Qu'est-ce qu'une langue peu dotée ?

01 · La notion

Une situation des données, pas un verdict linguistique

Le terme est né du traitement automatique des langues (TAL) et de la linguistique computationnelle, et il porte la marque de son origine : il mesure une langue à ce qu'une machine peut en apprendre. Une langue dotée d'une tradition littéraire millénaire, d'une morphologie riche et de millions de locuteurs peut rester « peu dotée » si très peu de textes propres, sous licence et lisibles par une machine, ou de paroles transcrites, sont disponibles. À l'inverse, une langue moins parlée mais qui a bénéficié de décennies d'investissement public dans les corpus, les correcteurs orthographiques, les treebanks et les mémoires de traduction peut ne pas l'être du tout. Le nombre de locuteurs et les ressources numériques sont deux axes différents, et l'IA ne voit que le second.

Le cadre académique le plus utile vient de Hedderich et ses collègues (NAACL 2021), qui décrivent un scénario peu doté plutôt qu'une langue peu dotée. Ce scénario se définit selon 3 dimensions : la disponibilité de données étiquetées pour la tâche visée, celle de textes non étiquetés dans la langue ou le domaine, et celle de données auxiliaires (dictionnaires, langues apparentées, bases de connaissances). C'est pourquoi une même langue peut être bien servie pour la correction orthographique et mal servie pour la reconnaissance vocale, ou solide sur les textes de presse et faible sur les comptes rendus cliniques. Même l'anglais, ou le français, devient un scénario peu doté dans un domaine technique étroit sans données annotées. Haddow et ses collègues (Computational Linguistics, 2022) ajoutent une dimension temporelle pour la traduction automatique : certaines paires de langues jugées rares il y a dix ans disposent aujourd'hui de bien plus de données grâce à l'exploration du web et à l'exploitation de textes monolingues.

L'étiquette a toutefois un coût. Certains chercheurs soulignent que « peu dotée » définit une langue par ce qui lui manque et peut masquer les savoirs, les pratiques et les priorités de ses locuteurs. J'y reviens plus loin, car cette critique a des conséquences concrètes sur la manière de collecter les données. Pour l'instant, la définition opérationnelle compte, parce que les appels d'offres, le financement de la recherche et les notes de version des modèles l'utilisent, souvent sans préciser à laquelle des 3 dimensions ils font référence.

04 · Conséquences

Pourquoi les systèmes d'IA échouent-ils dans les langues peu dotées ?

Les grands modèles de langage apprennent de ce que contient le web, et le web est linguistiquement déséquilibré. Blasi, Anastasopoulos et Neubig (ACL 2022) ont documenté des inégalités de performance systématiques entre les langues du monde en traduction automatique, en questions-réponses, en compréhension écrite, en synthèse vocale, en analyse syntaxique et en flexion morphologique, et ont montré que ces écarts sont liés à des facteurs économiques, démographiques et académiques plutôt qu’à la difficulté linguistique. Les modèles multilingues étendent la couverture, mais partager un même ensemble de paramètres entre des centaines de langues ne garantit pas des résultats équivalents pour chacune d’elles. Le projet No Language Left Behind de Meta (NLLB-200, publié dans Nature en 2024) a porté la traduction automatique neuronale à 200 langues et à environ 40 000 directions de traduction, en combinant apprentissage par transfert et extraction de données à grande échelle, et sa propre évaluation montre à quel point la qualité reste inégale sur cet ensemble.

L'échec le plus subtil tient à l'écart entre couverture nominale et utilité effective. Une langue peut figurer dans la liste des langues « prises en charge » d'un modèle et obtenir des résultats très inférieurs à ceux de ses voisines, ou n'avoir été évaluée que sur un registre restreint, comme la Bible ou Wikipédia. Sans jeux d'évaluation fiables construits par des humains, il est même impossible de le savoir. C'est pourquoi les données d'évaluation ne sont pas un luxe pour les langues peu dotées : elles sont le seul instrument qui distingue une affirmation d'une capacité.

06 · Francophonie

Afrique francophone, créoles et Canada : la francophonie face aux langues peu dotées

L'espace francophone rassemble une langue parmi les mieux dotées du monde et des dizaines de langues parmi les moins dotées. Pour un organisme public, une ONG ou une entreprise qui opère en français, c'est souvent dans ces autres langues que se joue l'accès réel au service.

