Langues régionales : un avenir numérique qui passe par l’université

« Les langues qui ne pourront pas suivre [l’intégration des technologies numériques dans les échanges entre humains] subiront de lourdes pertes de pratiques, potentiellement fatales pour des langues déjà socialement fragilisées ». Telle est l’inquiétude exprimée par Mélanie Jouitteau, linguiste chargée de recherches au CNRS, spécialiste du breton, des langues minorisées, de la syntaxe et du développement des technologies du langage. Dans son Guide de survie des langues minorisées à l’heure de l’intelligence artificielle, publié en 2023, la chercheuse insiste notamment sur la nécessité de produire des données textuelles et orales enrichies afin de permettre aux modèles de langage de traiter convenablement les langues à corpus restreint comme le breton.

Actuellement, les langues bretonnes ne disposent pas de beaucoup d’outils numériques de qualité, malgré une « forte demande » de la part des locuteurs et des apprenants. Les premiers manifestent notamment de l’intérêt pour la reconnaissance vocale et la transcription automatique. « Il y a un consensus assez massif sur le fait qu’en tant que locuteur bilingue, nos usages numériques sont déterminés par ce qui existe en français, explique Mélanie Jouitteau à Campus Matin. Si je me mets à dicter mes SMS en français, la pratique s’installe. Et si je ne peux pas le faire en breton, je vais le faire en français, entraînant une perte d’usage ».

Les apprenants vont quant à eux chercher des outils de traduction, des applications d’aide à l’apprentissage ou des chatbots pédagogiques comme ceux qui existent pour les langues de grande diffusion. Depuis 2024 Google Translate propose par exemple des traductions « utilisables » du breton, mais avec parfois des « bugs vraiment terrifiants » que les non-locuteurs ne peuvent pas repérer.

Quant aux IA conversationnelles (comme ChatGPT), elles produisent des contenus de faible qualité faute de données suffisantes. « Il existe des chatbots pédagogiques, ajoute Mélanie Jouitteau. Ils sont d’un niveau de qualité destructeur pour la langue et arrivent dans une position étonnante, nouvelle dans le monde, d’autorité symbolique usurpée sur la langue ».

Faire preuve d’esprit critique

Les limites de ces technologies résident principalement dans le fait que l’ingénierie qui les développe ne possède pas toujours de compétences réelles pour décrire ces langues et ne maîtrise pas leurs contextes d’élaboration.

À cet égard, la perception des outils disponibles en ligne diffère selon le niveau de compétence en langue des utilisateurs. « Les apprenants ont tendance à leur faire davantage confiance alors que les locuteurs avec un niveau intermédiaire ou avancé estiment souvent qu’il faut gagner en qualité », constate Franscescu Maria Luneshi, Vice-président Langue et Culture Corses à l’université de Corse Pascal-Paoli. Il souligne la nécessité de faire preuve d’esprit critique face à ces technologies et prône le développement d’une « pédagogie adaptée » permettant à l’utilisateur d’en évaluer lui-même la fiabilité et la pertinence.

À l’université de Corse, la langue et la culture corses sont au cœur du projet d’établissement depuis sa réouverture en 1981. Chaque étudiant, quelle que soit sa discipline, a accès à des enseignements de Langue et Culture Corses

« La diffusion du corse dans l’ensemble des composantes permet de former les nouvelles générations d’étudiants, qui pourront peut-être travailler demain au service de l’amélioration des corpus et des outils, en saisissant les enjeux liés à l’équipement. », projette le chercheur.

Les étudiants apprennent ainsi à identifier les ressources, à les utiliser et à les évaluer. Certaines sont issues de la recherche universitaire ou mises à disposition par d’autres producteurs fiables comme le réseau Canopé de Corse. Ils peuvent par exemple s’appuyer sur la Banque de Données de la Langue corse ou encore sur le dictionnaire en ligne Infcor, devenu un outil de référence utilisé « quasi quotidiennement » par la communauté estudiantine.

Gagner en visibilité dans le numérique

« Chaque génération a un nouveau défi à relever en matière de planification linguistique », estime Francescu Maria Luneshi. Hier, l’accès à l’écrit, le développement d’une littérature et de ressources pédagogiques. Aujourd’hui, un des défis, c’est le numérique. Il constitue un nouvel espace qui s’est imposé et peut devenir une opportunité pour les langues régionales ; cela nécessite la production de corpus oraux et écrits adaptés au Traitement Automatique des Langues ».

La langue corse dispose d’un corpus numérique partiellement représenté en ligne car elle bénéficie, depuis 40 ans, d’une stratégie d’élaboration linguistique visant notamment à accroître sa place dans les médias et dans l’enseignement public ou associatif et à développer une littérature d’expression corse. Mais, comme l’alsacien, l’occitan et le poitevin-saintongeais, elle a besoin de gagner en vitalité et en visibilité dans le numérique. C’est d’ailleurs l’objectif du projet Divital de l’ANR concernant ces quatre langues.

Cela passe notamment par la constitution, la description et l’annotation de corpus pour le traitement automatique des langues naturelles (TALN), une discipline au croisement de l’informatique et de la linguistique qui apprend aux machines à traiter et produire du langage humain.

Éduquer au droit des données

Pour augmenter la quantité et la qualité des ressources disponibles, les chercheurs insistent sur la nécessité de travailler avec les communautés parlantes, notamment dans une démarche de sciences avec et pour la société (SAPS).

En Bretagne, Mélanie Jouitteau développe par exemple, avec son équipe, une application open source de collecte sonore et de cartographie, intégrée au projet scientifique collaboratif Yezharvro.

« Notre idée est d’outiller les locuteurs pour qu’ils collectent eux-mêmes des choses qui font sens pour eux en pensant à l’utilisation sociale qui peut en être faite », détaille la chercheuse. Les enregistrements peuvent ensuite servir aux enseignants souhaitant les intégrer dans leurs cours, aux chercheurs, aux particuliers et aux entreprises locales qui voudraient les utiliser pour développer des outils destinés aux brittophones.

Travailler avec les communautés parlantes

Ces dernières y sont autorisées sous réserve que les interviewés aient donné leur accord explicite sur l’application. Elle leur permet par exemple de choisir un type de copyright (ouvert à une utilisation pour entraîner une IA ou fermé aux usages commerciaux) et de retirer leur consentement à tout moment, conformément au RGPD. « Avec ce logiciel, nous faisons aussi de l’éducation au droit des données », commente Mélanie Jouitteau.

La chercheuse précise que depuis une ordonnance de 2021, le moissonnage automatique des données sur internet est légal pour les scientifiques, y compris les voix des comédiens ou les livres des auteurs brittophones, comme le font les grandes multinationales pour entraîner des IA. Mais ils ne l’envisagent pas pour des raisons éthiques, privilégiant la construction de consentement éclairé. L’université n’aurait de toute manière pas le budget nécessaire pour occuper le terrain face aux GAFAM.

« Le rapport de force nous est très défavorable. Tout ce que nous pouvons faire c’est les inciter à piller nos travaux pour améliorer la qualité de leurs outils en espérant qu’ils seront moins destructeurs pour nos langues », regrette l’universitaire. « En tant que chercheur notre rôle est plutôt d’intervenir pour fournir aux communautés locales les moyens de leur souveraineté numérique », souligne-t-elle. Ce qui inclut parfois de délaisser les outils numériques !