Karen Spärck Jones : la statisticienne qui a appris aux moteurs de recherche à classer

En 1972, le Journal de documentation (Journal of Documentation) a publié onze pages rédigées par une chercheuse de Cambridge sous contrat précaire, au titre peu engageant : « Une interprétation statistique de la spécificité des termes et son application à la recherche » (A Statistical Interpretation of Term Specificity and Its Application in Retrieval). L'argument était presque embarrassant de simplicité : un mot qui apparaît dans chaque document ne vous apprend rien, et un mot qui apparaît dans peu de documents vous en apprend beaucoup ; il faut donc les pondérer en conséquence. Cet article a introduit la fréquence inverse de document. Un demi-siècle plus tard, c'est l'un des résultats les plus cités en recherche d'information, et une version de celui-ci se trouve au cœur de pratiquement tous les moteurs de recherche sur Terre.

Un nom norvégien, conservé à dessein

Karen Ida Boalth Spärck Jones est née le 26 août 1935 à Huddersfield, dans le Yorkshire. Son père, Alfred Owen Jones, donnait des cours de chimie ; sa mère, Ida Spärck, était une Norvégienne ayant fui en Grande-Bretagne et travaillé pour le gouvernement norvégien en exil pendant la Seconde Guerre mondiale. Ce nom double était un choix délibéré. Elle a conservé le nom de famille norvégien de sa mère dans sa vie professionnelle car, selon ses termes, cela « maintient une existence propre permanente » — un refus précoce et silencieux d'être absorbée.

De l'histoire à l'Unité de recherche linguistique

Elle a étudié l'histoire au Girton College de Cambridge, de 1953 à 1956, en choisissant la philosophie — les sciences morales, selon la terminologie de Cambridge — comme matière pour sa dernière année. Rien de tout cela n'était informatique. Elle est sortie diplômée et est devenue enseignante.

Ce qui l'a ramenée en arrière, c'est la curiosité pour ce que faisait son mari. Elle a épousé l'informaticien Roger Needham en 1958 et a découvert par son intermédiaire l'Unité de recherche linguistique de Cambridge (Cambridge Language Research Unit), une petite structure excentrique dirigée par Margaret Masterman qui tentait de faire manipuler le sens par des machines. Masterman lui a offert un poste de recherche. Spärck Jones l'a accepté et a passé le reste de sa vie à travailler sur le problème consistant à amener les ordinateurs à faire quelque chose d'utile avec le langage humain. Son travail de doctorat, consacré à la classification sémantique, aurait reçu un accueil réservé de la part des examinateurs avant de paraître en 1964 sous la forme d'un livre intitulé Synonymy and Semantic Classification — considéré aujourd'hui comme un texte fondateur du traitement automatique des langues.

L'idée que les mots rares ont plus de valeur

L'intuition sous-tendant la fréquence inverse de document a la qualité de toutes les bonnes idées : évidente une fois énoncée, invisible auparavant. Les systèmes de recherche des années 1960 traitaient les mots d'une requête comme plus ou moins interchangeables. Spärck Jones a démontré que l'utilité d'un terme est fonction de sa spécificité au sein de la collection — moins il y a de documents qui le contiennent, plus il est discriminant. « Le » ne transmet aucun signal ; « photosynthèse » en transmet la quasi-totalité. Multipliez ce poids par la fréquence d'apparition du terme dans un document donné et vous obtenez le TF-IDF, le système de score qui a fait passer la recherche de documents de la simple correspondance d'ensembles au classement.

Son programme de recherche global est allé bien au-delà de cette unique formule : modèles probabilistes de recherche, résumé automatique de documents, systèmes d'interrogation de bases de données, recherche vocale et multimédia, modélisation des utilisateurs et des agents, et — ce qui fut une de ses préoccupations constantes — l'évaluation rigoureuse des systèmes langagiers. Elle a siégé au comité de programme des conférences DARPA/NIST sur la recherche textuelle à partir de 1994, l'effort qui a rendu la recherche en recherche documentaire empiriquement vérifiable.

