PRÉLIMINAIRES

I. Positionnement Épistémologique et Ontologique

Discipline hybride par excellence, la statistique appliquée à la linguistique se situe au carrefour des sciences humaines et des sciences exactes. Elle postule que les faits de langue, au-delà de leur singularité qualitative, obéissent à des lois de distribution et de fréquence quantifiables. Cette UE dote l’étudiant d’un cadre conceptuel pour modéliser mathématiquement les phénomènes linguistiques, transformant le texte en un objet de calcul et d’analyse algorithmique, essentiel pour le traitement automatique des langues (TAL).

II. Compétences Visées et Débouchés en RDC

L’objectif est de former des spécialistes capables de quantifier, modéliser et interpréter des données langagières massives. Les compétences acquises sont directement monétisables en RDC : analyse de sentiments pour des marques à Kinshasa, modélisation de la diffusion d’informations via les réseaux sociaux en période électorale, ou encore développement d’outils de traduction automatique pour les langues nationales (Lingala, Swahili, Tshiluba, Kikongo) afin de réduire la fracture numérique et renforcer l’administration locale.

III. Méthodologie et Outils Logiciels

Une approche résolument pratique est privilégiée, axée sur la manipulation de logiciels standards de l’industrie et de la recherche. L’étudiant maîtrisera l’environnement de programmation R et Python avec ses bibliothèques dédiées (NLTK, spaCy, Scikit-learn) pour le prétraitement de texte, l’analyse statistique et la visualisation de données. L’usage de logiciels de textométrie comme AntConc ou Iramuteq sera également abordé pour l’analyse exploratoire rapide de corpus textuels congolais.

IV. Problématique des Corpus en Contexte Congolais

Face au déficit de corpus numériques standardisés pour les langues congolaises, une compétence critique est la capacité à en constituer. Ce cours aborde les défis spécifiques : numérisation de sources papier, transcription de corpus oraux (contes, discours, interviews), gestion de l’interférence du français et des variations dialectales. L’étudiant apprendra les stratégies pour créer des corpus représentatifs et exploitables, une pierre angulaire pour toute recherche ou application en TAL en RDC.

PARTIE 1 : FONDEMENTS ET ACQUISITION DES DONNÉES LINGUISTIQUES

Chapitre I. Introduction à la Linguistique Quantitative

I.1 Définition et périmètre de la linguistique de corpus

Discipline charnière, la linguistique de corpus étudie la langue à travers des collections de textes authentiques (corpus) analysées par ordinateur. Elle substitue l’observation empirique sur de grands volumes de données à l’introspection du locuteur natif. L’étudiant saisira comment cette approche permet de valider ou d’invalider des hypothèses grammaticales, lexicales ou stylistiques avec une rigueur statistique, ouvrant la voie à une analyse objective des usages réels des langues parlées en RDC.

I.2 Histoire et paradigmes de la statistique textuelle

Une rétrospective historique révèle l’évolution des méthodes, depuis les premières concordances manuelles jusqu’aux algorithmes d’apprentissage automatique modernes. Ce parcours met en lumière les changements de paradigmes : du structuralisme focalisé sur la phrase à l’analyse distributionnelle centrée sur le contexte. Cette connaissance permet de situer les outils actuels et de comprendre leurs fondements théoriques, pour mieux les appliquer à l’analyse de discours politiques ou de la littérature congolaise contemporaine.

I.3 Concepts fondamentaux : fréquence, distribution, colocation

Fondée sur des principes mathématiques, l’analyse quantitative repose sur des concepts clés. La fréquence (brute, relative) mesure l’occurrence d’un mot ; la distribution, sa répartition dans un texte ou un corpus ; la colocation, la cooccurrence significative de mots. La maîtrise de ces indicateurs est le socle de toute analyse. Elle permet, par exemple, de caractériser le lexique spécifique d’un auteur congolais ou d’identifier les termes clés d’un débat public à Lubumbashi.

I.4 Applications socio-économiques pour la RDC

Face à la complexité du paysage linguistique congolais, les applications sont immédiates. L’analyse quantitative permet d’évaluer l’impact des politiques de littératie, de mesurer la vitalité des langues nationales face au français, ou d’analyser les discours de haine en ligne pour des stratégies de cohésion sociale. Pour une entreprise, elle permet d’optimiser sa communication en analysant le vocabulaire de ses clients sur les réseaux sociaux, transformant la compétence linguistique en un avantage stratégique.

