PRÉLIMINAIRES

I. Objectifs Pédagogiques et Compétences Visées

Ce cours dote l’étudiant des outils mathématiques pour quantifier les faits de langue. L’objectif est de dépasser l’analyse qualitative pour produire des expertises linguistiques chiffrées, reproductibles et vérifiables. À l’issue de cette UE, l’apprenant appliquera des modèles statistiques robustes à de vastes corpus textuels, notamment ceux relatifs aux langues et discours en RDC. Il maîtrisera la chaîne complète, de l’extraction des données à l’interprétation sémantique des résultats, forgeant ainsi une compétence de data scientist en linguistique, immédiatement valorisable.

II. Positionnement de l’UE dans le Cursus LMD

Intégrée au semestre final du Master, cette Unité d’Enseignement constitue la pierre angulaire de la mention “Lexicographie, Terminologie et Traitement Automatique de Corpus”. Elle synthétise les acquis en linguistique et les projette dans le champ de la modélisation quantitative. Ce cours est le pivot qui transforme le linguiste en un expert capable de dialoguer avec les ingénieurs et les statisticiens, répondant ainsi à un besoin critique du marché pour l’analyse de données textuelles à grande échelle.

III. Méthodologie d’Évaluation

L’évaluation est conçue pour mesurer la maîtrise opérationnelle des concepts. Elle se compose d’un examen sur table (40%) testant la compréhension des modèles théoriques et d’un projet de recherche individuel (60%). Ce projet impose à l’étudiant d’analyser un corpus pertinent pour la RDC (discours politique, presse locale, textes juridiques) en utilisant les méthodes enseignées. La notation portera sur la rigueur méthodologique, la pertinence de l’analyse et la clarté de la restitution des résultats quantitatifs.

IV. Prérequis Essentiels

Une maîtrise solide des concepts fondamentaux de la linguistique générale (phonétique, morphologie, syntaxe, sémantique) est indispensable. Des connaissances de base en statistique descriptive (moyenne, variance, distribution) sont également requises pour aborder ce cours avec succès. L’étudiant doit faire preuve d’une appétence pour la logique formelle et la manipulation de données. Une familiarité avec un langage de script comme Python ou R, bien que non obligatoire, constitue un atout majeur pour la réalisation du projet.

PARTIE 1 : FONDEMENTS THÉORIQUES ET STATISTIQUE DESCRIPTIVE

Chapitre I. Introduction à la Statistique Linguistique

L’émergence de la statistique linguistique, systématisée par George Kingsley Zipf dans les années 1930, a marqué une rupture épistémologique. Elle a imposé l’idée que des régularités mathématiques sous-tendent la production et la structure du langage. Ce chapitre ancre cette révolution dans le contexte congolais, où la quantification des usages linguistiques est un enjeu majeur pour l’aménagement du territoire. L’étudiant y forgera une compétence fondamentale : formuler une problématique linguistique en termes quantifiables, condition sine qua non de toute analyse de corpus moderne.

I.1 Historique et positionnement épistémologique

Née de la rencontre entre la philologie du XIXe siècle et les mathématiques, la statistique linguistique a formalisé l’étude des fréquences dans les textes. Elle se distingue de la linguistique computationnelle par son objet, qui est la découverte de lois structurelles du langage plutôt que la création d’applications. Cette section retrace cette genèse intellectuelle pour armer l’étudiant d’une perspective critique sur les outils qu’il s’apprête à manipuler, en les situant dans une histoire des sciences du langage.

I.2 Champs d’application et pertinence locale

Face à la complexité du paysage multilingue de la RDC, la statistique linguistique offre des outils décisifs. Elle permet d’objectiver les dynamiques entre le français, le lingala, le swahili, le tshiluba et le kikongo dans la presse ou les productions culturelles. Une connaissance approfondie de ses applications est cruciale pour la planification linguistique, la lexicographie et l’analyse de discours. Ce segment démontre comment cette discipline répond à des besoins socio-économiques concrets du pays.

I.3 Distinction entre linguistique de corpus et statistique linguistique

Sous l’angle de la méthodologie, la linguistique de corpus et la statistique linguistique sont deux faces d’une même médaille, mais leurs objectifs diffèrent. La première se concentre sur la constitution et l’exploitation de collections de textes pour l’observation des faits de langue en contexte. La seconde fournit l’arsenal mathématique pour mesurer, modéliser et tester des hypothèses sur ces faits. Comprendre cette articulation est vital pour construire une démarche de recherche rigoureuse et cohérente.

I.4 Les grandes questions de la discipline

Une connaissance approfondie des problématiques structurantes du domaine est un prérequis. Celles-ci incluent la paternité des textes (stylométrie), la mesure de la richesse lexicale, la modélisation de l’évolution des langues ou encore la classification automatique de documents. Ce sous-chapitre expose ces grandes questions et montre comment elles se traduisent en projets concrets, comme l’analyse de l’évolution du vocabulaire dans les codes miniers successifs de la RDC pour en mesurer l’impact juridique.

