💬 NLP

Mapping the City Through the Lens of Language Models

Cet article retrace empiriquement la manière dont les modèles de langage supposent implicitement une ville « ordinaire » en évaluant des profils urbains anonymisés selon 40 indicateurs, révélant un biais partagé vers des formes urbaines plus grandes, à croissance plus rapide et plus denses en infrastructures, où la typicalité et la désirabilité s'alignent souvent.

Auteurs originaux : Wanqi Liu, Rong Zhao, Zhizhou Sha, Qinyu Cui, Yecheng Zhang

Publié 2026-08-05

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Wanqi Liu, Rong Zhao, Zhizhou Sha, Qinyu Cui, Yecheng Zhang

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 pénétrez dans une bibliothèque géante et invisible où les livres sont écrits par un robot super intelligent qui a presque tout lu sur Internet. Ce robot est un « modèle de langage », un type d'IA qui prédit quels mots viennent ensuite dans une phrase. Mais voici la partie délicate : parfois, les gens posent des questions vagues au robot, comme « Parle-moi d'une ville ». Le robot ne sait pas de quelle ville vous parlez. S'agit-il d'un petit village de montagne ? D'une métropole tentaculaire dans le désert ? D'une ville européenne historique ? Pour répondre, le robot doit faire une supposition. Il sort une ville « par défaut » de son chapeau numérique. La grande question est : à quoi ressemble réellement cette ville par défaut ? Le robot imagine-t-il une ville qui ressemble à New York, ou peut-être à une ville de dessin animé générique ? Cela importe car si la ville « moyenne » du robot est erronée, il pourrait donner de mauvais conseils aux architectes, aux urbanistes ou à quiconque essaie de comprendre comment notre monde fonctionne. C'est comme si un chef qui n'a jamais goûté une vraie pizza décidait que la « pizza parfaite » n'était qu'une assiette de fromage et de pain, ignorant la sauce et la croûte.

Ce document est comme une histoire de détective où les auteurs tentent de découvrir à quoi ressemble exactement cette « ville par défaut » dans le cerveau du robot, sans jamais nommer un lieu réel. Ils n'ont pas demandé au robot : « Qu'est-ce qu'une ville typique ? », car cela n'aurait donné qu'une réponse désordonnée et poétique, pleine des mots favoris du robot. Au lieu de cela, ils ont joué à un jeu ingénieux. Ils ont pris des données réelles provenant de milliers de villes réelles à travers le monde — des choses comme leur taille, leur population, le nombre de routes qu'elles possèdent et leur verdure — mais ils ont supprimé tous les noms et localisations de ces données. Ils ont transformé ces villes réelles en « profils » anonymes, comme des cartes d'identité avec des numéros mais sans noms. Ensuite, ils ont présenté ces cartes d'identité à dix versions différentes de modèles de langage et leur ont demandé : « Sur une échelle de 1 à 7, à quel point cela ressemble-t-il à une "ville" pour vous ? »

Les résultats ont été fascinants. Les robots n'ont pas choisi une ville au hasard. Ils ont systématiquement évalué certains types de villes comme étant les « plus typiques ». La « Ville par Défaut » dans l'esprit du robot est étonnamment spécifique. C'est un endroit avec beaucoup de gens (environ 0,5 million), une vaste zone de bâtiments (environ 21 kilomètres carrés) et beaucoup de routes pavées et d'infrastructures. Ce n'est pas une ville calme et clairsemée ; c'est un lieu animé, dense et en pleine croissance. En fait, le robot pense qu'une ville « typique » est beaucoup plus grande et plus développée que la moyenne des villes sur Terre. En fait, la plupart des vraies villes qui correspondent à cette description se trouvent en Europe et en Amérique du Nord, tandis que de nombreuses villes en Afrique et dans certaines parties de l'Asie ont été jugées comme « moins typiques » par les robots, simplement parce qu'elles sont plus petites ou qu'elles croissent de manières différentes.

