Langage et concepts · Psychologie générale

Objectifs du chapitre

À la fin de ce chapitre, vous serez capable de:

énumérer les propriétés qu'un système de communication doit posséder pour être un langage (arbitraire du signe, structure combinatoire, productivité, déplacement, transmission culturelle) et dire lesquelles se retrouvent, ou non, dans les systèmes animaux;
situer une observation linguistique à son niveau d'analyse (phonologie, morphologie, lexique, syntaxe, sémantique, pragmatique) et expliquer quelles erreurs de production révèlent quel niveau;
énoncer la loi de Zipf, démontrer sa linéarisation $lo g f = lo g C - s lo g r$ et en tirer la conséquence pratique sur la couverture d'un texte par les mots les plus fréquents;
estimer les paramètres $s$ et $C$ à partir de deux couples (rang, fréquence), prédire la fréquence d'un mot de rang donné et une couverture cumulée, en énonçant les approximations faites;
décrire le calendrier approximatif de l'acquisition du langage et exposer honnêtement le débat entre grammaire universelle et approches fondées sur l'usage;
expliquer pourquoi la théorie classique des concepts échoue, formaliser l'effet de typicalité et en déduire un ordre prédit de temps de vérification;
distinguer la version forte et la version faible de la relativité linguistique et dire ce que les données soutiennent aujourd'hui.

Qu'est-ce qu'un langage?

Vous lisez cette phrase, et des marques d'encre déclenchent chez vous des états mentaux très précis. Aucune propriété physique de la suite de traits «chien» ne ressemble à un chien. C'est le premier fait à expliquer, et il est plus étrange qu'il n'y paraît.

Le signe, symbolique et arbitraire

Le linguiste genevois Ferdinand de Saussure, dont le Cours de linguistique générale est publié à titre posthume en 1916 à partir des notes de ses étudiants, a formulé la propriété centrale: le lien entre le signifiant (la forme sonore ou graphique) et le signifié (le concept) est arbitraire. Rien dans les sons de arbre, Baum ou tree ne découle de la chose désignée. Les onomatopées elles-mêmes sont conventionnelles: le coq fait cocorico en français, Kikeriki en allemand, cock-a-doodle-doo en anglais.

Cette arbitraireté n'est pas totale: des analyses portant sur des centaines de langues ont mis en évidence des associations son–sens un peu plus fréquentes que le hasard (des consonnes nasales dans les mots pour «nez», par exemple). Statut: effet réel mais très faible; il module l'arbitraire du signe, il ne le renverse pas.

Quatre autres propriétés complètent le tableau.

La structure combinatoire (double articulation). Une langue combine quelques dizaines de sons dépourvus de sens (les phonèmes) en unités porteuses de sens (les morphèmes), puis combine ces unités en énoncés. Le français fonctionne avec de l'ordre de trente-cinq phonèmes; c'est leur recombinaison qui produit des dizaines de milliers de mots. Aucun système de communication animal connu ne présente cette double articulation.

La productivité. Vous n'aviez jamais lu la phrase «le manchot genevois a corrigé la copie du chocolatier» avant aujourd'hui, et vous l'avez comprise. Un langage engendre et interprète des messages nouveaux, en nombre non borné, à partir d'un lexique fini et de règles finies.

Le déplacement. On peut parler de ce qui est absent: d'hier, de Zurich, d'un examen qui n'a pas encore eu lieu, d'une licorne. Le message se détache de la situation présente.

La transmission culturelle. La capacité d'acquérir une langue paraît biologiquement préparée; quelle langue l'enfant acquiert dépend entièrement de la communauté qui l'entoure. Un nourrisson lausannois élevé à Osaka acquiert le japonais.

Les systèmes de communication animaux

Beaucoup d'espèces communiquent, certaines de façon remarquable. La danse frétillante de l'abeille encode la direction et la distance d'une source de nourriture: elle possède donc une forme de déplacement. Les singes vervets émettent des cris d'alarme différents selon le prédateur (aérien, terrestre, serpent), et leurs congénères réagissent de façon appropriée même quand le cri est diffusé par un haut-parleur en l'absence de prédateur: le signal fonctionne comme un signe, non comme un réflexe. Statut: résultats classiques des années 1980, répliqués et étendus à d'autres espèces; robustes pour l'existence de cris référentiels fonctionnels, discutés quant à ce que l'animal «représente» exactement.

Ce qui manque à tous ces systèmes est la productivité combinatoire: le répertoire est petit et fermé, une abeille ne peut pas danser «la source d'hier était meilleure». C'est là, et non sur le déplacement ou la référence, que passe la frontière.

Ce que les grands singes ont montré, et ce qu'ils n'ont pas montré

À partir des années 1960, plusieurs équipes ont tenté d'enseigner un langage à des grands singes: Washoe (chimpanzé, langue des signes américaine), Koko (gorille), Nim Chimpsky (chimpanzé), Kanzi (bonobo, lexigrammes). L'acquis est réel: ces animaux apprennent des centaines de symboles arbitraires et les utilisent pour demander et pour désigner.

Ce qui n'est pas acquis compte tout autant. L'analyse image par image des productions de Nim, conduite par l'équipe même qui l'avait élevé, a montré que la plupart des «phrases» étaient des imitations partielles du signe que l'enseignant venait de produire, que la longueur moyenne des énoncés n'augmentait pas avec l'apprentissage et que l'ordre des signes ne suivait aucune règle stable. Statut: la maîtrise de symboles est établie; une syntaxe productive n'a jamais été démontrée. La presse des années 1970 et 1980 a largement surinterprété ces travaux, et une part des données de l'époque n'a jamais été publiée sous une forme permettant une réanalyse indépendante.

Les niveaux d'analyse du langage

Une même phrase peut être décrite à six niveaux emboîtés. Une observation psycholinguistique n'a de sens qu'une fois située à son niveau.

Figure 10.1. Les six niveaux d'analyse du langage, du phonème à l'énoncé en contexte. Chaque niveau combine les unités du niveau inférieur; la dernière colonne donne le type d'erreur de production ou de compréhension qui révèle spécifiquement ce niveau. Exemples illustratifs.

Phonèmes et perception catégorielle

Ce qui distingue physiquement /pa/ de /ba/ est essentiellement le délai d'établissement du voisement: le temps qui sépare l'ouverture des lèvres de la mise en vibration des cordes vocales. On peut fabriquer une série continue de sons en faisant varier ce délai par pas réguliers. L'auditeur, lui, n'entend pas un continuum: il entend /ba/ jusqu'à une valeur critique, puis /pa/, avec une transition abrupte. Et sa capacité à discriminer deux stimuli séparés du même écart physique est bien meilleure de part et d'autre de la frontière qu'à l'intérieur d'une catégorie. C'est la perception catégorielle.

Statut: le pic de discrimination à la frontière est un résultat très robuste, répliqué depuis les années 1960 dans de nombreuses langues. La version forte de l'interprétation — «à l'intérieur d'une catégorie, l'auditeur ne discrimine rien» — est fausse: avec des tâches plus sensibles, on met en évidence une discrimination intracatégorielle réelle. L'effet est donc un gradient marqué, non un tout ou rien.

Le nourrisson commence par discriminer des contrastes phonétiques qui n'existent pas dans la langue de son entourage. Au cours de la première année, cette sensibilité se réorganise: vers la fin de la première année, la discrimination des contrastes non natifs décline nettement, tandis que celle des contrastes natifs se maintient ou s'améliore. C'est le rétrécissement perceptif. Statut: résultat robuste, établi dans les années 1980 et répliqué depuis, y compris en modalité visuelle pour les visages; le calendrier exact et le degré de réversibilité varient selon les contrastes et selon l'exposition. C'est aussi la raison pour laquelle un adulte francophone peine à entendre la différence entre les deux /r/ du japonais et de l'anglais, ou pour laquelle un germanophone doit travailler l'opposition entre dessus et dessous.

Des morphèmes à la pragmatique

Au-dessus du phonème, le morphème est la plus petite unité porteuse de sens (refaisons = re- + fais- + -ons); le lexique est le stock de mots, chacun avec sa forme, sa catégorie grammaticale et son sens; la syntaxe organise les mots en phrases, ce qui rend interprétable «le chat que la fille voit dort»; la sémantique traite du sens, indépendamment de la bonne formation, car «le rocher a mangé la pomme» est syntaxiquement irréprochable et sémantiquement anormal; la pragmatique, enfin, traite de ce que le locuteur veut faire avec son énoncé, «il fait froid ici» étant rarement un bulletin météorologique.

Les erreurs de production comme fenêtre sur les niveaux

Les erreurs de production ne sont pas du bruit: elles montrent quelles unités le système manipule réellement.

Les échanges de phonèmes (contrepèteries, spoonerisms): «un choix de vin» produit «un voix de chin». Pour que deux phonèmes s'échangent, il faut qu'ils aient été planifiés séparément du mot qui les porte: argument en faveur d'un niveau phonologique autonome.
Les erreurs morphologiques: «vous disez», «il a prendu». La règle régulière déborde sur une forme irrégulière: le locuteur possède donc une règle et ne restitue pas seulement des formes mémorisées.
Les substitutions lexicales: «fourchette» pour «cuillère» (proximité sémantique), «pantalon» pour «pantoufle» (proximité de forme) — la forme et le sens sont donc accédés par des voies partiellement distinctes.
Le mot sur le bout de la langue (tip of the tongue): le mot ne vient pas, mais on connaît souvent sa longueur, sa première lettre, parfois son genre. Statut: phénomène robuste, aisément provoqué en laboratoire; il montre que l'accès à la forme phonologique peut échouer alors que l'accès au sens a réussi.

