La subdivision du corpus peut être mise à profit lors des opérations sur le
texte. Dans l’exemple suivant nous avons sélectionné les titres des
poèmes seulement pour l’affichage.
TEXTE AFFICHER $*divis=tit … *page=hector/10/3 * *poème=jeu02 LE JEU *page=hector/11/24 * *poème=jeu03 NOUS NE SOMMES PAS *page=hector/12/7 * *poème=jeu04 SPECTACLE DE LA DANSE …
Mais, bien sûr, la subdivision du corpus a des incidences sur les études du vocabulaire. Comme la fréquence totale est une propriété rattachée au corpus entier, il sera bon de créer autant de propriétés entières que de sous-corpus auxquels elles seront rattachées, de façon à bien apprécier les différences. C’est ainsi que nous avons créé les propriétés entières «conl», «deul», «enfl», «esql», «facl», «gril», «jeul» et «sanl», nommées de telle sorte qu’elles rappellent les valeurs de la propriété symbolique appliquées aux divisions correspondantes du texte (fig. 5). Les analyses effectuées deviennent plus parlantes.
Voici un extrait des résultats de la catégorisation du lexique selon le règne, Dans la suite «Enfants», avec les différentes valeurs attribuées et l’indication de la présence ou absence de ces lexèmes dans les autres suites.
LEXIQUE AFFICHER $*enfl~0*rèlex~nil TRI alphabet
fréq* rèlex jeul enfl esql deul gril facl sanl conl
1 raf 0 1 0 0 0 0 0 0 colimaçon
7 rhf 2 1 0 0 0 0 4 0 enfant
5 rhf 2 3 0 0 0 0 0 0 enfants
1 rhf 0 1 0 0 0 0 0 0 monstres
8 raf 1 2 0 0 0 0 5 0 oiseau
1 rhf 0 1 0 0 0 0 0 0 paysan
1 rvf 0 1 0 0 0 0 0 0 trembles
18 (rhf,raf) 6 1 0 0 1 2 8 0 yeux
Nombre de lexèmes écrits: 8
Nous pouvons évidemment comparer les lexiques des différentes subdivisions, faire afficher celui qui est commun à toutes, celui qui est exclusif à l’une ou l’autre. De la même façon, il est possible de savoir quels mots nouveaux enrichissent un corpus ouvert, au fur et à mesure des ajouts. Voici un exemple d’affichage de tous les mots originaux au dernier poème du recueil.
fréq* jeul enfl esql deul gril facl sanl conl
1 0 0 0 0 0 0 0 1 accompagnement
1 0 0 0 0 0 0 0 1 alchimies
1 0 0 0 0 0 0 0 1 atomes
1 0 0 0 0 0 0 0 1 bruit
1 0 0 0 0 0 0 0 1 compagnie
1 0 0 0 0 0 0 0 1 contente
4 0 0 0 0 0 0 0 4 côté
1 0 0 0 0 0 0 0 1 décroissant
1 0 0 0 0 0 0 0 1 déménagements
1 0 0 0 0 0 0 0 1 entends
1 0 0 0 0 0 0 0 1 étiolant
1 0 0 0 0 0 0 0 1 étranger
1 0 0 0 0 0 0 0 1 jour
1 0 0 0 0 0 0 0 1 machine
3 0 0 0 0 0 0 0 3 marche
1 0 0 0 0 0 0 0 1 moment
1 0 0 0 0 0 0 0 1 opérations
2 0 0 0 0 0 0 0 2 pieds
1 0 0 0 0 0 0 0 1 place
1 0 0 0 0 0 0 0 1 porté
1 0 0 0 0 0 0 0 1 rue
1 0 0 0 0 0 0 0 1 sois
1 0 0 0 0 0 0 0 1 sortes
1 0 0 0 0 0 0 0 1 transfusions
1 0 0 0 0 0 0 0 1 transposé
1 0 0 0 0 0 0 0 1 transversale
1 0 0 0 0 0 0 0 1 trottoir
Nombre de lexèmes écrits: 27
En rapportant le nombre de lexèmes originaux au nombre total de lexèmes, nous pouvons avoir une idée de l’originalité relative de chaque section.
