longue ou courte dépend d'un mélange vertigineux de facteurs — ce que le mot signifie, la façon dont il est construit, le dialecte, la période historique et même le rythme du poème dans lequel il se trouve. C'est un « problème de longue traîne », ce qui signifie qu'il y a tellement de cas rares et étranges qu'une simple liste de règles ne peut pas tous les couvrir. Les chercheurs voulaient savoir : pouvons-nous construire un programme informatique qui fasse cela automatiquement ? Et si nous le faisons, cela aide-t-il réellement les ordinateurs à mieux comprendre le grec ?
La boîte à outils du détective : règles et récursion
L'équipe a commencé par construire un « macroniseur basé sur des règles ». Imaginez cela comme un bibliothécaire très strict et très instruit qui a mémorisé des milliers de livres de grammaire et de dictionnaires. Ce bibliothécaire suit un ensemble spécifique d'instructions : « Si le mot ressemble à ceci et se termine par cela, la voyelle doit être longue. » Si le bibliothécaire n'est pas sûr à 100 %, il laisse la lettre vide plutôt que de deviner.
Ils ont nourri ce bibliothécaire avec une immense bibliothèque de textes en grec ancien contenant 40 millions de mots. Le bibliothécaire s'est montré étonnamment efficace, parvenant à déterminer la longueur d'environ 69 % des lettres complexes. Mais le bibliothécaire avait une faiblesse : il était trop prudent. Si un mot était rare ou ne correspondait pas parfaitement à son livre de règles, il abandonnait simplement et laissait l'espace vide. Il ne pouvait pas « deviner » comme le ferait un humain en utilisant des indices contextuels pour combler les lacunes.
L'étudiant qui apprend à deviner
Pour corriger l'hésitation du bibliothécaire, les auteurs ont tenté quelque chose d'astucieux. Ils ont pris le travail du bibliothécaire — les 69 % de mots dont le bibliothécaire était sûr — et l'ont utilisé comme « manuel scolaire » pour entraîner un nouvel étudiant : une petite intelligence artificielle appelée « transformer au niveau des caractères ».
Considérez l'étudiant IA comme un brillant apprenti qui observe le travail du bibliothécaire. L'apprenti apprend des bonnes réponses du bibliothécaire, mais il est également entraîné à observer les lettres elles-mêmes, une par une, pour repérer les modèles que le bibliothécaire a manqués. Le tour astucieux ici est que l'apprenti a été chargé d'ignorer les parties où le bibliothécaire n'était pas sûr. Cela a empêché l'apprenti d'apprendre les doutes du bibliothécaire ; au lieu de cela, l'apprenti a appris à généraliser, à regarder la forme d'un mot et à dire : « Je parie que celui-ci est long », même si le bibliothécaire n'avait aucune règle pour lui.
Les résultats ont été impressionnants. Alors que le bibliothécaire strict couvrait environ 70 % des lettres, l'apprenti IA en couvrait près de 99,7 %. Plus important encore, l'apprenti n'a pas deviné au hasard ; il a obtenu la bonne réponse plus souvent que le bibliothécaire sur les cas les plus difficiles. Testé sur un référentiel de référence vérifié manuellement, l'IA a atteint une précision de plus de 92 %, prouvant qu'elle pouvait apprendre le « ressenti » de la langue au-delà du simple respect de règles rigides.
Pourquoi c'est important : scanner le rythme
Les chercheurs ne se sont pas arrêtés à l'étiquetage des lettres ; ils voulaient voir si cette nouvelle compétence aidait réellement les ordinateurs à accomplir d'autres tâches. Ils ont testé cela sur la « scansion », qui est l'art de comprendre le rythme d'un poème. Dans la poésie grecque ancienne, le rythme dépend entièrement de si une syllabe est « lourde » (longue) ou « légère » (courte).
Ils ont pris un programme informatique conçu pour lire la poésie et lui ont donné deux versions du même texte : une avec les nouveaux signes de longueur de voyelles et une sans. Le résultat ? Le programme qui a reçu le texte « macronisé » était environ 5,8 % meilleur pour identifier le rythme correct. C'est un bond significatif dans le monde de l'informatique. Cela montre qu'enseigner à un ordinateur la musicalité cachée de la langue l'aide à comprendre bien mieux la structure de la poésie.
Les petits caractères
Bien sûr, ce n'est pas une baguette magique qui résout tout. Les auteurs sont très clairs sur les limites. Leur système est actuellement réglé sur le grec « attique », le dialecte d'Athènes. Si vous lui soumettez de la poésie d'autres régions ou de périodes ultérieures, il pourrait se tromper sur les longueurs car il applique les « règles attiques » à des mots non attiques. C'est comme si un guide de l'accent new-yorkais essayait d'apprendre à quelqu'un comment parler avec un accent du Sud ; cela peut fonctionner pour certains mots, mais cela en fera faux pour d'autres.
De plus, l'étudiant IA a appris du manuel du bibliothécaire. Si le bibliothécaire a commis une erreur dans les règles, l'étudiant a aussi appris cette erreur. Le système n'est aussi bon que les règles et les données sur lesquelles il a été construit. Cependant, les auteurs ont mis leurs outils, leurs données et leur référentiel à la disposition de tous. Cela signifie que d'autres chercheurs peuvent désormais prendre cet « apprenti », l'instruire avec de meilleurs manuels, et peut-être un jour percer le code de chaque dialecte et de chaque époque du grec ancien, transformant un script silencieux et ambigu en une langue pleinement audible et rythmique.
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.