Exercice

Un locuteur veut dire «un choix de vin» et produit «un voix de chin». Quel niveau d'analyse cette erreur met-elle en évidence, et pourquoi?

Le lexique et ses régularités quantitatives

Le lexique n'est pas un tas de mots: sa distribution obéit à une régularité si stable qu'elle porte le nom d'une loi.

Fréquence et rang

Prenez un grand corpus, comptez les occurrences de chaque mot, classez les mots par fréquence décroissante et attribuez à chacun son rang $r$ ( $r = 1$ pour le plus fréquent). La fréquence relative $f (r)$ chute alors très vite avec le rang, selon une forme remarquablement régulière.

Théorème 10.1 · Loi de Zipf

Dans un grand corpus de texte, la fréquence relative $f (r)$ du mot de rang $r$ est approximativement inversement proportionnelle à ce rang:

f (r) = \frac{C}{r ^{s}}, C > 0, s \approx 1. (10.1)

Trois conséquences immédiates:

Linéarisation: en coordonnées logarithmiques, la loi devient une droite de pente $- s$ ,

lo g f (r) = lo g C - s lo g r . (10.2)

Invariance d'échelle: le rapport $f (λ r) / f (r) = λ^{- s}$ ne dépend pas de $r$ . Passer du rang 10 au rang 20 divise la fréquence par le même facteur que passer du rang 1000 au rang 2000.
Couverture cumulée: la part de texte couverte par les $n$ mots les plus fréquents vaut

F (n) = r = 1 \sum n f (r) = C r = 1 \sum n r^{- s}, (10.3)

somme qui croît comme $ln n$ lorsque $s = 1$ : une poignée de mots couvre une part énorme d'un texte, et chaque millier de mots supplémentaires en rapporte de moins en moins.

Démonstration. Point 1. Les deux membres de (10.1) sont strictement positifs; le logarithme est une bijection strictement croissante de $] 0, + \infty [$ dans $R$ , donc l'égalité est préservée. En appliquant $lo g$ et les deux règles $lo g (a / b) = lo g a - lo g b$ et $lo g (r^{s}) = s lo g r$ , on obtient $lo g f (r) = lo g C - s lo g r$ , qui est l'équation d'une droite d'ordonnée à l'origine $lo g C$ et de pente $- s$ dans le plan $(lo g r, lo g f)$ . Réciproquement, si les points $(lo g r, lo g f)$ sont alignés de pente $- s$ , alors $f (r) = e^{l o g C} r^{- s}$ : la forme (10.1) et la droite (10.2) sont deux écritures de la même hypothèse. C'est ce qui rend la loi testable: il suffit de regarder si le nuage est droit.

Point 2. $\frac{f ( λ r )}{f ( r )} = \frac{C ( λ r ) ^{- s}}{C r ^{- s}} = λ^{- s}$ , indépendant de $r$ : la loi ne possède aucune échelle privilégiée.

Point 3. La somme (10.3) résulte de la définition de la fréquence cumulée. Pour $s = 1$ , $\sum_{r = 1}^{n} r^{- 1} = H_{n}$ est la somme harmonique, et l'encadrement classique $ln n < H_{n} < 1 + ln n$ (obtenu en comparant la somme à l'intégrale $\int_{1}^{n} d x / x$ ) donne $F (n) \approx C (ln n + γ)$ avec $γ \approx 0, 577$ . Deux conséquences se lisent directement. D'abord, si le corpus contient $N$ mots distincts, la normalisation $F (N) = 1$ impose $C \approx 1/ (ln N + γ)$ : la constante n'est pas libre. Ensuite, $F (2 n) - F (n) \approx C ln 2$ : doubler le vocabulaire appris n'ajoute qu'une quantité constante de couverture. Passer de 100 à 200 mots rapporte autant que passer de 5000 à 10 000. C'est le rendement décroissant de l'apprentissage du vocabulaire, et c'est aussi pourquoi les premières centaines de mots d'une langue étrangère donnent une impression de progrès si rapide. $□$

Figure 10.2. La loi de Zipf f(r) = C / r^s avec les paramètres estimés dans l'exemple 10.1. À gauche, en coordonnées log-log, elle devient une droite de pente −s: c'est la forme sous laquelle on la teste. À droite, en coordonnées linéaires, la même fonction est une hyperbole écrasée contre les deux axes — quelques mots très fréquents, puis une très longue traîne presque plate. Les mots annotés et leurs rangs sont illustratifs et ne proviennent pas d'un décompte de corpus vérifiable.

Exemple 10.1 · Estimer les paramètres de Zipf et prédire une couverture

Dans un corpus illustratif de français écrit, on relève deux points seulement: le mot de rang 10 représente $0, 80 %$ des occurrences et le mot de rang 100 en représente $0, 085 %$ . (Ces deux valeurs sont illustratives: elles servent à faire tourner la méthode, pas à documenter le français.)

1. Estimer l'exposant $s$ . Deux points suffisent, car (10.2) est une droite. En écrivant (10.2) aux deux rangs et en soustrayant:

lo g f (10) - lo g f (100) = - s (lo g 10 - lo g 100) ⟹ s = \frac{ln ( f ( 10 ) / f ( 100 ) )}{ln ( 100/10 )} .

Numériquement, $f (10) / f (100) = 0, 80/0, 085 = 9, 412$ , donc

s = \frac{ln 9 , 412}{ln 10} = \frac{2 , 2420}{2 , 3026} \approx 0, 974.

2. Estimer $C$ . De (10.1), $C = f (r) r^{s}$ . Avec $r = 10$ : $1 0^{0, 974} = 9, 412$ , donc

C = 0, 80 \times 9, 412 \approx 7, 53 %.

(Le raccourci est joli: comme $s$ a été choisi pour que $1 0^{s}$ vaille exactement le rapport des deux fréquences, on a ici $C = f (10) \times f (10) / f (100)$ .)

3. Prédire une fréquence. Pour le rang 50: $5 0^{0, 974} = e^{0, 974 \times 3, 912} = e^{3, 809} = 45, 1$ , d'où

\hat{f} (50) = \frac{7 , 53}{45 , 1} \approx 0, 167 %.

4. Couverture des 100 premiers mots. Par (10.3), $F (100) = C \sum_{r = 1}^{100} r^{- 0, 974}$ . La somme, calculée terme à terme, vaut $5, 477$ (l'approximation intégrale $1 + \frac{n ^{1 - s} - 1}{1 - s} = 5, 90$ la surestime d'environ $8 %$ : avec un exposant proche de 1, il faut sommer, pas intégrer à la légère). Donc

F (100) \approx 7, 53 \times 5, 477 \approx 41 %.

5. Ce que cette estimation vaut, honnêtement. Trois réserves, toutes importantes:

l'estimation repose sur deux points, sans aucune marge d'erreur; un ajustement sur une centaine de rangs donnerait un $s$ différent et permettrait d'en donner un intervalle;
le modèle prédit $\hat{f} (1) = C = 7, 5 %$ pour le mot le plus fréquent, ce qui est trop élevé: dans les listes de fréquence réelles, la loi de Zipf s'aplatit aux tout premiers rangs (c'est la correction dite de Zipf-Mandelbrot). Comme la somme (10.3) est dominée par sa tête, la couverture de $41 %$ est très probablement surestimée par le modèle;
enfin, le résultat dépend du corpus: la fréquence d'un mot dans un corpus de presse, dans un corpus de romans et dans un corpus de messages instantanés n'est pas la même. Une «fréquence lexicale» sans corpus déclaré n'est pas une donnée.

Ce que l'on retient malgré tout: quelques dizaines de mots outils suffisent à couvrir une fraction considérable d'un texte ordinaire, ordre de grandeur robuste que l'on retrouve sur toutes les langues où l'on a compté.

Exercice

Dans un autre corpus illustratif, le mot de rang 4 représente $2, 00 %$ des occurrences et le mot de rang 400 en représente $0, 022 %$ . Estimez l'exposant $s$ de la loi de Zipf.

L'effet de fréquence

La fréquence d'un mot n'est pas qu'une statistique de corpus: c'est une variable psychologique de premier plan. Dans une tâche de décision lexicale (le participant voit une chaîne de lettres et décide le plus vite possible s'il s'agit d'un mot du français), les mots fréquents sont reconnus plus vite et avec moins d'erreurs que les mots rares, à longueur et à structure comparables. Statut: l'effet de fréquence est l'un des résultats les mieux établis de la psycholinguistique, répliqué sur d'immenses bases de temps de réaction, dans plusieurs langues et sur des dizaines de milliers d'items. La différence entre mots très fréquents et mots rares se compte en dizaines de millisecondes, et sa taille exacte dépend de la tâche, de la liste et du lecteur.

