La
Comparaison de deux auteurs à l’aide du logiciel Hyperbase
de Margareta Kastberg Sjöblom
Centre national de la recherche scientifique, UMR 6039 (Nice, France)
Le logiciel Hyperbase, conçu et
développé par Étienne Brunet, repose sur les lois statistiques et les
techniques lexicométriques; il autorise un ensemble de traitements sur des
corpus de textes prédéfinis ou saisis par l’utilisateur (1). Les fonctions
statistiques du logiciel donnent la possibilité d’analyses diverses notamment
sur la richesse lexicale, l’étude des hapax, l’accroissement lexical, la
distance (ou connexion) lexicale, la corrélation chronologique et les
spécificités internes et externes (en s’appuyant sur les données de Frantext).
Une fonction thématique recense tous les termes situés dans l’environnement
immédiat d’un mot donné. L’analyse factorielle des listes et du dictionnaire
permet, grâce à la représentation graphique, une vision synthétique des
multiples accords d’une analyse complexe.
Ces différentes analyses permettent non seulement d’étudier le vocabulaire et
le style d’un écrivain, l’écriture d’une époque, etc., mais aussi de comparer
différents auteurs entre eux. Afin de procéder à une comparaison de deux
écrivains contemporains, nous avons créé un corpus numérisé englobant la
quasi-totalité de l’oeuvre de Julien Gracq et les principaux ouvrages de Le
Clézio, corpus que nous avons par la suite traité avec le logiciel Hyperbase;
nous avons ainsi tenté de distinguer les points communs et les divergences des
deux oeuvres, aux niveaux de la structure, du style et du contenu lexical.
Quel est l’intérêt d’une telle analyse? L’oeuvre de Le Clézio aussi bien que
celle de Gracq ont déjà fait l’objet de diverses études et nombreux sont les
signes d’une institutionnalisation en cours de la création littéraire de ces
auteurs. Ces critiques ont porté principalement sur l’analyse de certains
textes, sur leurs aspects stylistiques, mais peut-être surtout sur des
thématiques représentatives de l’oeuvre ou d’une partie de l’oeuvre: la
critique de la société moderne, l’exotisme géographique, la dimension
mythique, etc. Ces analyses se sont inspirées de différentes sources,
notamment de la critique littéraire «classique», de l'approche bachelardienne,
ou encore de l’école psychocritique.
Mais peut-être les contenus de ces analyses ne rendent-ils pas encore
suffisamment compte de la spécificité des oeuvres, dont l’unité est au
demeurant difficile à cerner. C’est pourquoi aborder l’oeuvre à partir de son
vocabulaire, des mots eux-mêmes, dans une démarche endogène et non à partir
d’une thématique artificiellement préétablie, peut se révéler fructueux.
La lexicométrie et le traitement informatique des textes permettent en effet
une description contrôlée et chiffrée du vocabulaire et de la syntaxe, ouvrant
ainsi la voie à un traitement exact et impartial du corpus. Lorsque celui-ci
est important, comme l’est notre corpus, l’aide de l’ordinateur devient
indispensable pour saisir les nuances, les structures et les évolutions de la
langue et de son usage, qui servent ici à la comparaison de deux auteurs.
L’ordinateur et les logiciels appropriés permettent une description rigoureuse
et objective du corpus, sur laquelle une réflexion et une analyse précises
peuvent alors être faites, ouvrant ainsi la voie à l’analyse qualitative, à
une réflexion sur l’utilisation des mots, à un travail de recherche sur le
vocabulaire et le langage.