|
Section |
Nombre de mots |
Nombre de mots exclusifs |
Indice d’originalité |
|
Jeu |
850 |
195 |
22,94 |
|
Enf |
258 |
46 |
17,83 |
|
Esq |
463 |
109 |
23,54 |
|
Deu |
496 |
101 |
20,36 |
|
Gri |
476 |
82 |
17,22 |
|
Fac |
569 |
124 |
21,79 |
|
San |
1109 |
218 |
19,66 |
|
Conclusion |
168 |
27 |
16,07 |
Quant au vocabulaire commun à toutes les sections, nous nous rendons compte
qu’il ne contient que des mots grammaticaux très fréquents.
fréq* jeul enfl esql deul gril facl sanl conl
142 31 5 10 18 15 18 35 10 de
130 22 1 12 17 26 19 31 2 la
129 25 5 16 18 10 17 36 1 et
89 11 11 22 10 16 2 16 1 les
88 10 3 8 16 22 13 13 3 le
71 13 9 5 1 2 11 28 2 est
70 15 8 4 11 3 12 15 2 un
54 11 3 3 6 6 3 19 3 qui
54 13 5 11 7 7 6 4 1 .
51 9 1 7 4 3 12 11 4 une
48 7 1 6 7 4 7 9 7 d'
48 5 3 5 5 5 8 16 1 pour
44 7 3 1 1 2 5 24 1 qu'
41 7 4 2 5 3 3 14 3 en
41 7 1 2 2 4 6 18 1 que
40 14 4 3 1 1 4 5 8 pas
34 9 4 4 2 3 1 8 3 ne
32 2 1 5 11 1 7 4 1 sur
28 3 5 1 4 2 3 9 1 s'
17 2 2 2 1 3 1 4 2 avec
Nombre de lexèmes écrits: 20
Nous donnons ci-dessous quelques exemples de résultats obtenus en appliquant certains analyseurs disponibles sur des sous-corpus ou des sous-lexiques correspondants.
- Utilisation
des analyseurs avec des propriétés
- Lisibilité
L’indice de lisibilité (formule de Gunning) dont le principal intérêt est de fournir plusieurs données quantitatives sur les éléments constitutifs du corpus, a été appliqué sur le corpus en entier et sur chacune des huit divisions.
Figure 6. Affichage des données relatives à l’indice de lisibilité pour le corpus entier.
TEXTE CARACTERISER SOUS-TEXTE = FILTRE $*poème=jeu$ nombre de mots dans le sous-texte: 850 ANALYSEUR LISIBILITE AFFICHER 22 mots de 1 car. (3%) 250 mots de 2 car. (30%) 125 mots de 3 car. (15%) 124 mots de 4 car. (15%) 97 mots de 5 car. (12%) 71 mots de 6 car. (9%) 66 mots de 7 car. (8%) 24 mots de 8 car. (3%) 21 mots de 9 car. (3%) 11 mots de 10 car. (1%) 19 mots de 11 à 15 car. (2%) 0 mot de 16 à 20 car. (0%) 0 mot de 21 à 25 car. (0%) 0 mot de 26 à 30 car. (0%) 0 mot de plus de 30 car. (0%) nombre de mots........ 830 longueur moyenne: 4.2 car. nombre de phrases..... 15 longueur moyenne: 55.3 mots nombre de paragraphes. 28 longueur moyenne: 29.6 mots pourcentage de mots de 9 lettres et plus: 6% indice de lisibilité de Gunning: 24.6
Nous pouvons donc comparer la lisibilité de chaque section et noter au passage la longueur des mots et établir le tableau ci-dessous.
