Des poids devinés coûtent dix fois plus cher que la quantification

Pendant longtemps, nous avons présenté un seul défaut comme le problème sérieux de nos données de fréquence des noms : des poids compressés dans un unique octet, si bien que la moitié d'une liste finissait à égalité sur la valeur minimale. Nous l'avons documenté, nous l'avons corrigé, et la correction était réelle — l'histoire est racontée dans La moitié de votre liste pondérée n'est pas pondérée.

Puis nous avons mesuré ce que ce défaut avait valu. La distance en variation totale entre la liste défectueuse de prénoms suédois et la même liste portant les effectifs réels était de 2,45 % pour les femmes et de 2,25 % pour les hommes.

C'est un petit chiffre, et nous traitions pourtant le mécanisme qui le produit comme le principal problème des données. Nous avons donc fini par poser la question que nous n'avions jamais chiffrée : quelle est la distance pour un corpus dont les poids n'ont jamais été des effectifs — un corpus où quelqu'un s'est assis devant une liste de noms et a attribué à chacun une valeur entre 1 et 100 à partir de ses connaissances, de son intuition et de deux ou trois tableaux top 20 publiés ?

Pour les prénoms finlandais, mesurés contre le registre national de la population : 20,96 % pour les hommes, 28,50 % pour les femmes. Pour trois corpus de noms de famille suisses, mesurés contre le registre fédéral : 22,05 %, 35,67 % et 25,60 %.

Soit environ dix fois le défaut auquel nous avions donné un nom. Dans le même répertoire, sous le même validateur, dans des fichiers indiscernables de l'extérieur.

Deux défauts qui produisent un fichier d'apparence identique

Les deux modes de défaillance livrent un TSV à deux colonnes, des noms et de petits entiers positifs, triés par ordre décroissant. Tous les contrôles structurels passent dans les deux cas. Mais ce ne sont pas deux variantes d'un même problème ; ce sont des opposés sur presque toutes les propriétés qui comptent.

L'indice révélateur, c'est le plafond, et il est d'une facilité de lecture presque gênante. Un maximum d'exactement 255 signifie que le chiffre a heurté le bord d'un octet. Un maximum d'exactement 100, ou 44, ou 40, signifie que le chiffre a heurté le bord d'un être humain. Sur l'ensemble des corpus modélisés présents sur le disque, les plafonds que nous avons comptés étaient 100 (115 fichiers), 40 (34), 70 (6), 35 (6), 44 (5), 45 (4), 30 (4), 55, 46, 28, 24, 20 (2 chacun), 75 et 42 (1 chacun). Pas un seul n'est une puissance de deux moins un, et chacun d'eux est un nombre qu'un humain choisirait en répartissant une liste par paliers.

Le second indice révélateur est la résolution. Dans le corpus de noms de famille suisses romands, 831 lignes portaient 23 poids distincts — 2,8 % des lignes. La liste suisse alémanique : 710 lignes, 22 valeurs distinctes. La liste suisse italophone : 489 lignes, 16 valeurs, avec 48,7 % de toutes les lignes situées sur le poids 1. Ce ne sont pas des mesures qui se répètent par hasard. Ce sont des étiquettes : très courant, courant, déjà croisé, rare.

Ce que les deux défauts coûtent réellement

Chaque chiffre de ce tableau est une distance en variation totale entre les poids qui figuraient dans le corpus et les effectifs réels publiés par le registre national correspondant, calculée sur l'ensemble des noms que les deux ont en commun. Les deux lignes suédoises correspondent au défaut de l'octet. Tout le reste est de la modélisation curatée.

L'ordre de ce tableau, c'est tout l'article. Le défaut qui a un nom, une documentation et une correction figure en tête comme l'élément le moins dommageable de l'ensemble. Le défaut que personne n'avait nommé — parce que ce n'était pas un bug, mais simplement la manière dont les données avaient toujours été fabriquées — occupe le reste de la plage, à un niveau de six à quinze fois supérieur.

