💬 NLP

Searching for Sound-Meaning Collisions: Graph-Based Affordance Retrieval and Multi-Evaluator Ranking for Pun Translation at CLEF 2026 JOKER Task 2

Cet article présente un système de recherche basé sur les graphes et de classement par multi-évaluateurs pour la traduction de jeux de mots qui valide computationnellement la théorie de Low en démontant qu'une traduction réussie repose sur la découverte de nouvelles collisions son-sens dans la langue cible plutôt que sur la préservation des mots sources, tout en identifiant la recherche comme l'actuel principal goulot d'étranglement.

Auteurs originaux : Russell Taylor, Adam Brikman, Prateek Awate

Publié 2026-08-06

📖 7 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Russell Taylor, Adam Brikman, Prateek Awate

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 essayez de traduire une blague d'une langue à une autre, mais que la blague repose sur un mot qui évoque deux choses différentes à la fois. En anglais, on pourrait dire : « I'm on a seafood diet; I see food and I eat it » (Je suis au régime « seafood » ; je vois de la nourriture et je la mange). L'humour provient du fait que le son « sea » correspond à « see ». Si vous tentez de traduire cela mot à mot en français, la blague meurt instantanément car les mots français pour « mer » et « voir » ne se ressemblent pas. C'est le problème « impossible » de la traduction de calembours : la magie réside dans la collision accidentelle entre le son et le sens, et cet accident survit rarement au voyage vers une nouvelle langue.

Depuis des décennies, les traducteurs savent que le secret ne consiste pas à garder le mot original, mais à trouver un nouveau mot dans la langue cible qui crée un choc similaire entre le son et le sens. C'est comme essayer de construire un pont entre deux îles ; si le pont original est détruit, il faut trouver un nouvel endroit où l'eau est assez peu profonde pour construire un nouveau passage. Ce document explore comment nous pouvons apprendre aux ordinateurs à faire exactement cela : arrêter de chercher le même mot et commencer à chercher de nouveaux endroits où le son et le sens s'entrechoquent.

La chasse au trésor de l'ordinateur pour les jeux de mots

Dans ce document, des chercheurs du Georgia Institute of Technology traitent la traduction d'un calembour non pas comme un simple échange de mots, mais comme une aventure en trois étapes : Découverte, Exploration et Sélection. Ils ont construit un système conçu pour traquer les « affordances » — un mot savant pour désigner les « opportunités » ou les « ponts » dans la langue cible, là où un son et un sens entrent en collision de manière amusante.

Étape 1 : La Découverte (Trouver les ponts)
L'équipe a réalisé que pour trouver un calembour, on ne peut pas se contenter de regarder des mots isolés ; il faut aussi observer les expressions et les schémas sonores. Ils ont construit une immense bibliothèque numérique d'expressions françaises et une carte spéciale de la façon dont les mots français sonnent (en utilisant des codes phonétiques).

La Carte Sémantique : Ils ont cherché des groupes de mots partageant un sens (comme un quartier de mots autour de la « nourriture »).
La Carte Sonore : Ils ont construit un graphe connectant des mots qui se ressemblent, pas seulement des jumeaux exacts, mais aussi des cousins qui riment ou partagent un rythme similaire.

L'ordinateur tente ensuite de trouver un « pont » reliant les deux côtés de la blague originale. Par exemple, si la blague relie « l'argent » et « le temps », l'ordinateur cherche dans la langue française un mot qui sonne comme un mot lié à « l'argent » mais qui signifie « le temps », ou vice versa. Ils appellent ces ponts potentiels des « affordances ».

Étape 2 : L'Exploration (Générer des candidats)
Une fois que l'ordinateur trouve ces ponts, il ne se contente pas d'en choisir un. Il envoie l'idée à plusieurs « rédacteurs » IA (modèles de langage étendus). Ces rédacteurs reçoivent l'instruction suivante : « Voici un pont que vous avez trouvé ; maintenant, écrivez une blague en utilisant celui-ci. »
Au lieu d'écrire une seule blague, le système leur demande d'en écrire douze versions différentes. Certaines pourraient être stupides, d'autres ingénieuses, et certaines pourraient être parfaites. Cela transforme le processus de « deviner une réponse » en « générer un menu complet d'options ».