|
Section |
Nombre de mots |
Indice de lisibilité |
Longueur moyenne des mots |
|
Jeu |
850 |
24.6 |
4.2 |
|
Enf |
258 |
18.5 |
4.0 |
|
Esq |
463 |
19.1 |
4.5 |
|
Deu |
496 |
28.6 |
4.1 |
|
Gri |
476 |
22.2 |
4.2 |
|
Fac |
569 |
29.8 |
4.0 |
|
San |
1109 |
64.7 |
4.0 |
|
Conclusion |
168 |
67.7 |
3.8 |
|
Corpus |
4305 |
28.9 |
4.1 |
C’est dans le poème «Conclusion» que la moyenne de la longueur des mots
est la plus faible, alors qu’«Esquisse en plein air» a la moyenne la plus
élevée. Ce constat peut entraîner d’autres explorations, comme la
répartition des signes de ponctuation utilisés avec beaucoup de parcimonie
par Saint-Denys Garneau (64 points dans l’ensemble du recueil), le tri par
longueur décroissante du vocabulaire de certains poèmes, le nombre (très
réduit) de mots par vers, bref tous les procédés qui contribuent à l’impression
de dépouillement et d’ascèse.
- Distance
À partir des mêmes sous-corpus, nous pouvons demander les 50 lexèmes qui contribuent le plus à expliquer la différence entre chaque division et l’ensemble des autres (nous aurions pu nous restreindre à certaines parties du discours). Basée sur le Chi2, c’est une mesure de l’originalité et de la différenciation dans l’utilisation du vocabulaire. Dans l’exemple (partiel) ci-dessous, le vocabulaire de la première division est comparé au vocabulaire du reste du corpus (l’astérisque indique que le mot ainsi marqué appartient davantage au premier sous-texte).
*
fréqtot jeul ~jeul explique cumul
0.18 0.71 0.06 1.05 1.05 si *
0.07 0.35 0.00 0.82 1.87 merveilleux *
0.07 0.35 0.00 0.82 2.69 mots *
0.07 0.35 0.00 0.82 3.52 piastre *
0.07 0.35 0.00 0.82 4.34 rivière *
0.16 0.59 0.06 0.80 5.14 danse *
0.16 0.59 0.06 0.80 5.95 mes *
0.16 0.59 0.06 0.80 6.75 regard *
0.11 0.47 0.03 0.78 7.53 jouer *
0.05 0.24 0.00 0.55 8.07 allez *
0.05 0.24 0.00 0.55 8.62 appui *
0.05 0.24 0.00 0.55 9.17 chère *
0.05 0.24 0.00 0.55 9.72 danser *
0.05 0.24 0.00 0.55 10.27 déplace *
0.05 0.24 0.00 0.55 10.82 ici *
0.05 0.24 0.00 0.55 11.37 jouets *
…
Et ainsi de suite. Nous pouvons aussi comparer la distance entre deux suites comme «Esquisses en plein air» et «Accompagnement», le poème de conclusion, qui se sont avérées les plus éloignées pour la longueur moyenne des mots. La même opération peut être effectuée entre un et plusieurs poèmes, entre ce corpus et un autre corpus d’un autre auteur comme Les Fleurs du mal de Baudelaire avec lequel nous avons pu remarquer plusieurs rapports d’intertextualité.
Des indices statistiques supplémentaires sont disponibles, par exemple l’écart-type, l’indice de répartition, la valeur discriminante (16) et le Chi2 qui nécessitent une segmentation préalable du corpus. Dans l’exemple suivant (tronqué), nous avons séparé un peu arbitrairement le corpus en pages, puis nous avons choisi de faire porter les calculs sur les lexèmes qui sont uniquement des adjectifs qualificatifs.
