« Ce que l’on conçoit bien s’énonce clairement, et les mots pour le dire arrivent aisément. » Si Nicolas Boileau érige la clarté en vertu de l’expression, la réalité linguistique est plus complexe. La langue française n’est pas un système binaire univoque, mais un ensemble flexible où l’ambiguïté lexicale apparaît souvent. Loin d’être un défaut en soi, les mots à double sens enrichissent la langue française et apportent une dose de subtilité aux messages échangés entre les personnes.

Qu’est-ce qu’une ambiguïté lexicale ?

L’ambiguïté lexicale survient lorsqu’une unité lexicale possède plusieurs interprétations sémantiques. Les linguistes distinguent plusieurs catégories selon la relation entre les sens et l’origine étymologique du mot.

Polysémie et homonymie

Dans la langue française, la polysémie désigne un mot ou une expression issue de la même étymologie qui prend plusieurs sens. La homonymie fait référence aux mots qui s’écrivent ou se prononcent de la même manière tout en ayant une signification différente.

La polysémie : le mot possèdent plusieurs sens, mais ils sont unis par une logique commune. Par exemple, le mot « bouton » désigne aussi bien la fleur qui va éclore, la petite excroissance sur la peau, ou l’objet qui ferme un vêtement. Le lien ? La forme ronde et saillante.

L’homonymie : deux mots aux origines différentes finissent par s’écrire ou se prononcer de la même façon. Le mot « vers » peut désigner l’animal (le ver de terre), la direction (vers le nord), la poésie (un vers de mirliton) ou la couleur (le vert, par homophonie).

Ambiguïté grammaticale

Il s’agit d’une ambiguïté de nature fonctionnelle où un même mot change de classe grammaticale (nom, verbe, adjectif) sans modification morphologique. Par exemple, dans la phrase « le garçon compte les sous de sa tirelire », le mot « compte » est la forme conjuguée du verbe compter. Par contre, lorsque « Julie vérifie le solde de son compte bancaire », le mot « compte » est un nom commun.

Énantiosémie

L’énantiosémie est une forme de polysémie où un mot possède deux sens antonymiques (opposés). Par exemple, Le verbe « louer » signifie aussi bien « donner à bail » que « prendre à bail ». Le nom « hôte » désigne simultanément celui qui reçoit et celui qui est reçu. Ici, seul le contexte de la phrase permet de lever l’ambiguïté.

Paronymie

Il s’agit ici de mots qui se ressemblent que l’on a tendance à les confondre. L’erreur entre « éminent » (prestigieux) et « imminent » (très proche dans le temps) est l’une des plus courantes. L’orthographe et la prononciation de ces mots est proches bien qu’il n’y a aucune logique entre les sens des ces deux mots.

L’ambiguïté lexicale est un formidable terrain de jeu

L’humour et les jeux de mots

Le calembour est le roi de l’ambiguïté. Jouer sur le mot « fin » (qui peut désigner la mort, la conclusion d’un film ou la finesse d’un esprit) permet de créer des décalages qui provoquent le rire. C’est l’art de dire deux choses avec un seul son.

La publicité et le marketing

La publicité et le marketing exploitent également l’ambiguïté lexicale pour capter l’attention du consommateur. Les slogans et les jeux de mots sont couramment utilisés pour créer des messages accrocheurs. Par exemple, une campagne publicitaire pour un café pourrait jouer sur l’idée que « un bon café, c’est de la magie dans chaque tasse », où le mot « magie » peut évoquer à la fois l’enchantement et l’excellence du produit. Cette ambiguïté incite les consommateurs à s’interroger et à retenir l’information.

La poésie

La poésie, quant à elle, utilise l’ambiguïté lexicale pour enrichir les images et les émotions. Les poètes jouent avec les multiples sens des mots pour créer des effets de surprise et de profondeur. Par exemple, dans un poème, le mot « lumière » peut à la fois désigner la clarté physique et symboliser la connaissance ou l’espoir. Cette richesse sémantique permet aux lecteurs d’interpréter les vers de manière personnelle et d’y trouver des significations variées.

