Depuis quelques mois, je travaille au CMLA, le laboratoire de mathématiques appliquées de l’École Normale Supérieure (ENS) de Paris-Saclay, dans le département de traitement d’images. Le niveau mathématique est trop élevé pour que je puisse participer utilement aux recherches, je suis employé comme ingénieur, pour contribuer au développement d’une plate-forme en ligne de démonstration d’algorithmes publiés, IPOL. J’étais intéressé parce que j’ai développé (quoiqu’un peu seul), une boîte à outils pour le texte (Alix). L’apport conceptuel pour moi est important, je suis invité à en parler ce mercredi 2 mai en réunion hebdomadaire de laboratoire (en anglais). Il me sera plus difficile de proposer des algorithmes utiles aux mathématiciens, je peux au moins distraire, et peut-être suggérer quelques métaphores venues du texte.

Le pixel d’un texte

Textes et images numériques peuvent trouver un fondement commun dans la théorie de la communication de Shannon (1948). Il propose une première  modélisation mathématique du texte comme séquence de 27 signes (les lettres sans accent de l’anglais et l’espace). Mais est-ce que la lettre est bien le pixel d’un texte ?

Sans la nommer explicitement, Shannon reprend la figure du singe dactylographe. Cette expérience de pensée a été inventée par un physicien français et normalien, Émile Borel, qui cherchait l’image du phénomène le plus improbable, afin de faire comprendre que même si les lois de la physique étaient absolument déterministes et toutes connues, le nombre et la précision des mesures nécessaires à la connaissance totale d’un instant prendrait un temps infini. La connaissance absolue du futur étant improbable, le temps est pour nous irréversible. La tradition a retenu l’image d’un singe seul avec une machine à écrire, et sa chance de retrouver le texte de Shakespeare en frappant au hasard sur son clavier. L’énoncé original présente des conditions de travail plus réalistes, avec 1 million de singes pendant  10 heures par jour, sous la conduite de contremaîtres illettrés.

On a souvent cherché à donner une idée de l’extrême rareté des cas exceptionnels, rareté qui dépasse tout ce que notre imagination peut concevoir ; voici une comparaison qui me paraît particulièrement frappante. Concevons qu’on ait dressé un million de singes à frapper au hasard sur les touches d’une machine à écrire et que, sous la surveillance de contremaîtres illettrés, ces singes dactylographes travaillent avec ardeur dix heures par jour avec un million de machines à écrire de types variés. Les contremaîtres illettrés rassembleraient les feuilles noircies et les relieraient en volumes. Et au bout d’un an, ces volumes se trouveraient renfermer la copie exacte des livres de toute nature et de toutes langues conservés dans les plus riches bibliothèques du monde.
Borel, 1913, La mécanique statique et l’irréversibilité.

Shannon (1948) montre comment le singe d’aujourd’hui, l’ordinateur, peut largement augmenter ses chances d’écrire du texte prononçable en tenant compte des probabilités d’apparition d’une lettre dans une langue, ou de groupes de lettres (n-grams). La fréquence de ces motifs est d’ailleurs très efficace pour distinguer les langues (Cavnar & Trenkel, 1994), et sert parfois d’indice dans l’attribution de textes. Mais le résultat reste difficile à lire.

• Lettres, équiprobables :XFOML RXKHRJFFJUJ ZLPWCFWKCYJ FFJEYVKCQSGHYD QPAAMKBZAACIBZLHJQD.
• Lettres, probabilités selon Flaubert : TÉPTFR   RR LTTRSLELTAIESSC SO EBA EU IEE TS UNUOTSEO HSLDIT DR   PSDMEOHISTU SNUDIMRENTTNDRAPSTRNIES.
• Digrammes de lettres, probabilité selon Flaubert : SI ÀDEC CMOÙ AIDEAIADREERRÉE BUROTE PE ROU LP VAN S RNS AIX DRÇEN TT LAMM ST E CI TEASUCE ONE OR LE FE T.
• Trigrammes de lettres, probabilité selon Flaubert : E SER N EAS MOICHABASPOSA PS CE HS BUI DE RANR EENT DEDES VIT DUX T ÀT OE EMBALANNDÉ QUE AS IILS ATUESICARÉE.

