1 - Cordial
qu'on a proposé, dans la deuxième
partie de cet article, pour modèle de formalisation, pourrait aussi
revendiquer la première place pour la quantification. On y trouve en effet le
relevé de quelque 200 codes grammaticaux différents, et
de quelques classes sémantiques, ce qui donne lieu à une multitude
d'indices et de pourcentages, dont on essaie de tirer des conclusions d'ordre
stylistique ou thématique, en s'appuyant sur une typologie des genres et des
domaines constituée à partir d'un large corpus de référence (de 2000
ouvrages). C'est là prendre quelque risque, en l'absence d'une véritable
théorie des genres, en l'absence aussi d'une classification universelle des
représentations. Là encore nous proposerons l'Évangile (traduction
Maredsous) à l'analyse de Cordial,
en restituant l'un des quatre tableaux de résultats qu'il fournit, celui qui
rend compte des types grammaticaux. On notera sur la marge gauche la légende
qui précise l'échelle des observations sur la carte des genres.
Figure
14. Les types grammaticaux analysés par Cordial dans l'Évangile
Parmi les genres
distingués, l'Evangile semble se rapprocher du genre littéraire avec une
propension marquée pour le verbe et ses acolytes, adverbes et pronoms
personnels, au détriment du substantif et de l'adjectif. Ce constat peut
paraître satisfaisant mais l'appréciation synthétique qui résume la leçon
des comptages l'est nettement moins:
Figure
15. L'appréciation stylistique de Cordial
Ce texte est accessible. Le vocabulaire est courant mais comporte quelques
raretés. La complexité sémantique est plutôt élevée. Les
expressions figées sont peu nombreuses. On relève une proportion de noms
propres importante. Les phrases ont une longueur habituelle. Le nombre de
phrases par paragraphe est très réduit. Si ce texte ne comporte pas de
listes ou de titres et de sous-titres, vous devriez grouper certains
paragraphes. Les phrases ont une structuration grammaticale simplifiée. Ce
texte offre un niveau d'abstraction très élevé.
Le langage utilisé est efficace mais peu descriptif. Votre texte
comporte quelques mots grossiers ou injurieux. Si ce n'est pas voulu, mieux
vaudrait les supprimer! Ce texte comporte quelques mots argotiques ou
populaires. Sont-ils utiles ici ? Ce texte comporte quelques mots ou tournures
familières. Avec une proportion réduite de mots très usuels, ce texte est
plutôt difficile; le nombre élevé de mots rares enlève de la lisibilité,
sauf s'il s'adresse à un public spécialisé. La très faible proportion de
noms communs rares améliore encore la lisibilité. La proportion très
réduite d'adjectifs de ce texte indique une volonté d'objectivité et de non
description. La proportion de verbes, nettement supérieure à la moyenne,
dénote un style efficace et dynamique.
On souhaite que
le Saint Esprit - qui passe pour avoir inspiré le texte sacré - ne
prenne pas connaissance des appréciations que la machine a portées sur sa
copie.
L'appréciation relative au contenu n'est pas plus heureuse, même si
les thèmes qui parcourent l'Évangile sont reconnus grossièrement. Mais les
termes pour les caractériser sont mal choisis: le mot "agriculture"
convient mal pour désigner les coutumes pastorales de l'époque, la
"chirurgie" intervient peu dans les guérisons miraculeuses et la
"cinétique" est une notion étrange pour caractériser le mouvement
du récit. Il ne suffit pas non plus qu'un texte appartienne à l'Écriture
sainte, pour qu'on parle à son propos de grammaire
et de littérature. Sans doute
l'impropriété des termes tient-elle à l'anachronisme et au décalage entre
un univers antique et une terminologie moderne. Mais des bévues semblables
sont à redouter pour bien des textes, même contemporains.
Figure
16.
L'appréciation thématique de Cordial
Le domaine «religion» est un second domaine prédominant. Le domaine
«agriculture» est le troisième domaine saillant. Le domaine «chirurgie»
est un quatrième domaine remarquable. Dans la thématique de ce texte,
l'individu, par opposition à l'univers et à la collectivité, occupe une
place particulière. D'une façon plus précise, l'analyse des thèmes
généraux de ce texte indique une prédominance des thèmes suivants : «La
spiritualité», «Le langage», «La société», «Le pouvoir» et «La
cinétique». Une analyse plus fine encore de la thématique de ce texte fait
apparaître comme thèmes centraux : * judaïsme (catégorie : Les religions)
* mot (catégorie : La grammaire) * famille (catégorie : La famille) * parole
(catégorie : Le discours) * littérature (catégorie : La littérature) *
arrivée (catégorie : Le mouvement) * divination (catégorie : La sacralité)
* croyance (catégorie : Les croyances) Parmi les noms propres, on relève une
nette prédominance des mots «Jésus», «Jean» et «Galilée».
Cet
échec relatif de la quantification dans Cordial
est en réalité imputable à la communauté scientifique qui n'a pas su
créer une théorie stylistique appuyée sur des dénombrements (1), non plus qu'un modèle sémantique réellement exploitable.