Les énigmes

Les énigmes sont un autre domaine où l’ambiguïté lexicale règne en maître. Elles requièrent souvent un jeu de mots astucieux pour amener le lecteur à réfléchir. Par exemple, une énigme classique pourrait demander : « Qu’est-ce qui est toujours devant vous mais ne peut jamais être vu ? » La réponse, « le futur », joue sur l’idée d’un concept qui est à la fois un état temporel et un aspect abstrait.

Dans quelles situations l’ambiguïté lexicale est-elle dangereuse ?

Si elle est une source de richesse créative, l’ambiguïté devient un obstacle majeur lorsque la précision est une question de sécurité, de droit ou de compréhension fondamentale.

Le domaine juridique

En droit, l’interprétation d’un texte peut changer le cours d’un procès. Une loi ou un contrat mal rédigé laisse la porte ouverte à des litiges sur l’intention réelle des parties.Par exemple, dans certains contrats, si l’on précise « un délai de trois jours », l’ambiguïté peut porter sur la nature de ces jours : sont-ils ouvrables (hors week-end), ouvrés ou calendaires ? Une confusion ici peut entraîner l’annulation d’une vente ou des pénalités de retard conséquentes.

Le domaine de la santé

Dans le secteur médical, l’ambiguïté peut avoir des conséquences vitales. Qu’il s’agisse d’une prescription ou d’un diagnostic, le langage doit être totalement dénué d’équivoque. Lorsqu’un patient comprend qu’il doit « traiter » sa plaie (la nettoyer), alors que le médecin entend par là l’application d’un médicament spécifique. De même, la paronymie entre certains noms de médicaments, comme le Lasilix (diurétique) et le Loxapac (neuroleptique), a déjà causé des erreurs d’administration grave par simple confusion sonore ou visuelle lors de la lecture d’une ordonnance manuscrite.

L’apprentissage des langues

Pour un apprenant, l’ambiguïté lexicale est l’un des plus grands freins à la fluidité. Sans le bagage culturel nécessaire pour décoder le contexte, le locuteur étranger se retrouve bloqué par des mots aux sens contradictoires. Selon que l’on prononce le « s » final ou non, ce mot peut signifier une quantité supplémentaire ou, au contraire, une absence totale (« Je n’en veux plus »). Pour un étudiant étranger, la phrase « Il y a plus de pain » est indéchiffrable sans le contexte sonore ou syntaxique (présence ou absence du « ne »), ce qui peut mener à des quiproquos gênants lors d’un repas.

L’Intelligence Artificielle (IA)

La désambiguïsation est un défi majeur dans le Traitement Automatique du Langage Naturel (TALN). Une IA doit calculer statistiquement quel sens donner à un mot en fonction de son environnement lexical. Par exemple, Le mot « avocat ». Si vous demandez à une IA de traduire « L’avocat est au tribunal », elle doit identifier qu’il s’agit du juriste et non du fruit. Si la phrase est « L’avocat est mûr », elle doit basculer vers le fruit. Une erreur de l’algorithme dans un système de traduction automatique peut transformer un compte-rendu judiciaire sérieux en une recette de cuisine absurde ;-).

L’ambiguïté lexicale enrichit la langue française en offrant des nuances et des subtilités, mais elle peut également engendrer des malentendus dans des contextes où la clarté est essentielle. Avec le temps, l’enfant ou l’étudiant étranger sélectionne assez facilement le bon sens du mot dans la phrase. Avec un peu de pratique, les humains lèvent facilement les ambiguïtés lexicales. Pour l’intelligence artificielle, la désambiguïsation lexicale est une tache complexe qui fera l’objet d’un article à part entière.

L’émergence des modèles de langage de grande taille, ou LLM (Large Language Models), marque une étape charnière dans l’histoire de l’informatique. Capables de rédiger des textes complexes, de coder des applications ou de synthétiser des idées avec une aisance presque humaine. Pourtant, ces systèmes ne sont pas dotés d’une conscience et reposent uniquement sur des architectures mathématiques complexes.

Architecture d’un LLM

Un LLM (Large Language Model) est un modèle d’intelligence artificielle qui a la particularité de posséder un grand nombre de paramètres (généralement plus d’un milliard). L’architecture de cette IA repose sur plusieurs couches de réseaux de neurones capables aussi bien de comprendre une demande verbale et non structurée que de fournir un résultat comme le ferait un humain.

