Les personnes ayant une vision standard peuvent voir des millions de couleurs distinctes. Mais le langage humain les classe dans un petit groupe de mots. Dans une culture industrialisée, la plupart des gens se débrouillent avec 11 mots de couleur: noir, blanc, rouge, vert, jaune, bleu, marron, orange, rose, violet et gris. C'est ce que nous avons en anglais américain.
Peut-être que si vous êtes un artiste ou un designer d'intérieur, vous connaissez des significations spécifiques pour jusqu'à 50 ou 100 mots différents pour les couleurs - comme turquoise, ambre, indigo ou taupe. Mais cela reste une infime fraction des couleurs que nous pouvons distinguer.
Fait intéressant, la manière dont les langues catégorisent les couleurs varie considérablement. Les cultures non industrialisées ont généralement beaucoup moins de mots pour les couleurs que les cultures industrialisées. Ainsi, alors que l'anglais a 11 mots que tout le monde connaît, la langue papouo-néo-guinéenne Berinmo n'en compte que cinq et la langue amazonienne bolivienne Tsimane 'ne comporte que trois mots que tout le monde connaît, correspondant au noir, au blanc et au rouge.
Le but de notre projet était de comprendre pourquoi les cultures varient tellement dans l’utilisation des mots colorés.
**********
L'explication la plus largement acceptée des différences remonte à deux linguistes, Brent Berlin et Paul Kay. Au début de leur travail dans les années 1960, ils rassemblaient des données de nommage de couleurs provenant de 20 langues. Ils ont observé des points communs entre les ensembles de termes de couleur d'une langue à l'autre: si une langue ne comportait que deux termes, ils étaient toujours en noir et blanc; s'il y en avait un tiers, il était rouge; les quatrième et cinquième étaient toujours verts et jaunes (dans l'un ou l'autre ordre); le sixième était bleu; le septième était marron; etc.
Sur la base de cet ordre, Berlin et Kay ont soutenu que certaines couleurs étaient plus saillantes. Ils ont suggéré que les cultures commencent par nommer les couleurs les plus saillantes, en mettant de nouveaux termes en ordre, l'un après l'autre. Le noir et le blanc sont donc les plus saillants, puis le rouge, etc.
Bien que cette approche semble prometteuse, cette théorie innée basée sur la vision pose plusieurs problèmes.
Berlin, Kay et leurs collègues ont par la suite rassemblé un ensemble de données beaucoup plus vaste, à partir de 110 langues non industrialisées. Leur généralisation initiale n'est pas aussi claire dans cet ensemble de données plus vaste: il existe de nombreuses exceptions que Kay et ses collègues ont tenté d'expliquer dans une théorie plus complexe basée sur la vision.
De plus, cette théorie nativiste n'indique pas pourquoi l'industrialisation, qui introduit des couleurs fiables, stables et normalisées à grande échelle, entraîne l'introduction de davantage de mots de couleurs. Les systèmes visuels des personnes de toutes les cultures sont les mêmes: dans ce modèle, l'industrialisation ne devrait faire aucune différence pour la catégorisation des couleurs, ce qui n'était clairement pas le cas.
**********
Nos groupes de recherche ont donc exploré une idée complètement différente: des mots de couleurs sont peut-être développés pour une communication efficace. Considérez la tâche de nommer simplement une pastille de couleur à partir d’un ensemble de couleurs. Dans notre étude, nous avons utilisé 80 échantillons de couleur, choisis parmi les couleurs de Munsell, pour qu’ils soient répartis uniformément sur la grille de couleurs. Chaque paire de couleurs voisines est à la même distance en ce qui concerne leur apparence. La tâche du locuteur est simplement d’étiqueter la couleur avec un mot («rouge», «bleu», etc.).
Les participants devaient communiquer l’un des 80 choix de puces de couleur de la grille de couleurs. (Richard Futrell et Edward Gibson, CC BY) Pour évaluer l'idée basée sur la communication, nous devons penser à la dénomination des couleurs en termes de communication simples, qui peuvent être formalisés par la théorie de l'information. Supposons que la couleur que je sélectionne au hasard est N4. Je choisis un mot pour étiqueter la couleur que j'ai choisie. Peut-être que le mot que je choisis est «bleu». Si j'avais choisi A3, je n'aurais jamais dit «bleu». Et si j'avais choisi M3, j'aurais peut-être dit «bleu», peut-être «vert» ou autre chose.
Maintenant, dans cette expérience de pensée, vous, en tant qu'auditeur, essayez de deviner quelle couleur physique je voulais dire. Vous pouvez choisir tout un ensemble de puces de couleur qui, selon vous, correspond à ma couleur «bleu». Vous pouvez peut-être choisir un ensemble de 12 puces de couleur correspondant à celles des colonnes M, N et O. Je dis oui, car ma puce est en fait un de ceux. Ensuite, vous divisez votre jeu en deux et devinez à nouveau.
