Accéder au contenu principal

Ce qui compte comme une langue ici ?

Résumé exécutif. L'Arena catalogue les langues selon la norme ISO 639-3, évalue les langues individuelles (et non les macrolangues), inclut les langues des signes en tant que langues naturelles, inclut les langues construites reconnues par l'ISO, exclut les langages de programmation, et affiche les désaccords taxonomiques sans prendre parti. Cette page explique chaque choix et ses implications pour le classement.

Tout projet qui évalue la traduction sur des milliers de langues doit répondre à une vieille question étonnamment difficile : qu'est-ce qui compte comme une langue ? Les linguistes savent depuis longtemps que la frontière entre « langue » et « dialecte » est autant sociale et politique que structurelle — le célèbre aphorisme selon lequel « une langue est un dialecte avec une armée et une marine » a été popularisé par le linguiste yiddish Max Weinreich en 1945 (il l'a attribué à un membre du public lors de l'une de ses conférences). Nous ne pouvons pas esquiver la question, voici donc nos réponses et notre raisonnement.

Les langues des signes sont des langues. Point final.​

Les langues des signes sont des langues naturelles — avec des grammaires complètes, une acquisition native par les enfants, et des communautés de locuteurs vivantes. Cela a été établi en linguistique depuis la démonstration de William Stokoe en 1960 que l'American Sign Language possède le même type de structure interne que les langues parlées, et soixante ans de recherche depuis (Klima & Bellugi 1979 ; Sandler & Lillo-Martin 2006) n'ont fait qu'approfondir ce point. L'ISO 639-3 attribue aux langues des signes des codes de langue individuels ; Glottolog les catalogue aux côtés des familles parlées. Notre catalogue en inclut plus de 160, étiquetées modality: signed.

Certaines sont des langues autochtones en danger : la Plains Indian Sign Language (psd), historiquement une importante lingua franca intertribale en Amérique du Nord, est aujourd'hui en danger critique (Davis 2010, Hand Talk). L'endangerment des langues des signes est l'endangerment des langues autochtones, et il relève de la mission de ce projet.

Une note de portée honnête. L'Arena évalue actuellement la traduction automatique basée sur le texte. La traduction en langue des signes — travaillant avec la vidéo, la grammaire spatiale, et les langues qui n'ont pas de forme écrite largement adoptée — est un problème technique différent et largement non résolu (voir Yin et al. 2021, « Including Signed Languages in Natural Language Processing », ACL). Nous ne la servons pas encore. Les entrées de langues des signes dans notre catalogue indiquent exactement cela : pas encore servie — jamais « pas une langue ».

Il y a deux modalités. L'écriture n'en est pas une.​

Les langues se présentent en deux modalités principales : parlée et signée. L'écriture n'est pas une troisième modalité — c'est une technologie superposée à une langue, et la plupart des langues du monde s'en passent sans orthographe standardisée. C'est pourquoi nos fiches de langue suivent l'écriture séparément (quels systèmes d'écriture une langue utilise, ou si elle n'a pas d'orthographe standardisée du tout) et la suivent honnêtement : pour une plateforme de traduction automatique basée sur le texte, le fait qu'une langue soit écrite est une information critique, non une note de bas de page — et une langue non écrite n'est pas une langue inférieure.

Les langues construites : oui. Les langages de programmation : non.​

Nous suivons la ligne de l'ISO 639-3 elle-même. La norme n'admet une langue construite que si c'est une langue complète, conçue pour la communication humaine, avec une littérature et une communauté qui l'a transmise à une deuxième génération d'utilisateurs — et elle exclut explicitement les langages de programmation informatique. L'Espéranto, avec ses locuteurs natifs, se qualifie ; Python ne se qualifie pas, car personne n'acquiert Python comme première langue de ses parents. Notre catalogue inclut les deux douzaines de langues construites que l'ISO reconnaît, typées comme telles, et aucun langage de programmation.

