Ce colloque entend explorer les différentes interactions entre disciplines « exactes » et disciplines « humaines », et ouvrir un espace de dialogue entre modélisation mathématique et compréhension interprétative du sens. Une telle approche permettrait de mieux appréhender les mutations qui affectent nos pratiques langagières et la transmission des savoirs. L’objectif est d’établir un dialogue interdisciplinaire où les sciences humaines, et notamment la linguistique et la philosophie du langage, viendraient enrichir les approches computationnelles. Une telle convergence ouvrirait la voie à un cadre pédagogique renouvelé. Les sciences du langage y analyseraient la pertinence des énoncés générés, l’ingénierie veillerait à la transparence et à la robustesse des modèles, le droit et l’éthique en encadreraient les usages. Quant aux sciences de l’éducation, elles permettraient d’adapter les pratiques d’enseignement à ces nouveaux outils.

Arumentaire

Les technologies d’intelligence artificielle, et notamment celles qui reposent sur le traitement automatique du langage naturel (TALN), connaissent aujourd’hui un essor considérable. Elles redessinent notre manière de penser le langage et bouleversent les modalités d’apprentissage et de transmission des savoirs.

En effet, la prolifération de ces systèmes ne se réduit pas à une simple évolution technique, mais elle représente une transformation épistémologique, cognitive et culturelle qui touche notre manière de penser comme d’enseigner.

L’émergence rapide des modèles de langage basés sur l’intelligence artificielle dans les domaines scientifiques, économiques, éducatifs et culturels invite à interroger les transformations qu’ils introduisent dans notre rapport au langage, à la compréhension, à l’interprétation et à la production du sens.

Ce colloque entend explorer les différentes interactions entre disciplines « exactes » et disciplines « humaines », et ouvrir un espace de dialogue entre modélisation mathématique et compréhension interprétative du sens. Une telle approche permettrait de mieux appréhender les mutations qui affectent nos pratiques langagières et la transmission des savoirs.

L’objectif est d’établir un dialogue interdisciplinaire où les sciences humaines, et notamment la linguistique et la philosophie du langage, viendraient enrichir les approches computationnelles. Une telle convergence ouvrirait la voie à un cadre pédagogique renouvelé. Les sciences du langage y analyseraient la pertinence des énoncés générés, l’ingénierie veillerait à la transparence et à la robustesse des modèles, le droit et l’éthique en encadreraient les usages. Quant aux sciences de l’éducation, elles permettraient d’adapter les pratiques d’enseignement à ces nouveaux outils.

Plutôt qu’une simple présentation de données ou un panorama distant des avancées de l’intelligence artificielle, ce colloque souhaite proposer aux participants des pistes concrètes : cadres de réflexion, orientations de travail et repères pour un usage responsable, critique et pertinent de ces outils. L’enjeu est bien de penser un usage fructueux de l’IA, capable d’améliorer les méthodes, de soutenir l’apprentissage et de respecter les exigences scientifiques, éthiques et pédagogiques propres à chaque discipline.

I. L’intelligence artificielle : catalyseur d’un dialogue entre sciences humaines et sciences exactes

Les Grands Modèles de Langage (LLM) mobilisent des techniques avancées issues des mathématiques appliquées. Ces dispositifs, fondés sur des avancées en algèbre linéaire, en calcul tensoriel, en statistiques et en traitement des signaux, incarnent une forme inédite de « mathématisation » du langage dont les conséquences épistémologiques sont majeures. En effet, une telle formalisation algorithmique interroge les frontières entre le sens humain et la corrélation statistique. La notion même de sens, lorsqu’elle est traduite en opérations vectorielles, soulève des questions fondamentales.

Derrière chaque système de génération linguistique, c’est une chaîne complexe d’ingénierie et de structuration mathématique qui opère. Cela suppose une pensée transdisciplinaire, dans laquelle l’épistémologie de la formalisation mathématique dialogue avec la philosophie du langage, et où la logique computationnelle se confronte aux approches herméneutiques[1] et sémiotiques[2].

II. Sciences de l’ingénieur et humanités : les enjeux sémantiques et pragmatiques dans les interactions homme-machine

Le langage, lorsqu’il devient objet de traitement automatique, convoque aussi bien les ingénieurs concepteurs d’architectures neuronales que les philosophes qui interrogent la nature du sens. L’ingénierie du langage, mise en œuvre à travers les architectures, reconfigure notre conception des interactions homme-machine et donne naissance à une sémiotique computationnelle inédite.

Articuler la technique et le sens suppose un véritable dialogue. Les sciences humaines ne sauraient ignorer les outils qui reconfigurent leurs objets d’étude. Réciproquement, les sciences de l’ingénieur gagnent en pertinence lorsqu’elles intègrent les enjeux éthiques, esthétiques et sociaux liés au langage.

