Академический Документы
Профессиональный Документы
Культура Документы
Les faits linguistiques peuvent tre dgags de plusieurs manires : la linguistique de corpus
(corpus linguistic) ou lapproche introspective, qui sappuie sur lintuition linguistique des
locuteurs comptents (armchair linguistic).
Chaque faon de travailler a ses inconvnients :
- Le linguistique qui travaille sur corpus a potentiellement normment de donnes sa
disposition, mais tout nest pas intressant et il peut manquer des donnes prcieuses :
o Un corpus nest jamais exhaustif : les paramtres de ltude doivent tre
considrs et prciss rigoureusement. (rsultats considrs comme temporaires)
o Un corpus ne fournit jamais de contre-exemples
o Les donnes quon retrouve dans un corpus sont parfois contestables : les hapax
- Celui qui travaille en recourant son intuition est confront au problme de la fiabilit
des donnes quil utilise :
o Le jugement rflexif nest pas toujours fiable
o Chaque locuteur a une comptence limite
Chaque faon de travailler a ses avantages :
- Les corpus donnent accs des donnes nombreuses, objectives et diversifies, une
vision intressante sur la langue, impossible prdire dune autre manire
- Aucun corpus ne donne accs seul tous les faits langagiers. Lintuition peut donc tre
trs utile comme complment dinformation.
Le linguiste sintresse ce qui se dit/scrit lorsque cest rvlateur dusages rguliers (critre
quantitatif/de frquence fondamental).
Les deux approches sont donc complmentaires. Le travail sur corpus doit tre complt
danalyses faisant appel au jugement linguistique rflexif.
Adeline Moog 2015/2016
Le travail sur corpus est une tradition ancienne en linguistique. Il existe des secteurs de lanalyse
linguistique dans lesquels le recours aux corpus est une pratique courante voire invitable :
- Acquisition du langage, car on ne peut pas interroger les jeunes enfants sur leur pratique
- Etude descriptive et comparative des langues
- En linguistique diachronique : tude des tats de langue dont le linguiste nest pas
locuteur
- En sociolinguistique, surtout des recueils de donnes orales
Ce qui a chang dsormais, cest la nature des corpus et la faon de travailler les donnes :
grands volumes de donnes lectroniques, secteurs dexploitation diversifis.
Fournir aux chercheurs des donnes relatives aux difficults dapprentissage des
apprenants grce la collecte de leurs productions langagires et la comparaison
avec les productions manant de locuteurs natifs
Ex : projet Elicorp, recherches sur le franais parl et les savoir-faire communicationnels
des locuteurs natifs (interrogations totales ou partielles), et conception de manuels
dapprentissage focaliss sur les difficults rencontres par les apprenants (tude du
passif).
Fournir directement aux apprenants des donnes leur permettant de progresser de
faon autonome et raisonne dans leurs apprentissages en tant confronts
directement avec des productions langagires attestes et varies et en observant les
structures en contexte.
Outil privilgi dexploration des corpus : le concordancier, qui affiche en contexte
toutes les occurrences dune forme pivot.
Les grammairiens et lexicographes ont toujours eu recours des ensembles de textes pour
recueillir des attestations pour illustrer leurs descriptions. Dsormais, on met le corpus au cur
de la confection des dictionnaires et grammaires.
Dictionnaires
- Slection de la nomenclature du dictionnaire : quels mots vedette slectionner, quels
nouveaux mots ajouter, quels mots supprimer ? On parle de corpus-based lexicography.
(Ex : les dictionnaires Cobuild sont bass sur le Collins corpus)
- Dtermination des diffrents emplois de chaque mot : nologie de sens
- Choix des exemples les plus reprsentatifs illustrant les emplois
Le Trsor de la Langue Franaise (CNRS) est le dictionnaire le plus complet du franais (100 000
mots vedette). Il recourt un large fonds documentaire comme source dattestations et
support de la description lexicographique : cration de la base textuelle Frantext.
Ex : Etude de 2001 sur la constitution dun dictionnaire dapprentissage du franais, le DAFLES.
But des chercheurs : objectiviser la procdure de saisie de la nomenclature en utilisant un
corpus pour examiner le dcalage entre les mots du corpus et ceux du dictionnaire
dapprentissage. Mise en vidence de lacunes dans le dictionnaire et de mots peu utiliss
dans le langage courant toutefois prsent dans le dictionnaire.