Zipf et l'effet de fréquence se combinent: comme les mots fréquents sont peu nombreux et occupent la majeure partie du texte, le lecteur passe l'essentiel de son temps sur des items pour lesquels il est maximalement entraîné. La lecture fluide vit de cette asymétrie.

Exemple 10.2 · Ce que la forme du lexique fait gagner au lecteur

Combinons les deux résultats précédents. Avec les paramètres de l'exemple 10.1 ( $C = 7, 53 %$ , $s = 0, 974$ ), la loi de Zipf donne trois tranches de rangs et leur part dans un texte:

Tranche de rangs	Part du texte	Temps de reconnaissance supposé
1 à 100	$41 %$	470 ms
101 à 1000	$20 %$	540 ms
au-delà de 1000	$39 %$	600 ms

(Les parts viennent de (10.3): $F (100) = 41, 2 %$ et $F (1000) = 61, 4 %$ , d'où $61, 4 - 41, 2 = 20, 1 %$ pour la tranche intermédiaire et $100 - 61, 4 = 38, 6 %$ pour la queue. Les trois temps sont illustratifs: seul le fait qu'ils croissent quand la fréquence baisse est un résultat établi.)

Le temps moyen de reconnaissance d'un mot tiré au hasard dans le texte est la moyenne pondérée par les parts:

\overset{ˉ}{T} = 0, 41 \times 470 + 0, 20 \times 540 + 0, 39 \times 600 = 192, 7 + 108, 0 + 234, 0 = 534, 7 ms .

Sur un paragraphe de 300 mots, cela fait $300 \times 534, 7 = 160410$ ms, soit environ $160$ s. Comparons avec un lexique fictif où tous les mots seraient également rares, chacun coûtant 600 ms: $300 \times 600 = 180$ s. L'inégalité zipfienne du lexique fait donc gagner ici environ $20$ s sur le paragraphe, soit $11 %$ .

Deux commentaires, pour ne pas surinterpréter ce calcul. D'abord, la comparaison est un contrefactuel: aucune langue n'a un lexique uniforme, et le chiffre de $11 %$ mesure l'effet d'une hypothèse, pas une observation. Ensuite, un modèle additif mot par mot ignore tout ce que le contexte apporte à la lecture (prédiction, saut de mots, regroupement); il donne un ordre de grandeur, non une prédiction de temps de lecture. Ce qui est solide, c'est la direction: la distribution très inégale du lexique concentre l'activité du lecteur sur les items les mieux entraînés.

Le statut de la loi de Zipf

Une régularité robuste, une explication non tranchée

La loi de Zipf est descriptivement très robuste: on la retrouve dans toutes les langues où l'on a compté, sur des corpus de tailles très diverses, et même sur des objets qui ne sont pas des langues (tailles de villes, de fortunes, de fichiers). Son explication, en revanche, reste discutée. Au moins trois familles de mécanismes très différents produisent une distribution de ce type: des processus d'attachement préférentiel («les riches deviennent plus riches»), des principes d'économie d'effort (un compromis entre l'effort du locuteur, qui voudrait peu de mots, et celui de l'auditeur, qui voudrait des mots univoques), et — c'est le plus gênant — de simples processus aléatoires: un texte engendré en tirant au hasard des lettres et des espaces produit déjà une distribution rang-fréquence approximativement zipfienne. Conséquence méthodologique: observer une loi de Zipf ne permet pas d'inférer le mécanisme qui l'a produite. C'est un exemple presque parfait du principe général selon lequel une même régularité peut avoir plusieurs générateurs, et donc ne pas discriminer entre les théories qui la prédisent toutes.

L'acquisition du langage

En quelques années, sans enseignement explicite et sans correction systématique, tout enfant au développement typique maîtrise un système d'une complexité que la linguistique n'a pas fini de décrire. C'est le problème.

Le calendrier, en ordres de grandeur

Les âges ci-dessous sont des ordres de grandeur, avec une variabilité interindividuelle importante: un décalage de plusieurs mois par rapport à ces repères est fréquent chez des enfants au développement parfaitement typique. Ce sont des repères de cours, pas des normes cliniques.

Étape	Âge approximatif	Ce qui apparaît
Perception	0 – 12 mois	discrimination de nombreux contrastes, puis spécialisation sur la langue de l'entourage
Babillage canonique	6 – 10 mois	syllabes répétées: «ba-ba», «da-da»
Premiers mots	10 – 14 mois	une vingtaine de mots en production, davantage en compréhension
Explosion lexicale	18 – 24 mois	accélération marquée de l'acquisition de mots
Énoncés de deux mots	18 – 24 mois	«papa parti», «encore lait»: style télégraphique
Surrégularisation	3 – 5 ans	«il a prendu», «vous disez»: la règle régulière déborde

La surrégularisation mérite qu'on s'y arrête. L'enfant produit d'abord correctement quelques formes irrégulières fréquentes, puis se met à les régulariser, puis revient à la forme correcte. Cette courbe en U est décisive: elle montre que la performance peut empirer alors que la connaissance progresse, parce que l'enfant a extrait une règle générale et l'applique au-delà de son domaine. Un modèle purement mémoriel ne prédit pas cette régression. Statut: le phénomène est robuste et documenté dans plusieurs langues; sa modélisation (règle explicite contre régularité apprise dans un réseau associatif) fait au contraire l'objet d'un débat théorique ouvert depuis les années 1980.

Exercice

Remettez dans l'ordre chronologique les grandes étapes de l'acquisition du langage. Les âges sont des ordres de grandeur, avec une forte variabilité interindividuelle.

Glissez les éléments pour les mettre dans le bon ordre

Explosion lexicale: l'acquisition de mots nouveaux s'accélère nettement (vers 18 à 24 mois)

Surrégularisation des formes irrégulières: «il a prendu» (vers 3 à 5 ans)

Premiers mots isolés (autour de 12 mois)

Babillage canonique: syllabes répétées comme «ba-ba» (vers 6 à 10 mois)

Spécialisation perceptive: la discrimination des contrastes non natifs décline au cours de la première année

Énoncés de deux mots, de style télégraphique: «encore lait» (vers 18 à 24 mois)

Inné, acquis, et ce que chaque camp explique bien

Le débat est ancien et souvent caricaturé. Voici les deux positions dans leur meilleure version.

La pauvreté du stimulus et la grammaire universelle. Les données auxquelles l'enfant est exposé seraient trop pauvres et trop bruitées pour qu'il induise la grammaire par simple généralisation: il entend des phrases inachevées, reçoit rarement une correction explicite de ses erreurs de syntaxe, et n'entend jamais les phrases qui ne sont pas grammaticales. Pourtant tous les enfants convergent, et vite, vers le même système. L'espace des grammaires possibles devrait donc être restreint d'avance par une dotation biologique: une grammaire universelle. Explique bien: l'uniformité et la rapidité de l'acquisition; des contraintes structurales que les enfants ne violent pratiquement jamais alors que rien dans l'entrée ne les leur interdit; l'apparition d'une grammaire complète chez des enfants sourds exposés à un système gestuel appauvri. Explique mal: le contenu précis de la dotation supposée, très difficile à spécifier et fortement remanié au fil des révisions théoriques, et la sensibilité fine de l'acquisition à la fréquence des formes entendues.

Les approches fondées sur l'usage et l'apprentissage statistique. L'enfant part de constructions concrètes entendues, les stocke, en extrait des schémas de plus en plus abstraits, et ne dispose au départ que de mécanismes généraux: mémoire, catégorisation, intention partagée, sensibilité aux régularités statistiques. Explique bien: l'effet massif de la fréquence dans l'entrée, le caractère progressif et item par item des premières constructions, le lien étroit avec le développement social. Explique mal: comment un mécanisme général converge aussi vite vers des contraintes syntaxiques aussi spécifiques, et pourquoi un apprenant assez puissant pour tout apprendre n'apprend pas aussi des langues que personne ne parle.

Statut du débat: ouvert — description exacte, non aveu d'ignorance: les deux programmes ont produit des résultats solides et aucun n'a rendu l'autre superflu. La position la plus courante est intermédiaire: une préparation biologique réelle, mais moins spécifique que dans la première version de la grammaire universelle, combinée à des mécanismes d'apprentissage puissants.

L'apprentissage statistique des frontières de mots

Un résultat expérimental a beaucoup déplacé la discussion. Le problème: dans la parole continue, il n'y a pas de blancs entre les mots. Comment le nourrisson découpe-t-il «regardelejolibébé»?

Le paradigme: on expose des nourrissons d'environ huit mois, quelques minutes, à un flux de syllabes artificiel et monotone, sans pause ni indice prosodique, engendré par la concaténation aléatoire de quelques «mots» de trois syllabes inventés. La seule information disponible est statistique: à l'intérieur d'un mot, la probabilité qu'une syllabe suive la précédente vaut 1; à la frontière entre deux mots, elle est plus faible. Au test, les nourrissons écoutent différemment les «mots» du langage artificiel et des séquences dont les syllabes étaient présentes sans jamais former de mot: ils ont donc extrait la structure des seules probabilités de transition.

