Analyse sémantique interprétative assistée par IA : un protocole expérimental

Frédéric Pierron — Académie de Créteil

Objectif

Le projet vise à tester la capacité des grands modèles de langage (LLM) à conduire une analyse sémantique selon la méthode de François Rastier — non comme exercice de vulgarisation, mais comme application outillée d’une procédure rigoureuse. L’enjeu pédagogique est double : produire des analyses de qualité suffisante pour accompagner l’enseignement littéraire au lycée et en classe préparatoire, et évaluer empiriquement ce que ces modèles sont capables de faire — et de ne pas faire — dans ce domaine exigeant.

Il ne s’agit pas d’automatiser l’interprétation, mais de construire un protocole où la machine applique une fiche-méthode contraignante, pendant que l’enseignant conserve la main sur le cadre, la validation et la relecture critique.

Méthode

Le cœur du dispositif est une fiche opératoire (METHODE_RASTIER.md) injectée à chaque appel API. Elle impose à l’IA une procédure en six étapes issues de la sémantique interprétative : inventaire des récurrences faibles avant la dominante, construction des molécules sémiques, identification des inhibitions et propagations, analyse des fonds escamotés, examen de la forme du signifiant comme opérateur sémantique, et seulement alors nomination de l’isotopie dominante. Chaque relevé doit être ancré dans une occurrence citée du texte ; toute occurrence inventée est explicitement interdite.

L’architecture distingue quatre appels API successifs et étanches :

1. Cadre générique — détection de la forme, du registre et de l’époque, sans nommer l’œuvre.
2. Analyse du présent — grille complète en douze rubriques (isotopies, molécules sémiques, pas-de-côté, degrés de certitude, schémas Mermaid, synthèse) conduite à l’aveugle.
3. Analyse des absences — appel entièrement étanche, sans accès à l’analyse précédente : mesure de l’écart entre le texte et l’horizon d’attente générique.
4. Regard sur l’œuvre — levée du masque. Le modèle reçoit le titre et l’auteur, ainsi que l’ensemble de l’analyse produite, et reconsidère ses trouvailles à la lumière de ce qu’il sait du contexte de l’œuvre.

L’étanchéité des appels 2 et 3 est une décision architecturale délibérée : elle force la lecture interne avant que toute mémoire culturelle ne vienne la contaminer.

Le script Python (analyse.py) prend en charge l’orchestration, l’horodatage des fichiers, le calcul des coûts API, et la mise en page HTML et PDF selon une charte éditoriale inspirée de la presse de qualité.

Résultats

Les analyses produites atteignent, sur les textes testés, un niveau qui surprend. Quelques observations issues des résultats eux-mêmes.

Sur les « Litanies de Satan » de Baudelaire, le modèle identifie à l’aveugle la forme litanique sanctorale comme fond escamoté et inversé, repère la molécule sémique du don souterrain (minéral/savoir/caché) sur quatre distiques contigus, et formule avec précision le mécanisme d’inversion des rôles casuels entre Satan et Dieu. Sa propre évaluation rétrospective, une fois le titre révélé, le confirme : « Rien d’essentiel n’a été manqué. Le contexte enrichit plutôt qu’il ne corrige. »

Ce retour de l’IA sur son propre travail est lui-même un résultat méthodologique : le quatrième appel constitue une forme d’autoévaluation guidée, qui distingue ce que l’analyse aveugle a su trouver de ce que seul le contexte pouvait apporter — distinction que les manuels d’analyse littéraire font rarement aussi explicitement.

La double analyse (deux passes avec des modèles différents, consolidées par union critique) s’est révélée particulièrement productive : les divergences entre Claude et GPT-4o ne sont pas des contradictions mais des complémentarités — chaque modèle ayant ses zones de sensibilité propres. La consolidation par « union critique », qui impose de ne rien perdre des trouvailles de l’une ou l’autre analyse, produit un document plus riche que chacune prise isolément.

Limites

Elles sont réelles et documentées.

Instabilité générationnelle. Chaque exécution produit une variation. Les grandes lignes de l’analyse sont stables ; certains relevés secondaires fluctuent. Pour l’heure, aucune contradiction franche n’a été observée entre deux passes sur le même texte, mais la reproductibilité n’est pas garantie.

Analyses parfois ternes. Sur des textes peu marqués sémantiquement, l’IA produit des analyses correctes mais sans grand intérêt interprétatif. Une solution partielle existe : enrichir le cadre en début d’analyse avec des mots-clés ciblés (niveau de langue, contrainte formelle, contexte générique précis). Avec ces indications, les performances s’améliorent sensiblement.

Fragilité syntaxique. Le modèle peut ne pas reconnaître un complément du nom et attribuer un sème au mauvais groupe nominal. Cette limite tient à l’absence d’analyse grammaticale structurée : le modèle travaille en surface statistique, pas en arbre syntaxique. Sur « cache les précipices / Au somnambule », les modèles testés ont interprété le geste de Satan comme un piège (il dissimule le danger pour mieux y précipiter) plutôt que comme une protection — lecture qui, à la relecture attentive, est la moins bien étayée syntaxiquement. L’analyse humaine reste nécessaire sur les zones d’ambiguïté syntaxique fine.

Variations inter-modèles importantes. Les résultats varient significativement selon le modèle utilisé. Sur les textes testés, Claude (Anthropic) produit des analyses plus cohérentes et mieux structurées que GPT-4o ; les deux restent très supérieurs aux modèles économiques. Les tests sur Gemini sont en cours. Ces écarts plaident pour la double analyse trans-modèles plutôt que pour la confiance en un seul fournisseur.

Coût. Un modèle de premier rang (Claude Opus) coûte environ 0,20 $ par analyse complète ; le modèle le plus puissant testé (Claude Fable) atteint 5 $ pour une analyse — sept fois plus de tokens produits, donc d’analyse, mais à un coût qui exclut l’usage systématique.

Perspectives

Plusieurs directions sont ouvertes.

À court terme : l’intégration d’une analyse métrique automatique (prosodie, comptage syllabique, repérage des rejets et contre-rejets) via des outils dédiés, qui viendrait alimenter la rubrique Forme & sens avec des données objectivées plutôt que des conjectures du modèle.

À moyen terme : l’adjonction d’une analyse morphosyntaxique préalable (spaCy ou outil équivalent) pour lever les ambiguïtés de groupe nominal avant l’appel sémantique — ce qui réduirait directement la limite n°4.

La question la plus ouverte reste celle de l’usage pédagogique. Le protocole produit aujourd’hui des analyses qui peuvent servir de point de départ pour une discussion en classe, de contre-exemple pour entraîner l’œil critique de l’élève, ou de premier état d’une analyse que l’enseignant complète et corrige. Ce n’est pas encore un outil autonome — et peut-être ne devrait-il jamais l’être. La sémantique interprétative repose sur une lecture attentive, une décision interprétative, une responsabilité du lecteur que la machine ne peut pas assumer. Ce qu’elle peut faire, c’est débroussailler, proposer, suggérer des pistes que l’œil humain valide ou écarte. C’est déjà considérable.