Il y a une raison arithmétique, et c'est le même argument que dans l'article sur l'octet, avec des chiffres bien pires. Une liste pondérée doit représenter une plage dynamique : le rapport entre l'entrée la plus fréquente et la plus rare qu'elle contient. Pour les 295 prénoms masculins finlandais du corpus, les effectifs du registre pour ces noms précis vont de 5 à 43 107 — une plage de ×8 621. L'échelle curatée allait de 2 à 100 : une plage de ×50. Le défaut de l'octet, c'était 2 679 nécessaires contre 255 disponibles. Ici, c'est 8 621 nécessaires contre 50 disponibles, et contrairement à l'octet, rien n'imposait ce plafond.

Le contrôle négatif : quelle part vient de l'échelle elle-même ?

Le chiffre de 20,96 % mélange deux erreurs dont les remèdes sont complètement différents :

• Erreur d'ordre — le curateur a rangé les noms dans le mauvais ordre.
• Erreur de forme — même dans le bon ordre, une échelle à paliers de 1 à 100 ne peut pas produire la courbe qu'ont les fréquences réelles.

Si le dommage était surtout une erreur d'ordre, une liste mieux curatée le corrigerait. Si c'était surtout une erreur de forme, aucune quantité de curation n'y suffirait, et le seul remède serait les effectifs.

Nous avons donc construit un contrôle négatif. Prenez une locale pour laquelle nous détenons de véritables effectifs de registre — la Norvège, la Suède, les États-Unis, l'Espagne, la France. Tronquez-la au top N. Prenez ensuite le multiensemble des poids d'un vrai corpus curaté de même taille et attribuez-les strictement par rang : le plus grand poids du curateur au nom réellement le plus fréquent, le deuxième au deuxième, et ainsi de suite jusqu'en bas.

Cette construction donne au curateur une note parfaite sur l'ordre. Chaque nom est exactement à la bonne place. La seule chose qui reste fausse est la forme des chiffres. Toute distance qui subsiste est le prix de l'échelle à elle seule.

Trente paires — six distributions de référence contre cinq formes donneuses :

Médiane 12,30 %, plage de 6,17 % à 18,57 %.

Voilà le résultat. Sur les 21–28 % mesurés sur de vrais corpus curatés, environ la moitié tient à la forme d'une échelle à paliers de 1 à 100, et cette part demeure même lorsque l'ordre est irréprochable. Un meilleur curateur ne l'élimine pas. Une liste curatée plus longue ne l'élimine pas. Seuls les effectifs l'éliminent.

La matrice montre aussi pourquoi le résidu varie. Les prénoms masculins espagnols sont exceptionnellement plats en tête : les formes donneuses plates (Japon, Roumanie) leur conviennent donc le mieux et les formes abruptes le moins bien ; la liste féminine américaine est la référence la plus abrupte de l'ensemble, et toutes les formes donneuses s'y comportent mal. L'erreur de forme n'est pas une taxe constante — c'est une inadéquation entre deux courbes, et elle croît avec le biais de la distribution réelle.

Les réserves, car elles comptent pour quiconque voudrait refaire l'exercice. La distribution de référence est tronquée au top N et renormalisée sur cette tête, si bien que la mesure porte sur la seule erreur de forme et exclut délibérément le problème de profondeur abordé plus loin. Les formes donneuses sont elles-mêmes des corpus curatés avec leurs propres plafonds (100, 44, 40) : le contrôle mesure donc la famille de formes que nous livrons réellement, et non un pire cas théorique. Et trente paires donnent une médiane, pas un intervalle de confiance.

Un cas réel avec une tête parfaite et 16 % d'erreur

La démonstration la plus nette n'est pas du tout le contrôle synthétique. C'est le corpus de noms de famille finlandais.

Ses 618 noms ont tous été retrouvés dans le registre DVV, à l'identique, sans aucune divergence d'orthographe. Son top 10 était Korhonen Virtanen Mäkinen Nieminen Mäkelä Hämäläinen Laine Heikkinen Koskinen Järvinen — et le top 10 du registre était fait des mêmes dix noms dans le même ordre. Dix sur dix, dans l'ordre, sans aucune inversion.

