Un élément lexical (forme de surface) qui apparaît exactement une fois dans un texte ou un corpus spécifié ; le statut dépend du périmètre choisi (document unique, corpus, ou forme lemmatisée).

Principe

L’appartenance est strictement fondée sur la fréquence dans le périmètre déclaré : count(token, périmètre) = 1 qualifie le token d’hapax ; modifier le périmètre ou appliquer la lemmatisation, la normalisation orthographique ou le filtrage des erreurs modifie l’appartenance de façon déterministe.

Démonstration

Scénario illustratif : Dans un roman de 200 pages, la chaîne « xenolith » apparaît dans un paragraphe et nulle part ailleurs ; dans le périmètre du roman « xenolith » est un hapax. Reconnaissance : un comptage automatisé sur le roman signale ce token comme fréquence‑un. Si le corpus est étendu à l’œuvre complète de l’auteur et que « xenolith » y réapparaît, il cesse d’être un hapax dans le périmètre agrandi.

Mauvaise application

Considérer chaque token de fréquence un comme une nouveauté significative sans distinguer erreurs OCR/artefacts, formes fléchies ou variantes orthographiques est une erreur sémantique ; de même, confondre hapax au niveau de la forme de surface et hapax au niveau du lemme méconnaît la variation morphologique et interprète mal la rareté.

Conséquence

Les comptes ou proportions d’hapax influencent les mesures de rareté et de dispersion lexicales, peuvent biaiser des caractéristiques d’attribution d’auteur et stylométriques, et affecter des heuristiques basées sur le vocabulaire ; puisque les hapax sont nombreux sous des lois à longue queue, ils peuvent dominer les comptes bruts de mots rares sans filtration ni normalisation.

Inversion

Dans des corpus très grands gouvernés par des distributions à longue queue, la plupart des types distincts peuvent être des hapax au niveau de la forme de surface, si bien que leur compte brut perd de sa valeur discriminante. Inversement, dans des vocabulaires techniques très restreints, de vrais hapax peuvent être rares et donc plus informatifs.

Limite

Clairement dans : une chaîne token qui apparaît exactement une fois dans le texte ou le corpus explicitement spécifié et selon le schéma de tokenisation. Cas frontière : un token apparaissant une fois dans le texte brut mais plusieurs fois après harmonisation de casse ou lemmatisation. Claire­ment hors : des mots apparaissant plus d’une fois dans le périmètre déclaré, ou des types apparaissant une fois par document mais plusieurs fois dans le corpus.

Tension sémantique

Les hapax incarnent une tension entre deux lectures : signe de nouveauté lexicale versus bruit (erreurs, artefacts OCR, variantes orthographiques) ; la détection d’un emploi rare légitime entre en concurrence avec la nécessité de filtrer les artefacts non linguistiques.

Synthèse

L’hapax est un indicateur précis et dépendant du périmètre d’une occurrence unique ; sa valeur interprétative dépend des choix de prétraitement, de définition du périmètre et de la distinction entre rareté significative et artefact de données.