Quatre résultats négatifs consécutifs

Il y a une tentation évidente dans une méthode qui réduit le mot à ses consonnes : lui retirer d’abord ses affixes. Si le turc gelmek est « venir » plus un infinitif, l’infinitif gêne. Retirons-le et le catalogue s’améliorera.

Cela paraît évident. On l’a essayé sur quatre familles. Cela échoue sur les quatre.

Turc

Le découvreur automatique d’affixes gagne 6,3 points de regroupement et 13,9 points de nul.

Autrement dit : il regroupe davantage, et le hasard regroupe beaucoup plus. L’avantage sur le hasard, seule chose qui compte, se dégrade.

Et il y a un diagnostic qui l’explique mieux que n’importe quel chiffre. Le découvreur a trouvé 365 préfixes dans une famille sans préfixes. Le turc est agglutinant et suffixant ; les préfixes que la procédure a « découverts » n’existent pas. Ce sont des ressemblances initiales entre mots, traitées comme de la morphologie parce que la procédure n’a aucun moyen de distinguer l’une de l’autre.

Ouralien

Regroupement en hausse de dix points, nul de dix-huit. Deuxième famille agglutinante, même résultat.

Pama-nyungan

Regroupement en hausse de douze points, nul de vingt-six. Troisième résultat négatif consécutif, déclaré comme tel dans l’article.

Indo-européen

L’avantage sur le hasard se dégrade encore. Quatrième famille d’affilée — et c’est la famille où l’on sait le plus de morphologie de toute la linguistique.

La règle qui en sort

Le découpage morphologique paie quand la règle est déclarée, et dégrade le résultat quand elle est découverte par ressemblance.

Un affixe déclaré — « dans cette langue, l’infinitif est -mek / -mak » — est une information externe que le catalogue n’avait pas. Un affixe découvert par fréquence de sous-chaînes n’est pas une information : c’est le catalogue se regardant dans le miroir. Retirer ce qui se répète fait que ce qui reste se ressemble davantage, et le hasard monte exactement pour la raison qui fait monter le signal.

C’est le même piège que la série rencontre encore et encore, sous des visages différents.

Deux autres fois où l’agrégation a menti

La matrice de substitutions. En turc, agrégée sur toute la famille, elle perd la correspondance qui définit sa division primaire — le trait le plus solidement établi de la famille, invisible. Ce n’est qu’une fois restreinte à la paire de branches qu’elle réapparaît, et alors à 6,1 fois le hasard.

Moyenner sur une famille entière n’est pas une vue d’ensemble : c’est un effacement.

L’enrichissement maximal. Le code le plus avantagé sur le hasard s’est de nouveau révélé, en turc, être un emprunt — russe, cette fois. Et le mécanisme peut être nommé : c’est le concept rare qui le produit, pas le code rare. Un concept que presque aucune langue ne possède, emprunté par quelques-unes à la même source, donne un enrichissement spectaculaire qui ne dit rien de la famille.

Et une fois où cela a marché

Pour que la liste ne se lise pas comme une simple collection d’échecs : la clôture des substitutions n’avait rien produit pendant deux familles, et en pama-nyungan elle a donné trois classes nettes qui se sont révélées être des points d’articulation.

Personne ne les avait demandés. Ils sont sortis.

Pourquoi publier cela

Un résultat négatif ne se vend pas. Quatre d’affilée, encore moins.

Mais l’argument de cette série n’est pas que l’instrument fonctionne. C’est que l’instrument est décrit avec assez de précision pour qu’on voie où il cesse de fonctionner, et que cette description se publie dans le même article que les résultats, non en annexe.

Un catalogue qui ne publierait que ses succès ne serait vérifiable par personne. Et un instrument invérifiable n’est pas un instrument : c’est une opinion avec des tableaux.

Les articles :