Étape 3 : La Sélection (Le panel de juges)
Vient alors la partie difficile : choisir le vainqueur. Le système utilise un panel de quatre « personas » d'IA pour juger les blagues, tout comme un panel d'experts humains :

Le Comédien : Laquelle est la plus drôle ?
Le Linguiste : Laquelle possède le meilleur jeu de mots ?
L'Éditeur : Laquelle semble naturelle et fluide ?
Le Traducteur : Laquelle conserve le sens original de la blague ?

Ces juges ne se contentent pas de donner une note ; ils classent les blagues. Le système combine ensuite ces classements pour choisir la meilleure blague pour chaque calembour original.

Ce qu'ils ont trouvé (et ce qu'ils n'ont pas trouvé)

Les résultats de cette expérience ont été révélateurs, suggérant que le processus de l'ordinateur ressemble beaucoup à la façon dont les traducteurs humains réfléchissent.

1. La chasse est la partie difficile
Le principal goulot d'étranglement de tout le processus est la phase de « Découverte ». Même avec leurs cartes avancées, le système n'a trouvé un pont utilisable pour environ 50,8 % des blagues. Pour l'autre moitié, l'ordinateur n'a tout simplement pas pu trouver de collision entre son et sens en français qui fonctionne. Cela suggère que pour de nombreux calembours, le « pont » n'existe tout simplement pas dans la langue cible, et la blague doit être abandonnée.

2. Les générateurs adorent les ponts
Lorsque le système trouvait un pont, les rédacteurs IA l'utilisaient. Ils n'ignoraient pas les indices ; ils construisaient activement leurs blagues autour des collisions son et sens trouvées par le système. Plus le système trouvait de ponts, plus les blagues avaient tendance à être bonnes.

3. Les correspondances sonores exactes l'emportent largement
Voici un rebondissement surprenant : bien que le système ait trouvé des milliers de ponts sonores de type « presque identique » (des mots qui se ressemblent presque), les grands gagnants étaient disproportionnellement des correspondances « exactes ». Même si les collisions sonores exactes étaient rares (seulement environ 10,8 % des ponts trouvés), elles constituaient près de 27,5 % des blagues finales gagnantes. Il semble que lorsqu'une collision sonore parfaite existe, elle est trop bonne pour être ignorée.

4. Le juge « Traducteur » est la clé
Lorsque l'équipe a testé différentes manières de combiner les opinions des juges, elle a constaté que prioriser le « Traducteur » (qui se soucie de conserver le sens original) fonctionnait le mieux sur le classement public. Cependant, les auteurs notent une tension ici : le classement semble récompenser la conservation du sens plus qu'il ne récompense l'humour. Le juge « Comédien » choisissait souvent des blagues différentes du « Traducteur », suggérant que ce qui rend une blague drôle pour un humain n'est peut-être pas ce que le système de notation de l'ordinateur valorise actuellement.

5. C'est une recherche, pas un tour de magie
La conclusion la plus importante est que la traduction réussie d'un calembour ne consiste pas à préserver le mot original. Il s'agit de découverte. L'ordinateur doit fouiller l'océan de la langue cible, trouver un endroit caché où le son et le sens s'entrechoquent, puis construire une nouvelle blague à cet endroit.

Les auteurs concluent que leur système imite avec succès le processus proposé il y a des années par un linguiste nommé Low : les traducteurs ne devraient pas chercher des mots équivalents ; ils devraient chercher de nouveaux points de contact. Bien que le système éprouve encore des difficultés avec la moitié des blagues (car les ponts sont difficiles à trouver), il prouve que le chemin vers un calembour traduit n'est pas une ligne droite — c'est une chasse au trésor pour trouver des collisions cachées entre le son et le sens.