L’oeuvre de Jean-Marie Gustave Le Clézio s’étend sur une quarantaine d’années
et compte aujourd’hui plus de trente titres. Rappelons que Le procès verbal,
son premier roman, pour lequel il s’est vu attribuer le prix Renaudot, a été
publié en 1963. Le Clézio a été aussitôt rattaché à l’Ecole du «nouveau roman»
par la critique. Depuis l’auteur s’est imposé dans la littérature française,
avec une oeuvre importante et variée, comprenant non seulement des romans et
des nouvelles mais aussi des essais littéraires, des ouvrages ethnologiques et
biographiques ainsi que des livres pour enfants. Le succès de romans comme
Désert, Le chercheur d'or, Onitsha et Etoile errante
- qui ont fait de Le Clézio un auteur «grand public» - tend à éclipser les
titres plus anciens. Aujourd'hui ses livres figurent aux programmes des écoles
et des universités et se maintiennent en tête des meilleures ventes: on aime
sa manière de mêler une histoire simple, insérée dans le temps, et une
aventure mystique à valeur d’éternité.
Les critiques ont souvent rapproché l’écriture de J.M.G. Le Clézio de celle de
Julien Gracq, deux auteurs contemporains français qui s’expriment tous les
deux dans différents genres littéraires et qui ont derrière eux une longue
carrière. Il est vrai que Julien Gracq et J.M.G. Le Clézio ont de nombreux
points communs, notamment leur grande discrétion, le fait de n’appartenir à
aucun clan ou formation littéraire, et que leurs oeuvres sont souvent classées
comme à part, hors de toute mode.
Un autre point commun entre ces deux écrivains très productifs est celui de la
difficulté de classer leurs ouvrages dans des genres littéraires
traditionnels. Le Clézio a toujours refusé la classification traditionnelle en
genres littéraires et il tentait même dans ses premiers livres des expériences
en transgressant les catégories et les genres, composant des oeuvres qu’il
qualifiait comme «ni essais, ni romans, ni poèmes, et pourtant tout cela à la
fois». Quant à Gracq, la critique évite souvent de prendre position ou
d’effectuer une classification générique quelconque, en qualifiant tous les
textes de palimpsestes.
Louis Poirier publie à compte d’auteur, sous le nom de Julien Gracq, son
premier roman Au château d’Argol en 1938. L’ouvrage passe inaperçu,
mais quelques esprits et non des moindres sont de ses rares lecteurs, ce qui
offre à l’écrivain un certain succès d’estime et lui permet de continuer son
oeuvre. Gracq obtient en 1951 le prix Goncourt, pour Le rivage des Syrtes,
qu’il refuse. En cinquante ans d’écriture, l’auteur n’a jamais voulu
participer aux débats qui agitent «le bel air de la littérature
d’aujourd’hui».
Notre corpus Gracq, englobe pratiquement la totalité de la production de
l’auteur avec 17 ouvrages et rassemble plusieurs genres littéraires, notamment
les essais littéraires qui sont richement représentés dans ce corpus:
- Romans: Au château d’Argol, Un beau ténébreux, Le rivage
des Syrtes, Un balcon en forêt et La presqu’île.
- Critiques, essais ou mélanges (2): André Breton. Quelques aspects de
l’écrivain, Préférences, Lettrines 1, Lettrines 2,
Les eaux étroites, En lisant, en écrivant, La forme d’une ville,
Autour des sept collines et Carnets du grand chemin.
- Poèmes en prose: Liberté grande.
- Théâtre: Le Roi-pêcheur et Penthésilée.
Afin de procéder à une comparaison adéquate et de répondre à des critères
d’homogénéité, nous avons extrait un sous-corpus de notre grand corpus Le
Clézio qui englobe la quasi-totalité de son oeuvre (3). Ce corpus contient
aussi 17 ouvrages: 13 romans et 4 essais:
- Romans classés comme appartenant à l’Ecole du «nouveau roman»: Le
procès-verbal, Le déluge, Le livre des fuites, La guerre
et Voyages de l’autre côté.
- Romans, considérés par les critiques comme «traditionnels»: Désert,
Le chercheur d’or, Voyage à Rodrigues (écrit sous forme de
journal personnel), Onitsha, Etoile errante, La quarantaine,
Poisson d’or, et Hasard.
- Essais littéraires: L’extase matérielle, L’inconnu sur la terre,
Trois villes saintes et Le rêve mexicain ou la pensée interrompue.
