La recherche académique sur la Darija marocaise a franchi plusieurs étapes clés : le corpus Arabic-Moroccan Darija Code-Switched de Samih et al. (2016, 49 citations) a posé les bases du travail sur le code-switching, et l'étude de Chabbaki et al. (2025) a proposé une analyse de sentiment sur un large corpus de commentaires Hespress. Mais entre l'état de l'art académique et la production industrielle, le fossé reste large. Côté outils commerciaux, le constat est rude : 41% de précision moyenne sur la Darija, contre 91% sur l'anglais.
Les trois défis structurels
Le multilinguisme marocain n'est pas une addition de langues juxtaposées. C'est une intrication. Trois défis structurels se posent à tout système de sentiment analysis opérant sur du contenu marocain.
- Le code-switching intra-phrase : « Le service de la banque est l3q, wallah je vais changer » combine français, Darija (en alphabet latin) et MSA. Les modèles classifiants par langue dominante se trompent.
- La variation scripturaire : un même texte peut exister en alphabet arabe, en alphabet latin (Arabizi, avec des chiffres pour les consonnes emphatiques : 7 pour ح, 9 pour ق), ou en mélange. Sans normalisation scripturaire, le modèle est aveugle à 30% du contenu social marocain.
- Le registre émotionnel spécifique : la Darija porte des marqueurs d'intensité (wallah, swear words, suffixes augmentatifs) qui n'ont pas d'équivalent direct en MSA. Les modèles entraînés sur du tunisien ou du levantin les interprètent mal.
État de l'art académique
Le corpus de Samih et al. (2016) reste une référence : il documente la fréquence et la structure du code-switching marocain à partir de tweets, avec annotations linguistiques. Le dépôt GitHub awesome-moroccan-arabic-nlp référence désormais plusieurs datasets, dont un corpus de 50 000 tweets annotés pour le sentiment, la détection de dialecte et la détection de sujet. Chabbaki et al. (2025) ont étendu ce travail aux commentaires Hespress, démontrant la faisabilité du sentiment analysis en Darija sur un corpus de production, avec une précision dépendant fortement du prétraitement et de la qualité des annotations.
Les approches transformers
Les travaux récents (Scribd 2024, arxiv 2024-2025) explorent des architectures multi-tâches basées sur transformers pour le traitement de l'arabe code-switché, incluant la Darija marocaine mélangée à l'anglais et au français. Ces architectures montrent des gains significatifs sur la détection de langue intra-phrase et la classification de sentiment. Le passage à l'échelle industrielle reste cependant freiné par trois facteurs : le coût d'annotation, la rareté des corpus domain-spécifiques (banque, télécom, retail), et la dérive linguistique rapide de la Darija.
Le problème du faux-neutre
Le mode de défaillance le plus coûteux n'est pas la classification incorrecte — c'est la fausse neutralité. Un classifieur qui n'a pas compris la Darija va étiqueter « neutre » une phrase négative, parce qu'il n'a pas identifié le marqueur de sentiment. Or un neutre erroné ne déclenche pas d'alerte : il est invisible. Dans nos benchmarks, 38% des phrases négatives en Darija sont étiquetées neutres par les outils commerciaux. Plus d'un tiers des signaux négatifs est donc silencieusement ignoré.
Méthodologie Harch en production
L'approche de Harch Atelier repose sur trois piliers alignés avec l'état de l'art académique, mais adaptés aux contraintes industrielles. Premièrement, un modèle Darija-native entraîné sur 1,4 million de phrases marocaines annotées — pas un adaptateur de MSA. Deuxièmement, un détecteur de code-switching qui segmente une phrase par span linguistique avant classification, plutôt que de classer par langue dominante. Troisièmement, une couche de normalisation Arabizi → alphabet arabe, qui restitue au modèle Darija la visibilité sur les 30% de contenu social marocain écrit en caractères latins.
Le test Souk
Nous benchmarkons chaque release modèle sur le « test Souk » : 500 phrases marocaines annotées manuellement, tirées de vraies conversations customer service et social, équilibrées positif/neutre/négatif. Le test inclut du code-switching (FR/Darija), de l'Arabizi, du registre émotionnel intense, et des cas limites (ironie, sarcasme, compliment ambigu). Un modèle qui passe le test Souk gère les registres qui comptent pour le monitoring réputationnel. Les outils commerciaux génériques y scorent 41% ; Harch 88%.
Les limites assumées
Aucun système n'est parfait. Nous assumons trois limites : la couverture incomplète des néologismes très récents (slang de moins de 6 mois), la difficulté sur l'ironie sans contexte (le texte seul ne suffit pas toujours), et le sous-entraînement sur les variétés régionales de Darija (Nord, Sud, zones berberophones). Ces limites sont corrigées par un réentraînement trimestriel et un panel d'annotateurs régionaux.
“Quand un outil de monitoring ne comprend pas la Darija, il ne se trompe pas à bruit — il se tait. Et le silence sur un signal négatif est exactement ce qu'une direction de communication ne peut pas se permettre.”— Karim Alaoui, Harch Atelier
Le critère d'achat
Pour un acheteur marocain d'outil de sentiment analysis, le critère de décision est simple : exiger une précision Darija-native sur un benchmark annoté et public. Si le fournisseur ne peut produire ce chiffre, l'outil n'est pas calibré pour le marché marocain. C'est la seule question qui compte. Le reste est accessoire.
Le moteur trilingue de Harch Atelier est entraîné sur un corpus Darija-native de 1,4M phrases, réentraîné trimestriellement, et benchmarké sur le test Souk public. La méthodologie complète est documentée dans notre note méthode NLP-2026-01.