Bases de données linguistiques du français : ce qui tient, et ce qui lâche

Le français dispose d'un patrimoine de ressources linguistiques libres que peu de langues peuvent égaler : des dizaines d'années de travail universitaire, des millions de formes décrites, tout cela téléchargeable gratuitement. Quand on cherche à produire des exercices de français de façon rigoureuse, la tentation est de tout prendre.

Nous avons passé plusieurs mois à évaluer ces bases une par une, sur des tâches précises : ce mot contient-il vraiment le son [ɑ̃] ? cette forme verbale est-elle bien un imparfait ? ces deux mots sont-ils réellement synonymes ? Voici ce que nous en avons retiré — et une conclusion que nous n'attendions pas.

Six ressources, trois familles

Les ressources libres du français se répartissent en trois familles, selon ce qu'elles décrivent.

• La forme sonore — comment un mot se prononce, à quelle fréquence il apparaît. C'est le domaine de Lexique 3, construit par Boris New et Christophe Pallier.
• La forme grammaticale — toutes les formes fléchies d'un mot, son genre, son nombre, la construction d'un verbe. C'est Morphalou (CNRTL) et le Lefff (Lexique des Formes Fléchies du Français).
• Le sens — ce qu'un mot veut dire, ses synonymes, ses contraires, le champ auquel il appartient. C'est DBnary (le Wiktionnaire mis en structure) et WOLF (le WordNet libre du français).
• Et à part : l'échelle Dubois-Buyse, qui ne décrit pas la langue mais les élèves — à quel âge un mot est effectivement maîtrisé. Nous lui avons consacré un article entier.

Cette répartition paraît anodine. Elle s'est révélée être la ligne de fracture.

Ce qui tient : la forme

Les trois ressources qui décrivent la forme d'un mot ont passé toutes nos épreuves. Ce n'est pas un hasard : la forme est vérifiable. On peut trancher mécaniquement si un mot se termine par -ais, s'il contient la graphie an, si chevaux est bien le pluriel de cheval. Une base qui décrit la forme peut donc être fausse — ce qui arrive — mais on peut le constater et le corriger.

Lexique 3 apporte quelque chose d'irremplaçable : la transcription phonétique de 135 000 formes. Sans elle, impossible de savoir que manger et mangé sonnent pareil — donc impossible de décider si un exercice peut être lu à voix haute sans livrer sa réponse. Aucune règle de lettres ne remplace cette information.

Morphalou décrit 954 000 formes fléchies avec leur genre et leur nombre. C'est la seule ressource qui permet de savoir, sans deviner, que le participe passé de résoudre au féminin pluriel s'écrit résolues.

Le Lefff répond à une question que les deux autres ignorent : ce verbe se conjugue-t-il avec être ou avec avoir ? Et peut-il recevoir un complément d'objet direct ? Deux informations minuscules dont dépend tout l'accord du participe passé.

Fait notable : aucune des trois ne suffit seule. Construire les paradigmes complets d'un verbe — toutes les personnes, tous les temps, le participe accordé — exige de croiser les trois : Lexique pour les formes simples, Morphalou pour les participes accordés, le Lefff pour l'auxiliaire. C'est laborieux, mais c'est faisable, et le résultat est vérifiable.

Ce qui lâche : le sens

Les deux ressources sémantiques nous ont fait perdre beaucoup plus de temps qu'elles ne nous en ont fait gagner. Non par négligence de leurs auteurs — ce sont des travaux sérieux — mais parce que le sens ne se vérifie pas mécaniquement. Quand une base affirme que deux mots sont synonymes, aucun algorithme ne peut le contredire. Il faut un humain qui lit.

DBnary transforme le Wiktionnaire en données structurées — une idée excellente, une exécution rigoureuse. Mais à l'épreuve d'un usage scolaire, les problèmes s'accumulent : les paires de synonymes et d'antonymes se sont révélées trop bruitées pour être utilisables telles quelles, et cela même après deux passes de filtrage automatique. Chat donné comme contraire de sauvage, appartement comme synonyme de maison alors qu'il n'en est qu'un cas particulier. Et pour un enfant, des définitions comme moulin → « Moteur. » ou lapin → « Soldat, homme. » sont pires qu'inutiles.