Afrique francophone : de Masakhane au medumba

L'Afrique concentre une part très importante de la diversité linguistique mondiale et demeure faiblement représentée dans les corpus et les modèles. Une revue de 884 articles de TAL africain publiés entre 2020 et 2025 (Alabi, Hedderich, Adelani et Klakow, EMNLP 2025) décrit une croissance soutenue de la recherche, avec une couverture très inégale selon les langues, les tâches et les régions. Masakhane, communauté de recherche distribuée fondée en 2019, a changé la méthode autant que les résultats : son étude participative sur la traduction automatique (Nekoto et al., 2020) a produit des données et des systèmes pour plus de 30 langues africaines, sous la conduite de chercheurs et de locuteurs locaux. Le jeu de données de reconnaissance d'entités nommées MasakhaNER 2.0 (Adelani et al., EMNLP 2022) couvre 20 langues d'Afrique subsaharienne, dont plusieurs sont parlées dans des pays francophones : le bambara, le wolof, le fon, l'éwé, le mooré et le ghomálá'.

Les obstacles ne tiennent pas seulement au volume. Pour le medumba, langue bamiléké du Cameroun, voisine du ghomálá', des chercheurs ont documenté des problèmes de méthodes d'écriture et d'encodage, l'absence de terminologie technique normalisée, la rareté des ressources numériques et un financement limité (Moteu Ngoli et al., AfricaNLP 2025). Quand nous collectons des jeux de données africains pour l'entraînement de l'IA, l'alternance codique (souvent avec le français ou l'anglais) et les conditions acoustiques réelles (marchés, transports, milieu rural) comptent autant que le vocabulaire.

Créoles : la leçon d'Haïti

Les créoles à base française illustrent à quel point le manque de données peut constituer un enjeu humanitaire. Après le séisme de janvier 2010 en Haïti, les SMS envoyés en créole haïtien au service d'urgence Mission 4636 ont dû être traduits à toute vitesse. Ces messages sont devenus la tâche phare du WMT 2011, l'atelier de référence en traduction automatique : environ 17 000 phrases parallèles de SMS pour l'entraînement, un langage bruité, abrégé et sans orthographe stable. La leçon reste valable : quand une crise survient, il est trop tard pour commencer à constituer les données.

Canada : l'inuktitut et la valeur des débats parlementaires

Au Canada, le Conseil national de recherches a publié le corpus parallèle inuktitut-anglais du Hansard du Nunavut (Joanis et al., LREC 2020) : environ 1,3 million de paires de phrases alignées tirées des débats de l'Assemblée législative du Nunavut entre 1999 et 2017, présenté par ses auteurs comme le plus grand corpus parallèle d'une langue polysynthétique ou d'une langue autochtone des Amériques publié à ce jour. L'exemple montre une règle que nous retrouvons partout : les institutions qui produisent des débats bilingues créent, souvent sans le savoir, les ressources les plus précieuses pour l'IA.

08 · Au-delà de l'Europe

Amérique latine et Asie

Amérique latine : les langues autochtones selon leurs propres termes

En Amérique latine, la position technologique de l'espagnol et du portugais contraste fortement avec celle des langues autochtones. La difficulté vient rarement d'un petit nombre de locuteurs : elle vient de l'absence de corpus numériques, d'orthographes pas toujours stabilisées et de la rareté des outils de segmentation, des données parallèles, de la parole enregistrée et des jeux d'évaluation (Mager et al., COLING 2018). L'atelier AmericasNLP, lancé en 2021 au sein de l'Association for Computational Linguistics, a organisé la première tâche partagée de traduction automatique ouverte pour 10 langues autochtones associées à l'espagnol : aymara, bribri, asháninka, guarani, wixarika, nahuatl, hñähñu, quechua, shipibo-konibo et rarámuri. En 2026, un projet centré sur la communauté a construit des ressources de reconnaissance vocale pour le quechua de Puno à partir de dizaines d'heures d'enregistrements et de transcriptions, avec la participation de la communauté à la conception et à la collecte. Ce modèle de travail, où les communautés fixent les objectifs et valident les résultats, devient la norme plutôt que l'exception.