Chapitre II. Probabilités et Modèles Stochastiques pour la Langue

La vision déterministe du langage, héritée de certaines approches structuralistes, est techniquement limitée. L’apport d’Andreï Markov au début du XXe siècle, avec ses chaînes de probabilités, a ouvert la voie à une conception stochastique de la syntaxe et du discours. Ce chapitre implémente cette vision pour modéliser les séquences linguistiques. L’ingénieur linguiste y apprendra à construire des modèles prédictifs pour l’autocomplétion de textes en langues congolaises, une compétence technique à haute valeur ajoutée pour l’économie numérique locale.

II.1 Notions fondamentales de probabilité

Fondement de toute analyse quantitative, la théorie des probabilités permet de modéliser l’incertitude inhérente aux faits linguistiques. Ce segment couvre les concepts clés : espace d’échantillonnage, événements, probabilité conditionnelle et indépendance. L’objectif est de fournir à l’étudiant le socle mathématique indispensable pour comprendre et appliquer les modèles stochastiques plus complexes à des phénomènes comme l’apparition d’un mot ou d’une structure syntaxique dans un corpus donné.

II.2 Variables aléatoires et lois de probabilité

Appliquée au lexique, la variable aléatoire permet de transformer des mots ou des structures en entités numériques mesurables. Ce sous-chapitre introduit les variables discrètes et continues ainsi que leurs lois de probabilité associées (Bernoulli, Binomiale). L’étudiant apprendra à modéliser la probabilité d’occurrence d’un terme spécifique dans un document, une étape essentielle pour des applications comme la recherche d’information ou la classification thématique de la presse de Kinshasa.

II.3 Le modèle des chaînes de Markov

Au cœur de la modélisation séquentielle, les chaînes de Markov postulent que la probabilité d’un état futur ne dépend que de l’état présent. Ce concept puissant est ici appliqué à la modélisation du langage, notamment pour les n-grammes de mots ou de caractères. L’étudiant sera capable de calculer la probabilité d’une phrase et de construire des générateurs de texte simples, démontrant ainsi sa maîtrise des dépendances locales qui structurent la langue.

II.4 Théorème de Bayes et inférence statistique

Le théorème de Bayes fournit un cadre formel pour mettre à jour nos croyances à la lumière de nouvelles données. Son application en linguistique est immense, notamment pour la classification de textes (par exemple, distinguer un article de sport d’un article politique) ou la traduction automatique statistique. Ce segment se concentre sur l’application pratique du théorème pour résoudre des problèmes de catégorisation, une compétence clé pour tout analyste de données textuelles.

Chapitre III. Statistique Descriptive Unidimensionnelle

L’analyse quantitative débute par une phase cruciale : la description synthétique des données. Ce chapitre est dédié à la maîtrise des outils qui transforment un volume textuel brut en indicateurs chiffrés et interprétables. En se focalisant sur une seule variable à la fois (fréquence d’un mot, longueur d’une phrase), il s’agit de dresser un portrait statistique précis du corpus. L’étudiant forgera la capacité d’extraire et de visualiser des informations essentielles, par exemple pour comparer le vocabulaire utilisé dans les discours officiels du Kasaï et du Kivu.

III.1 Distribution, fréquences et rangs

Calculer la fréquence d’un mot est l’opération la plus élémentaire et la plus fondamentale de la statistique textuelle. Ce sous-chapitre formalise les notions de fréquence absolue, relative et de rang, et introduit la construction de tableaux de distribution. L’étudiant apprendra à générer et interpréter ces distributions pour identifier les termes les plus structurants d’un corpus, première étape de toute analyse lexicale sérieuse, par exemple sur les comptes-rendus des conseils des ministres.

III.2 Indices de tendance centrale

Au-delà du simple comptage, les indices de tendance centrale (moyenne, médiane, mode) permettent de résumer une distribution de données par une seule valeur. Appliqués à des variables comme la longueur des mots ou des phrases, ils offrent un aperçu synthétique du style d’un texte ou d’un auteur. L’étudiant apprendra à choisir et à calculer l’indice le plus pertinent en fonction de la nature des données linguistiques, pour caractériser par exemple la complexité syntaxique moyenne d’un manuel scolaire.

III.3 Indices de dispersion

Mesurer l’hétérogénéité d’un vocabulaire ou la variation de la longueur des phrases est aussi important que de connaître leur moyenne. Les indices de dispersion (étendue, variance, écart-type, coefficient de variation) quantifient cette variabilité. Ce segment forme l’étudiant à utiliser ces outils pour évaluer la consistance stylistique d’un texte ou comparer la diversité lexicale entre deux corpus, comme celui des plaidoiries d’avocats et celui des jugements de la cour constitutionnelle.