Statut: résultat marquant du milieu des années 1990, répliqué de nombreuses fois, étendu à des adultes, à des stimuli non linguistiques (tons, images) et à d'autres espèces. Il est robuste. Ce qu'il ne démontre pas: que l'acquisition du langage se réduise à de l'apprentissage statistique. Découper un flux en unités récurrentes est très loin d'acquérir une syntaxe, et l'inférence du laboratoire à la vie quotidienne — quelques minutes de syllabes artificielles contre des années de parole située — demande une prudence que les comptes rendus grand public n'ont pas toujours eue.

Périodes sensibles et acquisition d'une langue seconde

Plus l'exposition à une langue commence tôt, meilleur est en moyenne le niveau final atteint, en particulier pour la phonologie et la morphosyntaxe. Cet effet de l'âge d'acquisition est réel et bien documenté. La question contestée est sa forme: existe-t-il une véritable période critique, c'est-à-dire une fenêtre biologiquement définie qui se referme brusquement, ou un déclin progressif dont une partie s'explique par la quantité d'exposition, la motivation, l'usage de la première langue et le contexte social?

Statut: l'effet de l'âge est robuste; la période critique stricte est contestée. Une étude en ligne à très grand effectif publiée en 2018 (Hartshorne, Tenenbaum et Pinker) situe le déclin de la capacité à atteindre un niveau grammatical comparable à celui d'un natif après le début de l'adolescence — plus tard que ne le supposaient les versions classiques —, mais sa méthode d'estimation a été discutée. En pratique, «trop tard» est presque toujours faux: l'accent natif devient improbable, la maîtrise fonctionnelle reste accessible à l'âge adulte.

Les concepts et la catégorisation

Passons du signe à ce qu'il désigne. Aucun de vous n'a jamais vu cette chaise-ci auparavant, et pourtant vous savez immédiatement quoi en faire.

Pourquoi catégoriser

Catégoriser rend deux services. Le premier est une économie cognitive: on n'a pas à stocker séparément chaque objet rencontré. Le second, plus important, est l'inférence: dès que vous rangez un objet dans la catégorie «chaise», vous héritez gratuitement d'une foule de prédictions — elle supporte un poids, elle se déplace, on s'y assoit. La catégorisation est le moteur de l'induction quotidienne.

L'échec de la théorie classique

La théorie classique des concepts veut qu'une catégorie soit définie par des conditions nécessaires et suffisantes: est un carré tout quadrilatère à quatre côtés égaux et quatre angles droits, et rien d'autre. Elle fonctionne pour les concepts formels et échoue pour presque tous les concepts naturels, pour deux raisons.

Les cas limites. Une chaise longue est-elle une chaise? Une olive est-elle un fruit? Un tapis roulant d'aéroport est-il un véhicule? Ces questions ne reçoivent pas de réponse stable: les mêmes personnes répondent différemment à quelques semaines d'intervalle. Une catégorie à conditions nécessaires et suffisantes n'aurait pas de cas limites.

L'air de famille. Wittgenstein l'a illustré avec le concept de jeu: les échecs, le football, la patience, le jeu du chat et de la souris n'ont aucune propriété commune à tous. Il y a des chevauchements — compétition, règles, amusement, hasard — mais aucun trait n'est partagé par tous les membres. Les membres d'une catégorie naturelle se ressemblent comme les membres d'une famille, sans qu'il existe un trait commun à tous.

La théorie du prototype et les effets de typicalité

Les travaux d'Eleanor Rosch dans les années 1970 ont établi le noyau empirique de cette théorie. Trois faits, tous solides:

Les jugements de typicalité sont très consistants. Demandez à un groupe de noter de 1 à 7 à quel point un moineau, un aigle et un manchot sont de «bons exemples» d'oiseau: l'accord entre juges est élevé, et il est stable dans le temps. Cette consistance interdit de traiter la typicalité comme une impression subjective sans contenu.
La typicalité prédit les temps de vérification. Dans une tâche où l'on présente une phrase du type «un moineau est un oiseau» et où le participant répond vrai ou faux le plus vite possible, la réponse est plus rapide pour les exemplaires typiques que pour les atypiques.
La typicalité prédit aussi l'ordre de production (les typiques sont cités d'abord), la facilité d'apprentissage de catégories nouvelles et la force des inférences (on généralise plus volontiers du typique vers la catégorie que l'inverse).

Statut: les effets de typicalité comptent parmi les résultats les plus robustes de la psychologie cognitive; ils ont été répliqués sur des décennies, dans de nombreux domaines conceptuels et dans plusieurs langues. La direction de l'effet sur les temps de vérification est solidement établie; sa magnitude dépend du matériel et se compte typiquement en dizaines de millisecondes, parfois davantage pour les exemplaires très atypiques. Ce qui reste discuté n'est pas l'effet, c'est le mécanisme (prototype ou exemplaires: voir plus bas).

Figure 10.3. Une catégorie comme espace de similarité. Chaque exemplaire est placé à une distance du centre égale à sa distance pondérée au prototype, calculée depuis la table de traits déclarée dans le code de la figure (sucré, mangé en dessert, charnu et juteux). Les anneaux portent le temps de vérification prédit par la relation T = 600 + 500 d (constantes illustratives). La frontière avec la catégorie voisine «légume» n'est pas une ligne: c'est une zone où tomate, avocat et olive sont proches des deux prototypes.

Théorème 10.2 · Effet de typicalité

Soit une catégorie représentée par un prototype $p = (p_{1}, \dots, p_{k})$ dans un espace de $k$ traits gradués, et des poids $w_{j} \geq 0$ de somme $\sum_{j} w_{j} = 1$ mesurant l'importance de chaque trait. On définit la distance pondérée au prototype d'un exemplaire $x = (x_{1}, \dots, x_{k})$ par

d (x) = j = 1 \sum k w_{j} x_{j} - p_{j} . (10.4)

Si le temps de vérification d'une appartenance catégorielle est une fonction affine croissante de cette distance,

T (x) = T_{0} + κ d (x), κ > 0, (10.5)

alors:

l'ordre des temps de réponse reproduit exactement l'ordre des distances: $d (x) < d (y)$ si et seulement si $T (x) < T (y)$ ;
l'écart entre un exemplaire atypique $y$ et un exemplaire typique $x$ vaut $T (y) - T (x) = κ (d (y) - d (x))$ : il est proportionnel à leur écart de distance, et il est mesurable en millisecondes;
prédiction sans paramètre: si $x$ est au moins aussi proche du prototype que $y$ sur chaque trait, c'est-à-dire $∣ x_{j} - p_{j} ∣ \leq ∣ y_{j} - p_{j} ∣$ pour tout $j$ , alors $T (x) \leq T (y)$ quels que soient les poids $w_{j}$ et les constantes $T_{0}$ et $κ$ .

Démonstration. Point 1. L'application $u \mapsto T_{0} + κ u$ est affine de coefficient directeur $κ > 0$ , donc strictement croissante sur $R$ . Une fonction strictement croissante conserve l'ordre strict et son inverse le rétablit: $d (x) < d (y) ⟺ T_{0} + κ d (x) < T_{0} + κ d (y) ⟺ T (x) < T (y)$ .

Point 2. Par soustraction des deux instances de (10.5), la constante $T_{0}$ disparaît: $T (y) - T (x) = κ (d (y) - d (x))$ . L'écart observable ne dépend donc pas du niveau de base $T_{0}$ , qui contient tout ce qui n'a rien à voir avec la catégorisation (lecture du mot, préparation de la réponse motrice). C'est pourquoi on compare toujours deux conditions plutôt que d'interpréter un temps de réaction absolu.

Point 3. Posons $δ_{j} = ∣ y_{j} - p_{j} ∣ - ∣ x_{j} - p_{j} ∣ \geq 0$ par hypothèse. Alors

d (y) - d (x) = j = 1 \sum k w_{j} δ_{j} \geq 0,

comme somme de termes positifs ou nuls, puisque $w_{j} \geq 0$ . Par le point 1, $T (x) \leq T (y)$ . $□$

Le point 3 est celui qui a une valeur scientifique. Les points 1 et 2 se contentent de traduire une hypothèse en prédiction; le point 3 fournit une prédiction qu'aucun choix de poids ne peut sauver. Si l'on trouvait un exemplaire plus proche du prototype sur tous les traits et systématiquement plus lent à vérifier, le modèle serait en difficulté, sans échappatoire.

Exemple 10.3 · Temps de vérification prédits pour la catégorie «oiseau»

Décrivons la catégorie «oiseau» par trois traits gradués dans $[0, 1]$ : $t_{1}$ «vole», $t_{2}$ «de petite taille», $t_{3}$ «chante». Le prototype est $p = (1; 1; 1)$ . Nous prenons les poids $w = (0, 50; 0, 20; 0, 30)$ , et le modèle $T = T_{0} + κ d$ avec $T_{0} = 600$ ms et $κ = 400$ ms. Ces constantes sont illustratives: le théorème prédit un ordre, pas des valeurs absolues.