III. Vers une nouvelle écologie des savoirs et un paradigme éducatif hybride : l’IA enrichit sans perturber l’écosystème langagier

La pédagogie à l’ère de l’IA ne peut se penser sans réflexion approfondie sur les compétences langagières, cognitives et techniques à transmettre. Cela suppose de concevoir l’éducation comme un espace d’hybridation : entre esprit critique et littératie numérique, entre créativité et algorithmie.

L’intelligence artificielle, lorsqu’elle est comprise et utilisée avec discernement, ne menace pas notre écosystème langagier. Elle peut, bien au contraire, l’enrichir. En offrant de nouveaux outils d’analyse, de reformulation et d’exploration des données, elle ouvre des possibilités inédites sans se substituer à la réflexion humaine. Le langage demeure une pratique vivante, ancrée dans la culture, l’histoire et l’expérience. L’IA peut en accompagner l’évolution, en soutenir l’étude et en élargir les perspectives, à condition d’être envisagée comme un instrument au service de la réflexion, et non comme un substitut.

L’enseignant est ainsi appelé à jouer un rôle de médiateur entre différentes épistémologies : celle du code et de la syntaxe logique, et celle du sens, de la subjectivité et de la culture. Former les générations futures, c’est aujourd’hui articuler intelligence humaine et puissances computationnelles dans une perspective éthique, réflexive et résolument pluridisciplinaire.

IV. Traduction, interprétation et responsabilité : une éthique interdisciplinaire de l’usage des IA dans les contextes sensibles

L’usage croissant des intelligences artificielles génératives dans des domaines à haute responsabilité médicale, juridique, diplomatique, et surtout pédagogique soulève des enjeux majeurs liés à l’interprétation du langage. Dans les universités, de plus en plus d’étudiants recourent à ces technologies pour produire des traductions, reformuler des textes ou répondre à des consignes académiques. Or, une mauvaise traduction d’un terme juridique, un contresens dans un article médical, ou une interprétation imprécise d’un document pédagogique peut entraîner des conséquences considérables, parfois irréversibles.

1- Les différents acteurs responsables

• Le développeur : pour la conception des modèles, des algorithmes et des jeux de données.
• L’utilisateur : pour l’interprétation des résultats générés et les usages pratiques.
• Le modèle lui-même : entité non consciente mais productrice d’énoncés, qui soulève des débats sur la notion de responsabilité algorithmique.

Ce triangle de responsabilité appelle une clarification normative, juridique et éthique, qui ne saurait s’élaborer qu’en croisant les perspectives de l’informatique, de la mathématique, du droit, de la linguistique, de la philosophie et des sciences de l’éducation.

2- un cadre d’usage pédagogique conscientisé

 Dans l’enseignement supérieur, la question n’est plus tant d’interdire ou d’autoriser l’usage des IA que de former les étudiants à les utiliser de manière critique, éthique et contextualisée. Cela suppose :

• une culture technique il faut comprendre comment fonctionne une IA, identifier ses biais structurels et reconnaître ses limites.
• une compétence linguistique et interprétative, qui permette d’évaluer, de valider ou de corriger les propositions générées.
• une réflexivité éthique, savoir reconnaître les situations dans lesquelles l’IA ne peut se substituer au jugement humain.

Les axes de réflexions

• Comment modéliser mathématiquement et algorithmiquement les nuances constitutives de l’expérience humaine du langage ?
• Comment concevoir des architectures computationnelles capables d’intégrer la contextualité, l’implicite et la pragmatique du langage humain ?
• Peut-on parler de compréhension lorsqu’il s’agit d’un produit de modèles sans conscience ?
• Comment interpréter les effets de sens des produits générés par des machines ?
• Quels sont les risques d’une confusion entre surface linguistique et profondeur sémantique dans l’interprétation des productions automatiques ?
• Quel(s) rôle(s) joueraient la contextualité, l’implicite, la performativité dans les textes et les productions générées ?
• Comment les sciences du langage peuvent-elles aider à analyser biais, implicatures idéologiques, historicité des données et effets sociaux de l’IA ?
• En quoi l’herméneutique, l’analyse du discours ou la pragmatique outillent-elles l’évaluation critique des productions automatiques ?

Modalités de soumission

Les propositions de communication doivent être envoyées à l’une des adresses suivantes : colloque.langage.ia@gmail.com ou contact@colloque-langage-ia.org,

avant le 15 août 2026.