III.4 Représentations graphiques des données textuelles

Une visualisation adéquate des données est un puissant outil d’analyse et de communication. Ce sous-chapitre se concentre sur la création et l’interprétation des graphiques unidimensionnels : diagrammes en bâtons, histogrammes et diagrammes circulaires. L’étudiant apprendra à choisir la représentation la plus efficace pour mettre en évidence une caractéristique de ses données, comme la distribution des classes grammaticales dans un corpus de swahili parlé à Goma, rendant ses résultats immédiatement intelligibles.

Chapitre IV. Constitution et Annotation de Corpus

La controverse entre le corpus “équilibré”, idéal théorique de John Sinclair, et le corpus “opportuniste” issu du web, illustre une tension fondamentale. La qualité des résultats statistiques dépend entièrement de la qualité des données en amont. Ce chapitre tranche ce débat en se focalisant sur la méthodologie de construction de corpus fiables, particulièrement dans le contexte de la RDC où les ressources numériques pour les langues locales sont rares. L’étudiant développera une compétence stratégique : concevoir et gérer un corpus scientifiquement valide.

IV.1 Stratégies d’échantillonnage et représentativité

La représentativité d’un corpus est la clé de la généralisation des résultats. Ce sous-chapitre aborde les différentes techniques d’échantillonnage (aléatoire, stratifié) et les critères de constitution d’un corpus (période, genre, support). L’objectif est de permettre à l’étudiant de justifier ses choix méthodologiques pour construire un corpus qui soit un modèle réduit fiable d’un usage linguistique donné, par exemple le lingala des chansons populaires des années 1980 à Kinshasa.

IV.2 L’annotation de corpus : de la tokenisation à l’étiquetage

L’enrichissement des données brutes par des informations linguistiques est une étape cruciale qui décuple la puissance de l’analyse. Ce segment couvre les niveaux d’annotation : tokenisation (découpage en mots), lemmatisation (regroupement par lemmes) et étiquetage morphosyntaxique (Part-of-Speech Tagging). L’étudiant se confrontera aux défis de l’annotation pour les langues congolaises, souvent peu dotées en outils automatiques, et apprendra les méthodes pour créer des corpus annotés de qualité.

IV.3 Formats de stockage et standards (XML-TEI)

Standardiser les formats de stockage et d’annotation est une nécessité pour garantir la pérennité, l’interopérabilité et le partage des ressources linguistiques. Ce sous-chapitre introduit le standard de facto dans les humanités numériques : le format XML conforme aux recommandations de la Text Encoding Initiative (TEI). L’étudiant apprendra à structurer un document texte simple en XML-TEI, une compétence technique indispensable pour s’intégrer dans des projets de recherche nationaux et internationaux.

IV.4 Enjeux juridiques et éthiques de la collecte

Face aux questions de droit d’auteur et de protection des données personnelles, la constitution d’un corpus n’est pas un acte neutre. Ce segment aborde le cadre juridique de l’utilisation de textes et de données orales, en insistant sur les spécificités du contexte congolais (gestion des droits pour la tradition orale, consentement des locuteurs). L’étudiant sera ainsi formé à mener ses projets de collecte de données dans le respect strict des normes éthiques et légales.

Chapitre V. Fondements de la Lexicométrie

L’analyse de données textuelles, théorisée en France par Jean-Paul Benzécri, constitue la colonne vertébrale de la lexicométrie. Cette approche vise à extraire la structure sémantique sous-jacente d’un corpus par des méthodes statistiques. Ce chapitre applique ces techniques pour l’analyse de contenu. En disséquant les spécificités du vocabulaire, l’étudiant sera capable d’identifier les marqueurs lexicaux d’un discours, par exemple pour cartographier les thématiques distinctives des programmes des partis politiques congolais avant une élection.

V.1 Mesure de la richesse et de la diversité lexicale

Évaluer la richesse lexicale d’un texte est un problème complexe qui ne peut se résumer à un simple comptage de mots. Ce sous-chapitre présente et critique les différents indices développés à cet effet, du Type-Token Ratio (TTR) à des mesures plus robustes comme l’indice de Guiraud ou de Herdan. L’étudiant apprendra à appliquer ces mesures de manière critique pour comparer objectivement la complexité du vocabulaire entre différents types de textes, comme des romans et des articles scientifiques.

V.2 L’analyse des hapax : mots rares et stylistique

L’étude des mots n’apparaissant qu’une seule fois dans un corpus, les hapax legomena, offre un éclairage précieux sur le style, l’idiolecte d’un auteur ou la spécificité thématique d’un texte. Ce segment montre comment l’analyse quantitative des hapax peut être utilisée en stylométrie pour des tâches d’attribution d’auteur ou pour détecter l’émergence de néologismes dans un corpus évolutif, comme celui des publications sur les réseaux sociaux en RDC.