Exemplaire	$t_{1}$	$t_{2}$	$t_{3}$	$d$	$\hat{T}$ (ms)
moineau	1,0	1,0	1,0	0,00	600
merle	1,0	0,9	1,0	0,02	608
canard	1,0	0,3	0,2	0,38	752
aigle	1,0	0,1	0,2	0,42	768
poule	0,1	0,4	0,2	0,81	924
manchot	0,0	0,2	0,1	0,93	972

Le détail pour le canard: $d = 0, 50 \times (1 - 1) + 0, 20 \times (1 - 0, 3) + 0, 30 \times (1 - 0, 2) = 0 + 0, 14 + 0, 24 = 0, 38$ , donc $\hat{T} = 600 + 400 \times 0, 38 = 752$ ms.

Écart typique – atypique: $\hat{T} (manchot) - \hat{T} (moineau) = 400 \times 0, 93 = 372$ ms. Cet écart prédit est plus grand que ce que l'on observe typiquement en laboratoire avec des paires moins extrêmes; il dépend entièrement du $κ$ que nous avons posé. Ce qui est falsifiable ici, c'est l'ordre: moineau, merle, canard, aigle, poule, manchot.

Et si les poids changeaient? Reprenons avec $w = (0, 10; 0, 80; 0, 10)$ , c'est-à-dire une tâche où la taille devient le trait déterminant. Alors $d (aigle) = 0, 10 \times 0 + 0, 80 \times 0, 9 + 0, 10 \times 0, 8 = 0, 80$ tandis que $d (canard) = 0, 10 \times 0 + 0, 80 \times 0, 7 + 0, 10 \times 0, 8 = 0, 64$ : l'aigle passe derrière la poule ( $d = 0, 65$ ), alors qu'il la précédait. La typicalité n'est pas une propriété de l'objet: elle dépend des traits qui comptent. C'est exactement ce que l'explorateur ci-dessous permet de manipuler.

Explorateur de typicalité

Catégorie «oiseau», trois traits gradués: vole, de petite taille, chante. Le prototype est au centre; chaque exemplaire est placé à une distance égale à sa distance pondérée au prototype, et le temps de vérification prédit est T = 600 + 500 d (ms). Les trois poids sont normalisés dans le code (divisés par leur somme): seul leur rapport compte. Déplacez-les et regardez l'ordre des temps se réorganiser — la typicalité dépend des traits que l'on juge pertinents.

Poids normalisés

0,50 / 0,30 / 0,20

Exemplaire le plus typique

moineau (d = 0,00)

Exemplaire le moins typique

autruche (d = 0,95)

T̂ le plus court

600ms

T̂ le plus long

1075ms

Écart typique – atypique

475ms

Ordre prédit des temps de vérification

moineau · merle · hirondelle · canard · aigle · poule · manchot · autruche

Poids du trait 1 — vole0,50

Poids du trait 2 — petite taille0,30

Poids du trait 3 — chante0,20

Exercice

Avec les poids $w = (0, 50;, 0, 20;, 0, 30)$ et le modèle $T = 600 + 400, d$ de l'exemple 10.3, calculez le temps de vérification prédit pour la poule, de traits $(0, 1;, 0, 4;, 0, 2)$ .

La théorie des exemplaires, et les théories naïves

La théorie du prototype n'est pas la seule à rendre compte des effets de typicalité. La théorie des exemplaires soutient qu'on ne stocke aucune moyenne abstraite: on garde en mémoire les exemplaires rencontrés, et l'on catégorise un objet nouveau en le comparant à l'ensemble de ces souvenirs, chacun pesant d'autant plus qu'il est similaire. Elle prédit elle aussi que les items ressemblant à beaucoup d'exemplaires stockés seront traités plus vite — donc les mêmes effets de typicalité.

Comment les distinguer? Par les situations où elles divergent. La théorie des exemplaires prédit une sensibilité à des informations que le prototype a effacées — la variabilité de la catégorie, les cas particuliers, la fréquence d'exposition à tel item —, et les participants y sont effectivement sensibles. La théorie du prototype est plus économique et rend mieux compte d'une catégorisation rapide dans des domaines très étendus. Statut: aucune des deux ne l'emporte partout; les modèles contemporains les combinent, et le débat porte sur les conditions dans lesquelles l'un ou l'autre régime domine.

Une limite vaut pour les deux: la similarité ne suffit pas. Un homme qui saute tout habillé dans une piscine ressemble peu au prototype de l'ivrogne, et pourtant on l'y range sans hésiter, parce qu'on dispose d'une théorie naïve — une explication causale — de ce comportement. Les concepts ne sont pas des paquets de traits: ils sont enchâssés dans des connaissances causales sur le monde.

Les niveaux de catégorisation

Un même objet appartient simultanément à des catégories emboîtées: meuble, chaise, chaise de bureau à roulettes. Ces trois niveaux ne se valent pas.

Le niveau superordonné (meuble, animal, véhicule) est très informatif quant à la distinction d'avec les autres catégories, mais ses membres partagent peu de traits et n'ont guère de forme commune.
Le niveau de base (chaise, chien, voiture) est celui où le compromis est optimal: les membres partagent beaucoup de traits, ont une forme globale reconnaissable et appellent des interactions motrices communes, tout en restant clairement distincts des catégories voisines.
Le niveau subordonné (chaise de bureau, berger bernois, break diesel) ajoute des traits mais en distingue peu: ses membres ressemblent beaucoup à ceux des catégories subordonnées voisines.

Le niveau de base a une primauté psychologique: c'est celui que l'on emploie spontanément pour nommer un objet, celui que les enfants acquièrent en premier, celui qui donne les temps de dénomination les plus courts. Statut: primauté robuste, mais modulée par l'expertise — un ornithologue dit spontanément «pinson» là où un profane dit «oiseau». Une régularité cognitive peut donc être réelle et néanmoins dépendante de l'expérience.

Exercice

Parmi les affirmations suivantes sur les niveaux de catégorisation et la typicalité, lesquelles sont correctes?

Plusieurs réponses possibles

Langage et pensée

Le français, l'allemand, le romanche et le japonais découpent le monde différemment. Cela change-t-il la manière dont pensent leurs locuteurs? La question est ancienne, séduisante — et c'est un cas d'école de la façon dont une hypothèse trop large se réduit et se précise sous la pression des données.

La version forte: abandonnée

La version forte de l'hypothèse de la relativité linguistique (associée aux noms de Sapir et de Whorf) soutient que le langage détermine la pensée: ce que ma langue ne me permet pas de dire, je ne peux pas le penser. Elle est aujourd'hui abandonnée, pour des raisons empiriques nettes: on pense des distinctions que sa langue ne lexicalise pas; on invente des mots pour des concepts nouveaux, ce qui suppose de les avoir conçus d'abord; les nourrissons prélinguistiques réussissent des tâches conceptuelles; et les traductions fonctionnent. S'y ajoute une leçon d'histoire des sciences: l'exemple le plus cité à l'appui de la thèse — les «innombrables mots esquimaux pour la neige» — repose sur une confusion sur la morphologie de ces langues, qui agglutinent, et le décompte a été gonflé de citation en citation sans que personne ne remonte à la source.

La version faible: soutenue, dans des domaines délimités

La version faible affirme que la langue influence certaines performances cognitives — attention, mémoire, catégorisation, vitesse de jugement — sans déterminer le pensable. Elle est soutenue dans plusieurs domaines circonscrits.

La dénomination des couleurs. Le spectre est continu, les langues le découpent différemment: certaines ne distinguent pas le bleu du vert par un terme de base, tandis que le russe possède deux mots de base pour ce que le français appelle «bleu». Les locuteurs de ces langues discriminent plus vite deux teintes lorsqu'elles tombent de part et d'autre d'une frontière lexicale de leur langue que lorsqu'elles tombent du même côté, à distance physique égale. Statut: effet réel et répliqué, mais petit — de l'ordre de quelques dizaines de millisecondes — et souvent restreint au champ visuel droit (c'est-à-dire à l'hémisphère gauche, celui du langage), ce qui suggère une influence au moment du traitement plutôt qu'une refonte de la perception. Il disparaît largement sous charge verbale, c'est-à-dire quand on empêche le participant de se parler à lui-même.

L'orientation spatiale. Certaines langues n'utilisent pratiquement pas de repères relatifs («à ta gauche») mais des repères absolus («au nord de la table»). Leurs locuteurs maintiennent en permanence une orientation cardinale remarquablement exacte et résolvent différemment les tâches de reconstitution de dispositifs spatiaux. Statut: effet robuste et frappant sur les performances spatiales; son interprétation causale reste discutée, car langue et pratiques culturelles de navigation sont confondues — on ne peut pas assigner les gens au hasard à une langue.

Les systèmes de numération. Des langues dont le lexique numérique se limite à «un», «deux» et «beaucoup» sont associées à des difficultés d'appariement exact de grandes quantités, l'estimation approximative restant préservée. Statut: observations convergentes sur de très petits effectifs, dans des contextes où langue, scolarisation et mode de vie varient ensemble; l'effet est plausible, sa cause n'est pas isolée.

Le plurilinguisme suisse comme terrain

La Suisse offre un terrain rare pour ces questions: quatre langues nationales, des cantons bilingues, des filières scolaires en immersion, et une population dont une part importante utilise plusieurs langues au quotidien. Les universités romandes et alémaniques y conduisent des recherches sur l'acquisition précoce d'une langue seconde, sur le contrôle exécutif chez les bilingues et sur le traitement du changement de langue. Nous ne citons ici aucun résultat chiffré: les effets rapportés dans ce domaine — en particulier le prétendu «avantage exécutif bilingue» — varient fortement selon les dispositifs, et les grandes réplications récentes ont trouvé des effets nettement plus faibles, voire nuls, que les études initiales. Le terrain est excellent; les conclusions sont à établir, pas à emprunter.

