Contextual Embedding Evidence for Main--Light Verb Distinctions in Urdu

Résumé technique : Preuves par plongements contextuels des distinctions entre verbes principaux et verbes légers en ourdou

Problématique et motivation
La grammaire de l'ourdou présente des constructions de verbes légers (LVC) où un verbe lexical (V1) se combine avec un second verbe (V2) qui contribue au sens aspectuel, complétif ou structurel de l'événement tout en présentant un contenu lexical réduit. Bien que la théorie linguistique, particulièrement les travaux de Butt (1995, 2003, 2010) ainsi que de Butt et Lahiri (2013), postule que les verbes légers sont distincts de leurs équivalents verbes principaux tout en conservant une relation lexicale spécifique, il reste incertain de savoir si les modèles de langage contextuels encodent cette distinction. Plus précisément, on ignore si la géométrie représentationnelle des modèles basés sur des encodeurs reflète les prédictions théoriques selon lesquelles : (1) les usages principaux et légers sont systématiquement différenciés, (2) les usages d'un même lemme restent plus proches entre eux qu'avec des paires de lemmes différents, et (3) les verbes légers individuels conservent des profils distincts plutôt que de s'effondrer en une classe homogène.

Méthodologie
L'étude analyse 1 126 phrases naturelles en ourdou contenant sept verbes légers canoniques (āyā, uṭhā, baiṭhā, paṛā, diyā, gayā, liyā). Le jeu de données a été construit à partir d'un corpus interne de 1,6 Go, avec des phrases extraites où le verbe cible apparaissait en position finale de phrase. L'annotation a suivi un protocole d'accord tripartite strict : GPT-5.1 a d'abord classé chaque phrase en utilisant des invites fondées sur les critères linguistiques de Butt, puis deux annotateurs humains experts ont examiné de manière indépendante les étiquettes attribuées par GPT. Seules les phrases pour lesquelles les trois sources (GPT-5.1, Annotateur 1 et Annotateur 2) étaient en plein accord ont été retenues ; toute phrase présentant un seul désaccord a été écartée.

Trois modèles basés sur des encodeurs ont été évalués :

1. UrduBERT : Un modèle BERT-base entraîné de zéro sur un corpus d'ourdou dédupliqué de 5,8 Go.
2. DunbaaBERT : Un modèle de type RoBERTa entraîné sur un corpus d'ourdou de 17 Go.
3. Multilingual BERT (mBERT) : Un modèle multilingue standard non optimisé spécifiquement pour l'ourdou.

La méthodologie a employé trois analyses complémentaires sur les plongements contextuels extraits des dernières couches cachées :

• Séparation représentationnelle : Les distances de cosinus et les scores de silhouette ont été calculés entre les centroïdes d'usage principal et d'usage léger pour chaque verbe et chaque modèle. La signification statistique a été évaluée via des tests de permutation de labels.
• Parenté lexicale : La distance entre les centroïdes principal–léger d'un même lemme a été comparée aux distances inter-lemmes discordantes pour tester si les paires d'un même lemme restent plus proches.
• Structure spécifique au verbe : Une tâche de classification à sept voies a été réalisée pour prédire l'identité du verbe léger. Cela incluait une condition de « cible masquée » où le verbe cible était remplacé par un jeton de masquage, et une évaluation de « forme précédente disjointe » pour tester la généralisation au-delà des combinaisons répétées V1–V2.

Résultats clés

• Différenciation systématique : Les 21 comparaisons verbe-modèle ont montré une séparation représentationnelle significative entre les usages principaux et légers ($p < 0,001$). UrduBERT a présenté les distances de centroïdes les plus grandes (moyenne 0,177) et les scores de silhouette les plus élevés (moyenne 0,272), suivi de mBERT et DunbaaBERT.
• Récupérabilité linéaire et non supervisée : Le sondage logistique a atteint une précision élevée pour distinguer l'usage principal de l'usage léger dans tous les modèles (moyenne F1 d'UrduBERT : 0,997). Cependant, le partitionnement non supervisé KMeans a montré que, bien qu'UrduBERT ait atteint un indice de Rand ajusté (ARI) moyen de 0,778, les autres modèles ont performé près du hasard, indiquant qu'une haute séparabilité linéaire ne garantit pas la formation de deux clusters sphériques dominants.
• Parenté lexicale : Les centroïdes principal–léger d'un même lemme étaient systématiquement plus proches que les paires inter-lemmes discordantes dans tous les modèles. La précision de correspondance Top-1 était de 1,0 pour tous les modèles, soutenant la prédiction que les usages principaux et légers conservent une parenté lexicale malgré leur différenciation.
• Identité du verbe léger : Dans la condition de cible masquée, UrduBERT a atteint une précision de 0,866 et un macro-F1 de 0,852 pour prédire l'identité spécifique du verbe léger, dépassant significativement le hasard. Sous l'évaluation de forme précédente disjointe, UrduBERT a conservé une précision de 0,782, suggérant une généralisation au-delà des cooccurrences de surface immédiates. DunbaaBERT et mBERT ont montré des performances plus faibles mais néanmoins significatives dans les conditions masquées.

Signification et affirmations
L'article fournit des preuves computationnelles cohérentes avec le compte linguistique de Butt sur les verbes légers en ourdou. Les résultats démontrent que les plongements contextuels différencient systématiquement les usages principaux et légers tout en préservant la structure spécifique au lemme. Plus précisément, les résultats soutiennent la vue selon laquelle les verbes légers ne sont pas des marqueurs grammaticaux sémantiquement vides mais conservent des contributions spécifiques au verbe et une relation avec leurs équivalents verbes principaux.

Les auteurs déclarent explicitement que ces conclusions fournissent des preuves des conséquences représentationnelles de l'analyse de Butt sans pour autant établir directement une structure particulière d'entrée lexicale ou un parcours diachronique. L'étude complète les travaux précédents sur les verbes légers en anglais en étendant l'investigation à l'ourdou et en évaluant des prédictions spécifiques concernant la parenté lexicale et la spécificité verbale qui sont centrales à la théorie linguistique de l'ourdou. Les résultats suggèrent que les modèles basés sur des encodeurs, particulièrement ceux entraînés sur des données monolingues en ourdou, capturent la géométrie représentationnelle nuancée des constructions de verbes légers.