Elles devront obligatoirement inclure les éléments suivants :

Nom, titre, établissement d’affiliation, pays / Titre de la communication / Résumé de la communication (1500 caractères maximum, incluant les espaces)

Calendrier

• Date limite d’envoi des propositions : 15 août 2026
• Notification d’acceptation par le comité scientifique : début septembre
• Tenue du colloque : 16-17 novembre 2026
• Date limite d’envoi des textes définitifs (pour publication des actes) : 30 décembre

Coordination

• Ahlem MAY (Université de Carthage -Tunisie)
• Dorsaf NAHDI (Université de Carthage -Tunisie)
• Olfa ABDELLI (Université de Carthage -Tunisie)

Comité d’organisation

• Ahlem MAY
• Dorsaf NAHDI
• Olfa ABDELLI
• Cyrine FARHAT
• Rania SAMET
• Heytham JARBOUI
• Khaoula BELHAJ RHOUMA
• Donia MAROU

Comité scientifique

• Samia KASSAB-CHARFI (Université de Tunis - Tunisie)
• Sonia ZLITNI-FITOURI (Université de Tunis - Tunisie)
• Latifa BARGAOUI (Université de Carthage - Tunisie)
• Mourad SFAXI (Université de Carthage - Tunisie)
• Malika OUELBANI (Université de Tunis - Tunisie)
• Ahmed BEN TALEB (Université de Carthage -Tunisie)
• Lilia SFAXI (Université de Carthage - Tunisie)
• Farah BARIKA-KETATA (Université de Sousse -Tunisie)
• Lila MEDJAHED (Université de Béjaïa - Algérie)
• Abdelwahed MABROUR (Université El Jadida - Maroc)
• Marc QUAGHEBEUR (Président de l’Association Européenne d’Études Francophones - Belgique)
• Antony SORON (Université de la Sorbonne - France)
• Samir LAABIDI (Académie Militaire -Tunisie)
• Eric HOPPENOT (Université de la Sorbonne - France)
• Lassaad OUESLATI ( Université de Tunis - Tunisie)
• Hafedh SFAXI (Université de Tunis - Tunisie)
• Mokhtar FARHAT (Université de Gafsa - Tunisie)
• Amel ESSID (Université de Carthage - Tunisie)
• Dorra BESSI (Université de Tunis - Tunisie)
• Olfa ABDELLI (Université de Carthage - Tunisie)
• Dorsaf NAHDI (Université de Carthage - Tunisie)
• Asmae SANHAJI (Université Sidi Mohamed Ben Abdellah - Maroc)
• Faten MBARKI (Université de Carthage - Tunisie)
• Walid EZZINE (Université de Tunis - Tunisie)
• Neila HALOUANI (Université El Manar - Tunisie)
• Rania SAMET (Université de Tunis - Tunisie)

Bibliographie sélective

(IA, langage et humanités numériques)

1. Linguistique, sémantique interprétative et analyse du discours

BOMMIER-PINCEMIN, B. (1999). Diffusion ciblée automatique d’informations : conception et mise en œuvre d’une linguistique textuelle pour la caractérisation des destinataires et des documents (Thèse de doctorat). Université Paris IV-Sorbonne.

MAYAFFRE, D. (2011). François Rastier – La mesure et le grain. Sémantique de corpus. Corpus, 10.

RASTIER, F. (1987). Sémantique interprétative. Paris : Presses Universitaires de France.

RASTIER, F. (1989). Sens et textualité. Paris : Hachette.

RASTIER, F. (1990). La triade sémiotique, le trivium et la sémantique linguistique. Nouveaux actes sémiotiques, 9.

RASTIER, F. (1991). Sémantique et recherches cognitives. Paris : Presses Universitaires de France.

RASTIER, F. (1995). L’analyse thématique des données textuelles : l’exemple des sentiments. Paris : Didier.

RASTIER, F. (2003a). “Formes sémantiques et textualité”. In Unité(s) du texte, Cahiers du CRISCO, Université de Caen, 12, pp. 99-114.

RASTIER, F. (2003b). “Parcours de production et d’interprétation : pour une conception unifiée dans une sémiotique de l’action”. In A. OUATTARA (dir.), Parcours énonciatifs et parcours interprétatifs. Théories et applications. Paris : Ophrys, pp. 221-242.

RASTIER, F. (2004a). Poétique et textualité. Langages, 153, pp. 200-206.

RASTIER, F. (2004b). “Du lexique à la doxa : pour une sémantique des idéologies”. In J. PAUCHARD & F. CANON-ROGER (dir.), Actes des Journées scientifiques en linguistique (pp. 22-36). Reims : Presses Universitaires de Reims.

2. Humanités numériques et analyse computationnelle des textes

BERRY, D. M. (2017). “Digital humanities : Knowledge and critique” in a digital age. Cambridge : Polity Press.

CRANE, G. (2006). What do you do with a million books ? D-Lib Magazine, 12(3).

JOCKERS, M. L. (2013). Macroanalysis : Digital methods and literary history. Urbana : University of Illinois Press.