L'imprudence des uns est liée à la timidité des autres. On note pourtant
des avancées dans certains domaines de la discipline. Par exemple dans la
mesure du temps. Sur ce point je laisse le champ libre à A.Salem qui a
consacré sa thèse au temps lexical. En mesurant texte après texte le
renouvellement du vocabulaire, les ajouts, les abandons, les retours, on peut
saisir le mouvement d'une pensée, l'évolution d'une œuvre ou d'une société.
Avec les précautions requises, on peut aborder ainsi les questions de
datation ou d'attribution. Aucun indice quantitatif n'est en soi une preuve,
mais une présomption, au moins quand les indices convergent.
2 - Il en est un toutefois qui acquiert une force particulière en cela
qu'il envisage tous les mots d'un texte pour aboutir à une mesure unique et
globale. En réalité cette mesure met en rapport deux textes dont on souhaite
apprécier la distance. Un raisonnement simple, proposé il y a bien longtemps
par Ch. Muller, présume que deux textes sont d'autant plus proches qu'ils ont
plus de mots en commun. Le rapport entre la part privative ou exclusive de
chacun et la zone partagée du vocabulaire donne la mesure de cette distance.
Certes cette mesure pourrait être faussée quand les deux textes sont de
longueur inégale, le quotient pour une même paire se rapprochant de 0 quand
il s'agit du plus petit et de 1 pour le plus étendu. Mais il suffit de faire
la somme ou la moyenne des deux quotients pour corriger automatiquement la
distorsion. On obtient ainsi un tableau des distances des textes deux à deux.
Un tel tableau se prête à une analyse globale qui projette sur une carte
l'ensemble des points comme ferait une carte géographique à partir d'un
relevé des distances de ville à ville. Le résultat de cette analyse
factorielle est illustré dans la figure 17.
Figure 17. Analyse factorielle de la distance lexicale
La
hiérarchie des variables mises en cause est ici clairement établie: l'auteur
compte plus que le traducteur. Le premier facteur oppose en effet l'évangile
de Jean , qui réunit sur la
gauche les trois traductions de ce texte, aux autres évangiles, tous situés
sur la droite. Le second facteur pourrait isoler un autre évangile, si
l'influence des sources était souveraine. Or tel n'est pas le cas: ce qui
distingue le haut et le bas du graphique fait référence à la traduction:
celle de Chouraqui impose sa marque puissante aux textes auxquels elle
s'applique (MathieuCH, MarcCH, LucCH et même JeanCH), tandis que les autres
traductions sont reléguées au bas du graphique.
L'analyse
arborée (méthode Luong) rend
encore plus nette la représentation des forces d'attraction qui s'exercent
dans le champ lexical. Ici les
distances s'apprécient directement en parcourant le chemin qui mène d'un
point à un autre. L'analyse (figure 18) souligne l'irrédentisme de Jean qui
s'écarte violemment des autres textes, concentrés
sur la branche opposée. Cependant à mi-chemin une déviation conduit,
du côté de Chouraqui, tous les textes qu'il traduit et qui portent sa
marque.
Le calcul des distances s'appuie ici sur la présence ou l'absence des
mots, sans considérer leur fréquence. Or Dominique Labbé a proposé
récemment un nouvel algorithme qui tient compte, pour chaque mot, de la
fréquence réelle et théorique dans chacun des deux textes considérés (2). Les enseignements sont à peu près les mêmes: la branche la
plus excentrique du graphique 19 isole les trois traductions de Jean, dont le
message apparaît irréductible aux autres évangiles. Les trois autres
évangiles apparaissent peu différenciés et laissent le champ libre à
l'influence du traducteur, les groupements proposés s'ordonnant autour de
Chouraqui, Maredsous et Tob respectivement. On doit observer toutefois que
même en considérant tous les mots sans exception ni filtrage les deux
mesures ne leur donnent pas le même poids. La première donne
l'avantage aux mots de faible fréquence, la seconde aux mots courants. La
première est plus sensible aux variations thématiques, la seconde aux
particularités stylistiques.
D'autres mesures encore peuvent rendre compte de la distance
intertextuelle. Bénédicte Pincemin a consacré à la question une bonne partie de sa thèse
dont la publication est imminente. Comme elle connaît les dessous d’Internet,
les moteurs et méta-moteurs mis en place sur les serveurs du Web, elle peut
mettre en lumière leurs défauts et proposer une approche nouvelle qui ne
reposerait plus seulement sur les mots-clés proposés par l’utilisateur mais sur le profil qui caractérise ce dernier à
travers les textes définis par lui comme représentant ses préoccupations.
Il s’agit ici d’une vraie révolution, qui établit un calcul de distance
sémantique entre deux textes, et qui n’est pas un rêve, puisque l’application
en a été faite, en Intranet, à Électricité
de France, au bénéfice de
quelques centaines de chercheurs.