Adeline Moog 2015/2016
Il est toutefois important dutiliser ce critre de frquence avec beaucoup de prcaution : des
mots usuels peuvent tre rares dans le corpus considr. Le corpus constitue un biais, une
image spcifique, partielle du lexique. Il est important de bien le constituer.
Grammaires
- Prcision du type de discours dans lequel les structures grammaticales dcrites sont
privilgies, pour que lapprenant utilise ces structures bon escient.
Ex : la grammaire Longman (Biber et al. 1999) se base sur un corpus de textes crits et de
transcriptions de conversations orales. Elle donne des informations aux lecteurs sur les pattern of
use, cest--dire les schmas ou tendances dusage : ce qui est dit/crit typiquement vs. ce qui
est dit/crit rarement, et comment ces usages se rpartissent selon le genre des textes.
(Subordonnes interrogatives, formes contractes)
diffrente. Cette technique est plus intressante si lon dispose dun nombre important de
textes. On reporte lindice de chaque discours sur un graphique et on obtient une tendance
globale.
Vronis a fait ce travail sur les discours des 4 grands candidats de la prsidentielle de 2007.
Cette richesse lexicale (aucun jugement de valeur ni de comprhensibilit) donne une
information trs globale sur la tendance des personnalits politiques manipuler un
vocabulaire plus ou moins vari.
3. Conclusion
Intrt de recourir aux corpus quand on travaille sur le langage : travailler sur des donnes
attestes, nombreuses et diversifies.
Le choix du corpus est crucial. On ne travaille pas sur les corpus bruts, sur les donnes nues,
mais le corpus est enrichi par lajout dinformations concernant les formes quil contient. Les
tudes sur corpus tirent parti dun ensemble doutils dexploration des corpus et de comptage.
Corpus monolingue conu dans les annes 90 pour fournir un chantillon reprsentatif de la
varit des usages de langlais britannique contemporain. Pour garantir lquilibre entre les
varits langagires reprsentes, chacune bnficie du mme volume de donnes. Ce
corpus est compos de 4124 textes soit au total 100 millions de mots.
Constitution selon une mthodologie rigoureuse : partie crite et partie orale, intgration des
types de discours auxquels le locuteur est le plus souvent confront, que ce soit en production
ou en rception (crits : informatifs et fictionnels, domaines et supports varis ; oral : diversit
dmographique, des contextes sociaux)
Travail considrable et coteux de recueil et de transcription de la partie orale : 4 ans de travail
au totale pour constituer le British National Corpus. Certains choix sont en partie arbitraires, et
on peut les mettre en doute (reprsentativit notamment). Ce corpus nen est pas moins
extrmement riche et utile pour les tudes menes sur langlais.
Adeline Moog 2015/2016
Annotation du corpus
Utilisation du corpus
Le British National Corpus est divis en 7 parties/genres : spoken, fiction, magazine, newspaper,
non-acad, academic, misc.
- Le programme LIST donne accs la frquence totale du mot que lon veut examiner
dans le corpus, son nombre doccurrences.
- Le programme CHART permet dafficher le graphique de rpartition des formes dans
chaque partie du corpus, accompagne de sa frquence et de sa frquence relative (x
par million)
- KWIC signifie KeyWord In Context. Ce programme montre les concordances de la
forme :
o Coloriage des formes voisines de la forme pivot (une couleur pour chaque
catgorie grammaticale, pour faciliter la lecture et le classement des contextes)
o Tri selon le contexte gauche ou droit pour dcouvrir les contextes qui se rptent
et donc les patrons (pattern)
Ex : , rather ou rather indique que rather apparat rgulirement dans une
incise, aprs une virgule ou un tiret.
La dcouverte de ces motifs rguliers, de ces squences de formes qui se
rptent, permet didentifier les contextes typiques de la forme pivot. Ces patrons
peuvent tre plus ou moins abstraits, plus ou moins gnraux : squence de deux
formes particulires (Ex : rather think), ou squence mlant catgorie
grammaticale et forme (Ex : [pronom personnel] d rather).
- COMPARE permet de comparer deux formes en examinant les mots qui apparaissent le
plus souvent dans leur contexte respectif = les collocations auxquelles elles prennent
part.