Moyenne Écart Répart. Discri. Chi2 0.14% 0.69 3.8% 11.71 26.10 aisée 0.11% 0.54 3.8% 9.08 20.02 âpre 0.14% 0.68 3.8% 11.59 25.82 attentive 0.14% 0.68 3.8% 11.59 25.82 avides 0.31% 1.53 3.8% 25.87 57.87 bonne 0.20% 0.68 7.7% 6.58 17.28 chère 1.28% 2.48 23.1% 11.58 38.06 claire 0.20% 1.02 3.8% 17.25 38.91 claires 0.09% 0.45 3.8% 7.57 16.51 concave 0.11% 0.57 3.8% 9.59 21.19 difficile 0.12% 0.58 3.8% 9.89 21.88 douloureux 0.14% 0.68 3.8% 11.59 25.82 entière … 0.09% 0.45 3.8% 7.57 16.51 subtil 0.14% 0.68 3.8% 11.59 25.82 sûre 0.15% 0.76 3.8% 12.94 28.94 sveltes 0.10% 0.49 3.8% 8.30 18.21 ténu 0.43% 1.55 7.7% 18.44 43.11 tranquille 0.20% 1.02 3.8% 17.25 38.91 transparentes 0.10% 0.52 3.8% 8.83 19.43 transversale 0.13% 0.67 3.8% 11.41 25.41 troisième 0.11% 0.54 3.8% 9.08 20.02 vaine 0.15% 0.74 3.8% 12.50 27.93 verte 0.14% 0.69 3.8% 11.71 26.10 vibrante 0.15% 0.76 3.8% 12.86 28.76 visible
Ci-dessous, ce sont les verbes conjugués compris dans une fourchette déterminée de la valeur discriminante et du Chi2 que nous avons fait afficher.
Moyenne Écart Répart. Discri. Chi2 0.42% 1.52 7.7% 17.96 42.19 allons 0.41% 2.07 3.8% 35.04 79.09 brûle 0.28% 1.38 3.8% 23.42 52.20 croyais 0.29% 1.46 3.8% 24.72 56.21 endors 0.44% 1.61 7.7% 19.46 44.84 entend 0.76% 2.21 15.4% 19.82 40.86 faut 0.41% 1.59 7.7% 20.37 43.65 font 0.29% 1.46 3.8% 24.72 56.21 laissez 0.29% 1.46 3.8% 24.72 56.21 meurs 1.68% 3.07 30.8% 12.63 41.65 peut 0.83% 4.14 3.8% 70.08 158.20 reprend 0.30% 1.52 3.8% 25.72 57.53 ruissellent 0.26% 1.29 3.8% 21.81 48.48 suit 0.29% 1.46 3.8% 24.72 56.21 trouve
Déposé dans un fichier d’extraction, le décompte peut être exploité dans un logiciel d’analyse de données comme SPSS.
- Participation
L’analyseur «Participation» permet d’apprécier les différences significatives du pourcentage d’utilisation des lexèmes spécifiés par un filtre dans les différentes subdivisions d’un corpus: dans l'exemple suivant, il s’agit de la répartition du pronom de la première personne du singulier ou des formes correspondantes de l’adjectif personnel qui s’intensifie à la fin du recueil révélant une individuation, une introspection, une intériorisation marquée également par le raccourcissement de la longueur des mots, l’entrechoquement des allitérations et des images («cage d’os»).
Analyseur PARTICIPATION
Filtre: (je,j',me,m',moi,ma,mes,mon)
Propriété Couverture Lexèmes Occurrences Cote Z
fréqtot 4395/4395 8/1202 93/4395 0.00
100.00% 0.67% 2.12%
jeul 850/4395 8/378 19/850 0.24
19.34% 2.12% 2.24%
enfl 258/4395 0/130 0/258 -2.36
5.87% 0.00% 0.00%
esql 463/4395 2/224 2/463 -2.52
10.53% 0.89% 0.43%
deul 496/4395 1/216 1/496 -2.96
11.29% 0.46% 0.20%
gril 476/4395 4/210 6/476 -1.30
10.83% 1.90% 1.26%
facl 569/4395 3/246 5/569 -2.05
12.95% 1.22% 0.88%
sanl 1109/4395 8/408 39/1109 3.24
25.23% 1.96% 3.52%
conl 168/4395 7/86 21/168 9.35
3.82% 8.14% 12.50%
- Tamisage
La création d’une propriété entière pour le calcul des cooccurrences (nous l’avons appelée «freqass») permet de visionner, à l’aide de l’analyseur «Tamisage», les lexèmes les plus fréquemment associés à un lexème donné, et ce dans un contexte choisi à volonté (contexte numérique, contexte de phrases, de strophes, de poèmes, etc.), détail important puisque l’on sait que la sémantique des relations entre les mots diffère selon la longueur des contextes. L’enregistrement dans un fichier et l’exportation vers un logiciel dédié à l’analyse statistique peut ensuite donner lieu à des classifications automatiques de lexèmes associés. Nous avons demandé l’affichage, par ordre décroissant de cooccurrence de tous les lexèmes qui ne peuvent être que des noms communs ou des adjectifs qualificatifs et qui cooccurrent dans un contexte numérique de 7 mots avant et 7 mots après avec tous les lexèmes qui contiennent au moins un sème de mort.