La distance entre les poids curatés et les effectifs réels était de 15,97 %.

Rien n'était faux dans la liste, rien n'était faux dans l'ordre de la tête, et pourtant une ligne sur six de la masse de probabilité restait au mauvais endroit, parce qu'on demandait à une échelle allant de 7 à 100 de représenter des effectifs allant de 59 à 21 209.

L'ordre était faux lui aussi

Pour les prénoms, contrairement aux noms de famille, l'ordre curaté était vraiment mauvais — et cela mérite d'être dit clairement, car c'est la partie qu'un humain attentif aurait en principe pu améliorer.

Comparé aux statistiques du registre portant sur le premier prénom, le corpus obtenait une corrélation de rang de Spearman de +0,430 pour les hommes et +0,618 pour les femmes. Sur les 10 premiers prénoms masculins du corpus, 7 figuraient dans le top 10 du registre ; pour les femmes, 2. En élargissant la fenêtre, cela s'améliore : 82 de nos 100 premiers prénoms masculins figuraient dans le top 100 du registre, et 71 sur 100 pour les femmes. C'est en tête que la curation était la moins fiable — c'est-à-dire précisément là où une liste de fréquences se lit.

Un piège méthodologique mérite une ligne à lui seul, car il a déplacé notre chiffre principal de huit points. Le registre finlandais publie plusieurs tableaux : le premier prénom seul et tous les prénoms comptés ensemble. Les Finlandais portent couramment deux ou trois prénoms, et les deux tableaux produisent des classements différents — Juhani est le premier prénom masculin le plus fréquent, mais se situe ailleurs parmi l'ensemble des prénoms, et le top 10 du registre lui-même diffère d'une feuille à l'autre. Mesuré contre tous les prénoms, le même corpus obtient 29,24 % pour les hommes et 22,16 % pour les femmes ; mesuré contre les premiers prénoms, 20,96 % et 28,50 %. Les erreurs masculine et féminine échangent leurs places uniquement selon le choix du terme de comparaison. Nous rapportons les chiffres du premier prénom parce que le corpus est un corpus de premiers prénoms, mais quiconque audite des données de fréquence contre une source officielle devrait établir quelle population cette source compte avant de citer une distance.

Quelle part de tout cela peut, au fond, être réparée

Au moment de l'audit, la collection comptait 128 corpus de noms répartis sur 64 locales. Vingt d'entre eux portaient déjà des effectifs réels. Les 108 autres non, et la question honnête n'est pas « à quel point sont-ils mauvais » mais « combien d'entre eux peuvent être réparés ».

Nous avons donc classé les 108 selon la seule chose qui détermine la réponse : l'existence ou non d'une source comportant des effectifs.

La classe A est une file de travail : les instituts statistiques nationaux de Finlande, de Suisse, de Belgique, de Slovénie, de Croatie, de Pologne, de Lettonie, d'Islande et du Brésil publient des effectifs de noms, et rien ne sépare ces fichiers du corpus, sinon le travail d'intégration.

La classe B est un plafond dans la source, pas chez nous. Le ministère hongrois de l'Intérieur publie les 100 premiers noms de famille, et rien de plus. Le ministère chinois de la Sécurité publique publie le top 100 avec des pourcentages. Le registre portugais publie les 20 premiers prénoms. Vous pouvez réparer la tête de ces listes, et seulement la tête ; sous le rang 100, il n'y a rien avec quoi la réparer.

La classe C n'est pas « sans gravité »

C'est le point qu'il ne faut surtout pas brouiller, et c'est la raison même pour laquelle la taxonomie figure dans cet article.

La classe C ne signifie pas que les données sont acceptables. Elle signifie que l'erreur est grande et qu'il n'y a rien pour la corriger. Ce sont deux affirmations complètement différentes, et les confondre est l'erreur la plus tentante d'un audit de données, parce qu'une catégorie qui ne peut engendrer aucune tâche cesse discrètement d'attirer l'attention.