La fentre est la taille du contexte que lon examine (Ex : [nn*] 0 1 = noms, 0 mot
gauche, 1 mot droite)
Rsultats : frquence relative des deux formes et informations sur une srie de noms qui
apparaissent dans le contexte (droit ici) de la forme considre (frquence, score)
On obtient ainsi quelques informations concernant lusage du mot tudi.
Outre la recherche de forme exacte, on peut galement demander des informations sur :
- Un [lemme] (not entre crochets)
Adeline Moog 2015/2016
Une catgorie grammaticale (part of speech POS, selon une liste des codes
grammaticaux, entre crochets galement)
Des caractres spciaux permettant de faire des recherches plus tendues ex : *
Des squences de mots
Une combinaison de ces possibilits
Frantext a t conue dans les annes 60 pour servir de fonds documentaire lors de la cration
du dictionnaire du Trsor de la langue franaise (TLF). Les choix de constitution de la base
Frantext ont t conditionns par deux aspects :
- Les contraintes techniques, et surtout la difficult disposer facilement de textes
numriss. La transcription de textes oraux na pas t considr comme ralisable
- Une certaine ide du franais que le TLF est cens dcrire. Il reste marqu par la tradition
dune langue littraire . Les textes littraires forment donc initialement 80 de la base, et
ce ratio a peu volu depuis.
On est donc trs loin de lambition de reprsentativit et dquilibre illustre par le BNC.
Frantext nest donc pas un corpus de rfrence du franais.
Caractristiques actuelles
Cette collection de textes numriss continue dvoluer au gr des ajouts de textes. Elle est
actuellement principalement utilise pour des recherches littraires, stylistiques et linguistiques.
Frantext est accessible via une interface dinterrogation, par abonnement.
Cest une grande base de donnes textuelles du franais : plus de 285 millions de mots, 4746
textes. Les romans restent trs majoritaires. La prsence de nombreux essais garantit que la
base nest pas entirement constitue dcrits fictionnels.
Frantext a plusieurs dfauts (pas quilibr, pas aussi diversifi quon le souhaiterait, modes de
visualisation des rsultats peu exploitables) mais cest un corpus trs utilis pour ltude du
franais, bien document, rgulirement aliment. Les linguistes lutilisent trs couramment
pour rechercher des attestations des faits quils tudient.
5. Conclusion
Un linguiste est susceptible de travailler sur des types de corpus trs varis, que ce soit des
corpus de rfrence ou des corpus spcialiss. La distinction entre ces deux types de corpus
est importante mais nanmoins difficile appliquer tant la constitution dun corpus de
rfrence est une entreprise complexe et rare.
Linterface du BNC, corpus de rfrence de langlais, est exemplaire et permet une exploration
intressante grce des fonctionnalits essentielles : concordances, tude des rpartitions des
formes dans les sous-corpus, tude des collocations. On retrouve des possibilits, mais moins
abouties, avec le corpus Frantext.
Trs souvent, on prouve la ncessit de confectionner son propre corpus, et dutiliser des outils
adapts (et non plus des interfaces ddis des corpus particuliers).
Les concordances offrent un moyen dobserver sous forme synthtique les contextes
dapparition dun mot dans un corpus. Elles permettent de dgager les rgularits de ces
contextes, de manire identifier les patrons lexicaux et grammaticaux associs au mot. Le tri
dune concordance permet de rassembler les contextes similaires pour faciliter le reprage de
ces schmas rguliers.
Le reprage de ces patrons lexicaux et grammaticaux permet danalyser le comportement du
mot en contexte. Cest une tape essentielle dans la description lexicographique de ce mot,
pour dterminer les units phrasologiques dans lesquelles il apparat.
Etudier le fonctionnement contextuel dun mot, cest tre capable de recenser les structures
dans lesquelles il apparat de faon privilgie.
Lexamen minutieux et systmatique de concordances permet de mettre au jour ces patrons.
Plus le mot est frquent, plus cet examen est difficile mener.
Ltude de la frquence des mots dans un corpus est au cur de toutes les tudes ralises en
linguistique de corpus.
Distinction former/occurrence
Une distinction fondamentale est faite entre les formes (diffrents mots qui constituent le
vocabulaire du corpus) et les occurrences (diverses apparitions de ces mots dans le corpus).