Résumé Technique : Recherche d'Affordances par Graphe et Classement par Multi-Évaluateurs pour la Traduction de Calembours

Définition du Problème
La traduction de calembours est considérée comme une tâche computationnelle difficile car les accidents linguistiques spécifiques qui créent les jeux de mots dans une langue source survivent rarement à une traduction directe. Les approches traditionnelles échouent souvent en tentant de préserver le mot source original. Au lieu de cela, s'appuyant sur le cadre théorique de Low, cet article postule qu'une traduction réussie de calembours nécessite d'abandonner la recherche de mots équivalents au profit de la découverte de nouveaux points de contact entre le son et le sens dans la langue cible. Le défi central est de modéliser informatiquement ce processus de découverte, d'exploration et de sélection afin de trouver des « affordances » — des opportunités dans la langue cible où le son et le sens entrent en collision pour soutenir un nouveau jeu de mots.

Méthodologie
Les auteurs proposent un système qui traite la traduction de calembours comme un pipeline de recherche, de génération et de classement, élargissant considérablement leurs soumissions à la CLEF 2025.

Prétraitement et Identification :
- Le pipeline commence par un nettoyage des données pour normaliser l'Unicode, réparer les structures de dialogue et supprimer les artefacts des réseaux sociaux.
- Une étape spécialisée identifie le mot du calembour, son type et deux listes de mots de domaines sémantiques associés. Cette étape utilise des sorties JSON structurées de gemini-3-flash pour préparer les entrations pour la recherche.
Recherche d'Affordances basée sur les Graphes :
- Espace de Recherche Étendu : Dépassant la recherche au niveau du mot, le système utilise une banque de 370 450 expressions françaises (combinant les données de Wiktionary, PARSEME et OpenSubtitles) indexée avec des plongements (embeddings) BAAI/bge-m3.
- Plongements Phonétiques Appris : Un graphe de pertinence phonétique à grande échelle (245 000 paires mot–API uniques) a été construit pour entraîner un encodeur phonétique. Cet encodeur capture des voisinages phonologiques plus larges (rimes, squelettes de consonnes/voyelles, quasi-homophones) plutôt que de simples homophones exacts, en utilisant la Multiple Negatives Ranking Loss.
- Extraction de Ponts (Bridge Mining) : L'espace de recherche est modélisé comme un graphe hétérogène. Le système effectue six étapes ordonnées d'« extraction de ponts par compartimentation » pour connecter les deux domaines sémantiques du calembour source. Cela implique une expansion sémantique des termes sources suivie d'une expansion du voisinage phonétique pour trouver des paires $(x, y)$ où $x$ et $y$ partagent une similitude phonétique tout en s'ancrant dans les domaines sémantiques respectifs.
- Classement et Élagage : Les affordances récupérées sont scorées selon leur similitude phonétique, leur ancrage sémantique, leur naturel et leur utilité pour la construction du calembour. Un élagage heuristique élimine les variantes triviales et impose la diversité.
Génération de Candidats :
- Le système passe d'un paradigme à solution unique à une approche « générer-et-sélectionner ».
- Pour claude-sonnet-4.6 et gemini-3-flash, le générateur produit douze candidats de calembours français distincts par source, traitant les affordances récupérées comme des opportunités créatives plutôt que comme des contraintes strictes.
- gpt-5.5 et gemini-3.1-pro génèrent un seul candidat par exemple pour évaluer les performances des modèles de pointe avec des coûts de génération moindres.
Classement Multi-Agents à Deux Étapes :
- Étape 1 (Sélection Intra-Modèle) : Un modèle juge unique classe les douze candidats d'un générateur en utilisant quatre personas distincts : Humoriste (le plus drôle), Linguiste (le jeu de mots le plus fort), Éditeur (le plus fluide) et Traducteur (la meilleure préservation de l'intention). Les classements sont agrégés via un vote de Borda pondéré pour sélectionner un vainqueur par générateur.
- Étape 2 (Ensemble Cross-Modèle) : Les vainqueurs de l'étape 1, combinés aux candidats uniques des autres modèles, forment un pool de quatre. Ceux-ci sont reclassés par les mêmes quatre personas en utilisant la même stratégie d'agrégation.
- Le système expérimente diverses ordonnances d'agrégation (Juges-d'abord vs Modèles-d'abord) et des pondérations de personas pour optimiser l'ensemble final.