Shannon n’avait pas nos moyens informatiques, il utilisait des tables de nombres aléatoires pour choisir à la main des pages dans des livres en anglais. Les résultats ci-dessus ont été obtenus sur un corpus français et confirment un certains progrès dans la facilité de prononciation qui ne suffit cependant pas à devenir significatif.

 TITUS ANDRONICUS


ACT I
 
SCENE III	An ante-chamber. The COUNT's palace.
 
[Enter CLEOMENES, with the Lord SAY]
 
Chamberlain
    Let me see your worshing in my hands.
 
LUCETTA
    I am a sign of me, and sorrow sounds it.
 
[Enter CAPULET and LADY MACBETH]
 
What manner of mine is mad, and soon arise?
 
JULIA
    What shall by these things were a secret fool,
    That still shall see me with the best and force?

Muni d’un réseau de neurones à apprentissage profond, le singe dactylographe est beaucoup plus convaincant, comme ci-dessus, où une Intelligence Artificielle a été entraînée à relire Shakespeare lettre à lettre, jusqu’à savoir en réécrire spontanément le texte. La machine montre des étapes d’apprentissage très intéressantes : charabia, lettres découpées en pseudo-mots et pseudo-vers,  structure de la pièce avec nom des personnages, mots prononçables, puis de plus en plus plausibles. Pour un lecteur français d’anglais ancien, les fautes de syntaxes ne sont pas effroyables. Cependant, l’expression reste confuse au delà de plusieurs mots, et la cohérence de ses intrigues peine à tenir le lecteur en haleine. Cette expérience est impressionnante, mais elle manque cette évidence linguistique, les lettres ne sont qu’une commodité de transmission des messages, ce ne sont pas les éléments constitutifs de la langue.

Aoccdrnig to rscheearch at Cmabrigde Uinervtisy, it deosn’t mttaer in waht oredr the ltteers in a wrod are, the olny iprmoetnt tihng is taht the frist and lsat ltteer be at the rghit pclae. The rset can be a toatl mses and you can sitll raed it wouthit a porbelm. Tihs is bcuseae the huamn mnid deos not raed ervey lteter by istlef, but the wrod as a wlohe.
(source unknown)

La plupart des internautes ont été exposés au mème ci-dessus. Le département de psycholinguistique de l’université de Cambridge y répond avec humour, l’énoncé est faux, mais il est vrai que la lecture arrive à traverser la confusion des lettres. Cette expérience devrait convaincre que les pixels de la langue ne sont pas les lettres. Certaines langues acceptent ainsi plusieurs graphies, par exemple le serbo-croate s’écrit aussi bien en alphabet cyrillique que latin. Shannon ne l’excluait pas mais ne l’a pas affirmer nettement, l’unité de la langue entre l’émetteur et le récepteur est le mot. Ce “linguel” est universel, même pour les langues dont les signes correspondent à des syllabes (coréen) ou à des mots (chinois, hiéroglyphes).

Si le mot est comme le pixel d’un texte, peut-on en faire une image numérique ?

Le nombre de mots fléchis du français (noms accordés, verbes conjugués…) est de l’ordre du million. L’œuvre romanesque complète de Flaubert en comporte moins de 30 000. Un pixel peut avoir 16,7 millions de couleurs, il est donc possible de représenter un texte dans une image, en affectant une couleur différente pour chaque mot. Aucun dictionnaire, dans aucune langue, ne propose un standard pour affecter un code à un mot. Le lexique n’est pas intrinsèquement organisé selon une relation d’ordre. On peut toutefois ranger les mots selon leur fréquence. On peut ainsi projeter le lexique sur le spectre en donnant une couleur très claire à un mot très fréquent, et réserver les plus sombres au mots les plus rares (la luminance est calculée avec une formule classique 0.299 * rouge  + 0.587 * vert + 0.114 * bleu). La couleur d’un mot n’est pas significative, il faut juste observer sa luminosité, dans un dégradé du clair au sombre passant par un arc-en-ciel de dominantes :  blanc, jaune, vert, bruns-gris, violet, bleu, noir.

Lorsque la couleur des pixels d’une image est tirée au hasard, comme ci-dessus, on obtient une luminosité moyenne de 50%. Quand un texte est projeté mot à mot sur une image avec une couleur plus claire pour les mots fréquents, la luminosité moyenne est de 90%. L’image ci-dessous rend visible l’énorme importance des mots les plus fréquents (pixels très clairs), ce qui explique la clarté de l’image (plutôt verte, c’est la couleur la plus lumineuse d’un écran Rouge-Vert-Bleu).

Une telle visualisation de la littérature n’avait jamais été tentée, il y a peut-être une explication, elle n’apporte rien à l’intelligence d’une œuvre. Par contre, elle rend évidente la différence de nature entre les données textuelles et photographiques. On peut zoomer dans une photographie, pas dans cette image de Flaubert, car cela supprimerait les mots les plus significatifs. Il n’y a pas de fonction mathématique simple pour «résumer» un texte, alors qu’il y en a pour les images.

Mais les images numériques ne sont pas seulement des photographies, filtrées depuis la nature ; elles peuvent aussi être artificielles, produites et pensées par l’humain, selon deux formats principaux : matriciel ou vectoriel.

Le texte correspond une image matricielle artificielle. Shannon précise d’ailleurs qu’une source d’information peut être de plusieurs types : (a) une séquence de lettres comme le télégraphe et le télétype ; (b, c, d, e, f) une ou plusieurs fonctions du temps, comme pour le téléphone et la radio, la télévision noir et blanc, le son trois dimensions, la télévision couleurs, la télévision couleurs avec le son. Témoin des technologies de son époque,  la transmission de photographies n’est pas mentionnée, mais elle peut être considérée comme une vidéo d’une seule image. Il en résulte que des traitements élémentaires pour les images comme le redimensionnement, le débruitage ou le flou, peuvent être obtenues par des fonctions mathématiques, pas pour pour le texte. Ce sont deux objets numériques très différents.

La chair des textes

La détection de la pornographie est une tâche qui peut s’appliquer aussi bien aux images qu’aux textes. La comparaison des procédés utilisés sur ces deux objets numériques va permettre d’affiner les différences, en montrant quelques analogies.

La détection de la nudité dans les images est un sport industriel sur Internet. Par contre, la détection des textes érotiques ne semble plus préoccuper la censure. S’intéresser à la moralité des textes n’a donc aucune utilité commerciale, mais c’est une curiosité scientifique qui permet de progresser dans les algorithmes de classification automatique.

Avant les réseaux de neurones, le principe le plus fréquent pour détecter automatiquement la nudité était de mesurer la proportion de couleur chair. Mais la couleur de la peau est variable, ne serait-ce que par la pigmentation des individus. L’artiste noire américaine Angélica Dass a ainsi collectionné des portraits d’individus très variés en rapportant la tonalité générale de leur peau à la gamme normalisée Pantone. Le spectre de la peau est assez large pour se confondre avec bien d’autres objets.

De plus, une même couleur peut être perçue très différemment. Un couple de sénégalais en France remarquait par exemple que leur fils se revendiquait black, tandis que leur fille, de même couleur, se disait juste un peu marron. Cette affirmation noire a pris un tour politique dans la musique américaine des années 1960, se montrant même sur les pochettes de disque. Miles Davis s’est d’autant plus noirci que Joséphine Baker se blanchissait.

Le ton local (intrinsèque à la chose) est ainsi largement modifié par les lumières et les ombres. Delacroix disait déjà : « donnez-moi la boue des rues, et j’en ferai de la chair de femme d’une teinte délicieuse », par le seul effet des couleurs environnantes. La couleur de la chair n’est pas absolue, elle est relative au reste de l’image.

Aussi, pour identifier automatiquement la couleur de la chair, une astuce habituelle consiste à identifier un point de repère, par exemple une forme certaine du corps humain, comme le nez, pour ensuite évaluer la fréquence et la forme des zones de couleur similaire.