Lopposition forme/occurrence se traduit en anglais par type/token.
- La phase de segmentation/tokenisation du texte est dterminante : quels sont les
caractres dlimiteurs dun mot ? Aucun caractre ne remplit de faon univoque la
fonction de dlimiteur de mot.
La frquence ne donne des informations que sur les mots isols. La faon dont les mots
sassocient entre eux est une dimension essentielle du fonctionnement lexical. Cest le
contexte qui nous renseigne sur le fonctionnement dun mot : Rupert Firth : you shall know a
word by the company it keeps
Le travail sur corpus offre la possibilit de quantifier les associations entre mots, de mesurer la
force du lien qui unit les mots dans un corpus. Cest la collocation, la force dassociation que
lon peut observer entre plusieurs mots dans un corpus.
On utilise plusieurs fonctionnalits pour dterminer la collocation : la concordance, le module
voisinage de Frantext (nombre dapparitions conjointes des deux mots dans un contexte
donn) et le module compare du BNC (voisinage, score de collocation)
On a besoin de deux informations pour juger de la force dassociation entre deux mots :
- Avec quelle frquence les mots apparaissent ensemble (pas forcment cte cte).
On doit donc dterminer le contexte dapparition que lon veut considrer.
- Cette frquence doit tre compare avec les frquences des formes considres
part, car si les deux formes sont frquentes, il nest pas tonnant de les trouver ensemble.
Si elles sont rares, et apparaissent ensemble dans une grande proportion de leurs
emplois, cest quelles ont tendance sattirer, fonctionner ensemble.
Mesure statistique utilise dans Antconc : la mesure dinformation mutuelle, cest--dire le
rapport entre la probabilit de cooccurrence des deux mots P(x,y) et le produit de la
probabilit doccurrence de chaque mot P(x) et P(y).
Ex : MI(monde, entier) = 2,8 alors que MI(monde, est) = 0,13. La squence monde entier est
donc bien plus remarquable que la squence monde est .
Pour pouvoir dmarrer le travail danalyse dun corpus, il faut pralablement charger le ou les
fichiers quil contient, au format texte (.txt).
Concordances
Antconc calcule la table de frquences des mots du texte lorsquon clique sur longlet Word
List. On peut parler galement dindex lexical.
La table de frquence est prcde dinformations globales : nombre total de formes, nombre
total doccurrences.
Le rsultat est affich dans lordre lexicomtrique, mais on peut changer cette prsentation
pour lordre lexicographique, et inverser lordre.
Il peut tre utile dignorer la casse en cochant treat all data as lowercase
Le module Cluster/Ngrams est lun des moyens dobserver les cooccurrences des mots (les
formes avec lesquelles un mot donn sassocie de faon privilgie). Il extrait les squences de
formes qui se rptent dans le corpus. On peut parler dagrgats ou de segments rpts.
Le module Collocates fournit la liste des formes qui sassocient avec une forme donne le plus
frquemment dans le corpus considr, mais sans contrainte de contigut. On obtient les
formes qui apparaissent dans une fentre de recherche de notre choix (ex : 4 mots avant, 4
mots aprs)
Saisir le terme dans Search Term, indiquer la fentre de recherche (Windows pan), indiquer le
critre de tri et la frquence minimale considre pour calculer les collocations (ex : 4).
Note : il faut auparavant avoir gnr la Word List (les frquences dapparition des mots dans
tout le corpus). Le programme a galement besoin de linformation mutuelle, qui peut tre
modifie dans Tool Preferences.
Le tableau obtenu indique les collocats ordonns par ordre dcroissant dassociation (mesure
Stat) ainsi que leur frquence dassociation (gauche et droite)
Ces collocats fournissent des informations intressantes sur lusage du mot dans le corpus. On
peut interprter un peu plus finement les rsultats en analysant de plus prs leurs contextes
dapparition.
Grce au corpus, on aimerait savoir quelle est limportance quantitative de cette tournure
(systmatique lcrit, ou marginal ?), si on la trouve dans tous les genres de textes crits et sil
est possible de prciser les environnements qui conditionnent son utilisation, de manire
mieux comprendre la nature de cette cacophonie .