jeul enfl esql deul gril facl sanl conl freqass 0 0 0 0 7 0 0 0 4 maison 0 0 0 4 0 0 0 0 3 soif 0 0 0 4 0 0 0 0 2 collines 0 0 0 0 0 0 3 0 2 colombes 0 0 0 0 1 0 3 0 2 oiseaux 0 0 0 0 0 0 3 0 2 os 0 0 0 0 0 0 1 0 2 travail 0 0 0 1 0 0 2 0 2 vie 0 0 0 0 0 0 5 0 1 cage 0 0 0 0 0 0 2 0 1 chant 2 0 3 6 3 1 3 0 1 ciel 0 0 0 0 0 0 1 0 1 deuil 0 0 0 0 4 0 0 0 1 ennui 0 0 0 1 0 0 0 0 1 fontaine 0 0 0 0 0 0 1 0 1 frisson 0 0 0 0 0 0 7 0 1 mains 0 0 0 3 0 0 0 0 1 maître 0 0 0 0 0 0 1 0 1 nid 1 2 0 0 0 0 5 0 1 oiseau 3 0 2 1 0 0 1 0 1 onde 0 0 0 1 0 0 0 0 1 puits 0 0 0 0 0 4 0 0 1 rayon 0 0 0 1 0 0 0 0 1 réponse 0 0 0 0 1 0 1 0 1 solitude 0 0 0 3 0 0 4 0 1 vallée 0 0 0 0 0 0 1 0 1 vents Nombre de lexèmes écrits: 26
Plusieurs mécanismes rendent l’apprentissage et l’utilisation du logiciel SATO relativement aisés. Le fait que les commandes puissent être composées à partir de menus et sous-menus guide l’analyste pas à pas; il n’a pas à se demander quelles opérations sont possibles à partir de tel ou tel objet, quelle syntaxe utiliser, car les sous-menus les proposent. Des extraits du manuel écrit par le concepteur François Daoust (17) sont affichés si l'on clique sur l'icône de livre. De plus, si l'on clique sur le point d’interrogation, une aide contextuelle, souvent très explicite, apparaît. Sur le site du logiciel, il existe des dispositifs périphériques comme le «Forum» par l’intermédiaire duquel on peut soumettre des questions ou tout simplement lire les questions et les réponses déjà traitées. Le «Projet Visibilité» offre aussi une série de démos qui illustrent les principales commandes et leurs résultats, ainsi qu’un glossaire et des textes écrits par plusieurs chercheurs en ATO. Finalement, un petit tutoriel conçu pour un cours à l’Université de Montréal est accessible à tous (18).
Nous avons, à l’occasion, mentionné plus haut quelques lacunes du logiciel: pas de désambiguïsation en contexte et, par conséquent pas de lemmatisation possible pour les parties du discours à valeur multiple, ce qui empêche des traitements linguistiques d’assez bas niveau. Nous pourrions ajouter quelques autres inconvénients: le format propriétaire de balisage des propriétés et de leurs valeurs oblige à une conversion préalable des textes récupérés en format normalisé HTML, SGML ou XML; le fait que le logiciel ne supporte pas plusieurs niveaux hiérarchiques de description et, enfin, le manque d’intégration de SATO avec des analyseurs statistiques poussés et des outils graphiques de visualisation.
