Les origines de la langue japonaise restent encore un sujet ardemment débattu (Vovin 2017). Il y a quelques années, une étude (Lee & Hasegawa 2011) relayée dans la presse annonçait avoir pu déterminer par une analyse phylogénétique bayésienne que les langues japoniques se sont séparées d’un ancêtre commun il y a 2200 ans, et que cet ancêtre serait donc arrivé dans l’archipel avec l’agriculture. Je n’avais pas été convaincu par cette étude que j’avais lu, je dois le dire, rapidement, à cause de plusieurs problèmes qui me semblaient assez évidents. J’ai récemment relu en détail cet article et téléchargé les matériaux supplémentaires, et j’y ai trouvé de nombreuses erreurs graves.

Plusieurs détails dans l’arbre phylogénétique proposé dans l’article de Lee & Hasegawa (2011) sont suspects. On retrouve bien une branche ryukyu et une branche japonaise comme je l’ai moi-même proposé (Pellard 2009; 2015), mais en revanche le hachijo, une langue japonique parlée sur l’île de Hachijō au sud-est de Tokyo, se retrouve noyé au milieu des dialectes de l’Est du Japon, et sa séparation avec le dialecte de Shizuoka est estimée avoir eu lieu il y a à peine 100 ans. L’ensemble des dialectes japonais se seraient séparés il y a seulement 400 ans, et un des premiers embranchements serait un sous-groupe formé par les dialectes de Hokkaido, Tokyo et Yamanashi. Ces résultats sont plus qu’étonnants, ils sont difficiles à croire. En effet, l’arbre présenté est d’une manière générale peu compatible avec les classifications dialectologiques courantes, et la chronologie ne correspond à rien de connu.

Il serait bien sûr contraire à l’esprit même de la science de rejeter une hypothèse parce qu’elle ne correspond pas à ce que nous considérons être des connaissances établies, mais à l’inverse une hypothèse novatrice a la charge de la preuve, et les preuves avancées se doivent d’être d’autant plus fortes que l’hypothèse va à l’encontre du consensus scientifique. Il convient en tous cas de rechercher les causes des disparités entre les hypothèses. Dans le cas de l’analyse phylogénétique de Lee & Hasegawa (2011), on pourrait se demander si le modèle arborescent est adapté aux situations de dialectes proches et en contact continu, si le modèle statistique appliqué est approprié, etc. L’application de méthodes quantitatives développées en bio-informatique aux problèmes de la classification et de la datation de la diversification des langues connaît un succès depuis plusieurs années. Ces recherches donnent lieu à des discussions fécondes concernant la modélisation des changements linguistiques et l’aide que peuvent apporter les outils mathématiques et informatiques à la linguistique historique et comparative, dont on trouvera un résumé et des références abondantes dans Nichols & Warnow (2008) et Jäger & List (à paraître). Quels que soient les arguments pour ou contre les différents modèles et méthodes et leur applicabilité ou non à certains types de données, tout le monde sera d’accord sur une chose : il ne sert à rien d’appliquer une méthode sophistiquée à des données inexactes. Quelle que soit la méthode, la qualité des résultats dépend directement de la qualité des données. Plus simplement, comme dit l’adage familier en informatique, garbage in, garbage out.

En effet, l’explication est très simple dans le cas de Lee & Hasegawa (2011): les données sont de très mauvaise qualité. On peut s’en rendre compte en examinant le tableau de formes linguistiques et les jugements d’apparentement entre langues en annexe téléchargeable de l’article. Tout d’abord, les données sont des mots extraits des dictionnaires de Hirayama (1988; 1992), dont a été tirée une matrice indiquant quelles formes sont apparentées entre langues. Mais ces données de dictionnaire sont brutes, sans indication de quelles formes sont apparentées, et elles n’ont pas été récoltées ni analysées dans le but de la comparaison historique. Les auteurs précisent en effet qu’ils ont procédé eux-mêmes au choix des formes parmi les synonymes et au jugement de parenté des formes. Or il s’agit d’une tâche pour spécialiste, qui demande une connaissance approfondie des langues concernées et de leur histoire. Mais les auteurs sont des psychologues évolutionnistes et non des linguistes. On a beaucoup critiqué un travail similaire sur l’indo-européen de Gray & Atkinson (2003), mais au moins cette étude se contentait de reprendre des données analysées par des linguistes, en y apportant une méthode d’analyse nouvelle. En comparaison de Lee & Hasegawa (2011), il serait tout aussi saugrenu pour des linguistes de faire un séquençage ADN ou une comparaison de l’anatomie de fossiles sans être généticien ou paléontologue, puis de publier dans une grande revue une phylogénie révolutionnaire. Mais ils semble permis de s’improviser linguiste.

Sans surprise, les données sont truffées d’erreurs graves. Je passerai sur les transcriptions hasardeuses et incohérentes qui traduisent une absence totale de connaissance des langues japoniques et de leur histoire et je présenterai une poignée d’exemples uniquement.