Chapitre II. Stratégies de Constitution de Corpus en Milieu Multilingue

II.1 Typologie des corpus : écrits, oraux, spécialisés

Au cœur de toute analyse quantitative, le corpus doit être adapté à la question de recherche. Ce sous-chapitre classifie les corpus : corpus de référence (visant l’exhaustivité), corpus spécialisés (discours politique, jargon minier), corpus d’apprenants, corpus parallèles pour la traduction. L’étudiant apprendra à définir les spécifications d’un corpus nécessaire pour analyser, par exemple, l’évolution du lingala des jeunes à Kinshasa (“Indubil”) ou le vocabulaire technique du secteur du cobalt.

II.2 Méthodes de collecte de données orales et transcription

Dépassant la simple collecte de textes écrits, ce module se concentre sur l’acquisition de données orales, prédominantes en RDC. Il détaille les protocoles d’enquête de terrain (enregistrement, métadonnées), les techniques d’élicitation et les dilemmes éthiques. L’étudiant s’exercera aux normes de transcription (verbatim, normalisée) et à l’utilisation de logiciels comme ELAN pour aligner l’audio et le texte, une compétence cruciale pour l’étude des traditions orales ou de l’interaction en milieu urbain.

II.3 Numérisation, océrisation et balisage structurel (XML-TEI)

Une connaissance approfondie des techniques de numérisation est indispensable pour exploiter le patrimoine documentaire congolais. Ce segment couvre le processus de transformation d’un document papier en texte numérique via la reconnaissance optique de caractères (OCR) et les stratégies de correction. Il introduit ensuite le balisage en XML selon les standards de la Text Encoding Initiative (TEI) pour encoder la structure (titres, paragraphes) et les métadonnées (auteur, date), garantissant l’interopérabilité et la pérennité des données.

II.4 Enjeux juridiques et éthiques de la collecte de données

Sous l’angle de la responsabilité, la constitution d’un corpus n’est pas un acte neutre. Ce volet aborde les questions de propriété intellectuelle, de droit à l’image et de protection des données personnelles, particulièrement sensibles lors de la collecte de récits de vie ou de données sur les réseaux sociaux en RDC. L’étudiant apprendra à rédiger des formulaires de consentement éclairé et à anonymiser les données pour se conformer aux standards éthiques internationaux et protéger les locuteurs-informateurs.

Chapitre III. Prétraitement et Normalisation des Données Textuelles

III.1 Tokenisation, segmentation et gestion de la ponctuation

L’étape initiale de tout traitement automatique est la segmentation du texte en unités analysables (tokens). Ce sous-chapitre expose les algorithmes de tokenisation et les défis qu’ils rencontrent : gestion des contractions, des mots composés et des spécificités des langues congolaises. Une attention particulière est portée à la segmentation en phrases, une tâche complexe face à des styles d’écriture variés (SMS, presse) et essentielle pour les analyses syntaxiques ultérieures.

III.2 Lemmatisation et racinisation (Stemming)

Face à la richesse morphologique des langues bantoues comme le swahili ou le lingala, la simple fréquence des mots est trompeuse. La lemmatisation (réduction d’un mot à sa forme canonique, le lemme) et la racinisation (réduction à sa racine) sont vitales. L’étudiant évaluera les performances des lemmatiseurs existants et explorera des approches pour développer des analyseurs morphologiques adaptés aux spécificités des langues nationales, afin d’améliorer la précision des moteurs de recherche ou des classifieurs de texte.

III.3 Filtrage : suppression des mots-vides et normalisation de la casse

Pour extraire le signal sémantique du bruit textuel, un filtrage rigoureux est nécessaire. Ce module présente les techniques de suppression des mots-vides (stop words) – ces mots grammaticaux très fréquents mais peu informatifs. L’étudiant apprendra à constituer des listes de mots-vides spécifiques au français parlé en RDC et aux langues nationales. La normalisation de la casse (conversion en minuscules) et la gestion des caractères spéciaux seront également traitées comme prérequis à toute analyse statistique fiable.

III.4 Vectorisation des textes : du mot au vecteur numérique

Pour que les algorithmes puissent traiter le texte, celui-ci doit être transformé en représentation numérique. Ce sous-chapitre introduit les modèles de vectorisation fondamentaux. Le modèle “sac de mots” (Bag-of-Words) et sa version pondérée TF-IDF (Term Frequency-Inverse Document Frequency) sont expliqués et implémentés. L’étudiant comprendra comment un corpus de discours politiques congolais peut être transformé en une matrice numérique, prête pour la classification automatique ou la modélisation thématique.