Le tokenizer

Avant qu’un modèle puisse assimiler les données, le texte doit être converti en nombres. C’est le rôle du tokenizer, à savoir découper la phrase d’entrée en petites unités appelées tokens. Un token peut aussi bien être un mot entier (« chat »), une partie du mot (syllabe, préfixe, suffixe) ou même un simple caractère. Pour un LLM, une phrase n’est pas une suite de lettres, mais une suite de vecteurs numériques.

Le transformer et le mécanisme d’attention

Le cœur du LLM réside dans l’architecture d’apprentissage profond Transformer, introduite en 2017, l’innovation porte sur l’ajout d’un mécanisme d’attention. Imaginez une phrase complexe : votre cerveau accorde inconsciemment plus d’attention à certains mots clés et comprend leurs relations. Le mécanisme d’attention fait de même. Pour prédire le mot suivant dans une phrase, le modèle calcule un « score d’attention » pour chaque token déterminant ainsi leur importance dans le contexte de la phrase. C’est ce qui permet au modèle de savoir que le pronom « elle » dans un paragraphe se rapporte à « Marie » mentionnée trois phrases plus tôt, et non à un objet féminin aléatoire.

L’encodage de vecteurs multidimensionnels

Avant ce calcul, chaque token est converti en un vecteur ou plongement (embedding). Ces vecteurs sont des représentations mathématiques multidimensionnelles (des centaines, voire des milliers de dimensions) qui capturent non seulement l’identité du mot, mais aussi une part de son sens en fonction de son contexte d’apprentissage. Des mots sémantiquement proches, comme « chien » et « chiot », auront des vecteurs géométriquement proches puisque ces mots sont utilisés dans un contexte similaire.

La prédiction finale

A ce stade, le LLM n’a plus qu’un objectif : prédire le token suivant, calculée en fonction d’une distribution de probabilités. Mais la statistique pure a ses limites : choisir systématiquement l’option la plus sûre produirait un texte plat et répétitif. Pour insuffler un peu de créativité aux réponses, le modèle introduit une dose d’aléatoire. Le paramètre s’appelle « température » et consiste à piocher dans des choix moins évidents. Le mécanisme est censé donner un peu de peps aux textes et imiter le langage humain.

L’entraînement des LLM

Le pré-entraînement (Pre-training)

Le premier entrainement du LLM est l’étape la plus longue. Afin d’initialiser les poids et les relations entre les transformeurs, le modèle ingère de grandes quantités de textes. Ces corpus proviennent le plus souvent d’internet et couvrent de nombreuses sujets Wikipédia, livres numérisés, articles de presse, code source, forums de discussion). Pendant cette phase, le modèle apprend la structure du langage, la grammaire, et emmagasine une quantité massive de connaissances factuelles.

Le fine-tuning supervisé (SFT)

Le modèle pré-entraîné est capable de compléter des phrases, mais il ne sait pas suivre des instructions. Si vous lui demandez « Comment faire une poule au pot ? », il pourrait simplement continuer la phrase par « la poule au pot est une spécialité de la cuisine française …  » au lieu de donner la recette. Durant le fine-tuning, des humains fournissent au modèle des exemples de questions-réponses (dialogues, résumés, traductions). Le modèle apprend alors un nouveau comportement : celui d’un assistant serviable.

Le RLHF (Reinforcement Learning from Human Feedback)

C’est la touche finale qui permet d’aligner le modèle avec les valeurs humaines. Des humains testent le modèle, comparent plusieurs de ses réponses et votent pour la meilleure (la plus pertinente, la moins toxique). Ces données servent à entraîner un « modèle de récompense » qui va ensuite guider le LLM. C’est un système de punition/récompense similaire au dressage : le modèle ajuste ses paramètres pour maximiser la satisfaction humaine. Sans RLHF, les modèles seraient souvent impolis, dangereux ou incohérents.

Est-ce que le modèle LLM comprend le langage humain ?

Le sens émerge du contexte

Pour un LLM, le sens n’est pas intrinsèque, il est définit par le contexte de la phrase. Le mot « avocat » n’a aucune signification isolée pour le modèle. Cependant, s’il est entouré des mots « juge », « loi » et « tribunal », son vecteur s’orientera vers le domaine juridique. S’il est entouré de « guacamole » et « noyau », il s’orientera vers le domaine culinaire. Cette plasticité permet au modèle de gérer les nuances avec une finesse surprenante.