Trente ans de contrats à court terme

Sa trajectoire institutionnelle n'a pas reflété sa trajectoire intellectuelle. Elle a rejoint le laboratoire informatique de l'Université de Cambridge en 1974 et y a travaillé sur des contrats à court terme renouvelables jusqu'à ce qu'elle obtienne enfin un poste permanent en 1993, soit près de deux décennies plus tard. Elle est devenue professeure d'informatique et d'information seulement en 1999, trois ans avant de prendre sa retraite en 2002, et elle a continué à travailler presque jusqu'à sa mort. Elle attribuait clairement cette précarité à son sexe. Cambridge, a-t-elle déclaré à un intervieweur d'histoire orale de l'IEEE en 2001, était « à bien des égards peu accueillante, au sens peu accueillante pour les femmes ». Pendant une grande partie de sa carrière, elle a été la seule femme dans la pièce.

L'informatique est trop importante pour être laissée aux hommes

Elle a transformé cette expérience en un engagement structuré plutôt qu'en une rancœur personnelle : elle a été membre fondatrice du réseau women@cl au laboratoire informatique, conceptrice d'actions de sensibilisation visant à inciter les filles à s'orienter vers ce domaine, et l'auteur de la phrase pour laquelle elle est aujourd'hui la plus citée : « L'informatique est trop importante pour être laissée aux hommes. » Les distinctions sont arrivées tardivement, puis toutes en même temps : le prix Gerard Salton en 1988, membre de l'AAAI en 1993, la présidence de l'Association pour la linguistique computationnelle en 1994, membre de la British Academy et sa vice-présidente de 2000 à 2002, le prix du mérite de l'ASIS&T en 2002, le prix pour l'ensemble d'une carrière de l'ACL en 2004, le prix ACM–AAAI Allen Newell en 2006, et en 2007 le prix Athena du groupe des femmes de l'ACM ainsi que la médaille Lovelace de la British Computer Society, qu'elle a été la première femme à recevoir.

Pourquoi qualifie-t-on Karen de génie

La faculté dont elle fait preuve est l'abstraction disciplinée : la capacité à trouver l'unique quantité mesurable qui capture une intuition humaine floue, puis à s'obstiner à la mesurer. Tout le monde savait que certains mots étaient plus informatifs que d'autres. Spärck Jones a transformé cela en une fonction de pondération que l'on pouvait calculer sur n'importe quel corpus, puis a passé des décennies à soutenir que les systèmes langagiers devaient être évalués de manière empirique plutôt que simplement admirés. Sa formation était en histoire et en philosophie, et non en mathématiques ou en ingénierie, ce qui rend sa démarche d'autant plus singulière et impressionnante : elle a introduit le raisonnement statistique dans un domaine alors dominé par l'intelligence artificielle symbolique et basée sur des règles, et elle a eu largement raison alors que la mode lui était défavorable. La vision statistique et contextuelle du sens qu'elle a défendue — selon laquelle le sens d'un mot est fonction du voisinage qu'il fréquente au sein d'un corpus — est l'ancêtre intellectuel des modèles linguistiques issus de l'apprentissage automatique qui dominent aujourd'hui le domaine.

L'argument inverse, honnête, est que l'IDF est une idée simple et mathématiquement légère. Il s'agit du logarithme d'un rapport ; un statisticien compétent pourrait l'établir en un après-midi. Son importance relève du cadrage et du timing plutôt que de la profondeur technique, et Spärck Jones elle-même ne l'a jamais enjolivée. Elle n'a pas non plus construit les systèmes qui l'ont rendue célèbre : les moteurs de recherche ont été commercialisés par d'autres, des décennies plus tard, la plupart du temps sans la citer. Sa légitimité repose sur le fait d'avoir eu raison tôt, sur un ensemble de travaux d'évaluation rigoureux beaucoup moins glamour que cette unique formule, et sur le discernement plutôt que sur la puissance de calcul. C'est là une véritable forme de distinction intellectuelle, qu'il convient de décrire avec précision plutôt que d'amplifier.

Héritage

Elle est décédée d'un cancer le 4 avril 2007, à l'âge de 71 ans. The Times de Londres, qui avait publié un avis de décès pour son mari quatre years auparavant, n'en a publié aucun pour elle ; le New York Times a fini par en publier un en 2019 dans sa série Overlooked, la qualifiant de « pionnière de l'informatique ». Les réparations ont continué d'arriver : le prix Karen Spärck Jones, décerné chaque année depuis 2008 par le groupe de spécialistes de la recherche d'information de la BCS ; le bâtiment Spärck Jones à l'Université de Huddersfield, rebaptisé en 2017 ; et les bourses Spärck en IA lancées en 2024 par Cambridge et le gouvernement britannique. Chaque liste de résultats de recherche classés est une note de bas de page à ses onze pages.