Lexique: Vacances

Faire le vide... on en a sans doute tous un peu besoin. Et les vacances, c'est fait pour ça. Le mot même nous l'indique, puisqu'il vient du latin vacare, "être vide". La vacuité c'est l'état de ce qui est vide... Etre vacant, c'est être vide, libre, voire oisif, et la vacance a désigné au XVIème siècle le moment où les tribunaux suspendaient leurs séances. Les vacances sont devenues ensuite le moment où les études cessent.

Mais les mots ont plus d'un tour dans leur sac. Vaquer à quelque chose c'est le contraire des vacances, et le vacataire c'est celui qui bosse. Les vacations, ce n'est peut-être pas du plein emploi, mais ce n'est pas pour autant des vacances! Vaquer a retourné sa veste. Notre monde cruel a horreur du vide: avoir du temps, c'est pouvoir le passer à bosser et vaquer intransitif (glander...) est devenu vaquer à (bosser...). Comme quoi juste un petit à peut changer la face d'un mot!

En parlant de ça, je vais vaquer un peu, moi. On se retrouvera fin juillet!

Lexique: Les plagiaires et les plagistes

C'est les vacances... Les plagiaires dont je parlais l'autre jour sont sans doute en train de se prélasser à la plage, sous le regard vigilant des plagistes. Oubliés les rapports, les exams. Il n'y a plus que le soleil pour donner mal à la tête...

Ni les uns ni les autres ne réalisent probablement qu'ils sont cousins par l'étymologie. Plagiaire et plage proviennent tous deux du mot grec πλαγίως (plagios), qui veut dire "oblique". D'oblique à tordu il n'y avait qu'un pas (de côté), et le mot a pris un sens figuré de "fourbe, pas honnête". En latin, sous la forme plagiarius, il désignait celui qui volait des esclaves ou enlevait des enfants. La forme substantivée τα πλαγια (plagia) voulait aussi dire "les côtés, les flancs". Nous l'avons récupérée au XIIIème siècle à travers l'italien piaggia, spiaggia (encore un mot immigré!). Elle s'est fondue avec un autre mot latin, plaga, qui signifiait "étendue de terre"... Formes proches, sens voisins, l'un a absorbé l'autre. On croit parfois que l'étymologie ne fait que diverger, comme les branches d'un arbre. Mais parfois, les mots se rencontrent, se contaminent, fusionnent, comme les branches de ces banians indiens qui retournent au sol, s'enracinent à nouveau, au point qu'on ne sait plus distinguer l'arbre et la forêt...

Texte: Correcteurs orthographiques en panne?

Jonath a trouvé la bonne réponse à la devinette d'hier. J'ai créé Orthobug, le programme qui pourrit les textes, pour tester les performances de correcteurs orthographiques. En fait, c'est un des exercices qu'on donne en Licence première année à nos étudiants en Technologies du Langage. Partant d'un texte propre (article de journal par exemple), il s'agit de le truffer de fautes avant de le soumettre à un ou plusieurs correcteurs orthographiques, pour pouvoir en évaluer les performances.

On pourrait bien sûr utiliser de vrais textes avec de vraies fautes, mais c'est plus facile d'avoir un concentré sur une page ou deux. De plus, le programme permet (pas dans la version que j'ai mise sur le web), de contrôler les types de fautes ajoutées et leur proportion:

• fautes de frappe
  
  • omission de lettre (devoir -> deoir)
  • insertion de lettre (devoir -> devboir)
  • substitution (devoir -> deboir)
  • interversion (devoir -> devior)

• fautes de compétence
  
  • substitution de graphème (pharmacie -> farmacie)
  • mots homophones (sont -> son)
  • accords et finales muettes (les fautes -> les faute)
  • finales homophones (déclaré -> déclarer)
  • etc.

A titre d'exemple, je me suis amusé ce matin avec un article du Monde, que j'ai soumis au correcteur orthographique de Microsoft Word et à la nouvelle barre d'outil de Google (dont j'ai parlé il y a quelque temps ; la version Firefox est annoncée pour demain 7 juillet). J'ai ignoré les noms propres, et j'ai comptabilisé les résultats de façon classique (le détail est là en pdf) :

• erreurs signalée à juste titre par le correcteur
• erreurs non signalés
• erreurs signalées à tort (en fait il n'y a pas d'erreur)

On appelle les erreurs non signalées le silence, et celles signalées à tort le bruit (ou encore fausses alertes). Si on veut qu'un système soit excellent, il faut qu'il minimise le silence (c'est-à-dire qu'il ne loupe pas d'erreurs, mais aussi le bruit (si le logiciel donne trop de fausses alertes, il devient inutilisable...). Voici ce que j'obtiens:

[note: petits correctifs le 18 octobre]

%	MsWord	Google
silence	25,3	24,0
bruit	6,7	1,7

On parle aussi souvent de précision et de rappel, qui sont simplement des notions complémentaires du silence et du bruit (tous ces termes sont issus de la recherche documentaire, où on mesure la qualité des résultats à une requête):

précision = 1 - bruit = erreurs signalées à juste titre / nb d'erreurs signalées en tout
rappel = 1 - silence = erreurs signalées à juste titre / nb total d'erreurs

Voici ce que ça donne :

%	MsWord	Google
rappel	74,7	76,0
précision	93,3	98,3

Cette petite expérience du matin n'a évidemment pas de valeur scientifique -- il faudrait faire ça sur plus de textes, et des textes plus variés-- mais il est frappant de constater que MSWord et la barre Google ont à peu près exactement les mêmes performances. Tous deux arrivent dans les 80% de rappel c'est-à-dire qu'ils loupent un cinquième des erreurs que j'ai injectées. L'examen détaillé des résultats montre que la quasi totalité des erreurs non détectées est du même type: le mot erroné existe bien dans le dictionnaire de la machine, mais il n'est pas le bon en contexte (ont -> on, président -> préside, etc.).