La compression sémantique

Pour prédire efficacement le mot suivant dans n’importe quel contexte (chimie, histoire, codage), le modèle est obligé de développer une représentation interne « compressée » du fonctionnement du monde. Pour prédire la fin d’une phrase expliquant la gravité, il doit avoir « internalisé » une forme de logique physique.
Pourtant, il est crucial de rappeler que le modèle calcule un score de probabilité. Il n’a pas d’intention, de conscience ou de croyances. Il navigue dans un océan de statistiques pour trouver la suite de mots la plus plausible.

À quoi servent les LLM

Principaux fournisseurs de LLM

Domaine d’application

Rédaction et synthèse : rédiger des emails, résumer des rapports, reformuler des textes complexes.
Assistance au codage : pour les développeurs, les LLM agissent comme des binômes capables d’écrire des fonctions entières ou de trouver des bugs.
Analyse de données : les LLM sont capables de structurer des données non structurées (extraire des informations clés d’un flux de factures PDF, par exemple).
Assistants virtuels (Chatbots) : soutenir une conversation fluide pour le service client ou l’éducation.

Les limites des LLM

Les hallucinations

Les hallucinations représentent un défi technique pour les concepteurs de LLM. Ce phénomène s’explique par la nature même de l’architecture de ces modèles : ils sont conçus pour prédire le jeton (token) suivant une probabilité dans un contexte donné, et non suivant des faits avérés. En d’autres termes, le modèle privilégie la fluidité syntaxique et crée de ce fait une « vérité statistique » qui peut être totalement déconnectée de la réalité.

Biais et stéréotypes culturels

Puisqu’ils sont nourris de vastes corpus issus du web, ils héritent inévitablement des préjugés, des stéréotypes et des déséquilibres culturels présents dans ces textes. On observe ainsi une forte prédominance des valeurs occidentales, de l’anglais et de visions du monde spécifiques, au détriment des minorités ou des cultures moins représentées numériquement. Ces biais peuvent se manifester par des réponses sexistes, racistes ou par une incapacité à sortir d’un prisme euro-centré. Malgré les couches de sécurité et de « fine-tuning » éthique ajoutées par les développeurs, le substrat initial du modèle reste imprégné des travers humains capturés lors de la phase d’apprentissage.

L’analyse critique de Yann LeCun

Le débat sur la nature profonde de l’intelligence des LLM oppose souvent les partisans d’une « intelligence émergente » aux sceptiques comme Yann LeCun. Pour ce dernier, les modèles actuels sont dépourvus de véritable raisonnement. La critique de LeCun repose sur l’absence de « modèle du monde » : contrairement à un humain ou même à un animal, le LLM ne comprend pas les lois physiques élémentaires, la causalité ou le bon sens. Il manipule des symboles sans en saisir la réalité matérielle. Pour LeCun, tant que l’IA ne pourra pas planifier des actions ou apprendre par observation directe du monde physique, elle restera confinée à un rôle de prédicteur probabiliste.

L’indice de lisibilité d’un texte évalue la difficulté à comprendre le contenu. La mesure de la facilité de lecture est fréquemment utilisée par les rédacteurs web et les enseignants en milieu scolaire. Sur Internet, l’internaute consacre peu de temps à la lecture complète d’un article. Pour captiver l’attention et inviter le lecteur à parcourir l’ensemble des lignes, l’article devra faire preuve d’une bonne lisibilité. D’autre part, la complexité d’un texte est également à prendre en compte dans les supports d’éducation des enfants. Une compréhension facile du texte favorise la motivation de l’élève à en assimiler les connaissances.

Comment déterminer le degré de lisibilité d’un document ? Dans les années 1920, les scientifiques ont cherché à améliorer les manuels scolaires. Rapidement, les professeurs se sont rendu compte que la longueur des mots, la taille des phrases et le nombre de syllabes influent sur la capacité d’assimilation. Dans la seconde partie de l’article, nous verrons les limites des tests de lisibilité et des trucs et astuces pour améliorer la lisibilité d’un document.