V.3 Calcul des spécificités et des mots-clés

Identifier le vocabulaire caractéristique d’un sous-corpus par rapport à un corpus de référence est une tâche centrale de l’analyse de contenu. Ce sous-chapitre se concentre sur les méthodes statistiques (Khi-2, log-likelihood) permettant d’extraire automatiquement les “spécificités” positives et négatives. L’étudiant maîtrisera la technique pour faire ressortir les mots-clés qui discriminent le discours d’une entreprise minière de celui d’une ONG environnementale au Katanga.

V.4 Analyse des co-occurrences et des collocations

L’analyse des co-occurrences révèle les affinités entre les mots, dévoilant des associations sémantiques et des routines discursives. Ce segment introduit les notions de collocations, de n-grammes et les mesures statistiques pour les identifier (information mutuelle, test T). L’étudiant apprendra à extraire les réseaux de mots qui se forment autour d’un terme pivot, par exemple pour analyser comment le mot “paix” est lexicalement construit dans les accords signés dans la région des Grands Lacs.

Chapitre VI. Lois de Distribution et Modélisation

La loi de Zipf, qui postule une relation inverse entre la fréquence d’un mot et son rang, vacille face à la morphologie complexe de certaines langues. Sa validité pour des langues agglutinantes comme le swahili, parlé dans l’Est de la RDC, est une question de recherche ouverte. Ce module corrige les certitudes en testant les limites des lois de distribution classiques. L’ingénieur linguiste saura évaluer l’adéquation d’un modèle théorique à des données linguistiques réelles, une compétence cruciale pour la modélisation avancée.

VI.1 La loi de Zipf : formulation et interprétations

Loi fondamentale de la statistique lexicale, la loi de Zipf décrit la distribution incroyablement régulière des mots dans les langues naturelles. Ce sous-chapitre présente sa formulation mathématique (loi de puissance) et discute ses diverses interprétations, notamment le principe du moindre effort. L’étudiant apprendra à vérifier empiriquement la validité de cette loi sur un corpus donné et à en comprendre les implications profondes sur l’économie et l’organisation du lexique.

VI.2 La loi de Mandelbrot et autres généralisations

Correction et affinement du modèle de Zipf, la loi de Mandelbrot introduit un paramètre supplémentaire pour mieux s’ajuster aux données empiriques, notamment pour les mots de haute fréquence. Ce segment explore cette généralisation et d’autres lois de distribution (loi log-normale) qui ont été proposées pour modéliser plus finement la structure du vocabulaire. L’étudiant apprendra ainsi qu’un modèle est un outil à choisir et à ajuster, et non une vérité absolue.

VI.3 La loi de Poisson pour les événements rares

Modéliser l’occurrence d’événements rares est un défi statistique spécifique, auquel répond la loi de Poisson. En linguistique, elle est particulièrement utile pour étudier la distribution de mots très peu fréquents ou de constructions syntaxiques particulières au sein d’un texte ou d’un corpus. Ce sous-chapitre forme l’étudiant à appliquer ce modèle pour tester des hypothèses sur la répartition de phénomènes linguistiques rares, par exemple l’usage d’un temps verbal spécifique dans la poésie congolaise.

VI.4 Tests d’adéquation de modèles (Goodness-of-fit)

Tester l’adéquation d’un modèle théorique aux données observées est le geste final qui valide ou invalide une hypothèse quantitative. Ce segment introduit les tests statistiques d’ajustement, principalement le test du Khi-2 (Chi-square). L’étudiant apprendra à appliquer rigoureusement cette procédure pour déterminer si la distribution de fréquences de son corpus suit ou non une loi de Zipf, de Poisson ou toute autre loi théorique, complétant ainsi sa formation de praticien rigoureux.

PARTIE 2 : MODÉLISATION AVANCÉE ET APPLICATIONS SECTORIELLES

Chapitre VII. Inférence Bayésienne et Modélisation Thématique

Le théorème de Bayes, formalisé par Laplace, inverse la logique inférentielle classique en intégrant une connaissance a priori. Cette approche est fondamentale pour traiter les données linguistiques rares ou incomplètes, un défi majeur pour les langues congolaises non standardisées. Ce chapitre outille l’étudiant pour quantifier l’incertitude et modéliser des hypothèses sur des corpus textuels bruités. Il forgera la compétence de construire des modèles génératifs probabilistes pour l’analyse lexicale et sémantique, directement applicable à la lexicographie des langues locales.