PARTIE 2 : MODÉLISATION STATISTIQUE ET ANALYSE DE CORPUS

Chapitre II. Statistique Inférentielle et Tests d’Hypothèses en Linguistique

II.1 Échantillonnage et Estimation des Paramètres Linguistiques

Fondée sur le principe de représentativité, la théorie de l’échantillonnage permet de tirer des conclusions sur une population linguistique entière (ex: tous les locuteurs du swahili de Kisangani) à partir d’un sous-ensemble. Cette section outille l’étudiant pour construire des intervalles de confiance autour de fréquences lexicales ou de proportions grammaticales, garantissant une estimation rigoureuse et quantifiable de la prévalence d’un fait de langue sur le territoire congolais, un prérequis pour toute généralisation scientifique.

II.2 Tests du Khi-deux (χ²) pour Variables Catégorielles

Sous l’angle de la validation d’hypothèses, le test du Khi-deux est l’outil par excellence pour analyser les relations entre variables nominales, omniprésentes en linguistique. L’étudiant apprendra à déterminer si l’usage d’une variante lexicale (ex: “mbote” vs “bonjour”) est significativement dépendant du groupe social ou de la région en RDC. La maîtrise de ce test est cruciale pour objectiver les études sur la variation sociolinguistique et l’aménagement linguistique.

II.3 Tests T de Student et Analyse de la Variance (ANOVA)

Face à la nécessité de comparer des moyennes de variables continues (ex: longueur de phrase, durée de voyelle), les tests T et l’ANOVA fournissent un cadre formel. L’étudiant appliquera ces techniques pour, par exemple, comparer l’indice de richesse lexicale entre des discours politiques et des articles de presse en RDC. Cette compétence permet de quantifier et de prouver statistiquement des différences de style ou de performance langagière entre corpus.

II.4 Tests Non-Paramétriques : Alternatives pour Données Atypiques

Pour les données linguistiques ne suivant pas une distribution normale, typiques des petits corpus ou des études sur les langues minoritaires congolaises, les tests non-paramétriques (Mann-Whitney, Kruskal-Wallis) sont indispensables. Ils offrent une robustesse analytique là où les méthodes classiques échouent. L’étudiant saura choisir et appliquer ces tests pour valider ses hypothèses sur des données de terrain brutes, assurant la rigueur de ses analyses même en conditions non idéales.

Chapitre III. Modèles de Régression et Analyse de la Variation Linguistique

III.1 Régression Linéaire Simple : Prédire un Fait de Langue

Pivot de l’analyse prédictive, la régression linéaire simple modélise la relation entre une variable explicative et une variable linguistique continue. L’étudiant apprendra à prédire, par exemple, la fréquence d’emprunts au français dans un texte en lingala en fonction de l’âge du locuteur. Cette compétence fondamentale permet de quantifier l’influence d’un facteur sociodémographique sur une pratique langagière observable et de formuler des prédictions chiffrées sur son évolution.

III.2 Régression Linéaire Multiple : Modélisation Multifactorielle

Une extension logique du modèle simple, la régression multiple intègre plusieurs variables prédictives simultanément pour expliquer un phénomène linguistique. L’étudiant pourra ainsi modéliser la complexité syntaxique d’une phrase en fonction du niveau d’éducation, du contexte de communication ET de la région d’origine du locuteur en RDC. La maîtrise de cette technique est essentielle pour démêler les influences conjointes qui façonnent la variation linguistique dans un environnement multilingue complexe.

III.3 Régression Logistique : Modélisation des Choix Linguistiques

Spécifiquement conçue pour les issues binaires (ex: présence/absence d’un marqueur, choix entre deux variantes), la régression logistique est cruciale en sociolinguistique. L’étudiant l’appliquera pour modéliser la probabilité qu’un locuteur kinois utilise le code-switching français-lingala dans une phrase, en fonction de son interlocuteur et du sujet de la conversation. C’est l’outil statistique de référence pour analyser et prédire les choix discrets opérés par les locuteurs.

III.4 Introduction aux Modèles à Effets Mixtes

Représentant l’état de l’art en psycholinguistique et linguistique de corpus, les modèles à effets mixtes permettent de contrôler la variation due aux sujets et aux items expérimentaux. L’étudiant découvrira comment analyser des données longitudinales ou hiérarchiques, comme l’acquisition du vocabulaire chez des enfants de plusieurs écoles de Lubumbashi, en distinguant les effets fixes (le programme scolaire) des effets aléatoires (les différences inter-individuelles et inter-écoles), pour une précision analytique inégalée.