Les auteurs ont également découvert que l'idée qu'ont les robots d'une ville « typique » est étroitement liée à ce qu'ils considèrent comme une ville « désirable ». Si une ville ressemble à la version idéale du robot, le robot pense aussi que c'est un bon endroit pour vivre. Cela suggère que le robot ne fait pas que décrire ce qui existe ; il décrit ce qu'il veut exister. Cependant, l'étude prend soin de dire que ce n'est pas une carte parfaite de la réalité. Les robots sont biaisés en faveur des lieux grands, modernes et développés parce que c'est ce qu'ils ont vu le plus souvent dans leurs données d'entraînement. Lorsque les chercheurs ont ajusté les données en fonction de la taille et du niveau de développement des villes, les différences régionales ont diminué, mais l'idée centrale est restée : la « ville moyenne » du robot est un centre urbain vaste, en pleine croissance et bien connecté.

En fin de compte, ce document nous montre que lorsque nous interrogeons une IA sur « une ville », nous n'obtenons pas un fait neutre. Nous recevons un reflet des propres biais et expériences du robot. La « Ville par Défaut » est un miroir, nous montrant que ces outils puissants ont tendance à imaginer le monde comme une collection de pôles grands, modernes et développés, négligeant souvent les villes diverses, plus petites ou croissant différemment qui constituent le reste de notre planète. C'est un rappel que même à l'ère numérique, nos outils ont une perspective, et il nous appartient de veiller à ce que cette perspective inclue tout le monde.

Résumé Technique : Cartographier la ville à travers le prisme des modèles de langage

Problématique
Les modèles de langage (LM) résolvent fréquemment les requêtes sous-spécifiées concernant « une ville » en s'appuyant sur des hypothèses non formulées relatives à l'échelle urbaine, à la forme, aux infrastructures et à la fonction. Si les évaluations géographiques existantes se concentrent sur les connaissances factuelles, la performance des tâches ou les disparités associées à des lieux nommés, elles échouent à identifier le « profil urbain » spécifique que les modèles considèrent comme central à la catégorie lorsque l'identité du lieu est absente. Une invite de génération directe (par exemple, « décrivez une ville typique ») est insuffisante car elle confond la centralité de la catégorie avec le style linguistique, la familiarité culturelle et les idéaux normatifs. Cet article répond à la nécessité de tracer empiriquement la « Ville par Défaut » — le classement comportemental des profils urbains anonymes que les modèles privilégient implicitement comme prototype de la catégorie.

Méthodologie
L'étude emploie un cadre rigoureux et auditable pour mesurer le comportement des modèles à travers 40 dimensions morphologiques et fonctionnelles de centres urbains réels, évitant les lieux nommés pour prévenir les biais envers des villes spécifiques.

Fondation des données : Les auteurs utilisent la base de données GHS Urban Centre (R2024A), harmonisant 11 377 centres morphologiques contrôlés par la qualité. Un échantillon de probabilité stratifié de 2 000 profils sert de cadre primaire, avec un échantillon disjoint de 512 profils pour la réplication. Ces profils sont cartographiés selon sept domaines conceptuels : Échelle/Étendue/Changement, Forme bâtie/Utilisation des sols, Réseaux/Mobilité/Infrastructures, Écologie/Environnement, Population/Logement/Vie publique, Économie/Fonction/Centralité, et Culture/Institutions/Identité.
Élicitation comportementale : Dix points de contrôle de modèles de langage à poids ouverts (allant de 7B à 14B de paramètres, incluant Qwen, Gemma, Llama, Mistral, et d'autres) évaluent la typicalité de chaque profil. Au lieu d'une génération ouverte, les modèles fournissent des probabilités de jetons suivants (next-token probabilities) contraintes pour une échelle de notation de 1 à 7. La notation est calculée comme une somme pondérée par la probabilité : $r = \sum k \cdot p(k)$ .
Fiabilité et agrégation : Le cadre implémente des contrôles de fiabilité stricts, incluant l'accord de l'ordre des champs, la dispersion des réponses et des vérifications d'accord de forme réduite. Les modèles sont regroupés par lignée pour créer des composantes de dépendance. L'agrégation consiste à moyenner les valeurs au sein des composantes, puis à travers les composantes pour dériver un consensus équilibré par la dépendance.
Cibles d'analyse : L'étude évalue trois estimands distincts : la typicalité par décompte de villes, la typicality pondérée par la population, et la typicalité équilibrée par région. Elle compare en outre les jugements marginaux par indicateur par rapport aux notations directes de profils complets à 40 indicateurs pour tester la cohérence comportementale.