VII.1 Le paradigme bayésien contre l’approche fréquentiste

Fondée sur le théorème de Bayes, l’inférence probabiliste offre un cadre formel pour mettre à jour nos croyances à la lumière de nouvelles données. Contrairement à l’approche fréquentiste qui postule des paramètres fixes mais inconnus, le paradigme bayésien les traite comme des variables aléatoires. Cette flexibilité est cruciale en linguistique de corpus, où les modèles doivent s’adapter à la variabilité et à la rareté des phénomènes observés, notamment dans l’étude des langues minoritaires de la RDC.

VII.2 Distribution a priori, vraisemblance et distribution a posteriori

Une connaissance approfondie des lois de probabilité a priori structure la base de toute modélisation bayésienne, reflétant les connaissances initiales sur un paramètre. La fonction de vraisemblance quantifie la probabilité des données observées pour une valeur donnée du paramètre, formant le pont entre la théorie et l’observation. La combinaison de ces deux éléments produit la distribution a posteriori, qui synthétise notre connaissance actualisée et constitue le résultat final de l’inférence, permettant des conclusions nuancées sur les données linguistiques.

VII.3 Méthodes de Monte-Carlo par chaînes de Markov (MCMC)

Face à des modèles complexes où la distribution a posteriori est analytiquement intraitable, les méthodes MCMC fournissent une solution algorithmique puissante. L’échantillonnage de Gibbs et l’algorithme de Metropolis-Hastings permettent de simuler des échantillons de la distribution cible, même sans connaître sa forme exacte. La maîtrise de ces techniques est indispensable pour l’implémentation pratique de modèles bayésiens avancés, comme ceux utilisés pour la modélisation thématique des discours politiques ou sociaux en RDC.

VII.4 Application à la désambiguïsation sémantique

Face à l’ambiguïté sémantique inhérente au langage, l’approche bayésienne permet de construire des classifieurs robustes. En modélisant la probabilité d’un sens particulier d’un mot (par exemple, “mine” en contexte extractif ou militaire) conditionnellement au contexte textuel, on peut développer des systèmes de désambiguïsation performants. L’étudiant apprendra à implémenter un classifieur bayésien naïf pour trier et analyser automatiquement des documents, une compétence clé pour le traitement de l’information dans les secteurs juridique et sécuritaire.

Chapitre VIII. Analyse Sémantique Latente et Topic Modeling

La simple fréquence des mots-clés échoue à capturer la structure thématique d’un corpus. Pour dépasser cette limite, l’analyse sémantique latente (LSA) et surtout l’allocation de Dirichlet latente (LDA) s’imposent comme des standards. Ce chapitre dissèque la mécanique de ces algorithmes pour extraire des “topics” non-supervisés. Appliqué à la presse de Kinshasa, l’étudiant apprendra à cartographier les débats publics. Il sera capable de produire des synthèses thématiques automatiques pour la veille stratégique et l’analyse des politiques publiques.

VIII.1 La factorisation matricielle et l’espace sémantique (LSA)

Au cœur de la LSA se trouve la décomposition en valeurs singulières (SVD) d’une matrice termes-documents. Cette technique d’algèbre linéaire réduit la dimensionnalité des données tout en regroupant les termes et les documents sémantiquement proches dans un “espace sémantique” latent. L’étudiant apprendra à construire et interpréter cet espace pour identifier des synonymies et des polysémies dans un corpus, une étape fondamentale pour la construction de thésaurus ou de systèmes de recherche documentaire améliorés.

VIII.2 Le modèle génératif de l’Allocation de Dirichlet Latente (LDA)

Développée par David Blei, l’Allocation de Dirichlet Latente (LDA) est un modèle génératif probabiliste qui suppose que chaque document est un mélange de thèmes, et que chaque thème est une distribution de probabilité sur des mots. Cette approche surpasse la LSA par sa solidité théorique et son interprétabilité. La compréhension de son processus génératif est essentielle pour en maîtriser les paramètres et l’appliquer à l’analyse de grands volumes de textes non structurés, comme les rapports d’ONG sur le Kivu.

VIII.3 Inférence et estimation des paramètres du modèle LDA

La complexité du modèle LDA rend son inférence non triviale, nécessitant des méthodes d’approximation comme l’échantillonnage de Gibbs ou l’inférence variationnelle. Ce sous-chapitre se concentre sur l’implémentation pratique de ces algorithmes pour estimer les distributions thématiques des documents et les distributions de mots par thème. L’étudiant acquerra la compétence technique pour entraîner un modèle LDA, en choisissant la méthode d’inférence la plus adaptée à la taille de son corpus et à ses contraintes computationnelles.