Synthèse

Un langage se distingue des autres systèmes de communication par la conjonction de cinq propriétés: arbitraire du signe, structure combinatoire à double articulation, productivité, déplacement et transmission culturelle. Les systèmes animaux possèdent certaines de ces propriétés, jamais la combinatoire productive; les grands singes apprennent des symboles, mais aucune syntaxe productive n'a été démontrée chez eux.
Le langage s'analyse à six niveaux emboîtés — phonologie, morphologie, lexique, syntaxe, sémantique, pragmatique — et les erreurs de production (contrepèteries, surrégularisations, mot sur le bout de la langue) sont la meilleure fenêtre sur chacun d'eux.
La loi de Zipf $f (r) = C r^{- s}$ avec $s \approx 1$ se linéarise en $lo g f = lo g C - s lo g r$ ; elle implique qu'une poignée de mots couvre une part énorme d'un texte et que doubler son vocabulaire n'ajoute qu'une couverture constante. C'est une régularité descriptive très robuste dont l'explication reste ouverte, parce que plusieurs mécanismes très différents la produisent.
L'acquisition suit un calendrier régulier en ordres de grandeur (babillage vers 6–10 mois, premiers mots vers 12 mois, explosion lexicale et combinaisons vers 18–24 mois, surrégularisation entre 3 et 5 ans). Le débat inné/acquis reste ouvert, et l'apprentissage statistique des frontières de mots, résultat robuste, ne réduit pas l'acquisition à lui seul.
La théorie classique des concepts échoue sur les cas limites et sur l'air de famille. La théorie du prototype et celle des exemplaires rendent toutes deux compte des effets de typicalité, qui sont parmi les résultats les plus solides de la discipline: si $T = T_{0} + κ d$ avec $d$ la distance pondérée au prototype, le modèle prédit l'ordre des temps de vérification et, sans aucun paramètre, que la domination trait par trait entraîne la domination des temps.
La relativité linguistique est fausse dans sa version forte et soutenue dans sa version faible pour des domaines délimités (couleurs, orientation spatiale, numération), avec des effets petits et sensibles aux conditions de tâche. Son histoire est un modèle du chemin qui va d'une hypothèse séduisante à un résultat précis.

Série d'exercices du chapitre 10

Exercice 1 sur 5

Exercice

La danse de l'abeille indique la direction et la distance d'une source de nourriture éloignée. Quelle propriété du langage humain ce système possède-t-il, et laquelle lui manque de la manière la plus décisive?

Problème guidé

Zipf appliqué à l'apprentissage du vocabulaire

Dans un corpus illustratif de français écrit, le mot de rang 5 représente $1, 50 %$ des occurrences et le mot de rang 500 en représente $0, 018 %$ . On admet que la loi de Zipf $f (r) = C r^{- s}$ décrit correctement cette plage de rangs. Ces deux valeurs sont illustratives: elles servent à faire tourner la méthode.

1
Estimer l'exposant s
Écrivez la loi aux deux rangs, prenez le logarithme et soustrayez: la constante $C$ disparaît et il reste $s = \frac{ln ( f ( 5 ) / f ( 500 ) )}{ln ( 500/5 )}$ .
Exercice
Quelle valeur estimez-vous pour l'exposant $s$ ?
Estimer la constante C
Couverture des 100 mots les plus fréquents
Conséquence pour l'apprentissage du vocabulaire

Exercices

Vous pouvez afficher le corrigé directement sous chaque énoncé après avoir cherché la solution.

Exercice 10.1 · Estimer une loi de Zipf et prédire une couverture

Dans un corpus illustratif, le mot de rang 8 représente $1, 00 %$ des occurrences et le mot de rang 800 en représente $0, 0105 %$ .

Estimez l'exposant $s$ et la constante $C$ .
Prédisez la fréquence du mot de rang 200.
Sachant que $\sum_{r = 1}^{100} r^{- 0, 989} = 5, 301$ , calculez la couverture des 100 mots les plus fréquents.
Citez deux raisons pour lesquelles ce chiffre doit être présenté comme un ordre de grandeur et non comme une mesure.

Solution

1. Le rapport des rangs est $800/8 = 100$ et celui des fréquences $1, 00/0, 0105 = 95, 24$ . Donc

s = \frac{ln 95 , 24}{ln 100} = \frac{4 , 556}{4 , 605} \approx 0, 989.

Puis $C = f (8) 8^{s} = 1, 00 \times e^{0, 989 \times 2, 079} = 1, 00 \times 7, 82 \approx 7, 82 %$ .

2. $20 0^{0, 989} = e^{0, 989 \times 5, 298} = e^{5, 240} = 188, 7$ , donc

\hat{f} (200) = \frac{7 , 82}{188 , 7} \approx 0, 0414 %,

soit environ quatre occurrences pour dix mille mots.

3. $F (100) = 7, 82 \times 5, 301 \approx 41, 5 %$ .

4. Deux raisons parmi d'autres:

L'estimation repose sur deux points. Aucun intervalle de confiance n'est disponible, et le résultat est entièrement à la merci du bruit sur ces deux fréquences. Un ajustement par régression sur $lo g f$ contre $lo g r$ , sur une centaine de rangs, donnerait à la fois une meilleure estimation et une marge d'erreur.
Le modèle surestime la tête de la distribution. Il prédit $\hat{f} (1) = C = 7, 8 %$ , ce qui est trop élevé: les listes de fréquence réelles s'aplatissent aux tout premiers rangs. Comme la somme $\sum_{r \leq 100} r^{- s}$ est dominée par ses premiers termes, l'erreur se propage directement dans la couverture, qui est vraisemblablement surestimée.

On pourrait ajouter une troisième raison, sans doute la plus importante en pratique: une fréquence lexicale n'existe pas dans l'absolu, elle existe relativement à un corpus. La fréquence de «monsieur» n'est pas la même dans un corpus de romans du XIXe siècle et dans un corpus de messages instantanés.

Exercice 10.2 · Ordonner des exemplaires et prédire des temps de réponse

On décrit la catégorie «oiseau» par trois traits gradués dans $[0, 1]$ : $t_{1}$ «vole», $t_{2}$ «de petite taille», $t_{3}$ «chante», de prototype $p = (1; 1; 1)$ . Les poids sont $w = (0, 60; 0, 10; 0, 30)$ et le modèle de temps de vérification est $T = 550 + 450 d$ (constantes illustratives).

Exemplaire	$t_{1}$	$t_{2}$	$t_{3}$
moineau	1,0	1,0	1,0
merle	1,0	0,9	1,0
canard	1,0	0,3	0,2
poule	0,1	0,4	0,2
manchot	0,0	0,2	0,1

Calculez $d$ et $\hat{T}$ pour les cinq exemplaires et donnez l'ordre prédit des temps de réponse.
Quel écart, en millisecondes, le modèle prédit-il entre le moineau et le manchot?
Sans refaire le calcul, montrez à l'aide du point 3 du théorème 10.2 que le moineau sera toujours vérifié au moins aussi vite que le manchot, quels que soient les poids.
Un expérimentateur observe des temps moyens de 612, 620, 705, 748 et 790 ms pour ces cinq items dans l'ordre du tableau. Le modèle est-il en difficulté? Répondez précisément.

Solution

1. Comme le prototype est $(1; 1; 1)$ , la distance se simplifie en $d = \sum_{j} w_{j} (1 - t_{j})$ .

Exemplaire	$d$	$\hat{T}$ (ms)
moineau	$0$	550,0
merle	$0, 10 \times 0, 1 = 0, 01$	554,5
canard	$0, 10 \times 0, 7 + 0, 30 \times 0, 8 = 0, 31$	689,5
poule	$0, 60 \times 0, 9 + 0, 10 \times 0, 6 + 0, 30 \times 0, 8 = 0, 84$	928,0
manchot	$0, 60 \times 1, 0 + 0, 10 \times 0, 8 + 0, 30 \times 0, 9 = 0, 95$	977,5

Ordre prédit, du plus rapide au plus lent: moineau, merle, canard, poule, manchot.

2. $Δ T = 450 \times (0, 95 - 0) = 427, 5$ ms. Notez que cet écart est entièrement gouverné par le $κ = 450$ que l'énoncé a posé: c'est l'ordre, non la magnitude, que le modèle prédit sans paramètre.

3. Le moineau a $∣ t_{j} - p_{j} ∣ = 0$ sur les trois traits, donc $∣ t_{j}^{moineau} - p_{j} ∣ \leq ∣ t_{j}^{manchot} - p_{j} ∣$ pour tout $j$ . Le point 3 du théorème 10.2 s'applique directement: la différence $d (manchot) - d (moineau) = \sum_{j} w_{j} δ_{j}$ est une somme de termes positifs ou nuls, donc positive ou nulle quels que soient les $w_{j} \geq 0$ , et par croissance de $T$ , $\hat{T} (moineau) \leq \hat{T} (manchot)$ . Aucun choix de pondération ne peut inverser cette paire: c'est ce qui rend la prédiction falsifiable.