Analyse :
- Observation des frquences :
o on apparat 4028 fois, aussi bien dans on que dans lon . En choisissant
une recherche sensible la casse, On apparat 638 fois, et on 3390 fois.
o lon tant une squence de deux tokens, spars par le dlimiteur apostrophe,
il faut utiliser le module concordances et noter le nombre de lignes trouves : 372
occurrences. Il ny a aucune occurrence de Lon , ce qui nous permet de
dduire que cette squence napparat pas en dbut de phrase.
Oral
121 884
1395
3
0,2%
Ecrit
1 425 473
2084
277
13,3%
On peut difficilement imaginer deux extraits plus dissemblables. Ils sopposent selon les deux
dimensions :
- Externes, pragmatiques, lies aux situations de communication :
o le dialogue de film a t crit pour produire limpression dune production orale
spontane en temps rel. Objectifs dexpression de sentiments, de points de vue,
dvocation de faits personnels. Forte interaction entre les interlocuteurs qui
contribuent lavancement du discours.
o Larticle scientifique est une production crite dont lobjectif est de vhiculer des
informations. Pas dinteraction, pas dauto-rfrence (pas de je ), pas
dadresse un interlocuteur.
- Internes, les caractristiques linguistiques :
o Le dialogue est caractris par des phrases courtes, incompltes, qui prennent
lappui sur le contexte (pronoms personnels je et vous , dictiques).
Lexpression des sentiments se fait au moyen dinterjections et par lutilisation dun
vocabulaire marqu par la subjectivit (compliqu, mchant, idiot, je men
doute)
o Larticle scientifique consiste en un paragraphe unique, o domine la prsence
de groupes nominaux souvent complexes (expansions adjectivales et
prpositionnelles). Structure syntaxique des phrases galement complexe
(plusieurs propositions, verbe avec plusieurs complments). Des tournures
impersonnelles sont utilises.
Deux critres sont couramment utiliss pour caractriser les textes au premier abord : le
domaine et le genre.
Le domaine
Cette notion semble simple. Il sagit de la thmatique dont relve le texte : mdecine,
littrature, actualits De quoi parle le texte ? Pour recourir ce critre, il faut une
classification exhaustive et stable, une typologie qui ferait rfrence.
Or un tel recensement savre impossible. Il volue avec le temps et ne fait pas consensus.
On peut se rfrer larborescence des portails thmatiques de lencyclopdie en ligne
Wikipedia, chacune des thmatiques se dclinant ensuite en sous-thmatiques.
Le genre
Le genre renvoie une autre manire de classer les textes. Selon Pry-Woodley (2007), le genre
dsigne les catgories intuitives selon lesquelles les usagers de la langue reconnaissent,
interprtent, produisent des documents
Les usagers de la langue classifient spontanment leurs productions discursives. De quel type
de texte sagit-il ?
Les textes dun mme genre partagent les mmes buts communicationnels (informer, distraire,
convaincre, vendre, conserver une trace) et certains paramtres nonciatifs (le public vis, le
canal employ, les conditions de production)
Cest un mode de classement usuel des textes, que toute personne familire du type de texte
en question est capable de raliser.
3. Typologie linguistique
Ces lments ne concernent pas les caractristiques linguistiques des textes, mais seulement
leurs caractristiques situationnelles et communicationnelles. Deuxime type de classement
possible, en fonction cette fois des spcificits linguistiques : lexique, syntaxe, discours les
diffrents genres de textes ne mobilisent pas les mmes ressources langagires.
Cest le dernier module du logiciel Antconc, il nous permet ici de comparer des corpus entre
eux. Plus prcisment, il compare les occurrences des formes prsentes dans un corpus cible
(celui sur lequel on travaille) celles que lon trouve dans un corpus utilis comme rfrence.
Rsultat : la liste des formes qui apparaissent de faon remarquable dans le corpus cible, cest-dire nettement plus frquemment que dans le corpus de rfrence.
Comment faire ? Charger le corpus cible, indiquer quel corpus est utilis comme rfrence. La
mesure statistique utilise sappelle le log-likelihood, mesure recommande pour ce type de
comparaison. On peut changer certaines valeurs : le seuil, les formes ngatives, utiliser une liste
de mots la place des fichiers de donnes pour tablir les donnes de rfrence.
Les formes saffichent, tries par keyness. On peut cliquer sur chacune et accder sa
concordance dans le corpus cible.