VIII.4 Interprétation, validation et visualisation des topics

Une fois les topics extraits, leur interprétation sémantique et la validation de leur pertinence deviennent des enjeux cruciaux. Ce segment enseigne les métriques de cohérence thématique et les techniques de visualisation (nuages de mots, graphes inter-thématiques) pour évaluer la qualité d’un modèle LDA. L’étudiant apprendra à transformer les sorties brutes de l’algorithme en une analyse intelligible et actionnable, capable de révéler les structures de discours latentes dans les verbatim d’enquêtes sociales ou les commentaires en ligne.

Chapitre IX. Analyse des Séries Chronologiques Linguistiques

2011 marque la naissance de la “culturomics” avec l’analyse du corpus Google Books. Cette approche traite la fréquence des mots comme une série temporelle, révélant des dynamiques culturelles. Ce chapitre adapte ces techniques à l’échelle de la RDC, en utilisant des archives de presse ou des corpus parlementaires pour tracer l’évolution de l’usage lexical. L’étudiant y apprendra à manipuler les modèles ARIMA pour analyser le changement linguistique. Il forgera la compétence de quantifier et modéliser la diffusion des néologismes.

IX.1 Constitution et prétraitement des corpus temporels

Une série chronologique linguistique est une séquence de mesures (fréquences de mots, complexité syntaxique) indexées dans le temps. Sa construction exige une rigueur méthodologique dans la collecte, la numérisation et le nettoyage de corpus diachroniques, comme les archives du journal “L’Avenir” ou les transcriptions de la CNS. Ce module couvre les techniques de normalisation textuelle et d’échantillonnage temporel nécessaires pour garantir la comparabilité des données et la validité des analyses ultérieures.

IX.2 Décomposition, lissage et détection de tendances

La décomposition d’une série en tendance, saisonnalité et résidu est la première étape analytique pour en comprendre la structure. Des techniques comme les moyennes mobiles ou le lissage exponentiel permettent d’isoler le signal de fond du bruit aléatoire. L’étudiant apprendra à appliquer ces méthodes pour identifier des tendances à long terme dans l’usage des langues, par exemple la montée en puissance de termes liés au secteur des télécommunications dans le français parlé à Lubumbashi.

IX.3 Modèles de stationnarité et de non-stationnarité (ARIMA)

Les modèles autorégressifs à moyenne mobile (ARMA/ARIMA) constituent la pierre angulaire de la modélisation des séries chronologiques. Ils permettent de capturer les dépendances temporelles d’un processus linguistique en se basant sur ses valeurs passées et les erreurs de prédiction. La maîtrise de l’identification, de l’estimation et de la validation de ces modèles est une compétence hautement technique, permettant de caractériser la dynamique d’évolution d’un fait de langue et de tester des hypothèses sur les facteurs de changement.

IX.4 Prévision et analyse d’intervention

Au-delà de l’analyse, la prévision de l’usage futur d’un terme ou d’une structure grammaticale est une application puissante des modèles de séries temporelles. L’analyse d’intervention permet en outre de quantifier l’impact d’un événement externe (une réforme de l’orthographe, une campagne de sensibilisation) sur une dynamique linguistique. L’étudiant sera capable de construire des modèles prédictifs et d’évaluer quantitativement l’efficacité des politiques linguistiques, fournissant un outil d’aide à la décision pour les institutions.

Chapitre X. Diachronie Quantitative et Aménagement Linguistique

La glottochronologie de Swadesh, bien que controversée, a posé la question de la mesure du changement linguistique. Ce chapitre la revisite avec les outils statistiques modernes pour objectiver les dynamiques entre les langues nationales et le français en RDC. Comment quantifier la vitalité ou le déclin d’une langue dans les usages administratifs ou médiatiques ? L’étudiant apprendra à produire des diagnostics quantitatifs rigoureux. Il sera apte à fournir des données probantes pour éclairer les politiques d’aménagement linguistique nationales.

X.1 Mesures de la vitalité et de l’attrition linguistique

Quantifier la vitalité d’une langue dépasse la simple démographie des locuteurs. Ce sous-chapitre introduit des métriques statistiques pour mesurer sa présence dans différents domaines (médias, administration, éducation) et sa transmission intergénérationnelle. En analysant des corpus spécifiques, l’étudiant apprendra à calculer des indices de vitalité ethnolinguistique, un outil crucial pour prioriser les efforts de documentation et de revitalisation des langues menacées en RDC, comme celles du Grand Équateur.

X.2 Modélisation de la compétition et du contact des langues

Sous l’angle de l’écologie des langues, les dynamiques de contact peuvent être modélisées par des équations différentielles similaires à celles utilisées en biologie des populations. Ce segment explore des modèles comme celui de Lotka-Volterra pour simuler la compétition entre le lingala, le swahili et le français dans les centres urbains. L’étudiant apprendra à calibrer ces modèles à partir de données de corpus pour prédire les équilibres linguistiques futurs et comprendre les facteurs favorisant la coexistence ou l’exclusion.