Objectifs de l’indice de lisibilité

La lisibilité d’un texte est un élément à prendre impérativement en compte lors de la rédaction. La finalité d’un auteur n’est-elle pas de rédiger un texte qui se comprend rapidement et qui agréable à lire ? De plus, en fonction de l’heure de la journée, le lecteur peut avoir une capacité d’attention réduite. Pour ce faire, il est conseillé de limiter les mots difficiles et des phrases trop longues. En effet, l’attention du cerveau humain a tendance à baisser lorsqu’il rencontre des difficultés à comprendre le sens des mots. En théorie, l’indice de lisibilité évalue la facilité de compréhension et probablement aussi le plaisir que prend le lecteur à parcourir un article.

Afin de mieux cerner la notion de lisibilité, comparons un texte à une partition de musique. Le rythme, la fluidité des notes et le tempo détermine l’attention que l’on va accorder à la musique. Il en est de même avec un contenu bénéficiant d’une bonne lisibilité. Un échange se crée entre l’auteur de l’article et le lecteur. Sans avoir fait d’efforts, le lecteur comprend rapidement le message que l’auteur à intégrer dans le texte. À présent, nous allons découvrir les méthodes de calcul pour déterminer le score de lisibilité.

Comment calculer la lisibilité d’un texte

Dès le 19ème siècle, les linguistes ont cherché à comprendre ce qui rend un texte facile à lire. Rapidement, les chercheurs se sont rendu compte que les phrases courtes et les mots simples contribuent à une facilité de compréhension. À partir de ce constat, des formules mathématiques ont été développées pour déterminer rapidement la lisibilité d’un texte. Par la suite, les enseignants ont amélioré les tests pour adapter les manuels scolaires aux capacités des élèves du secondaire. Dès 1940, l’US Navy, de grandes universités américaines et des thèses de doctorat ont permis d’affiner les formules de lisibilité pour prédire la difficulté de lecture.

Sur les médias comme Internet, la quantité de textes rédigée chaque jour est astronomique. Pour de tels volumes, les formules de lisibilité doivent être simples et rapides à mettre en œuvre. Ainsi, la lisibilité d’un texte est calculée à partir du nombre de mots dans une phrase, la longueur des mots et la fréquence des mots difficiles. Voyons plus en détail deux formules de lisibilité pour comprendre le principe du test de lisibilité.

Le test de Flesch

En 1943, Rudolf Flesch s’est intéressé aux méthodes pédagogiques en vigueur à l’époque. Ce brillant linguiste américain a mis au point la formule la plus utilisée de nos jours: le test de Flesch. Selon lui, plus les phrases et les mots sont courts, plus le texte est facile à comprendre. Ces caractéristiques sont évaluées selon la formule suivante:
La formule utilisée pour le test de lisibilité Flesch est la suivante :

206.835 – 1.015 x (total de mots/total de phrases) – 84.6 x (total de syllabes/total de mots)

Le score de lisibilité obtenu avec la formule de Flesh varie de 0 à 100. Si le texte obtient une note proche de 100, il est admis qu’un enfant au CM2 pourra en comprendre le contenu. À partir d’une note de 30 jusqu’à 0, l’article ne pourra être compris que par des personnes ayant suivi des études supérieures.

Le test de Dale-Chall

En 1948, Edgar Dale et Jeanne Chall ont amélioré la formule de lisibilité pour prendre en compte la difficulté du vocabulaire. En plus du comptage de lettre, ils évaluent le nombre de mots difficiles à comprendre par les élèves. Pour cela, Dale et Chall ont établi une liste de 763 mots faciles à comprendre (3000 par la suite). La Formule de Dale-Chall compare la proportion de mots difficiles au nombre total de mots. Un mot est marqué difficile s’il n’est pas dans la liste.

0.1579 x (mots difficiles/total de mots) + 0,0496 x (total de mots / total de phrases)

Plus le score de lisibilité Dale–Chall s’approche de 10, plus le texte contient une forte proportion de mots difficiles.

Sur le même principe, il existe d’autres formules de lisibilité plus ou moins précises: Gunning Fog index, la formule Coleman/Liau et l’indexe de LIX.
Pour conclure cet article, intéressons-nous à la question suivante: est-ce que les tests de lisibilité sont fiables et indispensables au rédacteur de texte ?