Les procédés sont assez efficaces, Facebook a ainsi été mis en procès (en France) pour avoir fermé automatiquement en 2011 le compte d’un professeur qui exposait l’origine du monde de Courbet. Un avocat s’est indigné : « Facebook ne fait pas la différence entre de la nudité, de la pornographie, et une œuvre d’art ». Les algorithmes ont en effet un peu de peine à s’y retrouver, mais à ma connaissance, la polémique n’a jamais envisagé que Courbet, peintre réaliste, aurait pu être honoré d’être confondu avec une photographie. L’intention de l’artiste était expressément pornographique, le tableau a d’ailleurs été acheté par un diplomate turc pour sa salle de bains personnelle. Cette manière de sacraliser l’art est une façon d’en supprimer la valeur. Le tableau de Courbet est exceptionnel, car justement, il reste troublant. Facebook s’est depuis engagé à ne plus “censurer” l’art, il a probablement enregistré l’empreinte de tableaux connus comme exceptions à son détecteur de nudité. Au lieu de s’indigner ainsi de manière automatique, les belles âmes feraient mieux de hacker la censure électronique, ils verront qu’elle laisse encore bien des espaces d’expression, par exemple cette photo de Man Ray plutôt explicite, La Prière, passe correctement un test de moralité.

La détection de la pornographie dans les textes peut relever d’un procédé similaire à celui des images, rechercher une fréquence élevée du vocabulaire de la chair. Le procédé est a priori plus simple, les mots sont censés garder un sens qui ne varie pas trop selon le contexte. Les premiers concepts de classification de documents datent ainsi des années 1960 et se sont intéressé à l’indexation automatique de littérature technique. Extraire le sujet d’un texte semble donc une opération assez élémentaire, il suffit de lister les mots les plus fréquents.

Wikipedia, article « chat », mots les plus fréquents : de, le, la, les, et, chat, des, à, est, en, du, un, chats, une, que, dans, pour, par, se, il, ou, qui, au, comme, sur, ce, a, sont, son, plus, ne, aux, avec, sa, être, leur,  pas, peut…

Le genre encyclopédique est théoriquement le plus adéquat à son sujet, avec quelques exceptions célèbres, par exemple l’article Wolstrope de l’Encyclopédie de Diderot et d’Alembert, qui parle très peu de ce bourg d’Angleterre, mais beaucoup plus de mathématiques et de physique. C’est en effet la ville de naissance de Newton et l’Encyclopédie avait pris le parti initial de ne pas parler des personnes, mais uniquement des lieux et des choses. Wikipedia ne se permet pas ce genre de fantaisies, cependant les mots les plus fréquents de l’article « chat » : de, le, la, les, et…. sont peu significatifs et les mêmes pour tous les textes français. Ce phénomène est connu sous le nom de loi de Zipf, constatée dès le début du XX^e siècle pas Estoup pour la sténographie. C’est encore une autre différence entre le texte et la photographie naturelle, la distribution des couleurs est beaucoup plus homogène et dégradée, dans le réel, il n’y a pas l’équivalent d’une couleur de fond unique qui serait aussi fréquente qu’un mot grammatical. Ci-dessous, deux Léna où les 50 couleurs les plus fréquentes ont été remplacées par du noir.

Dans l’image originale à gauche, les points noirs marquant les couleurs les plus fréquentes sont répartis aléatoirement, ce que montre la vignette de grossissement. Lorsque l’image passe au préalable par un débruitage (Multi-Scale DCT Denoising), la distribution des couleurs est un peu plus artificielle, mais toujours pas homogène. Les fréquences lexicales d’une langue humaine ne sont ni gaussiennes comme une photographie naturelle, ni affectées d’artefacts comme une image traitée. Toute statistique doit tenir compte de ces répartitions particulières, ainsi par exemple, une moyenne absolue n’y a aucun sens.

Mots pleins en ordre de fréquence

Sade, 1799, Justine : Justine, dit, fille, homme, femme, cul, nature, monsieur, Dieu, madame, crime, yeux, vit, hommes, vie, foutre, Bressac, vertu, Gernande, monde, fesses…

Réage, 1954, Histoire d’O :  Stephen, sir, René, dit, Jacqueline, mains, Anne-Marie, yeux, main, lit, ventre, seins, genoux, Roissy, bouche, temps, porte, O., amant, reins, chambre, seule, dire, seulement, rouge, lèvres, plaisir, voyait, aimait, nue, robe, peine, cuisses…

James, 2012, 50 nuances de Grey : Christian, yeux, tête, main, veux, Ana, dit, sais, Grey, sourire, regard, voix, dis, monsieur, Kate, peux, Anastasia, bras, cheveux, demande, madame, bon, mains, murmure…

Sade, 1791, Justine : dit, Thérèse, homme, monsieur, madame, femme, fille, nature, vertu, crime, état, instant, vie, yeux, Dieu, comte, dis, plaisirs, Rodin, monde, hommes, peine, Roland, possible, malheureuse, mains, seul, maison, temps, cœur, Dubois, mal, manière, femmes, mort, aussitôt, sort, lois, fort, dire, servir, crimes, dès que, affreux, créature…

Il suffit en général de sortir les mots grammaticaux pour qu’une liste de mots en ordre de fréquence permettent de deviner le sujet d’un texte. La Justine de Sade de 1799 est indiscutablement un livre à caractère sexuel. Cela suffit largement pour la plupart des romans pornographiques, explicites, mais les romans érotiques, plus suggestifs, sont rarement détectés. Ainsi, Pauline Réage dans Histoire d’O, avec les euphémismes de ventre et de reins, a un vocabulaire suffisant pour décrire toutes les positions et pratiques impudiques. 50 nuances de Grey est invisible, on sera plus surpris de découvrir que la première version de la Justine de Sade (1791), se cache aussi de la machine, alors qu’à la lecture humaine, il est particulièrement coriace.

Mots 7 fois plus fréquents que Frantext en ordre de fréquence

Réage, 1954, Histoire d’O : sir, seins, genoux, amant, reins, nue, cuisses, cuir, fouet, taille, jupe, chaîne, anneau, collier, bracelets, valet, fourrure, anneaux, fers, ceinture, cravache, cheminée, caresser, désirait, valets, sofa, fouettée, mules, caressait, gants, poignets, esclave, constamment, bague, hanches, couchée…

James, 2012, 50 nuances de Grey : murmure, lève, mademoiselle, sourit, merde, merci, embrasse, plaît, sourcils, pose, date, penche, bébé, adresse, secoue, jette, hausse, fronce, hoche, tiens, chuchote, prie, embrasser, souris, baiser, tend, caresse?, rougis, attrape, lance, serre, soumise, jean, hanches, nuances…

Sade, 1791, Justine : nature, vertu, crime, comte, plaisirs, malheureuse, sort, lois, crimes, affreux, créature, chère, moine, fortune, conduite, malheureux, monstre, ô, passions, répondis, sein, jouir, maux, remords, goûts, horreurs, cruel, malheurs, victime, moines, quoique, scélérat, désirs, volupté, reins, religion, principes, assurément, couvent, présente, comtesse, cruelle, jouissance, prête, temple, ose, parties, libertin, reconnaissance, coupable…?

Avec un corpus de référence un peu large (Frantext, ~2000 livres 1789-1950), dégager les mots sur-représentés permet de repérer le vocabulaire spécifique d’un thème. Les supplices d’O ne peuvent plus être dissimulés, les nuances de Grey apparaissent, mais la Justine 1791 reste cachée. Une première raison peut l’expliquer, ces statistiques en sac de mots perdent le sens temporel et cumulatif de la lecture. Contrairement à la supposition initiale, tous les mots ne gardent pas un sens indépendant de leur contexte, le thème de l’érotisme peut teinter absolument tous les mots, comme un éclairage.