X.3 Analyse quantitative des politiques linguistiques

Une politique linguistique, comme l’introduction d’une langue nationale dans le cycle primaire, est une intervention dont l’impact peut et doit être mesuré. En utilisant les techniques d’analyse d’intervention sur des séries chronologiques (voir Chapitre IX), ce module enseigne comment quantifier l’effet de telles politiques sur des indicateurs précis (taux d’alphabétisation, performance scolaire, usage dans la presse). L’étudiant forgera une compétence d’évaluateur de politiques publiques, capable de séparer l’effet réel du bruit statistique.

X.4 Production de données probantes pour la planification linguistique

La transformation des résultats statistiques en recommandations actionnables est la finalité de l’aménagement linguistique. Ce sous-chapitre se concentre sur la communication des résultats : comment synthétiser une analyse de régression complexe en un argumentaire clair pour un décideur politique ? L’étudiant apprendra à rédiger des notes de politique (policy briefs) basées sur des données quantitatives solides, pour orienter le choix des langues d’enseignement ou la terminologie officielle dans les administrations congolaises.

Chapitre XI. Apprentissage Automatique pour la Classification de Textes

L’échec des systèmes à base de règles pour la classification de textes a provoqué une rupture épistémologique. L’apprentissage automatique statistique, notamment les SVM et les forêts aléatoires, a démontré une supériorité écrasante. Ce chapitre est une immersion pratique dans ces techniques pour des tâches concrètes en RDC, comme le tri automatique de pétitions ou l’analyse de sentiment. L’étudiant y construira des classifieurs de texte de bout en bout. Il maîtrisera l’ingénierie des caractéristiques et la validation des performances.

XI.1 Ingénierie des caractéristiques et vectorisation de texte

La vectorisation de texte, via des modèles comme TF-IDF ou les plongements lexicaux (Word2Vec, FastText), est l’étape critique qui transforme le langage en un format compréhensible par les algorithmes. Ce segment explore les avantages et inconvénients de chaque technique, en insistant sur leur adaptation aux spécificités des langues congolaises (morphologie riche, variations orthographiques). L’étudiant apprendra à construire des représentations numériques optimales du texte, condition sine qua non de la performance de tout classifieur.

XI.2 Classifieurs linéaires et non-linéaires : SVM et Régression Logistique

Les machines à vecteurs de support (SVM) excellent dans la recherche d’un hyperplan optimal séparant les classes de documents, même dans des espaces de grande dimension. La régression logistique, quant à elle, fournit une estimation probabiliste de l’appartenance à une classe. Ce sous-chapitre dissèque la géométrie et les fondements statistiques de ces deux classifieurs fondamentaux. L’étudiant sera capable de les entraîner et de les optimiser pour des tâches de classification binaire ou multi-classes.

XI.3 Méthodes ensemblistes : Forêts Aléatoires et Boosting

Basés sur des ensembles d’arbres de décision, les algorithmes de forêts aléatoires et de gradient boosting sont parmi les plus performants sur des données tabulaires et textuelles. Leur principe est de combiner les prédictions de nombreux modèles “faibles” pour en créer un “fort” et robuste. L’étudiant apprendra à manipuler ces algorithmes puissants, à en régler les hyperparamètres et à interpréter leur fonctionnement, notamment pour des tâches d’analyse de sentiment sur les réseaux sociaux concernant les entreprises minières.

XI.4 Métriques d’évaluation et gestion du déséquilibre des classes

La précision, le rappel et le score F1 sont des métriques cruciales qui offrent une vision plus nuancée de la performance d’un classifieur que la simple exactitude (accuracy). Ce segment aborde également le problème récurrent du déséquilibre des classes (par exemple, la détection de fraudes) et les stratégies pour y remédier (sous-échantillonnage, sur-échantillonnage SMOTE). L’étudiant saura choisir les bonnes métriques et mettre en place un protocole d’évaluation rigoureux pour valider la performance de ses modèles.

Chapitre XII. Validation des Modèles et Ingénierie de la Preuve Statistique

La crise de la reproductibilité en sciences a mis en lumière les dangers d’une utilisation naïve des statistiques. Ce chapitre final aborde frontalement ce problème en se concentrant sur les techniques de validation rigoureuse des modèles linguistiques. Comment éviter le surapprentissage et garantir la généralisation d’un résultat ? L’étudiant apprendra à mettre en œuvre la validation croisée et à interpréter correctement les p-valeurs. Il forgera la compétence ultime : produire une preuve statistique robuste et défendable.