Limite du score de lisibilité

Est-ce que la clarté d’un texte dépend uniquement de la difficulté des mots et de la fréquence de phrases courtes ?
Nul doute que l’intelligibilité d’un texte est plus difficile à construire qu’une simple optimisation syntaxique. La compréhension des détails de l’article découle d’un plan clair, d’un fil directeur entre les concepts et d’une bonne mise en contexte des idées. De plus, les tests de lisibilités donnent parfois des résultats différents pour le même texte. Prédire le niveau de lecture requis à l’aide de ces outils semble une méthode aléatoire.

A défaut de tester ses articles auprès de lecteurs représentatifs, les tests de lisibilité sont un excellent outil pour les rédacteurs. Idéalement, ces tests s’intègrent dans notre logiciel de traitement de texte pour guider nos écrits. Les règles issues des tests de lisibilité sont un bon garde-fou aux proses interminables de Marcel Proust qui n’ont plus la cote !

En composition typographique, la césure est l’opération qui consiste à couper un mot en fin de ligne et qui n’entre pas dans la justification. Cette coupure obéit à des règles bien précises qui varient d’une langue à l’autre. Nous allons présenter celles qui s’appliquent au français.

Les règles de césure de mots

D’une façon générale, le découpage d’un mot à l’aide d’un trait d’union à pour but de rendre l’aspect d’une ligne de texte plus homogène en évitant un « blanc » disgracieux en bout de ligne. Cette coupure est marquée par un tiret « – » (un signe de ponctuation) et que l’on place uniquement en fin de ligne. Il s’insère à la position de coupure d’un mot, et doit apparaître dans la largeur de la colonne de texte. Le tiret de césure préserve le style et la graisse des caractères du mot orthographié comme dans l’exemple ci-dessous.

La césure s’effectue, en essayant si possible de couper entre préfixes et radicaux, selon le découpage étymologique (« inter-saison , cis-alpin ») et syllabique (« intersai-son , cisal-pin »). Dans le cas des mots composés, la division se fait au trait d’union: « porte-avion, timbre-poste ».

Il est nécessaire cependant de garder un minimum de deux lettres en fin de ligne, et on rejette un minimum de trois lettres à la ligne suivante. Du point de vue pratique, le trait d’union est souvent nommé « tiret du 6 » en référence à la touche 6 qui se trouve sur la première ligne des claviers d’ordinateur.

Les césures interdites

Certaines divisions sont proscrites dans la langue française notamment pour éviter de confondre avec d’autres mots, césure qui dans ce cas rendrait le sens de la phrase ambiguë. Voici des exemples pour lesquels il n’est pas recommander d’insérer de trait d’union (la barre / indique la césure interdite):

• entre deux voyelles: la cavali/ère, une consci/ence;
• entre les lettres d’un sigle: S/N/C/F;
• entre les nombres exprimés en chiffre et tout ce qui les précède ou les suit: 15/euros , Louis/XV , 20/% , 12/h/00/min/01/s ,etc.;
• après la première lettre: a/charner , a/larme ;
• avant ou après x et y précédés et suivis d’une voyelle: tu/y/au , ta/x/er ;
• après une apostrophe: aujourd’/hui , lorsqu’/il ;
• après la première lettre suivant l’apostrophe: l’é/charpe ;
• après le t et s euphoniques dans certaines formes de conjugaisons: manges-/en , donnera-t-/elle ;
• après les lettres abréviatives ou les particules (dans un patronyme) et le name auquel elles se rapportent: M./Hyde , Dr/Jekkyl , S. A. R. la princesse de Hanovre , Baron de La/Luthumière , etc.

Par ailleurs, il convient de se limiter à trois césures successives même si la colonne est étroite et si le texte est justifié à droite et à gauche sur la ligne.

Mise en forme du texte

La plupart des logiciels de traitement de texte utilisés sur un ordinateur intègre un mécanisme automatique de coupure des mots par un trait d’union. Ces fonctions de mise en forme ont pour but de réduire les irrégularités le long des marges ou de limiter la taille des espaces insérés entre chaque mot lorsque l’alignement est justifié.

Le rédacteur d’un texte a la possibilité de définir manuellement l’emplacement des césures en choisissant au préalable les mots pouvant être couper. L’emplacement du trait d’union est marqué à l’aide du caractère Unicode U+00AD indiquant par la même au traitement de texte l’emplacement d’une césure possible. Lorsque le texte est au format HTML, l’entité de caractère ­­ (soft hyphen) insère un trait d’union souple pour découper les mots longs.