La distinction est celle entre une dette et une limite :

• Une dette est un défaut dont le remède est connu mais n'a pas encore été payé. La classe A est une dette. Elle a sa place dans un plan, avec une date.
• Une limite est un défaut sans remède disponible. Les classes B et C sont des limites. Elles ont leur place dans la documentation, énoncées ouvertement, à côté des données qu'elles concernent.

Quelques exemples de classes B et C, pour que « aucune source n'existe » ne se lise pas comme « nous n'avons pas cherché » :

• Slovaquie — le registre de la population est fermé par la loi, et l'office statistique ne produit pas de statistiques de noms.
• Tchéquie — le ministère de l'Intérieur a cessé de publier les fréquences de noms en 2017 pour des motifs de protection des données. Ce qui subsiste est régional et vieux de plusieurs années.
• Hongrie — la publication est plafonnée au top 100.
• Allemagne — il n'existe aucun registre national des noms de famille, et la société qui publie les statistiques de prénoms ne diffuse gratuitement qu'un top 10 par an.
• Italie — l'office statistique ne tient pas de registre de fréquence des noms de famille, ce que nous avons vérifié au lieu de le supposer.
• Serbie — le recensement de 2022 a publié un top 10 et rien en dessous.

La Serbie est le pire trou de l'ensemble et montre ce qu'un plafond de classe B fait au corpus placé en dessous. La liste serbe de noms de famille contient 958 lignes sur une échelle culminant à 70, et 748 d'entre elles — 78,1 % — se trouvent sur le poids minimal. Trois quarts du fichier forment un seul bloc indifférencié, alors que la source publiée sait distinguer exactement dix noms.

Elle n'est pas seule. Noms de famille italiens : 67,9 % des lignes au plancher. Noms de famille néo-zélandais : 58,2 %. Noms de famille allemands : 57,4 %. Dans chaque cas, cette platitude n'est pas un choix de modélisation ; c'est la forme du savoir disponible.

Deux corpus relèvent de la classe X, où la seule source existante s'accompagne de conditions qui la rendent inutilisable à cette fin. Le remède, là, n'est pas la réparation. C'est la suppression, et l'appeler autrement reviendrait à faire passer une limite pour une dette.

Ce que les réparations ont prouvé — y compris la partie qui ne prouve rien

Quatre locales ont été réparées en une seule session, en remplaçant les poids curatés par les effectifs du registre sur le même ensemble de noms.

Ces zéros sont une tautologie, pas un accomplissement. Si vous rendez les poids égaux aux effectifs, la distance entre les poids et les effectifs est forcément nulle ; la seule raison pour laquelle les lignes suisses ne sont pas exactement à zéro est qu'une poignée de noms a dû être appariée entre variantes orthographiques avant que les valeurs puissent être copiées. Un tableau avant/après calculé sur l'ensemble commun mesure que la copie a réussi. Il ne mesure pas que le corpus est désormais correct, et le citer comme s'il le faisait est l'un des moyens les plus faciles de blanchir un problème non résolu en un chiffre au vert.

La mesure qui a du sens est celle contre le registre complet, chaque nom que le registre connaît et que le corpus ignore étant inscrit à masse nulle. Là, la distance a un plancher dur : elle ne peut pas descendre sous 1 − coverage, où coverage désigne la part de la population portée par les noms que le corpus contient réellement. Nous étions exactement sur ce plancher :

Se retrouver sur le plancher est la bonne lecture d'une réparation de poids réussie : le défaut de pondération est épuisé, et chaque unité de distance restante relève d'un autre problème — la profondeur. Un corpus de 618 noms de famille finlandais couvrant 42 % de la population n'est plus mal pondéré ; il est trop court. Ce sont des défauts distincts, avec des correctifs distincts, et l'intérêt de mesurer contre le registre complet est justement que cette mesure refuse de laisser l'un se cacher dans l'autre.

Il vaut aussi la peine de dire dans quel sens tranche ce chiffre de profondeur. Pour générer une personne plausible, détenir les noms de 79 % des hommes finlandais est tout à fait raisonnable — les 21 % manquants sont la longue queue, et tirer dans la tête est exactement ce que l'on veut. Pour affirmer que le corpus représente le registre, c'est la couverture de 42 % des noms de famille qui compte. Le même fichier est adéquat ou inadéquat selon la seule affirmation qu'on porte à son sujet, et c'est pourquoi cette affirmation a sa place dans la documentation, à côté du fichier.