Son amant emmène un jour O se promener dans un quartier où ils ne vont jamais, le parc Montsouris, le parc Monceau. À l’angle du parc, au coin d’une rue où il n’y a jamais de station de taxis, après qu’ils se sont promenés dans le parc, et assis côte à côte au bord d’une pelouse, ils aperçoivent une voiture, avec un compteur, qui ressemble à un taxi. « Monte », dit-il. Elle monte.
Réage, 1954, Histoire d’O, p. 1.

Le mystérieux début d’Histoire d’O pourrait introduire un roman d’espionnage, mais par la seule impulsion de son titre, et de sa réputation, le suspense est dirigé comme une chanson de Gainsbourg, où l’indécision de la prononciation sur les “s” suffit à pervertir tous les propos. L’érotisme retrouve et confirme les isotopies de Greimas et Rastier, le sens courre de mot en mot par des sèmes que le contexte réveille. Le travail littéraire pourrait se définir par l’augmentation de l’intensité sémantique en sachant coordonner et mobiliser un vocabulaire plus large, comme une armée plus nombreuse de mots, subordonnés à une même intention. Des gris, même des verts peuvent concourir à la chair.

Dans la Nymphe, employé très beau ton de chair brillant et vigoureux de vermillon, blanc, jaune de chrome foncé avec vert émeraude.
Delacroix, Journal.

La couleur ne suffit pas à la chair, il faut aussi des traits pour qu’elle prenne forme. Quel est le trait d’un texte, son noir ?

La palette du lexique n’est pas homogène. Dans un dictionnaire, sur environ 50 000 entrées, on compte 61% de substantifs différents, 22% d’adjectifs, 11% de verbes (dont être, avoir, devoir…), 4% d’adverbes, ce qui laisse 2% pour les mots souvent grammaticaux d’espèce variée (déterminants, prépositions, conjonctions…). Si les mots ont chacun un sens différent, ou du moins que la langue conserve peu de parfaits synonymes, alors il y a plus de significations différentes dans les noms, moins dans les verbes, et surtout dans les mots grammaticaux.

Ce vocabulaire potentiel se répartit tout à fait différemment en nombre d’occurrences, par exemple le texte de la Justine 1791 se répartit par natures de mots : 16% de substantifs, 12% de verbes pleins (sans avoir, être…), 12% de pronoms personnels, 11% de prépositions, 9% d’article, 5% d’adjectifs, les 35% restants sont principalement des mots grammaticaux et des verbes auxiliaires.

Les verbes d’un texte sont donc nombreux, et obligatoires dans la phrase. La classification automatique s’est surtout intéressée à la documentation scientifique ou technique. Or, les textes informatifs utilisent surtout des verbes d’état pour articuler les assertions (être, sembler, paraître….), assez peu significatifs du contenu de texte. Mais les récits emploient aussi des verbes d’action, beaucoup plus significatifs, et choisis dans un lexique plus étroit que les substantifs. Nous allons voir qu’il trahissent beaucoup mieux l’érotisme, influençant le sens des substantifs.

Verbes 5 fois plus fréquents que Frantext en ordre de fréquence

Réage, 1954, Histoire d’O : caresser, fouetter, désirer, tendre, obéir, renverser, défaire, gémir, lier, consentir, ordonner, bouleverser, punir, déshabiller, débattre, entrouvrir, effleurer, enchaîner, raidir, infliger, masquer, épiler, reconduire, transpercer, parfumer, lacer, tutoyer, desserrer, humilier, durcir, saillir, daigner, fléchir, resserrer, rhabiller, enflammer, chanceler, carreler, chauler, prosterner…

Sade, 1791, Justine : jouir, exiger, désirer, punir, exciter, convaincre, commettre, employer, sacrifier, ordonner, déterminer, irriter, enflammer, joindre, abuser, frémir, concevoir, venger, implorer, anéantir, périr, daigner, corrompre, contraindre, réparer, immoler, flatter, sucer, instruire, conjurer, souiller, entrouvrir, consommer, offenser, résulter, délecter, élancer, redoubler, déguiser, inonder, corriger, douer, démontrer, flétrir, molester…