3 - On peut regretter la multiplicité des formats et des codages et
craindre que la statistique, s'appliquant aux uns puis aux autres, aboutisse
à des résultats incohérents. En réalité la statistique est bonne fille et
s'accommode de ce qu'on lui donne. Quand on considère un corpus d'une
certaine étendue pour un examen global, il importe assez peu que le texte
soit lemmatisé ou non, que l'objet d'étude porte sur les formes (V) ou les
occurrences (N), qu'on utilise telle ou telle méthode d'analyse
multidimensionnelle, ou qu'on fasse appel à un logiciel plutôt qu'à
un autre. On vient de voir la convergence des graphiques 17 et 18
qui partagent le même objet (la distance intertextuelle calculée sur
V), mais non la même méthode (analyse de correspondance vs analyse
arborée). Même accord des graphiques 18 et 19 qui partagent la même
méthode (analyse arborée), appliquée à des objets différents (V vs N).
Plus surprenante est l'indifférence des résultats aux variations du
codage. Le même texte évangélique traité successivement avec et sans
lemmatisation donne la même image des distances intertextuelles. Qu'on traite
9622 formes graphiques ou 5014 vocables, les résultats restent stables, et
les deux représentations de la figure 20 sont superposables.
Figure 20. La
convergence des codages(avec et sans lemmatisation)
Figure 21. Découpage
du texte en chaînes arbitraires
Cette stabilité ne laisse pas d'étonner lorsqu'on dénature le texte
en faisant éclater la structure du mot. Remplaçons tous les blancs par un
caractère arbitraire, par exemple le signe @, et découpons la chaîne en
tronçons de quatre lettres, qu'on va considérer comme des "mots",
même s'ils n'ont ni queue ni tête, ni forme ni sens. En cela nous reprenons
la démarche que A. Lelu applique aux N-grammes. Au lieu d'ajouter une
information (ce que fait l'étiquetage), nous retranchons un élément
essentiel: la segmentation en unités lexicales. Pis encore: le continuum
graphique (3) est rompu et perverti par de fausses coupures, comme si on voulait
crypter le texte. On peut en
juger à partir des premières lignes de l'Évangile qu'on a ainsi transcrites
au haut de la figure 20. Et pourtant, dans cette eau boueuse où aucun mot
n'est reconnaissable, la décantation des évangélistes et des traducteurs se
fait limpide, qu'on envisage les 400 000 occurrences (partie gauche du
graphique 20) ou les 16000 "mots" découpés (partie droite). La
conclusion de cette expérience est encourageante: à l'heure d'Internet,
où circulent tant de textes de qualité médiocre, les méthodes
multidimensionnelles sont assez
puissantes et robustes pour souffrir sans dommage les impuretés et les
erreurs (4).
Dernière expérience, positive aussi: la stabilité des résultats ne
dépend guère des logiciels utilisés. Le même texte évangélique a été
proposé à plusieurs logiciels que leurs auteurs ont bien voulu me
confier. On montrera ci-dessous ( figure 22) l'analyse que fournit Sphinx
à partir des 50 mots les plus fréquents. La disposition des textes y
reproduit celle du graphique 17 qui avait été obtenu avec Hyperbase,
en attribuant à Jean le premier axe, et à la traduction de Chouraqui le
second. On a essayé successivement Lexico
et Alceste
et constaté la même convergence. Il est vrai que tous ces logiciels (on
aurait pu ajouter SPADT de L. Lebart) partagent un module commun d'analyse de
correspondance dont l'origine remonte à J.P. Benzécri.
Figure 22. Analyse factorielle des
50 mots les plus fréquents (logiciel Sphinx)
L'algorithme utilisé par Alceste
est cependant original, en cela qu'il ne repose pas sur une segmentation
préétablie. L'analyse constitue d'abord des classes, indépendamment des
grandes divisions du corpus. Celles-ci ne prennent place que lorsque le cadre
a été établi. On voit dans le graphique 23 que ces classes recouvrent ce
que recouvraient les facteurs dans l'analyse précédente: la première est
dévolue à l'évangéliste Jean (triangle à droite), la seconde au
traducteur Chouraqui (triangle à gauche), tandis que Marc s'impose dans la
classe 3 (triangle inférieur).
Figure 23. Les classes
distinguées par Alceste
On n'insistera pas sur le fait que la liste des spécificités (5) e
Figure 24. Analyse des mots
employés au moins 50 fois dans le texte grec de l'Évangile
Notre intention était autre. Partant du fait que les
textes sont difficilement comparables quand trop de variables les séparent (
l'auteur, le sujet, le genre, la taille, la date, le public, la langue), nous
avons estimé que l'Évangile pouvait offrir l'occasion d'une expérience de
laboratoire, où toutes ces variables seraient neutralisées. Comme la culture
est ce qui reste, dit-on, quand on a tout oublié, la variation que nous
voulions mesurer est ce qui reste quand on a tout enlevé, ou presque. Dans le cas présent
les sources sont semblables, comme aussi la matière racontée, et le public
visé. Peu de différences quant à l'étendue, l'état de langue ou
- ce qui est plus dangereux - le genre littéraire.
Car de toutes les forces qui s'exercent sur un texte, le genre semble
la plus pesante et la plus
pressante. Ne restait qu'une variable à mesurer: la double signature de
l'auteur et du traducteur. Et les conditions exceptionnelles offertes par un
texte familier, contrôlable et calibré, pouvaient servir à étalonner les
méthodes et les instruments.