Les listes étaient bien choisies ; seuls les chiffres étaient inventés

Ce que la réparation a produit de plus utile n'est pas une distance plus petite. C'est un verdict sur les curateurs.

Lorsque chaque corpus a été joint à son registre, nous avons compté combien de ses noms le registre n'avait jamais vus :

Trois des corpus finlandais correspondaient parfaitement. Les échecs suisses totalisent seize lignes sur 2 030, et cinq d'entre eux n'étaient pas du tout des problèmes de données : Doerig et Duebendorfer étaient des transcriptions ASCII de Dörig et Dübendorfer, et Étienne, Crétegny et Émery figurent dans le registre sans leurs accents. Ces cinq-là se sont résolus en lignes du registre dès que les orthographes ont été normalisées — la même classe de défaillance que les recherches décrites dans Le contrôle qui devient aveugle exactement là où vous en avez besoin, où un nom était déclaré absent parce qu'un diacritique ne correspondait pas. Six autres existent en Suisse, mais dans une autre région linguistique, ce qui pose la question de l'endroit où le corpus trace sa frontière plutôt que celle de la réalité du nom. Restent cinq noms sur 2 030 que le registre national ne contient pas du tout.

La composition de ces listes construites à la main était donc bonne. Ceux qui les ont assemblées savaient quels prénoms appartiennent à la Finlande et quels noms de famille appartiennent à la Suisse italophone, et ils avaient raison pratiquement à chaque fois. Ce qu'ils n'avaient aucun moyen de savoir, c'était la fréquence de chacun, parce qu'à l'époque personne ne leur avait mis le registre sous les yeux.

Voilà la phrase à retenir de tout cela : curaté ne veut pas dire inventé. Cela veut dire que l'appartenance relève du savoir et que les poids relèvent de la conjecture, et que ces deux moitiés d'un même fichier méritent des niveaux de confiance complètement différents. Notre propre erreur a été de traiter le fichier comme un objet unique doté d'une qualité unique — puis de passer des années à améliorer la moitié qui était déjà correcte.

Ce que nous vérifierions en premier aujourd'hui

1. Lisez le poids maximal avant toute autre chose. 255 et 127 sont des conteneurs ; 100, 70, 50, 44 et 40 sont des humains. Le plafond vous dit en une seconde environ lequel des deux défauts vous avez.
2. Divisez le nombre de poids distincts par le nombre de lignes. 23 valeurs distinctes sur 831 lignes ne mesurent rien du tout. En dessous de quelques pour cent, la colonne contient des catégories.
3. Mesurez contre une source, pas contre vous-même. Tous les contrôles de cohérence interne que nous possédions passaient sur des fichiers situés à 20–35 % de la vérité. La distance à un registre externe est le seul chiffre qui bouge quand les données sont fausses.
4. Séparez l'erreur d'ordre de l'erreur de forme avant de choisir un remède. Exécutez le contrôle négatif : imposez la forme curatée à de véritables effectifs par un rang parfait. Si l'essentiel de la distance y survit, une meilleure curation ne vous sauvera pas, et seuls les effectifs le feront.
5. Ne rapportez jamais une distance avant/après sur le seul ensemble commun. C'est une tautologie par construction. Rapportez la distance à la source complète, où le plancher vaut 1 − coverage, et dites laquelle des deux vous citez.
6. Classez chaque corpus selon l'existence ou non d'une source, et non selon son apparence de gravité. Le chiffre dont vous avez besoin pour planifier est le nombre de défauts payables, pas le nombre de défauts existants.
7. Écrivez les limites là où sont les données, pas là où sont les tickets. Un défaut sans remède doit tout de même être déclaré ; sinon, la seule chose qui sera communiquée est le sous-ensemble qui se trouvait être corrigeable.
8. Quand une réparation atterrit sur un plancher dur, dites de quoi ce plancher est fait. Le nôtre est fait de profondeur, pas de pondération, et les deux auraient été indiscernables dans un chiffre de synthèse unique.