4. Le modèle n'est pas en difficulté sur ce que le théorème prédit, et il l'est sur ce qu'il ne prédit pas.

L'ordre observé — 612, 620, 705, 748, 790 — reproduit exactement l'ordre prédit: moineau, merle, canard, poule, manchot. C'est la prédiction du point 1, et elle est confirmée.
Les magnitudes ne correspondent pas: l'écart observé moineau–manchot est de $790 - 612 = 178$ ms contre $427, 5$ ms prédits. Mais cela ne réfute rien, car $T_{0} = 550$ et $κ = 450$ ont été posés arbitrairement. On peut d'ailleurs les ré-estimer sur les données: une régression des cinq temps observés sur les cinq distances donnerait un $κ$ de l'ordre de $170$ ms par unité de distance (et un $T_{0}$ voisin de $624$ ms).
Ce qui pourrait mettre le modèle en difficulté serait une inversion sur une paire dominée trait par trait (par exemple un manchot plus rapide qu'un moineau), ou une forte non-linéarité systématique entre $d$ et $T$ .

Conclusion: on retient une confirmation de l'ordre prédit, et l'on se garde de présenter la concordance numérique comme un test du modèle, puisque les constantes sont libres.

Exercice 10.3 · À quel niveau d'analyse l'erreur se produit-elle?

Pour chacune des productions suivantes, indiquez le niveau d'analyse (phonologie, morphologie, lexique, syntaxe, sémantique, pragmatique) que l'erreur met en évidence, et dites en une phrase ce qu'elle nous apprend sur l'architecture du système de production.

«Il faut sonner les cloches» produit comme «il faut cloner les sonches».
Un enfant de quatre ans dit: «hier, j'ai prendu le train».
Un locuteur cherche le mot «tournevis», ne le trouve pas, mais affirme qu'il commence par un t et qu'il compte trois syllabes.
«Le professeur a expliqué la théorie qui les étudiants ne comprenaient pas.»
On demande à quelqu'un «Savez-vous quelle heure il est?» et il répond «Oui», sans donner l'heure.

Solution

1. Phonologie. Les consonnes initiales /s/ et /kl/ ont été échangées entre deux mots distants. Une telle contrepèterie n'est possible que si le système planifie une portion d'énoncé à l'avance et manipule les segments phonologiques comme des unités détachables des mots qui les portent. Elle démontre à la fois l'existence d'un niveau phonologique autonome et la portée de la planification.

2. Morphologie. La règle du participe passé régulier en -u (comme vendre / vendu) est appliquée au verbe irrégulier prendre. L'enfant ne restitue pas une forme mémorisée: il a extrait une règle et la surgénéralise. C'est la phase montante du U de la surrégularisation, et c'est l'argument classique montrant qu'une baisse de performance peut signaler un progrès de connaissance.

3. Lexique. C'est le mot sur le bout de la langue. L'accès au sens a réussi (le locuteur sait parfaitement de quel objet il parle) alors que l'accès à la forme phonologique complète a échoué, tout en livrant des informations partielles. Cela plaide pour une architecture en deux étapes: sélection d'une unité lexicale sémantique, puis récupération de sa forme, l'échec pouvant survenir entre les deux.

4. Syntaxe. Le pronom relatif est erroné: la théorie est l'objet du verbe comprendre, il faut donc «que les étudiants ne comprenaient pas». La phrase reste parfaitement interprétable et sémantiquement cohérente: c'est bien la structure, et non le sens, qui est en défaut — ce qui montre que les deux niveaux sont dissociables.

5. Pragmatique. La réponse est littéralement correcte: la question, prise au pied de la lettre, porte sur une capacité et appelle un oui ou un non. Elle échoue au niveau de l'intention: la question est une demande indirecte. L'erreur montre que comprendre un énoncé ne se réduit pas à en calculer le sens littéral; il faut inférer ce que le locuteur veut obtenir.

Exercice 10.4 · Juger une expérience d'acquisition

Une équipe expose des nourrissons d'environ huit mois, pendant deux minutes, à un flux continu de syllabes prononcé par une voix de synthèse, sans aucune pause ni variation d'intonation. Le flux est engendré par la concaténation aléatoire de quatre «mots» de trois syllabes inventés. À l'intérieur d'un mot, la probabilité qu'une syllabe suive la précédente vaut 1; entre deux mots, elle vaut 1/3. Lors du test, on présente à chaque nourrisson soit un «mot» du langage artificiel, soit une séquence de trois syllabes qui n'a jamais constitué un mot mais dont les syllabes sont toutes apparues. On mesure la durée pendant laquelle le nourrisson oriente son regard vers le haut-parleur. Les durées diffèrent significativement entre les deux types de stimuli.

Quelle est la variable indépendante, quelle est la variable dépendante, et pourquoi la mesure choisie est-elle raisonnable chez un nourrisson?
Pourquoi l'absence de pause et d'intonation dans le flux est-elle une caractéristique essentielle du devis, et non un détail technique?
Que peut-on conclure de ce résultat, et quelles trois conclusions serait-il abusif d'en tirer?
Comment ce résultat s'articule-t-il avec l'argument de la pauvreté du stimulus?

Solution

1. Variable indépendante: le type de séquence au test (mot du langage artificiel contre séquence jamais réalisée comme mot); elle est manipulée par l'expérimentateur, et idéalement présentée en ordre contrebalancé. Variable dépendante: la durée d'orientation du regard vers la source sonore. Le choix se justifie parce qu'un nourrisson de huit mois ne peut ni répondre verbalement ni suivre une consigne: l'orientation du regard est l'une des rares réponses volontaires disponibles, et elle est sensible à la nouveauté et à la familiarité. Sa limite est réelle: elle indique une discrimination, non ce que le nourrisson a compris — et la direction de l'effet (préférence pour le familier ou pour le nouveau) dépend de l'âge et de la durée d'exposition, ce qui oblige à prédire la direction à l'avance plutôt qu'à l'interpréter après coup.

2. Parce que c'est la manipulation qui isole la variable d'intérêt. Dans la parole naturelle, les frontières de mots sont signalées par de multiples indices: pauses, allongements, accentuation, contour mélodique. Si le flux en contenait, on ne pourrait pas savoir si le nourrisson a utilisé les probabilités de transition ou ces indices. En les supprimant tous, on ne laisse que l'information statistique: si une discrimination apparaît, c'est nécessairement d'elle qu'elle vient. C'est un contrôle expérimental, pas un raffinement technique.

3. Conclusion légitime: des nourrissons de huit mois extraient, en quelques minutes, des régularités de transition entre syllabes et les utilisent pour segmenter un flux continu. C'est une capacité d'apprentissage statistique rapide et non supervisée, robuste car répliquée de nombreuses fois et étendue à d'autres matériels et d'autres espèces.

Trois conclusions abusives:

«L'acquisition du langage se réduit à de l'apprentissage statistique.» Segmenter un flux en unités récurrentes est très loin d'acquérir un lexique, et plus loin encore d'acquérir une syntaxe. Le résultat porte sur une étape, pas sur le tout.
«Le nourrisson a appris des mots.» Il a discriminé des séquences: rien n'indique qu'il leur ait attribué un sens ou un statut lexical. Confondre segmentation et lexicalisation est l'erreur la plus courante sur ce paradigme.
«Le mécanisme est spécifique au langage.» Le même effet apparaît avec des tons, des séquences visuelles et chez d'autres espèces: c'est plutôt l'indice d'un mécanisme général appliqué au langage.

On ajoutera une réserve de généralisation: deux minutes de syllabes synthétiques dans une cabine ne sont pas des années de parole située, adressée, accompagnée de regards et d'objets.

4. Le résultat affaiblit la version la plus forte de l'argument de la pauvreté du stimulus, en montrant que l'entrée est bien plus riche en information exploitable qu'on ne le supposait, et que le nourrisson dispose très tôt de mécanismes puissants pour l'exploiter. Il ne le réfute pas, parce que l'argument porte principalement sur la syntaxe — sur la manière dont l'enfant découvre des contraintes structurales qu'il n'entend jamais violer — et non sur la segmentation du flux sonore. Le débat s'est d'ailleurs déplacé exactement là: la question n'est plus «l'entrée est-elle pauvre?» mais «un apprentissage statistique, même puissant, suffit-il à produire des représentations hiérarchiques?». C'est la formulation honnête de l'état actuel.

Exercice 10.5 · Démonstration et prise de position

Établissez la linéarisation de la loi de Zipf: montrez que $f (r) = C r^{- s}$ équivaut à ce que les points $(lo g r, lo g f)$ soient alignés, identifiez la pente et l'ordonnée à l'origine, et dites comment on estime $s$ à partir de deux points.
Montrez que la loi est invariante d'échelle, au sens où $f (λ r) / f (r)$ ne dépend pas de $r$ , et expliquez en une phrase pourquoi cette propriété interdit de parler d'un «rang typique».
On sait qu'un processus d'attachement préférentiel, un principe d'économie d'effort et un simple tirage aléatoire de lettres et d'espaces produisent chacun une distribution rang-fréquence approximativement zipfienne. Que peut-on, et que ne peut-on pas, conclure de l'observation d'une loi de Zipf dans un corpus? Formulez la leçon méthodologique générale.
Prenez position: la relativité linguistique est-elle, aujourd'hui, une hypothèse soutenue? Appuyez-vous sur deux résultats: (a) les locuteurs du russe discriminent un peu plus vite deux teintes de bleu traversant la frontière lexicale de leur langue, effet petit, restreint au champ visuel droit et largement aboli sous charge verbale; (b) les locuteurs de langues à repérage spatial absolu maintiennent une orientation cardinale exacte et résolvent différemment des tâches spatiales, mais langue et pratiques de navigation sont confondues.

Solution

1. Les deux membres de $f (r) = C r^{- s}$ sont strictement positifs pour $C > 0$ et $r \geq 1$ . Le logarithme étant une bijection strictement croissante de $] 0, + \infty [$ dans $R$ , l'égalité est équivalente à celle de ses images. En appliquant $lo g$ :

lo g f (r) = lo g C + lo g (r^{- s}) = lo g C - s lo g r .

En posant $Y = lo g f$ et $X = lo g r$ , on obtient $Y = lo g C - s X$ : dans le plan $(X, Y)$ , c'est une droite d'ordonnée à l'origine $lo g C$ et de pente $- s$ . Réciproquement, si $Y = b + a X$ , alors $f = e^{b} r^{a}$ , c'est-à-dire la forme (10.1) avec $C = e^{b}$ et $s = - a$ : les deux énoncés sont équivalents, et le tracé log-log est donc le test naturel de la loi.

À partir de deux points $(r_{1}, f_{1})$ et $(r_{2}, f_{2})$ , on écrit la relation deux fois et on soustrait pour éliminer $lo g C$ :

lo g f_{1} - lo g f_{2} = - s (lo g r_{1} - lo g r_{2}) ⟹ s = \frac{ln ( f _{1} / f _{2} )}{ln ( r _{2} / r _{1} )},

puis $C = f_{1} r_{1}^{s}$ . Avec plus de deux points, on estime la même droite par régression des moindres carrés sur $(lo g r, lo g f)$ , ce qui fournit en outre une incertitude sur $s$ . $□$

2. Pour tout $λ > 0$ tel que $λ r$ reste dans le domaine de validité,

\frac{f ( λ r )}{f ( r )} = \frac{C ( λ r ) ^{- s}}{C r ^{- s}} = \frac{λ ^{- s} r ^{- s}}{r ^{- s}} = λ^{- s},

qui ne dépend pas de $r$ . $□$ Conséquence: la loi ne possède aucune échelle privilégiée — passer du rang 10 au rang 20 divise la fréquence par le même facteur que passer du rang 10 000 au rang 20 000 — de sorte qu'aucun rang ne peut être qualifié de «typique», au contraire de ce qui se passe pour une distribution normale, où la moyenne fournit une échelle naturelle.

3. Ce que l'on peut conclure: que la distribution rang-fréquence du corpus est fortement inégalitaire et compatible avec la famille des lois en puissance; qu'un modèle à deux paramètres décrit économiquement des dizaines de milliers d'items; et que les conséquences pratiques établies au théorème 10.1 (couverture logarithmique, rendement décroissant du vocabulaire) s'appliquent, quelle que soit l'origine de la distribution.

Ce que l'on ne peut pas conclure: le mécanisme. Puisque des processus radicalement différents — un attachement préférentiel, une optimisation d'un compromis entre l'effort du locuteur et celui de l'auditeur, et un tirage aléatoire dépourvu de toute intention communicative — engendrent tous une forme approximativement zipfienne, l'observation de cette forme ne discrimine pas entre eux. En particulier, on ne peut pas conclure de la loi de Zipf que le lexique est «optimisé» pour la communication: le générateur aléatoire, qui n'optimise rien, produit déjà la même signature.

Leçon méthodologique générale: la valeur probante d'une observation ne dépend pas de sa régularité, mais de son pouvoir discriminant entre les hypothèses en concurrence. Une prédiction que toutes les théories rivales font également n'apporte aucune information sur laquelle est vraie. Pour trancher, il faut chercher les points où elles divergent: ici, par exemple, la forme précise des écarts à la loi (l'aplatissement de la tête, la coupure de la queue), l'évolution des paramètres avec la taille du corpus, ou le comportement de textes engendrés artificiellement dans des conditions contrôlées.

4. Position: oui, mais uniquement dans sa version faible, et avec des effets petits, locaux et dépendants de la tâche. La version forte est fausse.

Justification à partir des deux résultats.

Le résultat (a) est le cas le plus favorable dont on dispose, et il est instructif justement par sa modestie. Il établit qu'une frontière lexicale influence une performance mesurable: c'est une influence réelle du langage sur la cognition, donc la relativité faible n'est pas vide. Mais trois caractéristiques en bornent la portée. L'effet est petit (quelques dizaines de millisecondes sur une tâche de discrimination). Il est latéralisé au champ visuel droit, donc à l'hémisphère du langage, ce qui suggère que la langue intervient au moment du traitement plutôt qu'en remodelant la perception elle-même. Et il est largement aboli sous charge verbale: si l'on occupe le langage intérieur par une tâche concurrente, l'avantage s'efface. Cette dernière observation est décisive contre la version forte: si la langue avait déterminé la manière de percevoir, une tâche verbale concurrente ne devrait rien y changer. On a donc affaire à une stratégie de nommage disponible en ligne, non à une refonte du système perceptif.

Le résultat (b) montre des différences de performance bien plus spectaculaires, mais son statut causal est plus faible, et il faut le dire nettement: on ne peut pas assigner des participants au hasard à une langue. Les locuteurs de langues à repérage absolu vivent aussi dans des environnements et des pratiques de navigation particulières; langue et culture varient ensemble. Le résultat établit donc solidement une corrélation entre système linguistique et performance spatiale, et il rend plausible — sans le prouver — que l'usage constant d'un repérage absolu entraîne le maintien d'une orientation cardinale. Les devis qui approchent le mieux la causalité sont ici les études intralinguistiques (comparer des locuteurs d'une même langue selon leur usage) et l'entraînement expérimental à un système de repérage, qui produit des effets réels mais plus modestes.

Conclusion. La relativité linguistique a subi la transformation qui distingue une hypothèse scientifique d'une thèse philosophique: elle s'est rétrécie et précisée. On ne demande plus «la langue détermine-t-elle la pensée?», question à laquelle la réponse est non, mais «dans quelles tâches, à quel moment du traitement et de quelle magnitude la langue influence-t-elle une performance?», question à laquelle on répond par des expériences et des millisecondes. C'est, en soi, la leçon principale de ce dossier.

Références

Gazzaniga, M., Heatherton, T. et Halpern, D., Psychological Science, W. W. Norton, New York, chapitres sur le langage et la pensée.
Eysenck, M. W. et Keane, M. T., Cognitive Psychology: A Student's Handbook, Psychology Press, Londres, chapitres sur le langage, la compréhension et les concepts.
Schacter, D. L., Gilbert, D. T. et Wegner, D. M., Psychologie, De Boeck Supérieur, Louvain-la-Neuve, chapitre sur le langage et la pensée.
Saussure, F. de, Cours de linguistique générale, Payot, Lausanne et Paris, 1916 (arbitraire du signe, distinction langue / parole).
Piaget, J., Le langage et la pensée chez l'enfant, Delachaux et Niestlé, Neuchâtel, 1923 (école de Genève; à lire avec la distance critique que le chapitre 1 recommande sur les travaux fondateurs).
Pinker, S., L'instinct du langage, Odile Jacob, Paris, et Tomasello, M., Constructing a Language, Harvard University Press, Cambridge, pour les deux versions opposées, et argumentées, du débat inné / acquis.

Objectifs du chapitre

Qu'est-ce qu'un langage?

Le signe, symbolique et arbitraire

Les systèmes de communication animaux

Ce que les grands singes ont montré, et ce qu'ils n'ont pas montré

Les niveaux d'analyse du langage

Phonèmes et perception catégorielle

Des morphèmes à la pragmatique

Les erreurs de production comme fenêtre sur les niveaux

Le lexique et ses régularités quantitatives

Fréquence et rang

L'effet de fréquence

Le statut de la loi de Zipf

L'acquisition du langage

Le calendrier, en ordres de grandeur

Inné, acquis, et ce que chaque camp explique bien

L'apprentissage statistique des frontières de mots

Périodes sensibles et acquisition d'une langue seconde

Les concepts et la catégorisation

Pourquoi catégoriser

L'échec de la théorie classique

La théorie du prototype et les effets de typicalité

Explorateur de typicalité

La théorie des exemplaires, et les théories naïves

Les niveaux de catégorisation

Langage et pensée

La version forte: abandonnée

La version faible: soutenue, dans des domaines délimités

Synthèse

Série d'exercices du chapitre 10

Zipf appliqué à l'apprentissage du vocabulaire

Estimer l'exposant s

Estimer la constante C

Couverture des 100 mots les plus fréquents

Conséquence pour l'apprentissage du vocabulaire

Exercices

Références