Les LLM Réécrivent Secrètement le Discours Afro-Américain en Anglais Standard : Nouvelle Recherche

Une nouvelle étude sur arXiv a révélé un problème à grande échelle : six LLMs modernes (de 14B à 70B paramètres) réécrivent systématiquement l'anglais afro-américain (AAE) en anglais américain standard (SAE), même lorsque le contexte exige de préserver le dialecte.

Quel biais a été découvert

L'anglais afro-américain n'est pas une erreur, mais un dialecte à part entière parlé par plus de 30 millions de personnes aux États-Unis. Cependant, les LLMs modernes le traitent comme du texte « incorrect » qui doit être corrigé en variante standard.

Les auteurs ont testé six LLMs ajustés par instructions. Dans tous les cas, les modèles préféraient une continuation SAE même lorsque le contexte exigeait clairement AAE. Effectivement, les LLMs réécrivent la parole des utilisateurs, remplaçant automatiquement et invisiblement le dialecte par l'anglais standard.

• 6 modèles ajustés par instructions (14B–70B paramètres)
• 30+ millions de locuteurs AAE
• Negative concord (« ain't nobody ») — déclencheur de biais universel sur tous les modèles
• Les constructions syntaxiques déclenchent les réécritures de manière cohérente

Comment cela a été découvert et mesuré

Les auteurs ont développé une méthode d'audit systématique : l'indicateur d'Invariance de Groupe de Dialecte Conditionnel (cDGI), qui sépare le vrai biais du modèle des artefacts externes. L'analyse au niveau des caractéristiques a révélé quels marqueurs AAE spécifiques causent le plus souvent le biais.

Pour la validation, les chercheurs ont créé REAL-AAE — un ensemble de données de 17 479 paires AAE/SAE/AAE_back à partir de tweets naturels. C'est 2–6 fois plus grand que toutes les ressources AAE précédentes. L'ensemble de données a été validé automatiquement (BERTScore F1 = 0,95) et manuellement par trois locuteurs AAE (83% d'accord sémantique). Une telle double validation garantit que l'ensemble de données reflète les véritables nuances du dialecte.

Activation steering : corriger sans réentraînement

Les chercheurs ont proposé activation steering — la première application de cette méthode au biais dialectal. C'est une méthode sans entraînement fonctionnant uniquement au moment du test, sans aucun changement de poids du modèle.

Comment cela fonctionne : le traçage causal extrait les directions de dialecte des activations du modèle, puis ces directions sont injectées dans les couches responsables de la génération. Résultat : le modèle préserve AAE dans les contextes où c'est approprié.

Les résultats sont impressionnants : activation steering réduit le biais dialectal 5–20 fois mieux que les approches de prompting, tout en maintenant un anglais standard fluide lorsque c'est vraiment nécessaire. Cela prouve qu'une solution est possible sans réentraînement complet du modèle.

Pourquoi c'est critique

Le biais dialectal est une forme d'assimilation culturelle cachée. Les LLMs intégrés dans les systèmes d'éducation, les plateformes juridiques, les RH et les assistants vocaux peuvent corriger silencieusement la parole des utilisateurs. Un utilisateur saisit du texte dans son dialecte, le système le produit en anglais standard, effaçant l'identité linguistique. L'étude montre que cela peut être détecté et corrigé avec une méthode qui ne nécessite pas de réentraînement.

Questions fréquemment posées

Pourquoi les LLMs réécrivent-ils AAE ?

Parce qu'ils sont entraînés principalement sur des textes en anglais standard. Les modèles interprètent AAE comme une erreur grammaticale qui doit être corrigée conformément au modèle dominant dans les données d'entraînement.

Est-ce un problème uniquement pour l'anglais ?

Cette étude se concentre sur AAE/SAE, mais le biais est typique pour toute paire dialecte-langue standard. Un biais similaire existe probablement pour d'autres langues où les dialectes minoritaires sont sous-représentés dans les données d'entraînement.

Quand les modèles commerciaux obtiendront-ils activation steering ?

C'est actuellement une méthode de recherche. L'intégration dans les LLMs dépend des fournisseurs. Cependant, l'étude prouve qu'une solution est techniquement possible sans réentraînement profond.