WOLF promet mieux encore : une structure d'hyperonymie qui devrait donner des champs lexicaux tout faits — les animaux, les métiers, les moyens de transport. En pratique, la polysémie fait dérailler l'extraction. Nous avons demandé le champ « nature » ; le mot anglais plant ayant deux sens, nous avons récupéré tout le vocabulaire de l'usine. Une autre demande a renvoyé zéro mot.

Dans les deux cas, nous avons fini par écrire les listes à la main. Quatorze champs lexicaux relus, quelques centaines de paires de contraires transcrites depuis des documents pédagogiques. C'est fastidieux, et c'est correct par construction.

La leçon : ce que le calcul peut trancher, et ce qu'il ne peut pas

Une fois les six ressources alignées, la conclusion est nette et, croyons-nous, généralisable :

• Ce qui se calcule à partir de la chaîne de caractères — les sons, les terminaisons, les accords, les formes fléchies — se traite très bien avec une base de données. Le résultat est stable, reproductible, vérifiable.
• Ce qui exige de comprendre — un synonyme, un champ lexical, un sens figuré — résiste. Non seulement aux bases de données, mais aussi, nous l'avons mesuré, aux modèles de langue chargés de les filtrer.
• Entre les deux, une zone hybride : les homophones, par exemple. La liste des paires est finie et calculable ; le bon choix dans une phrase dépend du sens.

Ce constat rejoint quelque chose que nous avions déjà observé du côté de l'intelligence artificielle, et qui va à rebours de l'intuition. Les modèles de langue sont remarquables sur le sens et peu fiables sur la forme : à la question « le m est-il bien placé devant b ou p ? », un même modèle nous a donné des verdicts contradictoires d'une exécution à l'autre, avec la même assurance. Les bases de données, elles, sont exactement l'inverse : impeccables sur la forme, fragiles sur le sens.

Les deux outils sont donc complémentaires — à condition de leur confier chacun ce qu'il sait faire. Confier l'orthographe à un modèle de langue, ou la synonymie à une base de données, c'est se tromper deux fois.

Et donc, pour un exercice de français ?

Concrètement, cela dessine trois régimes.

• L'orthographe à motif — le m devant b et p, les consonnes doubles, les graphies d'un même son — se traite par la règle et la donnée. Une fois écrite, elle ne se trompe plus.
• La grammaire flexionnelle — accords, conjugaison, participes passés — se traite de la même façon, en croisant les ressources morphologiques. Avec une nuance importante : ce qui rend une forme difficile n'est pas la rareté du mot mais son écart à la règle. Tuer est un verbe simple et fréquent, parfaitement régulier : il n'apprend rien. Aller est tout aussi fréquent et beaucoup plus instructif.
• Le vocabulaire et la compréhension relèvent du jugement humain, ou d'un modèle de langue étroitement encadré. Une liste relue reste la référence.

Cette répartition n'a rien d'idéologique : elle est le résultat de mesures. Elle a surtout un mérite pratique — elle dit où placer l'effort. Sur la forme, l'effort est un investissement : une règle écrite une fois sert indéfiniment. Sur le sens, l'effort est récurrent, et il n'y a pas de raccourci.

Les articles de la série

• Lexique 3 — la phonétique et la fréquence des mots français : ce qu'aucune autre base ne donne, et le piège des analyses verbales.
• Morphalou — 954 000 formes fléchies : l'exhaustivité et son coût.
• Le Lefff — être ou avoir ? La petite base qui débloque l'accord du participe passé.
• DBnary — le Wiktionnaire en données structurées : pourquoi la synonymie automatique ne tient pas.
• WOLF — le WordNet français et le problème des champs lexicaux automatiques.
• L'échelle Dubois-Buyse — la liste des mots à savoir écrire, niveau par niveau, et où la télécharger.