XII.1 Le biais et la variance : le dilemme du surapprentissage

Le surapprentissage (overfitting) survient quand un modèle mémorise le bruit des données d’entraînement au lieu d’en apprendre la structure sous-jacente, le rendant incapable de généraliser à de nouvelles données. Ce sous-chapitre formalise le compromis biais-variance, qui est au cœur de ce problème. L’étudiant apprendra à diagnostiquer le surapprentissage à l’aide de courbes d’apprentissage et à utiliser des techniques de régularisation (L1, L2) pour construire des modèles plus parcimonieux et plus robustes.

XII.2 Techniques de validation croisée et de ré-échantillonnage

La validation croisée (k-fold cross-validation) est la technique standard pour estimer la performance d’un modèle sur des données invisibles sans gaspiller de données d’entraînement. Le bootstrap, une autre méthode de ré-échantillonnage, permet d’estimer l’incertitude des paramètres d’un modèle. La maîtrise de ces protocoles de validation est non négociable pour tout praticien. L’étudiant sera capable de mettre en œuvre une procédure de validation rigoureuse garantissant la fiabilité de ses conclusions statistiques.

XII.3 Interprétation critique de la p-valeur et taille de l’effet

Une critique approfondie de la p-valeur et de son usage souvent abusif est essentielle pour une pratique statistique saine. Ce segment la replace dans son contexte, en insistant sur l’importance de la taille de l’effet, qui quantifie la magnitude d’un phénomène, et des intervalles de confiance, qui en mesurent la précision. L’étudiant apprendra à ne plus se contenter d’un seuil de significativité arbitraire mais à interpréter ses résultats en termes de pertinence pratique et scientifique.

XII.4 Vers la recherche reproductible : documentation et communication

La rédaction d’un rapport d’analyse quantitative exige une structure qui garantit la transparence et la reproductibilité de la recherche. Ce module final enseigne les bonnes pratiques de documentation du code, de gestion des données et de rédaction scientifique. L’étudiant apprendra à structurer son analyse de manière à ce qu’un tiers puisse, en principe, la répliquer entièrement, de l’obtention des données brutes au résultat final, assurant ainsi l’intégrité et la valeur pérenne de son travail.

ANNEXES

A. Glossaire Technico-Statistique Bilingue (Français-Anglais)

La domination de l’anglais dans la littérature scientifique sur le Traitement Automatique du Langage constitue un obstacle épistémologique majeur pour le chercheur francophone. Cet annexe brise cette barrière en fournissant un glossaire technique bilingue, traduisant des concepts comme “tokenization”, “lemmatization”, ou “collocation analysis” avec une précision chirurgicale. En maîtrisant cette terminologie, l’étudiant acquiert une autonomie intellectuelle totale, lui permettant de naviguer sans entrave dans les publications de l’ACL (Association for Computational Linguistics) et d’intégrer les standards mondiaux dans ses travaux sur les langues congolaises.

B. Guide de Prise en Main des Outils Open Source (R, Python, AntConc)

L’abstraction théorique cède ici la place à la manipulation logicielle brute. Ce guide opérationnel est un protocole d’initiation accélérée aux environnements de programmation R et Python, ainsi qu’au concordancier AntConc, outils de prédilection pour l’analyse de corpus. Il fournit des scripts commentés et des procédures pas-à-pas pour des tâches concrètes : nettoyage de texte, calcul de fréquences, analyse de cooccurrences et visualisation de données sur des extraits de la presse kinoise, armant le masterant pour une autonomie technique immédiate.

C. Corpus de Référence pour la RDC (Presse, Littérature, Discours Politiques)

La rareté des corpus structurés pour les langues et contextes congolais représente un défi majeur pour la recherche quantitative. Cette annexe répond directement à ce manque en répertoriant et qualifiant des sources de données textuelles exploitables : archives numérisées de la presse nationale, corpus littéraires d’auteurs congolais, transcriptions de débats parlementaires et collections de textes juridiques. Elle fournit les métadonnées essentielles et les liens d’accès, transformant une quête de données fastidieuse en une base de travail solide pour l’analyse.

D. Vade-mecum Méthodologique pour un Projet de Linguistique Quantitative

Un projet de statistique linguistique réussi suit une feuille de route rigoureuse, de l’hypothèse à l’interprétation. Ce vade-mecum formalise ce processus en un protocole en sept étapes, allant de la formulation d’une question de recherche testable à la sélection du modèle statistique adéquat (Chi², régression logistique) et à la visualisation des résultats. Il insiste sur la validation des données et la critique des biais potentiels, armant le chercheur d’une méthodologie robuste pour produire des analyses fiables et publiables.

Lire aussi :

Cours de Pédagogie de la musique, master-2, PEM2241

Cours de Stage professionnel, master-2, RCI2241

Cours de Techniques et technologies: lumière et couleur, licence-2, TTE1241

Cours de Anthropologie culturelle, licence-2, ACU1241

Cours de Chimie, licence-2, CHM1242

Cours de Séminaire sur les traductions professionnelles spécialisées, master-2, STP2233