Chapitre IV. Analyse Multivariée et Classification Automatique des Données Textuelles

IV.1 Analyse en Composantes Principales (ACP) pour la Stylométrie

Confronté à la haute dimensionnalité des données textuelles (fréquences de milliers de mots), l’ACP est une technique de réduction de dimension indispensable. L’étudiant l’utilisera pour visualiser les proximités stylistiques entre différents auteurs congolais ou pour identifier les axes lexicaux qui discriminent le mieux les genres de discours (politique, religieux, journalistique). L’ACP transforme des tableaux de données complexes en graphiques interprétables, révélant la structure cachée des corpus.

IV.2 Classification Ascendante Hiérarchique (CAH) pour la Dialectologie

Relevant d’une approche non supervisée, la CAH permet de regrouper des textes ou des relevés linguistiques en classes homogènes sans a priori. L’étudiant appliquera cette méthode pour identifier automatiquement des groupes de dialectes du tshiluba à partir de données lexicales ou phonétiques collectées sur le terrain. Cette compétence offre un moyen objectif de construire des typologies et de visualiser les degrés de parenté entre différentes variétés linguistiques au sein de la RDC.

III.3 Algorithmes de Classification Supervisée (Naive Bayes, SVM)

Par une démarche d’apprentissage supervisé, ces algorithmes permettent d’entraîner un modèle à catégoriser automatiquement de nouveaux textes. L’étudiant construira un classifieur capable de trier des dépêches d’agences de presse congolaises par thématique (économie, sécurité, culture) après l’avoir entraîné sur un corpus étiqueté. Cette compétence est au cœur du métier d’analyste de données linguistiques et ouvre la voie au développement d’outils de veille médiatique automatisée.

IV.4 Modélisation Thématique (Topic Modeling – LDA)

Au-delà de la simple classification, la modélisation thématique avec l’algorithme LDA (Latent Dirichlet Allocation) découvre les “sujets” latents qui structurent une large collection de documents. L’étudiant analysera un corpus de transcriptions de l’Assemblée Nationale pour en extraire les grands thèmes de débat sur une législature. Cette technique puissante permet de synthétiser et d’explorer de vastes archives textuelles, offrant une vision macroscopique des préoccupations sociétales.

ANNEXES

A. Guide Pratique du Logiciel AntConc

Guide opérationnel pour l’exploitation du concordancier AntConc, un outil gratuit et puissant pour l’analyse de corpus. Cette annexe détaille, pas à pas, l’installation, le chargement d’un corpus et l’utilisation des fonctions essentielles : listes de fréquences, concordances, collocations et nuages de mots. L’accent est mis sur son application directe à l’analyse de corpus non standardisés, tels que les transcriptions de l’oral en langues congolaises, permettant à l’étudiant de passer immédiatement de la théorie statistique à l’exploration empirique.

B. Glossaire Bilingue (Statistique-Linguistique)

Fondement terminologique indispensable, ce glossaire définit les concepts clés à l’intersection de la statistique et de la linguistique (e.g., lemmatisation, tokenisation, hapax legomenon, loi de Zipf, entropie, n-gramme). Pour garantir une appropriation profonde, chaque concept est illustré par un exemple concret tiré du lingala, du swahili, du tshiluba ou du kikongo. Il constitue le dictionnaire de référence pour assurer une maîtrise sémantique précise et un dialogue fluide entre modélisation mathématique et description linguistique.

C. Corpus de Référence : Transcription de Parler Kinois

Face à la rareté des corpus numériques structurés pour les langues congolaises, cette annexe fournit un ensemble de transcriptions authentiques du parler kinois contemporain, formaté en texte brut (.txt) et accompagné de métadonnées minimales (source, date). Cette ressource brute et prête à l’emploi sert de matériau de base pour tous les exercices pratiques du cours, de la statistique descriptive simple à la modélisation de la cooccurrence, ancrant la formation dans une réalité sociolinguistique tangible et exploitable.

D. Script Python pour l’Analyse Fréquentielle

Une initiation au pouvoir de l’automatisation via le langage Python, cet appendice propose un script commenté permettant de tokeniser un texte et de calculer la fréquence absolue et relative de chaque mot. Le code, utilisant des bibliothèques standards, est spécifiquement conçu pour être simple et adaptable. Il prépare l’étudiant aux métiers d’analyste de données linguistiques en lui fournissant une première brique de code fonctionnelle pour le traitement de corpus de grande taille, dépassant les limites des logiciels manuels.

Lire aussi :

Cours de Méthodes et techniques de recherche en arts de spectacle, master-1, MRS2121

Cours de Introduction aux relations publiques, licence-1, IRP1121

Cours de Leadership Managerial, master-1, LMA2111

Cours de Commercialisation, master-1, COC2111

Cours de Méthodes de recherche en tourisme, master-1, MRT2111

Cours de Anglais des affaires II, master-1, ANA2122