Les IA génératives relancent le débat entre inné et acquis dans l’apprentissage du langage
L’émergence des modèles de langage génératifs (LLM) remet en question les fondements des théories sur l’acquisition du langage, notamment les idées de Noam Chomsky et de Burrhus Frederic Skinner. Les LLM montrent qu’il est possible d’apprendre le langage à partir de données massives, sans avoir besoin de règles grammaticales préétablies, défiant ainsi l’approche innéiste de Chomsky.
Contexte factuel
La question de savoir si les humains possèdent une prédisposition innée pour le langage ou si leur apprentissage est principalement influencé par l’environnement est un débat ancien. Chomsky, avec sa théorie nativiste, soutient que les capacités linguistiques sont essentiellement innées et façonnées par l’évolution. En revanche, Skinner défend une approche béhavioriste, soulignant l’importance de l’apprentissage par renforcement. Stefano Palminteri, chercheur en neurosciences cognitives, suggère que les performances des LLM affaiblissent les arguments de Chomsky et renforcent ceux de Skinner.
Données ou statistiques
Les LLM, comme ChatGPT, illustrent la capacité d’apprentissage du langage à partir de vastes ensembles de données. Selon Steven Piantadosi, professeur de linguistique computationnelle à l’université de Californie à Berkeley, ces modèles ont réussi à découvrir la grammaire sans recourir aux méthodes traditionnellement considérées comme indispensables. Cela remet en question l’argument de la « pauvreté du stimulus », selon lequel une grammaire générative ne peut être apprise à partir d’un échantillon fini d’input linguistique.
Conséquence directe
La capacité des LLM à générer des textes cohérents et grammaticalement corrects suggère que l’apprentissage du langage peut être fortement influencé par l’expérience et le renforcement, ouvrant ainsi la voie à une réévaluation des théories traditionnelles sur l’acquisition linguistique.
Source : Pour la Science.