Le nombre de suppositions qui permettent à l'auditeur idéal de se concentrer sur mon jeton de couleur en fonction du mot de couleur que j'ai utilisé est un score simple pour le jeton. Nous pouvons calculer ce score - le nombre de suppositions ou «bits» - en utilisant des calculs simples à partir de la manière dont beaucoup de personnes étiquettent les couleurs dans une tâche d'étiquetage de couleur simple. En utilisant ces scores, nous pouvons maintenant classer les couleurs sur la grille, dans n'importe quelle langue.
En anglais, il s'avère que les gens peuvent transmettre les couleurs chaudes - les rouges, les oranges et les jaunes - plus efficacement (avec moins de suppositions) que les couleurs froides - les bleus et les verts. Vous pouvez voir ceci dans la grille de couleurs: Il y a moins de concurrents pour ce qui pourrait être étiqueté «rouge», «orange» ou «jaune» que de couleurs qui seraient étiquetées «bleu» ou «vert». Ceci est vrai malgré du fait que la grille elle-même est plus ou moins uniforme sur le plan de la perception: les couleurs ont été sélectionnées pour couvrir complètement les couleurs les plus saturées de l'espace colorimétrique Munsell et chaque paire de couleurs voisines a la même apparence, peu importe où elles se trouvent sur la grille.
Nous avons constaté que cette généralisation est vraie dans toutes les langues de l’enquête mondiale sur les couleurs (110 langues) et dans trois autres qui ont fait l’objet d’expériences détaillées: l’anglais, l’espagnol et le tsimane '.
Chaque ligne ordonne les échantillons de couleur pour une langue: les couleurs situées plus à gauche sont plus faciles à communiquer, les couleurs situées plus à droite sont plus difficiles à communiquer. (Richard Futrell, CC BY) Cela apparaît clairement dans une représentation visuelle, où chaque ligne correspond à un ordre des fragments de couleur pour une langue donnée. La commande de gauche à droite est la plus facile à communiquer (le moins de suppositions nécessaires pour obtenir la bonne couleur) au plus difficile à communiquer.
Le diagramme montre que toutes les langues ont à peu près le même ordre, avec les couleurs chaudes à gauche (facilité de communication) et les couleurs froides à droite (plus difficile à communiquer). Cette généralisation se produit en dépit du fait que les langues proches du bas de la figure ont peu de termes que les gens utilisent régulièrement, alors que les langues proches du haut (comme l'anglais et l'espagnol) contiennent de nombreux termes que la plupart des gens utilisent régulièrement.
**********
En plus de découvrir cet univers remarquable dans toutes les langues, nous avons également voulu savoir ce qui le cause. Rappelons que notre idée est que peut-être nous introduisons des mots dans une langue quand il y a quelque chose dont nous voulons parler. Alors peut-être que cet effet se produit parce que les objets - les choses dont nous voulons parler - ont tendance à être de couleur chaude.
Nous avons évalué cette hypothèse dans une base de données de 20 000 photographies d'objets que Microsoft avait décidé de contenir des objets, distincts des arrière-plans. (Cet ensemble de données est disponible pour former et tester des systèmes de vision par ordinateur qui tentent d'apprendre à identifier des objets.) Nos collègues ont ensuite déterminé les limites spécifiques de l'objet dans chaque image et l'emplacement de l'arrière-plan.
Nous avons mappé les couleurs des images sur notre jeu de 80 couleurs sur tout l’espace colorimétrique. Il s'est avéré que les objets sont plus susceptibles d'être de couleur chaude, alors que les arrière-plans sont de couleur froide. Si le pixel d'une image tombe dans un objet, il est plus probable qu'il corresponde à une couleur plus facile à communiquer. Les couleurs des objets ont tendance à tomber plus à gauche dans notre classement de l'efficacité de la communication.
Quand on y pense, cela ne semble pas si surprenant après tout. Les fonds sont ciel, eau, herbe, arbres: tous de couleurs froides. Les objets dont nous voulons parler sont de couleurs chaudes: personnes, animaux, baies, fruits, etc.
Notre hypothèse explique aussi facilement pourquoi davantage de termes de couleur entrent dans une langue avec industrialisation. Les progrès de la technologie apportent de meilleures méthodes de purification des pigments et d’en créer de nouveaux, ainsi que de nouveaux écrans couleur. Ainsi, nous pouvons créer des objets ne différant que par la couleur. Par exemple, le nouvel iPhone est proposé en «or rose» et en «or», ce qui rend encore plus utile le nommage des couleurs.
Ainsi, contrairement à l’hypothèse de la sonorité visuelle primitive des nativistes, l’hypothèse de la communication a permis d’identifier un véritable universel inter-linguistique - les couleurs chaudes sont plus faciles à communiquer que les fraîches - et explique facilement les différences interculturelles en termes de couleur. Cela explique également pourquoi les mots de couleur entrent souvent dans une langue non pas en tant que mots de couleur mais en tant qu'étiquettes d'objet ou de substance. Par exemple, “orange” vient du fruit; «Rouge» vient du sanscrit pour le sang. En bref, nous étiquetons les choses dont nous voulons parler.
Cet article a été publié à l'origine sur The Conversation.
Julia Leonard, Ph.D. Étudiant en sciences cérébrales et cognitives, Massachusetts Institute of Technology