Nous évaluons les langues individuelles, pas les macrolangues​

L'ISO 639-3 distingue les langues individuelles des macrolangues — des codes parapluie comme cre (Cree), ara (Arabe), ou zho (Chinois) qui couvrent plusieurs langues individuelles étroitement apparentées. L'unité d'évaluation de l'Arena est la langue individuelle, pour une raison opérationnelle : les ressources de traduction sont spécifiques à la variété. Un analyseur morphologique construit pour le Cree des Plaines (crk) ne génère pas le Cree Moose (crm) ; un corpus d'arabe égyptien dit peu de choses sur la qualité d'une méthode en arabe marocain. Un score attaché à un code de macrolangue serait une affirmation sur des variétés qui n'ont jamais été réellement évaluées — nous ne le faisons donc pas.

Les macrolangues apparaissent toujours dans le catalogue en tant que pages hub : une navigation qui relie une identité parapluie à ses membres individuels, reflétant l'observation propre de l'ISO que les deux niveaux d'identité sont réels. Sous la langue individuelle, nous affichons les informations de dialecte et de lignage de l'arbre languoid de Glottolog (Hammarström & Forkel 2022), qui modélise les familles, les langues et les dialectes comme une hiérarchie navigable unique.

Quand les autorités ne sont pas d'accord, nous montrons les deux​

L'ISO 639-3 et Glottolog divisent ou regroupent parfois différemment, et les communautés ne sont parfois d'accord avec aucun des deux. Nous n'arbitrons pas. Les fiches de langue comportent une affordance notes taxonomiques qui affiche le désaccord avec les sources, et la dénomination suit la communauté partout où la communauté a exprimé une préférence. Le fait qu'une variété soit « une langue » est, en fin de compte, partiellement une question d'identité — et les questions d'identité appartiennent aux communautés elles-mêmes, un principe que nous adoptons des cadres de gouvernance des données autochtones comme OCAP®.

Une direction de recherche : les arenas comme instrument de mesure​

Une chose qu'une arena comme celle-ci produit, presque comme un sous-produit, est un nouveau type de preuve sur la proximité réelle des variétés de langue opérationnellement. Si une seule méthode de traduction, maintenue fixe, sert plusieurs variétés apparentées à une qualité déployable, ces variétés se regroupent en pratique ; si elles exigent des corpus séparés et des méthodes séparées, elles sont opérationnellement distinctes — quoi qu'en dise la politique de dénomination. Cela ressemble à des traditions empiriques plus anciennes, des tests d'intelligibilité de texte enregistré aux mesures de distance lexicale automatisées, avec une tournure ancrée dans le déploiement.

Nous l'offrons avec prudence, comme une direction de recherche plutôt que comme une affirmation. Les résultats de transfert de méthode sont confondus par la taille du corpus, le domaine, l'orthographe et la contamination des données d'entraînement, et un regroupement est toujours relatif à une méthode et à un seuil de qualité. Surtout : ce signal peut informer les conversations sur la langue et le dialecte, mais il ne remplace jamais la façon dont une communauté identifie sa propre langue.

Références​

  • Davis, Jeffrey E. (2010). Hand Talk: Sign Language among American Indian Nations. Cambridge University Press.
  • Dryer, Matthew S. & Martin Haspelmath, eds. (2013). The World Atlas of Language Structures Online. https://wals.info
  • Hammarström, Harald & Robert Forkel (2022). "Glottocodes: Identifiers Linking Families, Languages and Dialects to Comprehensive Reference Information." Semantic Web 13(6).
  • Haugen, Einar (1966). "Dialect, Language, Nation." American Anthropologist 68(4).
  • ISO 639-3 Registration Authority. "Scope of denotation" and "Types of individual languages." https://iso639-3.sil.org/about/scope · https://iso639-3.sil.org/about/types
  • Klima, Edward S. & Ursula Bellugi (1979). The Signs of Language. Harvard University Press.
  • Sandler, Wendy & Diane Lillo-Martin (2006). Sign Language and Linguistic Universals. Cambridge University Press.
  • Stokoe, William C. (1960). Sign Language Structure. Studies in Linguistics, Occasional Papers 8.
  • Weinreich, Max (1945). "Der YIVO un di problemen fun undzer tsayt." YIVO Bleter 25(1).
  • Yin, Kayo, Amit Moryossef, Julie Hochgesang, Yoav Goldberg & Malihe Alikhani (2021). "Including Signed Languages in Natural Language Processing." Proc. ACL-IJCNLP 2021. https://aclanthology.org/2021.acl-long.570/
  • First Nations Information Governance Centre. The First Nations Principles of OCAP®. https://fnigc.ca/ocap-training/