Résultats Clés

Couverture de la Recherche : Le système de recherche étendu a atteint une couverture de 50,8 % du jeu de données (2 064 sur 4 061 calembours), une augmentation significative par rapport aux itérations précédentes. Cependant, près de la moitié des calembours sources n'ont produit aucune affordance utilisable.
Utilisation des Affordances : Bien que la recherche ait fourni des milliers d'affordances, le processus de sélection s'est progressivement concentré sur des ponts de meilleure qualité. Les affordances de « même son » (phonologie exacte), bien qu'elles ne représentent que 10,8 % de l'inventaire récupéré, ont été sélectionnées à des taux disproportionnellement élevés (jusqu'à 27,5 % des finalistes), suggérant qu'elles sont les plus efficaces pour le jeu de mots.
Efficacité du Pipeline : Le score de qualité moyen des affordances augmente à chaque étape du pipeline (passant de 0,677 à la recherche à 0,724 pour les vainqueurs finaux), indiquant que les générateurs et les évaluateurs filtrent avec succès les collisions son-sens les plus fortes.
Performance sur le Leaderboard : Le système a obtenu la première place du classement public de la tâche 2 JOKER de la CLEF 2026 avec un score de 37,783. L'analyse a révélé que les stratégies de sélection « axées sur le traducteur » (priorisant la fidélité sémantique) ont surpassé les stratégies « humoriste » ou « éditeur », suggérant que les métriques automatiques récompensent la préservation du sens plutôt que la créativité du jeu de mots.
Dynamique d'Évaluation : Un désaccord significatif a été observé entre les personas des juges (par exemple, seulement 16,8 % d'accord complet pour les exemples de Claude), validant la nécessité d'une agrégation multi-perspective. Un biais de position a également été noté, où l'ordre des candidats influençait les classements même après randomisation.

Signification et Revendications
La principale contribution de l'article n'est pas simplement le classement sur le leaderboard, mais la validation computationnelle du cadre théorique de Low. Les auteurs démontent que la traduction réussie de calembours émerge non pas de la préservation des mots sources, mais d'un processus de recherche qui découvre de nouveaux ponts sémantiques-phonétiques dans la langue cible.

Validation de la Théorie : L'architecture du système — recherche pour la découverte, génération pour l'exploration et classement pour la sélection — reflète les « carrés, pentagones et hexagones » conceptuels de Low, les traduisant en étapes computationnelles concrètes (expansion sémantique, voisinages phonétiques, découverte d'affordances).
Le Goulot d'Étranglement : Les auteurs concluent modestement que, bien que la recherche soit efficace, elle reste le goulot d'étranglement central. La rareté des affordances utilisables (près de 50 % des calembours n'en produisent aucune) suggère que les méthodes de recherche actuelles ne peuvent pas encore pleinement répliquer l'intuition des traducteurs humains capables de naviguer dans de vastes espaces sémantiques et phonologiques.
Nature du Succès : Les résultats indiquent que la traduction réussie de calembours est un processus de recherche de « ponts cachés » où le son et le sens entrent en collision. Le système confirme que les collisions phonologiques exactes sont disproportionnellement précieuses, bien que la difficulté de les trouver par calcul reste un défi important.

L'article conclut que bien que la recherche soit difficile et que de nombreux calembours résistent à la traduction, la réalisation de l'intuition de Low en tant que processus computationnel représente le résultat le plus satisfaisant de ce travail.

La chasse au trésor de l'ordinateur pour les jeux de mots

Ce qu'ils ont trouvé (et ce qu'ils n'ont pas trouvé)

Articles similaires