Le corpus cible peut tre un vrai corpus de rfrence, de type BNC, ou des donnes de tout
type (Ex dans le cours : un sous-corpus et le corpus 18, deux sous-corpus particuliers)
Rsum : les 50 formes les plus spcifiques comportent des noms dsignant des individus
(relations familiales particulirement), des pronoms de 3 personne, des dterminants
possessifs de 3 personne, des verbes au prsent (expriment les penses et actes des
personnages), des prpositions et des conjonctions
Critiques : les 50 formes les plus spcifiques comportent des noms relevant de la
thmatique du cinma, les pronoms nous/on, des marques de la ngation, des
dterminants dmonstratifs, des adverbes (dictiques), des conjonctions de
coordination et de subordination et des formes du verbe tre.
5. Typologie inductive
Limites des classifications de textes des typologies linguistiques existantes : les catgories restent
trs gnrales et ne permettent pas dapprocher finement la spcificit dun corpus particulier.
Elles se focalisent sur certaines dimensions des discours, par exemple la dimension nonciative,
qui nest pas le seul critre permettant de comparer et caractriser le discours. Elles ne
fournissent pas toujours de listes dindices prcis permettant de reconnatre de faon objective
et fiable chaque type de texte.
Autre dmarche : faire merger des textes eux-mmes les caractristiques linguistiques qui font
leur spcificit et vont permettre de les classer, construire les classifications partir de
lobservation de ces marques linguistiques.
Cette approche inductive a t mise en uvre par Douglas Biber. Elle est dite inductive car
elle part des donnes pour dgager des rgularits, des principes dorganisation.
Objectif : reprer les marques linguistiques associes aux diffrents types de textes produits
dans des situations dnonciation particulires.
Principe : la faon dont ces marques linguistiques se rpartissent dans les textes permet de
dterminer une typologie de textes.
Dfinition dun ensemble de marques linguistiques, avec des annotations et observation de leur
rpartition par des mthodes statistiques.
Etude mene sur 4 langues volontairement trs loignes : anglais, somalien, coren, une
langue de latoll Nukulaelae.
Dtermination des traits linguistiques de ltude
67 traits rpartis en 16 catgories (marques de temps et daspect, adverbes de temps et de
lieu, questions). Ces traits sont dtermins partir de travaux antrieurs.
Marquage des traits dans le corpus
Tous ces traits sont marqus dans le corpus, de faon automatique ou manuelle
Traitement statistique du corpus
Pour mettre en vidence les traits qui ont tendance apparatre ensemble dans les textes, ou
sexclure/sviter. A ces regroupements de traits sont associs des regroupements de textes.
Interprtation des rsultats
Observation de ces regroupements pour comprendre quels types de textes ils correspondent
Mise en vidence dune dimension principale dopposition entre les textes, qui rejoint
largement la typologie dordre nonciatif, lintrt double :
- Mise au jour dindices linguistiques supplmentaires, associs soit au ple impliqu, soit
au ple informatif quil a mis en vidence
- Liste consquente de traits qui permettent de guider lanalyse quon peut faire des
spcificits linguistiques des textes.
A noter, certains traits pertinents pour langlais ne le sont pas pour le franais.
Lutilisation des traits de Biber permet dordonner de faon plus pertinente les donnes, mais
tous les faits ne sont pas caractrisables via cette grille. On peut relever dautres lments : la
prsence dadverbes de dialogues oui et ouais , la prsence de ladverbe vrai (dans
lexpression cest vrai que presque systmatiquement)
Conclusion : on retrouve une partie des traits caractristiques des textes impliqus. De fait, les
entretiens et exposs ont bien les caractristiques de cette catgorie de discours.
- Mots de discours, formes non normatives : oral spontan
- Adverbes de dialogue, prsence du vous : dimension interactive
- Pronoms de 1ere personne, lments de modalisation : prsence du locuteur trs
marque
6. Conclusion
Prsentation dun ensemble de notions permettant de comparer les textes et de les classer :
classement externe, situationnel, et classement linguistique, qui peut tre bas sur diffrentes
mthodes danalyse : mthodes statistiques plus ou moins rudimentaires, critres issus des
typologies linguistiques existantes, reprage des marques linguistiques spcifiques dun
texte/discours laide doutils danalyse statistique (Biber et al, et un niveau plus modeste,
nous avec le module Keyword List dAntconc)