James, 2012, 50 nuances de Grey : embrasser, tendre, hausser, froncer, rougir, hocher, chuchoter, soumettre, attraper, inspirer, gémir, dévisager, ravir, ordonner, marmonner, plisser, cligner, effleurer, agripper, ricaner, acquiescer, fâcher, raccrocher, déglutir, mordiller…

Menée sur une centaine de romans du XX^e siècle réputés érotiques, l’expérience montre que tous les titres trahissent leur genre par leurs verbes, sauf les 50 nuances de Grey. Serait-ce un bon livre ? Pas exactement, ce test fonctionne mal si les scènes de sexe sont entrecoupés de récit. L’algorithme pourrait être facilement perfectionné en ne prenant pas le livre complet, mais en découpant des tranches pour repérer sir le livre contient des séquences suggestives. Le problème de la détection de l’érotisme est donc réglé.

50 nuances a une autre particularité, ce roman est traduit de l’anglais, il introduit un vocabulaire d’expression des émotions tout à fait nouveau relativement au français 1800-1950. Les émotions n’y sont plus pensées de l’intérieur, mais décrites par des verbes psycho-moteur comme se mordiller la langue, froncer les sourcils,  cligner des yeux… Le livre semble déjà écrit pour son adaptation au cinéma, proposant à l’avance un répertoire stéréotypé de mimiques pour acteur américain. Ce phénomène est global dans la littérature en langue française, tous genres confondus, traductions ou pas, il s’accélère depuis les années 2000, tel qu’on peut le voir sur les statistiques lexicales offertes par Google books.

L’expérience de l’érotisme prouve donc que le sens des mots, comme le ton local, est susceptible de varier selon le contexte. Le phénomène de la polysémie est connu depuis longtemps de la linguistique de corpus, il est généralement neutralisé avec la cooccurrence. Par exemple, le mot barrage est un ouvrage d’art quand il est hydraulique, mais un terme sportif lorsqu’il qualifie un match. L’érotisme pose le problème d’un texte qui cache les substantifs de son thème, tout en ayant la force de connoter de très nombreux mots. Ainsi par exemple, des verbes fréquents comme prendre ou venir peuvent y prendre un sens sexuel. La détection statistique doit donc s’intéresser à des signaux plus faibles, notamment, la sur-représentation relative à un corpus de référence.

Ce sujet semble au départ un amusement gratuit, ou un vice, mais donne aussi un terrain d’expérimentation pour la détection d’autres sujets d’insinuations. De synonymes en périphrases, un bon auteur peut non seulement échapper aux censures automatiques, mais en plus augmenter l’effet de ses écrits en évitant les stéréotypes. Cela peut concerne la pédophilie, mais aussi le racisme, ou l’endoctrinement religieux. Les grandes oreilles américaines censées nous protéger du terrorisme ne pourront attraper que les textes les plus bruyants qui cherchent justement à se faire trouver par l’abus de mots clés. Retenons en tous cas cette métaphore que le verbe est peut-être le trait du texte qui en montre les couleurs, la chair est moins un ton qu’une forme.

Conclusion

Images et textes numériques sont des séquences de nombres, cela ne suffit pas à ce qu’ils partagent les mêmes algorithmes. Provenant d’un échantillonnage d’une  réalité indéfiniment zoomable, les photographies naturelles ont des propriétés mathématiques comme l’interpolation, qui n’ont pas d’objet pour le langage. Si les mots étaient des pixels, alors un livre serait une sorte d’image matricielle artificielle, où changer un seul pixel peut modifier l’objet.

Ce modèle autorise tout de même des métaphores visuelles appliquées au texte. Ainsi, la détection automatique de l’érotisme semble une opération plus simple sur des mots que sur des couleurs. Le sens d’un mot, par exemple cul, semble moins variable que la couleur chair. L’expérience montre que l’intention érotique a justement la faculté d’influencer le sens de bien des mots, comme un fond modifie le ton local. Ce phénomène est généralement négligé par la classification automatique de documents. On ne saurait trop conseiller de s’intéresser aux verbes, dont les propriétés statistiques peuvent les rendre plus discriminants que les substantifs.

---

---