Dans un billet récent, Johann-Mattis List soulève la question de l’automatisation de la détection des emprunts.

Selon moi, il est des cas où une procédure automatique pourrait être envisagée, et je vais présenter ici une procédure qui me semble implémentable.

Le cas le plus simple est celui de langues dont l’ancêtre est (presque) attesté, comme les langues tibétaines ou les langues romanes, dont les ancêtres étaient des variétés proches du tibétain ancien et du latin classique.

Dans un tel cas, la procédure qui peut être employée (par exemple dans cet article) pour distinguer entre mots hérités et emprunts peut se schématiser de la façon suivante:

(1) collecter les mots pour lesquels une étymologie dans la langue ancestrale peut être déterminée. Les mots sans étymologie sont des candidats à être analysés comme emprunts (il peut s’agir aussi de mots hérités dont l’étymologie n’est pas évidente).
(2) Faire la liste des doublets: deux mots correspondant à la même forme ancestrale, toutes choses étant égale par ailleurs. Si ces deux formes ne peuvent pas s’expliquer comme des formes alternantes d’un même paradigme, alors au plus seule une des deux peut être héritée, et l’autre doit être empruntée à une autre variété provenant de la même proto-langue (une autre possibilité est que les deux mots soient des emprunts appartenant à des couches différentes). Il est possible que le corpus de donnée sur lequel on travaille ne contient pas de doublets ou trop peu pour être utilisable. Dans ce cas, sauter l’étape (3).
(3) Identifier les correspondances phonétiques distinctes des deux couches sur la base de ces doublets.
(4) Analyser l’ensemble du vocabulaire ayant une étymologie, et classer en plusieurs couches les correspondances, prenant comme base de départ les correspondances identifiées en (3).
(5). Une fois que l’on dispose de plusieurs couches de vocabulaire basées sur les correspondances phonétiques, l’identification de la couche héritée par rapport à la ou aux couches empruntées peut se baser sur les critères suivants:
(a) Proportion de vocabulaire culturel (religieux, technique) dans la couche, registre de langue (le registre littéraire/honorifique tend à être dans une couche empruntée).
(b) Proportion entre noms et verbes (pour les langues où ce critère est applicable): les couches héritées tendent à contenir plus de verbes en proportion que les couches empruntées (c’est frappant par exemple dans le cas du tibétain de Cone, cet article)).
(c) Irrégularité de la morphologie: les paradigmes les plus irréguliers ont plus de chances d’être dans la couche héritée (mais ce critère n’est pas absolu, notons le cas de l’anglais dont certains verbes forts sont empruntés au vieux norrois).

Lorsque la langue ancestrale n’est pas attestée, la détection des emprunts est beaucoup plus difficile, et sera traitée dans un autre billet.

---

---