Sediculture

1. Version Académique

(Pour une thèse, un article de recherche ou un essai)Sédiculture (n. f.)

Processus ascendant d'acculturation passive par lequel un agent computationnel (modèle de langage ou réseau de neurones) s'approprie et fige les structures sociolinguistiques, axiologiques et idéologiques préexistantes dans son corpus d'entraînement.

Note conceptuelle

Contrairement à l'alignement (ingénierie descendante et prescriptive des valeurs), la sédiculture opère par capillarité statistique et accumulation sédimentaire. Elle formalise l'émergence d'une ontologie culturelle non programmée, résultant de la densité et de la récurrence des représentations dominantes au sein des données sources. Elle pose le problème de l'inertie historique d'un modèle, ce dernier pérennisant les biais de l'époque de production de son corpus.

2. Version Vulgarisation

(Pour un article de presse, un blog ou un essai grand public)Sédiculture (n. f.) :

La « culture de dépôt » d’une intelligence artificielle. C’est l’ensemble des valeurs, des habitudes de pensée et des visions du monde qu’une IA absorbe inconsciemment en digérant des milliards de textes sur Internet.

En clair

Personne n'a appris à l'IA à penser de cette manière. Mais à force d’accumuler des textes (des couches de "sédiments" numériques), le modèle finit par adopter la culture majoritaire de son réservoir de données (souvent occidentale, anglophone et technophile).

C'est ce qui explique pourquoi une IA peut avoir des réflexes culturels très précis, parfois en total décalage avec l'utilisateur qui l'interroge.

3. Version Glossaire Technique

(Pour une documentation, un rapport d'audit ou un livre blanc)

Sédiculture (n. f.) : [Éthique de l'IA / Ingénierie des données] Phénomène d’ancrage systémique des représentations culturelles induit par la distribution statistique d’un dataset d’entraînement.

Propriétés techniques

Vecteur : Fréquence d'occurrence des tokens, associations sémantiques récurrentes et corrélations implicites dans les données brutes (pre-training).Différence avec le biais algorithmique : Ne provient pas d'un défaut de l'algorithme, mais de la nature représentative ou non du corpus global.Persistance : Résiste partiellement aux phases de post-entraînement (fine-tuning, RLHF), car les couches profondes du modèle restent imprégnées de cette matrice initiale.