Le défaut de l'octet valait 2,45 %, et nous l'avons trouvé parce qu'il laissait une empreinte — un plafond d'exactement 255 et la moitié d'un fichier à égalité au plancher. Le défaut des poids curatés valait dix fois plus et ne laissait aucune empreinte, parce qu'une échelle attribuée à la main ressemble exactement à une mesure parfaitement régulière, jusqu'au moment où vous la placez à côté d'une vraie.

Pour le défaut de l'octet lui-même et les diagnostics qui l'attrapent, voir La moitié de votre liste pondérée n'est pas pondérée. Pour la méthode générale de comparaison d'un corpus avec sa source, voir Comment auditer des données de fréquence des noms. Pour savoir à quoi ressemble la tête d'une distribution de fréquences réelle lorsqu'elle est intacte, voir Courbes de concentration des noms de famille. Pour l'autre type de valeur qui signifie deux choses à la fois, voir Quand zéro signifie deux choses différentes.

Données arrêtées au 2026-07-22

Tous les chiffres ont été mesurés le 22 juillet 2026 contre les fichiers de corpus présents sur le disque, contre des sauvegardes de ces mêmes fichiers antérieures aux modifications, et contre les extraits de registres nommés ci-dessous. Les distances citées ici ont été redérivées pour cet article plutôt que reprises du journal des modifications ; lorsqu'un second chemin de dérivation a donné une valeur légèrement différente, les deux sont indiquées.

Méthode. Chaque distance est une distance en variation totale — la moitié de la somme des différences absolues entre deux distributions de probabilité sur le même ensemble de noms. « Ensemble commun » signifie que la comparaison est restreinte aux noms présents à la fois dans le corpus et dans le registre, les deux côtés étant renormalisés. « Registre complet » signifie que chaque nom du registre absent du corpus est inclus à masse nulle, ce qui explique pourquoi cette variante a un plancher de 1 − coverage.

Sources et attribution :

