Notes sur le NLP pour la darija marocaine

La darija marocaine est parlée par plus de 30 millions de personnes et ignorée par quasiment tous les systèmes NLP. Travailler sur l'analyse de sentiment et la transcription en darija a révélé des problèmes invisibles dans les langues à fortes ressources.

Pas d'orthographe canonique

La même phrase existe en caractères arabes, en caractères latins (arabizi avec chiffres : « 3 », « 7 », « 9 ») et sous formes mixtes — parfois dans un même commentaire. Tout prétraitement doit normaliser entre scripts avant quoi que ce soit.

L'alternance codique est la norme

Le texte marocain réel bascule entre darija, arabe standard, français et anglais en pleine phrase. La détection de langue au niveau du document est inutile ; il faut une conscience au niveau du token.

La rareté des données est un problème de protocole

Avec ~71 % de précision en classification de sentiment 3 classes via ML classique, le goulot n'était pas le modèle mais la cohérence d'annotation. Deux annotateurs s'accordent rarement sur le sarcasme en darija. Avant tout fine-tuning :

• Un guide d'annotation écrit avec exemples
• Une mesure d'accord inter-annotateurs
• Un jeu de test figé avant l'expérimentation

Pourquoi c'est important pour la recherche

La darija est un laboratoire naturel du NLP à faibles ressources : transfert depuis l'arabe standard, adaptateurs dialectaux, speech-to-text pour langues orales d'abord. C'est aussi là où l'IA appliquée rencontre ses utilisateurs au Maroc — exactement l'intersection visée pour mon doctorat.