Certaines formes sont tout simplement fausses, comme le japonais ancien ataraʃi (« nouveau »), alors que la forme attestée est aratasi, et que la forme atarasi est le résultat d’une métathèse plus tardive, ce qui constituerait justement une innovation potentiellement intéressante pour la phylogénie. Le mot pour « tête » n’est pas en yonaguni Ng?usa (ŋŋusa « crâne » dans Hirayama 1988) mais mimburu, ni à Yamaguchi omutsu mais otsumu, ni à Ōita kaʃira (mot rare pour « chevelure » dans Hirayama 1992) mais atama.

Un problème plus général est celui de la polymorphie: de nombreux dialectes ont plusieurs formes synonymes pour un même concept, et il n’est pas trivial d’en sélectionner une et d’ignorer les autres alors que la présence ou l’absence d’une forme est ce qui est à la base du calcul de l’arbre. Ainsi toutes les différentes formes listées comme non apparentées pour « nouveau » dans les langues japoniques ont un cognat en japonais ancien, et même les langues modernes ont souvent plusieurs formes. Il en est de même pour « ouvrir », puisque l’ensemble des langues japoniques ont deux racines synonymes ake- et pirak-. Il est donc incorrect de séparer les langues selon qu’elles ont une ou l’autre racine puisqu’en général elles ont les deux.

Enfin, les décisions de quelles formes sont apparentées entre langues sont souvent fausses et incohérentes. Ainsi, les auteurs ont en général complètement ignoré les correspondances phonétiques avec les langues ryukyu et ont considéré comme non apparentées des formes simplement parce qu’elles sont superficiellement plus ou moins éloignées du phonétisme des formes japonaises. C’est le cas pour « mauvais » ikema baikai = jp. waru-, «noir » yonaguni huru = jp. kuro-, « poitrine » tarama mni = jp. mune, « nuage » yonaguni mmu = jp. kumo, etc. qui sont toutes faussement classées comme formes non apparentées. On pourrait démultiplier les exemples, mais je terminerai avec la palme de la pire des comparaisons : pour « époux », les formes ryukyu wutu et butu sont analysées comme non apparentées au japonais otto (<wo-pito), tandis que ce dernier est rapproché des formes dialectales du type otoːsaɴ, alors qu’elles proviennent du mot « père » qui n’a rien à voir (< toto, un mot enfantin).

Les conclusions suivantes s’imposent :

1. il est impossible d’accorder le moindre crédit à l’étude de Lee & Hasegawa (2011), et leurs résultats sont sans valeur;
2. on ne peut pas s’improviser comparatiste (ni biologiste, statisticien, etc.);
3. il faut être prudent avec les études sur les langues publiées dans des revues non linguistiques et dont aucun auteur n’est linguiste;
4. les méthodes quantitatives ouvrent de nouvelles perspectives pour la linguistique historique et comparative mais elles doivent passer par des collaborations interdisciplinaires avec des linguistes (voir les travaux de Mattis List).

Références

Gray, Russell D. & Atkinson, Quentin D. 2003. Language-tree divergence times support the Anatolian theory of Indo-European origin. Nature 426. 435–439. https://doi.org/10.1038/nature02029.
Hirayama, Teruo (éd.). 1988. Minami Ryūkyūno hōgen kiso goi. Tokyo : Ōfūsha.
Hirayama, Teruo (éd.). 1992–1994. Gendai Nihongo hōgen daijiten. 9 vols. Tokyo : Meiji Shoin.
Jäger, Gerhard & List, Johann-Mattis. à paraître. Statistical and computational elaborations of the classical comparative method. In The Oxford handbook of diachronic and historical linguistics. http://www.academia.edu/37767826/Statistical_and_computational_elaborations_of_the_classical_comparative_method.
Lee, Sean & Hasegawa, Toshikazu. 2011. Bayesian phylogenetic analysis supports an agricultural origin of Japonic languages.Proceedings of the Royal Society B : Biological Sciences 278(1725). 3662–3669. https://doi.org/10.1098/rspb.2011.0518.
Nichols, Johanna & Warnow, Tandy. 2008. Tutorial on computational linguistic phylogeny. Language and Linguistics Compass 2(5). 760–820. https://doi.org/10.1111/j.1749-818x.2008.00082.x.
 Pellard, Thomas. 2009. Ōgami : Éléments dedescription d’un parler du SuddesRyūkyū. Paris : École des hautes études en sciences sociales. (Thèse de doctorat). https://tel.archives-ouvertes.fr/tel-00444150.
Pellard, Thomas. 2015. The linguistic archeology of the Ryukyu Islands. In Heinrich, Patrick & Miyara, Shinsho & Shimoji, Michinori (éds.), Handbook of the Ryukyuan languages : History, structure, and use, 13–37. Berlin : De Gruyter Mouton. https://doi.org/10.1515/9781614511151.13. https://hal.archives-ouvertes.fr/hal-01289257.
Vovin, Alexander. 2017. Origins of the Japanese language. In Aronoff, Mark (éd.), Oxford research encyclopedia in linguistics. Oxford University Press. https://doi.org/10.1093/acrefore/9780199384655.013.277.

---

---