• Finlande — DVV (Digital and Population Data Services Agency), Etunimitilasto et Sukunimitilasto, état au 3 février 2026, sous licence CC BY 4.0, publié via avoindata.suomi.fi. Les prénoms sont publiés avec un seuil de ≥5 porteurs (7 312 premiers prénoms masculins et 9 616 féminins) ; les noms de famille avec un seuil de ≥20 (23 228 entrées). Le classeur comporte des feuilles distinctes pour ens (premier prénom) et kaikki (tous les prénoms) ; les chiffres principaux donnés ici utilisent ens. Tout le traitement, la pondération et chaque pourcentage dérivé de ces effectifs sont les nôtres, pas ceux de la DVV.
• Suisse — Office fédéral de la statistique (Bundesamt für Statistik, BFS), Nachnamen der ständigen Wohnbevölkerung nach Sprachregion, données 2024, publié sur opendata.swiss, jeu de données à l'adresse <bfs.admin.ch/asset/de/ts-x-01.04.00…;. Les conditions sont « Open use. Must provide the source. […] You must provide the source (author, title and link to the dataset) », ce qui explique pourquoi l'auteur, le titre et le lien figurent tous dans cette note. Totaux régionaux utilisés ici : 6 066 184 porteurs dans la région germanophone, 2 080 145 dans la région francophone, 333 620 dans la région italophone. Les poids et les distances dérivés sont les nôtres.
• Suède — les chiffres de 2,45 % et 2,25 % sont notre propre calcul à partir des effectifs de prénoms publiés par Statistics Sweden (SCB). Le matériel traité, les poids et les pourcentages sont les nôtres et non ceux de SCB ; SCB n'est pas la source des chiffres traités, et seuls les effectifs sous-jacents sont attribuables à l'agence.
• Distributions de référence du contrôle négatif — Norvège (SSB), Suède (SCB), États-Unis (Census Bureau 2020), Espagne (INE), France (INSEE), toutes détenues sous forme d'effectifs réels. Les formes donneuses ont été prises dans les corpus curatés de l'Allemagne, du Danemark, du Japon, de la Croatie et de la Roumanie, chacune tronquée au plus petit des deux nombres de lignes (266 à 369 lignes par paire).
• Prénoms finlandais, avant la réparation — 295 prénoms masculins sur une échelle 2–100 avec 47 valeurs distinctes, 290 prénoms féminins sur une échelle 2–100 avec 44 valeurs distinctes. Les deux correspondaient au registre à 100 %. Distances contre les feuilles ens : 20,96 % et 28,50 %. Contre les feuilles kaikki : 29,24 % et 22,16 %.
• Noms de famille finlandais, avant la réparation — 618 lignes sur une échelle 7–100 avec 58 valeurs distinctes, aucune ligne sur le poids 1, les 618 présents dans le registre. Distance 15,97 %, mesurée pour cet article à partir de la sauvegarde antérieure à la modification ; le rapport d'audit ne contient pas ce chiffre.
• Noms de famille suisses, avant la réparation — 710 lignes sur une échelle 1–40 (22 valeurs distinctes, 18,6 % sur le poids 1), 831 lignes sur 1–30 (23 valeurs, 28,2 % sur le poids 1), 489 lignes sur 1–50 (16 valeurs, 48,7 % sur le poids 1). Distances 22,05 %, 35,67 % et 25,60 %. ⚠ Le chiffre suisse italophone a été produit deux fois par deux chemins de jointure différents et est sorti à 25,60 % et 25,59 % ; l'écart tient au traitement d'un petit nombre de variantes orthographiques, et c'est la plus grande valeur qui est utilisée ci-dessus.
• Après la réparation — 0 % sur l'ensemble commun pour les trois corpus finlandais, et 0,0001 % / 0,0002 % / 0,0133 % pour les trois corpus suisses, le résidu étant constitué des variantes orthographiques appariées. Contre le registre complet : 21,31 %, 28,61 % et 58,03 % pour la Finlande, chacune égale à 1 − coverage à deux décimales près. Couverture des registres régionaux par les corpus suisses : 24,94 %, 20,25 %, 20,32 %.
• Les seize échecs suisses — 3 dans la liste suisse alémanique, 4 dans la liste suisse romande, 9 dans la liste suisse italophone, sur 2 030 lignes. Cinq étaient des variantes orthographiques (Doerig, Duebendorfer comme transcriptions ASCII ; Étienne, Crétegny, Émery accentués face à des lignes de registre sans accent) ; six existent dans le registre national, mais dans une autre région linguistique ; cinq sont totalement absents du registre national. Après normalisation, les comptes de correspondances exactes sur le disque s'établissent à 709, 830 et 480.
• Le contrôle négatif — six distributions de référence × cinq formes donneuses = 30 paires, médiane 12,30 %, plage de 6,17 % à 18,57 %. La référence est tronquée au top N et renormalisée, si bien que le contrôle isole l'erreur de forme et exclut délibérément la profondeur.
• La taxonomie — 128 corpus sur 64 locales ; 20 sur effectifs réels au moment de l'audit, 108 non. Les 108 ont été classés à la main contre les publications de l'office statistique ou du registre de population de chaque pays : 21 en classe A, 7 partiels ou non vérifiés, 23 en classe B, 55 en classe C, 2 en classe X. Les parts sont arrondies et totalisent 99 %. Après les réparations décrites plus haut, 25 corpus portent des effectifs réels et 103 non.
• Parts au plancher citées pour les corpus de classes B et C — Serbie 748 lignes de noms de famille sur 958 au poids minimal (78,1 %), Italie 67,9 %, Nouvelle-Zélande 58,2 %, Allemagne 57,4 %, toutes mesurées directement sur les fichiers présents sur le disque.
• ⚠ Non mesuré ici. Cet article compare des poids à des effectifs. Il ne dit rien sur le fait que les noms d'un corpus soient les bons noms au-delà du contrôle de présence, rien sur la cohorte ou la structure par âge, et rien sur les corpus qui portent déjà des effectifs réels — ceux-là ont été exclus de la taxonomie par construction et ne font pas partie des 108.