MANOVICH, L. (2020). Cultural analytics. Cambridge : MIT Press.

MORETTI, F. (2013). Distant reading. London : Verso.

RAMSAY, S. (2011). Reading machines : Toward an algorithmic criticism. Urbana : University of Illinois Press.

ROCKWELL, G., & SINCLAIR, S. (2016). “Hermeneutica : Computer-assisted interpretation” in the humanities. Cambridge : MIT Press.

SCHREIBMAN, S., SIEMENS, R., & UNSWORTH, J. (2016). A new companion to digital humanities. Wiley-Blackwell.

TERRAS, M., NYHAN, J., & VANHOUTTE, E. (2013). Defining digital humanities : A reader. Routledge.

UNDERWOOD, T. (2019). Distant horizons : Digital evidence and literary change. Chicago : University of Chicago Press.

3. Intelligence artificielle, traitement automatique du langage et modèles de langage

BENDER, E. M., & KOLLER, A. (2020). Climbing towards NLU : On meaning, form, and understanding in the age of data. Proceedings of the 58th Annual Meeting of the Association for Computational Linguistics, pp. 5185-5198.

BOMMASANI, R., HUDSON, D. A., ADELI, E., ALTMAN, R., ARORA, S., VON ARX, S., LIANG, P. (2021). On the opportunities and risks of foundation models. arXiv preprint arXiv :2108.07258.

BROWN, T., MANN, B., RYDER, N., SUBBIAH, M., KAPLAN, J., DHARIWAL, P., … AMODEI, D. (2020). Language models are few-shot learners. Advances in Neural Information Processing Systems (NeurIPS), 33.

GANASCIA, J.-G. (2021). L’intelligence artificielle et les lettres. Paris : Hermann.

Huyghe, R. (2022). Machines à écrire : littérature et intelligence artificielle. Paris : Presses Universitaires de France.

TZOUKERMANN, E., & ARMSTRONG, S. (2000). Natural language processing and the future of literary analysis. Computers and the Humanities, 34(1), pp. 23-36.

VASWANI, A., SHAZEER, N., PARMAR, N., USZKOREIT, J., JONES, L., GOMEZ, A. N., POLOSUKHIN, I. (2017). Attention is all you need. Advances in Neural Information Processing Systems, 30.

4. Web sémantique, ontologies et représentation des connaissances

BERNERS-LEE, T., HENDLER, J., & LASSILA, O. (2001). “The Semantic Web”. Scientific American, 284(5), pp. 34-43.

BRUNEAU, O., LASOLLE, N., LIEBER, J., NAUER, E., PAVLOVA, S., & ROLLET, L. (2021). Applying and developing semantic web technologies for exploiting a corpus in history of science : The case study of the Henri Poincaré correspondence. Semantic Web, 12(2).

GHORBEL, F., HAMDI, F., METIS, E., ELLOUZE, N., & GARGOURI, F. (2018). “A fuzzy-based approach for representing and reasoning on imprecise time intervals” in fuzzy-OWL 2 ontology. International Conference on Applications of Natural Language to Information Systems, pp.167-178.

GUTIERREZ, C., HURTADO, C., & VAISMAN, A. (2005). “Temporal RDF”. European Semantic Web Conference, pp. 93-107.

5. Éthique, impacts sociaux et critiques de l’intelligence artificielle

BENDER, E. M., GEBRU, T., MCMILLAN-MAJOR, A., & SHMITCHELL, S. (2021). On the dangers of stochastic parrots : Can language models be too big ? Proceedings of the ACM Conference on Fairness, Accountability, and Transparency, pp. 610-623.

BIRHANE, A., & PRABHU, V. U. (2021). Large image datasets : A pyrrhic win for computer vision ? Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition.

STRUBELL, E., GANESH, A., & MCCALLUM, A. (2019). Energy and policy considerations for deep learning in NLP. Proceedings of the Association for Computational Linguistics, 3645-3650.

6. Ressources numériques, corpus et plateformes

Corpus d’Étude pour le Français Contemporain (CEFC). Ortolang.

• https ://repository.ortolang.fr

Bibliothèque nationale de France – données ouvertes.

• https ://data.bnf.fr

Voyant Tools – plateforme d’analyse textuelle.

• https ://voyant-tools.org

TAPoR – Text Analysis Portal for Research.

• https ://tapor.ca

HathiTrust Digital Library.

• https ://www.hathitrust.org

Techniques de l’Ingénieur – Web sémantique et traitement documentaire.

• https ://www.techniques-ingenieur.fr

Notes

[1] L’herméneutique est la théorie de la lecture, de l’explication et de l’interprétation des textes.

[2] Théorie générale des systèmes de signes.