Contributions clés

Formulation conditionnelle à la population : L'article définit la « centralité de la catégorie géographique » non pas comme un fait statique, mais comme un classement comportemental conditionnel au modèle, à la tâche d'élicitation et à la population de référence.
Cadre multidimensionnel auditable : Il introduit une méthodologie combinant jugements probabilistes, suivi de la provenance, diagnostics de fiabilité, agrégation tenant compte de la dépendance et réplication indépendante pour mesurer les biais urbains latents sans dépendre d'entités nommées.
Caractérisation comportementale mondiale : Il fournit la première délimitation empirique du portrait de la « Ville par Défaut » à travers un ensemble diversifié de modèles à poids ouverts, allant au-delà des biais spécifiques aux tâches pour atteindre des jugements multidimensionnels de la forme urbaine.

Résultats

Le portrait de la Ville par Défaut : L'analyse révèle un noyau récurrent « échelle–croissance–infrastructure ». La ville typique favorisée par ces modèles est caractérisée par une zone développée plus large (environ 21 km²), une croissance démographique récente plus rapide, une infrastructure cartographiée plus importante, une capacité non résidentielle plus élevée et une forme moins clairsemée. Ces profils tombent systématiquement dans les 81e–90e percentiles de leurs distributions mondiales respectives.
Affinité géographique : L'affinité non ajustée est la plus élevée pour les villes d'Europe et d'Amérique du Nord et la plus faible pour l'Afrique subsaharienne et l'Asie centrale/du Sud. Cependant, ce penchant géographique est largement piloté par l'échelle et la composition du développement ; lorsqu'on ajuste pour la population, la surface bâtie, la densité et l'IDH subnational, les disparités régionales diminuent considérablement, bien qu'un biais positif résiduel pour l'Europe subsiste.
Cohérence et variation des modèles : Alors que neuf des dix points de contrôle forment une bande d'accord relativement compacte (divergence médiane 11,1–16,1 %), DeepSeek-R1 montre une divergence distincte. L'accord est plus fort pour la capacité non résidentielle, l'étendue bâtie et l'infrastructure, mais plus faible pour les vues de types de bâtiments et la géométrie de l'empreinte.
Convergence et désirabilité : Les jugements marginaux (par indicateur) montrent un accord modéré avec les notations directes de profils conjoints ( $\rho \approx 0,50$ ), suggérant une cohérence comportementale. De plus, là où ils sont mesurés de manière fiable, la typicalité et la désirabilité sont étroitement alignées ( $\rho \approx 0,985$ ), indiquant que les modèles équivalent souvent ce qui est « typique » avec ce qui est « désirable ».

Signification
L'article affirme rendre la notion vague de ce que les modèles considèrent comme une « ville ordinaire » empiriquement traçable. En délimitant un portrait partagé mais dépendant du modèle, le cadre expose les hypothèses implicites que les modèles de langage détiennent sur les environnements urbains. Les auteurs soulignent que ces scores sont destinés à la recherche et à l'audit ; puisque la typicalité peut naturaliser les normes d'aménagement, les résultats ne doivent pas être utilisés directement pour des applications de planification sans preuves humaines et locales. L'étude étabule que si les modèles partagent un biais central vers des villes plus grandes, en croissance et bien dotées en infrastructures, cette « Ville par Défaut » est une construction comportementale contingente à la distribution d'entraînement du modèle et à la population de référence utilisée pour l'évaluation.

Articles similaires