On pourrait penser que MSWord s'en sort mieux, puisqu'il est doté de fonctions de correction grammaticale, qui devraient normalement aider, mais on s'aperçoit que ça ne change pas grand-chose, ce qui est tout à fait étonnant. Google s'en sort aussi bien. Ou aussi mal, car les erreurs en question (homophones, accords, etc.) sont extrêmement fréquentes chez les élèves et étudiants -- et pas mal d'adultes. Évidemment c'est très difficile, mais on peut imaginer des tas de méthodes qui pourraient améliorer les choses. Les simples fréquences de bigrammes (mots qui se suivent) dans de grandes masses de texte pourraient par exemple dans bien des cas servir à signaler un problème. Pour l'erreur non détectée "on tenu", par exemple, une petite recherche Yahoo m'indique:

Bigramme	Yahoo (fr)
"on tenu"	893
"ont tenu"	159000

Les correcteurs orthographiques ont beaucoup progressé dans les années 90 (grâce à un accroissement considérable des dictionnaires), mais il me semble que depuis ils plafonnent. La recherche sur le sujet n'est plus très à la mode dans les conférences en traitement automatique des langues, et on dirait que les industriels (Microsoft et autres) s'en désintéressent, comme si ce n'était plus pertinent commercialement.

Pourtant, vu le niveau orthographique de la population générale (il suffit de parcourir forums et blogs), il me semble qu'il y aurait au contraire un argument marketing considérable pour un correcteur plus futé, qui prenne en compte les vrai faute que font les geans, et en particulier les collégiens et lycéens de plus en plus nombreux à les utiliser. Les correcteurs dans leur état actuel sont presque nocifs pour eux, car en ne soulignant pas de vraies erreurs, ils peuvent inciter les jeunes à penser que c'est correct... Une de mes étudiantes de master, Marie Piu, vient de faire un très joli travail sur MSWord avec 335 vraies dictées d'élèves de 6ème et 5ème de la région. Le résultat est effarant: ce sont seulement 62% des erreurs qui sont détectées, et lorsque l'erreur est détectée, la première proposition faite par MSWord est la bonne dans seulement 74% des cas. Dans 16% des cas, aucune des propositions n'est valable...

Il reste encore du boulot!

Récré: Pourrissé vos texte

Vous êtes cultiver, lettré, vous soufrez de la diférence, de la moquerie de vos proche, de vos amis... Soyez come eux, fondez-vous dans la masse: écrivaiz en orthografe moche. Le grand profeseur Aixtal a le plaisir de vous présenter Orthobug, le premier programe qui pourri les texte. Très utile aussi si vous êtes étudiant ou lycéen: ne vous faitez plus repérer quand vous faites des copier-coller dans vos devboirs... Avec quelques faute discrète, vos plagiats seront entièrement crédible.

Absolument gratuit! Esayez tout de suite en colant votre texte ici (les balise HTML seront ignorait) :

Degré de pourrissement
Faible
Moyen
Fort

Actions

Devinette: ce porgramme est au départ tout à fait sérieux et a une vraie utilité. Laquele?

[Réponce]

---

N.B.

Se pourisseur n'ait pas un gnérateur de lengage SMS... 1 jour il fodra que jajoute 7 option ;-)

Lexique: Nuage de mots d'aujourd'hui

J'ai poursuivi toute la semaine la petite expérience que j'avais commencée dimanche dernier: chercher quels mots des fils RSS du Monde étaient absents du Trésor de la Langue Française (dictionnaire monumental de 16 volumes, 23000 pages, 100 000 articles!). Comme celui-ci a été rédigé en gros sur 30 ans, avec un dernier volume publié en 1994, il nous donne une image de la société des années 60-90. En négatif, les mots qui n'y figurent pas nous donnent une image de la société d'aujourd'hui...

Au cours de la semaine, 93 mots sont apparus dans les fils du Monde, et ne figurent pas comme entrée dans le TLF (quelques-uns sont mentionnés dans le corps du texte, comme pour auto, mentionné dans l'entrée AUTOMOBILE). Les fils comportaient 4400 mots différents pour la semaine, et les mots inconnus constituent donc un peu plus de 2% du tout.

Je vous ai concocté le résultat façon TagCloud (la taille représente la fréquence dans Yahoo pages francophones). Certains de ces mots sont manifestement des oublis du TLF (grenoblois, isérois), mais le reste me semble effectivement donner une image du paysage lexical récent...

agroalimentaire altermondialiste angolais animateur-producteur anti-tabac assurance-maladie attentat-suicide audiovisuel auriverde auropunctata autos ayatollah biodiversité cannabis chiite cibler cogneuses communautariste communautarisée design deux-roues directeur-général djihad droitise druze duffle-coat e-mail euro euro-arabe euros festives fractale gays grenoblois hard haïtienne homophobie hurdler hutus indépendantiste indépendantistes intercommunautaires internautes internet irakien irakienne irakiennes irakiens islamiste islamistes isérois ivoirienne jamaïquaine kha-nyou largage mbj md mds micro-ondes moghols méga-banques neurodégénérative non-fumeurs pakistanais perf pixels porte-parole prosyrien provisionnement président-directeur pédophile pédophilie raveurs relutive rwandais rwandaises salafiste saoudien saoudite sarkozystes soul supporteurs surfacturations surfacturé techno tek'noz teknival texan tutsis téléchargement ultracompacts écologiquement écosystèmes