- Conclusion
Nous avons essayé d’illustrer comment l’utilisation éclairée du logiciel SATO offre, malgré les inconvénients relevés, une richesse d’information au lecteur ou chercheur doté de suffisamment de connaissances pour faire parler les signes.
La force principale du logiciel réside dans la possibilité de surimposer aux chaînes de caractères sur l’axe vertical du lexique ou sur l’axe syntagmatique du texte une grande variété d’interprétants issus des multiples systèmes qui constituent la texture du matériau d’analyse (19). Modifications et enrichissements des analyses s’effectuent au fur et à mesure que naissent des intuitions, que s’infirment ou se confirment les hypothèses. Les unités lexicales peuvent passer progressivement de la forme graphique à la lexie simple et complexe, au syntagme et au terme. Elles peuvent être regroupées, non sans effort, en champs lexicaux et en champs sémantiques, être décomposées en morphèmes ou en sèmes. Les outils d’analyse s’appliquent aussi bien aux caractéristiques morphologiques qu’aux propriétés de toutes sortes qui leur sont ajoutées. Les capacités de découper l‘axe lexical et l’axe syntaxique en sous-ensembles ouvrent la voie à une multiplicité de points de vue sur un texte, un ensemble de textes du même auteur ou de plusieurs auteurs, d’un même genre littéraire, d’une même période ou époque, chacun des textes étant alors pris en compte comme diverses unités d’un seul et même corpus. Les études intertextuelles et idéométriques peuvent en bénéficier grandement (20).
Certains diront, à juste titre, que la reproductibilité technique engendre une perte de l’aura de l’objet esthétique mais, sur le plan épistémologique, face à un texte littéraire, un logiciel comme SATO a une valeur certaine puisqu’il permet d’en approfondir une connaissance parmi d’autres. «[...] Il s’avère possible de prendre en considération les multiples facettes et la complexité du texte littéraire, sans courir le danger de réduire sa lecture à des décomptes informatiques simplistes, le spécialiste restant toujours maître de l’instrument qu’il met au service de ses savoirs et de ses hypothèses», écrivions-nous dans un article précédent (21).
Notes
16 - Pour un lexème donné, cet indice dû à Salton est calculé de la façon suivante (explications de F. Daoust): Fréq-max x ln (1/répartition) où Fréq-max est la plus grande des fréquences relatives du lexème calculées pour chacun des segments, et répartition est le nombre de contextes où apparaît le lexème divisé par le nombre total de contextes. x est le signe de multiplication et ln le logarithme naturel. Cette mesure est nulle lorsque l'indice de répartition est de 100%.
17 - Daoust, François. 1996. SATO: Système d'analyse de texte par ordinateur: version 4.0: manuel de référence, Montréal, Service d'analyse de textes par ordinateur (ATO), Université du Québec à Montréal.
18 - Bertrand-Gastaldy. Cours BLT 6134 - Analyse de textes et ordinateur. Tutoriels. Premières explorations avec SATO: http://mapageweb.umontreal.ca/gastaldy/BLT-6134/Tutoriels/Sato/Premières%20explorations%20avec%20SATO1_fichiers/frame.htm
19 - McKenzie, D.F. 1991. La Bibliographie et la sociologie des textes, Paris, Édition du Cercle de la librairie, p. 32.
20 - Floridi, Luciano. 1996. «Internet: which future for organized knowledge, Frankenstein or Pygmalion?» The Information Society, 12, p. 5-16.
21 - Bertrand-Gastaldy, Suzanne et Marchand, Paul. 1999. «L'Analyse du texte littéraire assistée par ordinateur: essai d'illustration avec Regards et jeux dans l'espace, de Saint-Denys Garneau, traité avec le logiciel SATO», Documentation et bibliothèques, p. 55-66. Cet article est aussi disponible en texte intégral dans la base de données Repère disponible sur le Web (abonnement nécessaire).
Suzanne Bertrand-Gastaldy, avec la collaboration de Paul Marchand, «Le Logiciel SATO».
2002
Voir dans l'encyclopédie de l'Astrolabe: