Un champ lexical, c'est un ensemble de mots qui tournent autour d'une même idée : le champ de la mer, celui des métiers, celui des émotions. C'est un exercice classique du primaire, et un besoin constant quand on fabrique du matériel pédagogique. Il existe une famille de ressources qui semble faite pour ça : les WordNets.
Un WordNet organise le vocabulaire en synsets — des groupes de mots partageant un sens — reliés par des relations hiérarchiques : chien est une sorte de mammifère, qui est une sorte d'animal. Il suffirait donc de descendre l'arbre depuis « animal » pour obtenir le champ lexical des animaux. WOLF est le WordNet libre du français. Nous avons essayé.
Cet article fait partie d'une série où nous passons en revue les bases de données linguistiques libres du français.
L'idée est juste, et c'est ce qui la rend piégeuse
La démarche paraît imparable. On choisit un point d'ancrage dans la hiérarchie — le synset correspondant à « animal », à « métier », à « moyen de transport » — et on récupère tout ce qui se trouve dessous. Le résultat est structuré, exhaustif, et obtenu en quelques secondes plutôt qu'en quelques heures de saisie.
En pratique, la sortie brute est inutilisable telle quelle, et il faut la retravailler sur plusieurs plans : écarter ce qui n'est pas un nom commun, écarter les sigles et les noms scientifiques, écarter les mots trop rares pour un enfant, calibrer ce qui reste par niveau scolaire. Rien de tout cela n'est insurmontable — ce sont des filtres classiques, qui s'appuient d'ailleurs sur Lexique pour la catégorie grammaticale et la fréquence, et sur l'échelle Dubois-Buyse pour le niveau.
Le problème est ailleurs, et il ne se règle par aucun filtre.
La polysémie fait dérailler l'ancrage
Les WordNets français sont construits, pour une large part, par alignement sur le WordNet anglais. C'est ce qui rend leur existence possible — construire un tel réseau à la main pour chaque langue serait un travail de plusieurs décennies. Mais l'alignement traîne avec lui l'ambiguïté de l'anglais.
Notre exemple préféré, parce qu'il est parfaitement absurde : nous avons voulu constituer le champ lexical de la nature. L'ancrage naturel passe par le mot anglais plant — « plante ». Sauf que plant signifie aussi « usine ». En descendant l'arbre, nous avons récupéré tout le vocabulaire industriel. Un champ lexical de la nature peuplé de bâtiments d'usine.
Une autre demande — le champ des paysages — a renvoyé zéro mot. L'ancrage ne correspondait à rien d'exploitable dans la hiérarchie.
Ces deux échecs sont symétriques et instructifs. Dans un cas, l'extraction donne trop et faux ; dans l'autre, elle ne donne rien. Aucun des deux n'est détectable automatiquement : rien, dans les données, ne signale qu'un ancrage a dérivé. Il faut un humain qui regarde la liste et dise « ce n'est pas la nature, c'est une usine ».
L'exclusivité, l'autre contrainte qu'on n'anticipe pas
Un exercice de catégorisation demande de ranger des mots dans le bon champ. Cela impose une contrainte que les ressources sémantiques ne respectent jamais : dans un même exercice, chaque mot ne doit appartenir qu'à une seule catégorie.
Or les hiérarchies de sens sont généreuses en appartenances multiples : un cheval est un animal et un moyen de transport ; un marin relève des métiers et du voyage ; une rivière tient de la nature et du paysage. Ce sont de bonnes réponses linguistiquement, et des exercices ambigus pédagogiquement — l'élève range correctement et on lui compte une erreur.
Il faut donc imposer une disjonction : à l'intérieur d'un exercice donné, un mot n'appartient qu'à un seul champ. C'est un arbitrage éditorial — décider que cheval comptera comme animal et pas comme transport — et un arbitrage ne se calcule pas.
Pourquoi nous avons fini par écrire les listes
En cumulant les contraintes — filtrer le bruit, vérifier chaque ancrage, calibrer par niveau, imposer la disjonction, contrôler la sortie — le temps passé à valider une extraction automatique dépassait celui qu'il aurait fallu pour écrire directement la liste.
Nous avons donc établi quatorze champs lexicaux à la main, relus, disjoints à l'intérieur de chaque exercice, calibrés par niveau. Ce n'est pas glorieux et ça ne passe pas à l'échelle d'un dictionnaire — mais un champ lexical scolaire ne demande pas de passer à cette échelle. Quinze à trente mots bien choisis valent mieux que trois cents mots dont dix sont faux.
C'est le point où l'automatisation cesse d'être rentable, et il arrive plus tôt qu'on ne l'imagine. La règle empirique que nous en tirons : quand vérifier coûte plus cher qu'écrire, il faut écrire.
Ce que WOLF reste
Un travail de recherche estimable, gratuit, et utile pour ce à quoi il est destiné : l'analyse de corpus, la recherche en sémantique, l'exploration lexicale. Notre conclusion ne porte pas sur sa qualité mais sur l'adéquation entre une ressource et un usage.
Un réseau de sens conçu pour décrire la langue dans sa généralité n'est pas un fournisseur de listes pédagogiques prêtes à l'emploi, et il ne prétend pas l'être. L'erreur — la nôtre au départ — est de croire qu'une hiérarchie de sens existante dispense du travail de sélection. Elle le déplace, au mieux ; elle le complique, souvent.
En résumé
- Bon pour : l'analyse de corpus, la recherche, l'exploration lexicale à grande échelle.
- Insuffisant pour : produire directement des champs lexicaux scolaires.
- Le piège principal : la polysémie de la langue d'alignement. Un ancrage qui dérive livre un champ entièrement faux, sans aucun signal d'alerte.
- La contrainte qu'on oublie : un exercice de catégorisation exige qu'un mot n'appartienne qu'à une catégorie — les hiérarchies de sens, elles, sont volontiers multiples.
- Le seuil : quand vérifier coûte plus cher qu'écrire, écrire.
WOLF et DBnary échouent de la même façon, sur des tâches différentes — et c'est ce qui fait de leur cas une démonstration plutôt qu'un accident. Nous en tirons la conclusion générale dans la synthèse de cette série : la forme se calcule, le sens se relit.
