Langue ingouche dans le numérique : Plateforme PaydaDosh

Renaissance numérique de l'ingouche : Comment PaydaDosh construit un dictionnaire, un corpus et des modèles d'IA

Le projet PaydaDosh est une plateforme linguistique ouverte qui combine un dictionnaire, un corpus parallèle et des outils d'IA pour soutenir la langue ingouche. La base de données collectée comprend plus de 66 524 entrées de dictionnaire et des dizaines de milliers de phrases alignées, ce qui en fait la plus grande ressource pour l'étude et la préservation de la langue. L'ingouche, qui appartient aux langues nakh de la famille caucasienne, est parlé par environ 400 à 500 mille personnes, mais sa présence numérique était minime jusqu'à récemment.

Composants de la plateforme : Du dictionnaire à l'assistant IA

PaydaDosh fournit aux développeurs et aux linguistes un ensemble complet de ressources :

• Dictionnaire — 66 524 entrées de dictionnaire avec traductions, étiquettes grammaticales, formes fléchies et exemples audio.
• Corpus parallèle — phrases tirées de textes réels alignées avec des traductions russes. Inclut le roman historique Magas le Bienheureux (34 156 phrases), le folklore (9 477 phrases) et des traductions de classiques (Pouchkine, Tourgueniev et autres).
• Collections thématiques — 2 156 proverbes répartis en 16 catégories (travail, famille, honneur, etc.) et 171 paraboles avec traductions parallèles.
• Guide de conversation — phrases toutes faites regroupées par situations pour un usage pratique.
• Communauté — section « Questions » où les locuteurs natifs répondent aux requêtes sur la grammaire et la traduction, avec des réponses autorisées marquées.
• Assistant IA — génère automatiquement des réponses préliminaires aux questions en utilisant les données du dictionnaire et de la grammaire.
• Applications mobiles — deux applications Android (une hors ligne) et un bot Telegram avec synchronisation des données.

Toutes les ressources sont ouvertes et librement accessibles, ce qui est crucial pour soutenir les langues à faibles ressources à l'ère numérique.

Sources des données : Des dictionnaires classiques aux collections modernes

Le dictionnaire est basé sur le projet « Ingush Language Dictionary Compendium » (ghalghay.github.io), mais PaydaDosh l'a considérablement enrichi en intégrant des données de sources diverses. Parmi elles :

• M. G. Uzhaev _Ingush-Russian Dictionary_ (1927)
• Z. K. Malsagov _Ingush Terminological Collection_ (1933)
• Johanna Nichols. _Ingush-English and English-Ingush Dictionary_ (2004), traduit en russe par Ahmed Bekov
• A. S. Kurkiev _Ingush-Russian Dictionary_ (2005)
• A.-M. M. Dudarov _Ingush Agriculture_ (2015)
• N. D. Kodzoev _Dictionary of Computer Terms_ (2016)
• Magazine pour enfants « SelaIad » (294 numéros)

Chaque entrée de dictionnaire inclut un lien vers la source sous forme de code court, garantissant la transparence et permettant aux chercheurs de vérifier les originaux. Cette approche est particulièrement importante pour le travail académique, où la précision des données est primordiale.

Mise en œuvre technique : Morphologie, corpus et IA

L'ingouche présente une structure ergative, un système de cas complexe et des classes de verbes, nécessitant des outils de traitement spécialisés. PaydaDosh y répond par :

Recherche floue avec analyse morphologique. L'algorithme reconnaît les formes fléchies et priorise les correspondances exactes. Pour une langue où un mot de base peut générer des dizaines de formes, cela améliore la pertinence des recherches. Par exemple, une requête pour « kho » (je) renvoie toutes les formes du pronom mais met en évidence la forme de base.

Liaison du corpus et du dictionnaire. Chaque phrase du corpus parallèle est liée à des entrées de dictionnaire. Cliquer sur un mot dans le texte mène à son entrée, tandis que la fiche du mot affiche des exemples d'usage du corpus. La recherche fonctionne sur les textes en ingouche et en russe, simplifiant le travail avec les données parallèles.

Intégration de l'IA dans le système questions-réponses. Quand une nouvelle requête arrive, le système génère une réponse préliminaire basée sur les données existantes, abaissant la barrière d'entrée pour les utilisateurs. Les réponses des locuteurs natifs sont marquées séparément, et le vote met en avant les plus précises.

Synchronisation multiplateforme. L'historique de recherche, les favoris et les contributions des utilisateurs se synchronisent entre le site web, le bot Telegram et les applications mobiles, créant un écosystème unifié pour le travail linguistique sous n'importe quel format.

Mécanisme de contribution des utilisateurs. Les utilisateurs enregistrés peuvent ajouter de nouveaux mots, exemples ou enregistrements audio. Toutes les soumissions passent par une modération éditoriale avant publication, garantissant la qualité des données.

Valeur du corpus parallèle pour la linguistique computationnelle

Le corpus parallèle est une ressource clé pour développer des outils NLP. Pour l'ingouche, comme pour la plupart des langues caucasiennes à faibles ressources, de tels matériaux étaient virtuellement inexistants. PaydaDosh comble cette lacune en fournissant :

• 218 phrases alignées de La Geste du prince Igor pour l'analyse syntaxique.
• 2 918 phrases de La Fille du capitaine de Pouchkine, permettant d'étudier les stratégies de traduction.
• Textes de folklore et de littérature moderne reflétant le langage quotidien.

Ces ensembles de données sont inestimables pour entraîner des modèles de langage, en particulier dans les tâches de traduction automatique. Les approches standard développées pour les grandes langues échouent souvent avec les systèmes ergatifs et les écritures non standards, rendant les corpus personnalisés essentiels pour adapter les technologies.

Plans de développement : Des applications mobiles aux outils éducatifs

L'équipe PaydaDosh se concentre sur trois directions :

• Extension du corpus — ajout de textes ingouches originaux, y compris de la prose moderne et du journalisme.
• Approfondissement des fonctionnalités IA — développement de modèles tenant compte des spécificités grammaticales de l'ingouche pour améliorer la précision des réponses automatiques.
• Outils éducatifs — portage des quiz mobiles et des cartes mémoire vers la plateforme web, création de leçons interactives.

Une attention particulière est portée au soutien des chercheurs : une API pour l'accès programmatique aux données et des outils d'analyse de corpus sont prévus. Cela transformera la plateforme en un véritable laboratoire de linguistique computationnelle, au-delà d'une simple référence.

Points clés

• Échelle des données : 66 524 entrées de dictionnaire et 43 633 phrases dans le corpus parallèle forment la base du développement NLP.
• Adaptation technique : La recherche floue avec morphologie gère la forte productivité flexionnelle de l'ingouche.
• Ouverture : Toutes les ressources sont libres d'utilisation, crucial pour préserver les langues à écosystèmes numériques limités.
• Communauté : La combinaison d'IA et de contributions natives modérées crée un modèle de croissance durable.

— Editorial Team