Asie : écritures, segmentation et échelle

L'Asie montre que « peu doté » ne veut pas dire « petit ». Le bhojpuri figure dans la classe 1 de Joshi malgré des dizaines de millions de locuteurs ; le konkani et le lao dans la classe 2 ; le cebuano et l'indonésien dans la classe 3. Les lacunes y sont souvent techniques avant d'être statistiques : les écritures sans espaces entre les mots (lao, thaï, khmer) mettent en échec les tokeniseurs naïfs, et des langues proches sont fréquemment étiquetées comme la langue dominante, ce qui gonfle la couverture apparente de la grande langue et efface la petite. Ma lecture, qui est une inférence et non une mesure publiée, est que la prochaine vague d'IA utile pour les langues asiatiques viendra de données vocales et textuelles collectées sur place, soigneusement segmentées et correctement étiquetées, et non de collectes web toujours plus vastes. C'est le principe de nos jeux de données d'Asie du Sud-Est pour l'entraînement de l'IA.

10 · La critique

« Peu dotée » est-elle la bonne étiquette ?

La communauté du TAL utilise toujours ce terme comme standard, mais ses critiques ont précisé ce qu'il occulte. Steven Bird soutient que l'étiquette regroupe des situations très différentes (langues standardisées sans soutien technologique, langues locales de tradition principalement orale, langues de contact), dont les fonctions sociales et les attentes technologiques ne sont pas comparables, et il se demande si le TAL doit nécessairement être extractif (ACL 2024). Traiter les données linguistiques comme une matière première à exploiter peut reproduire des rapports coloniaux et marginaliser les autorités communautaires. Mager, Mager, Kann et Vu (ACL 2023) ont interrogé des responsables communautaires, des enseignants et des militants, et concluent que l'inclusion des locuteurs est indispensable à une traduction automatique utile et éthique des langues autochtones, ce qui conduit à la notion de souveraineté des données linguistiques : les communautés gardent le contrôle sur l'usage des matériaux qu'elles fournissent pour entraîner l'IA.

Je partage cette critique, et je pense qu'elle a une traduction commerciale que le secteur a tardé à accepter. Des données dont la provenance, le consentement et la licence ne peuvent pas être documentés constituent un passif, et dans les langues peu dotées ce passif est concentré, car les mêmes rares sources sont réutilisées partout. Un approvisionnement éthique n'est pas une taxe sur l'IA des langues peu dotées : c'est la seule façon de constituer des jeux de données qui résistent à un audit. C'est pourquoi nous défendons un modèle où l'humain est au centre, où les locuteurs natifs ne sont pas une validation de dernière minute, mais les personnes qui décident de ce que « correct » veut dire pour leur variété.

12 · Notre travail

Comment Pangeanic aborde les langues peu dotées

Pangeanic a commencé par construire et traiter des données bilingues pour des systèmes de traduction automatique, bien avant que les « données d'entraînement » ne deviennent une catégorie de marché. Cette histoire nous a appris que la difficulté d'une langue peu dotée ne tient jamais à l'architecture du modèle : elle tient à la recherche, à l'acquisition sous licence, au nettoyage, à l'alignement et à la validation des données, puis à la preuve, par l'évaluation, que le résultat fonctionne pour ceux qui parlent la langue. Aujourd'hui, ce travail passe par nos services de données pour l'IA (recherche, collecte, annotation, RLHF et données d'évaluation), nos corpus parallèles et notre pratique d'évaluation de l'IA, avec une validation par des locuteurs natifs à chaque étape. Lorsque les besoins en données continuent d'évoluer après le déploiement, nous les prenons en charge dans une boucle continue d'opérations de données pour l'IA (AI Data Operations). La même discipline des données sous-tend notre Deep Adaptive AI Translation, qui adapte les résultats à la terminologie et au style de chaque client : un besoin plus aigu, et non moins, dans les langues où les moteurs génériques ont vu peu de texte.

Pour une vue plus large des langues où la traduction automatique peine encore, j'ai écrit sur les langues qui résistent à la traduction automatique (en anglais), à partir de notre expérience en production.