Le corpus numérisé obtenu des deux oeuvres contient 2.650.081 occurrences et
64.802 formes graphiques réparties dans les oeuvres du corpus. Le tableau
ci-dessous récapitule les données numériques attachées au corpus et rend
compte de la distribution des occurrences et des formes ainsi que de leur
étendue:
Figure 1. Le Corpus «Comparaison Gracq - Le
Clézio» (formes graphiques).
Le tableau regroupe les occurrences de chaque
oeuvre constitutive dans le corpus, celles-ci étant classées par ordre
chronologique. La deuxième colonne regroupe le nombre d’occurrences et la
troisième celui des formes distinctes. La proportion P est présentée dans la
quatrième colonne, suivie de Q dans la cinquième colonne. Dans la sixième
colonne apparaît l’année de parution de l’ouvrage et finalement, dans la
septième, le code que nous avons donné à chaque oeuvre dans cette étude.
Dans les études statistiques les fréquences absolues ne suffisent pas; pour
effectuer des analyses quantitatives différentes notamment de la fréquence et
des hapax, il est important de connaître l’étendue de son corpus et de ses
parties. Or, les calculs effectués par le logiciel Hyperbase permettent de
mesurer l’étendue des textes dans le corpus en prenant en compte ces
contraintes. Les calculs du poids relatif, c’est-à-dire l’espérance
mathématique de l’événement - occurrence d’un mot dans le texte considéré (P)
et non-occurrence de ce mot dans le même texte (Q=1-P) -, permettent l’emploi
des lois classiques de la lexicométrie, principalement la loi normale et la
loi binomiale (4), et elles servent aux calculs de pondération dans les
différents traitements statistiques.
Le traitement statistique des données pondérées permet d’étudier la structure
du vocabulaire d’un corpus, une étude qui comporte l’observation des
fréquences et l’analyse des rapports que ces fréquences tissent entre elles.
L’étude de la structure lexicale, qui en principe est indépendante des
éléments qu’elle contient et ignore le contenu sémantique du discours,
s’intéresse en général à la distribution des fréquences, aux basses et aux
hautes fréquences et à leurs rapports, à l’étude des hapax, à la richesse
lexicale, à la diversité du vocabulaire ainsi qu’à l’accroissement lexical.
Les Hapax
L’étude des hapax est peut-être la plus traditionnelle et la plus «simple» à
effectuer. Les fluctuations de la fréquence d’hapax ont non seulement une
influence considérable quant aux études sur la richesse lexicale, mais
l’analyse de ces vocables présente également d’autres aspects. Les critiques
littéraires ont souvent évoqué l’intérêt de l’étude des hapax car ils y
trouvent de nombreux substantifs et des noms propres qu’ils considèrent comme
les unités les plus parlantes et les plus explicites dans les études
stylistiques. L’histogramme ci-dessous illustre la distribution relative des
hapax dans les différentes oeuvres de notre corpus (5).
Figure 2. La Distribution relative des hapax.
C’est dans la partie gauche du graphique
représentant en ordre chronologique les ouvrages de Gracq que nous trouvons
les valeurs excédentaires et dans la partie droite recensant les oeuvres
lecléziennes que sont rassemblées les valeurs déficitaires. L’oeuvre de Julien
Gracq a donc plus souvent recours aux hapax tandis que leur emploi faible chez
Le Clézio semble témoigner d’un lexique plus limité. A l’intérieur du corpus
gracquien le taux d’hapax augmente au fur et à mesure que l’oeuvre progresse.
Les valeurs négatives sont uniquement relevées dans les pièces de théâtre.
Cette opposition générique est également observable à l’intérieur de l’oeuvre
leclézienne. Les valeurs excédentaires se trouvent dans les essais littéraires
et plus précisément dans les ouvrages qui traitent du monde amérindien. La
découverte par l’auteur d’un nouvel univers, d’une culture tout à fait
différente de celle narrée auparavant, requiert des mots très précis et
spécifiques qui sont souvent des hapax.
Le mouvement général émanant de l’analyse des hapax est-il vraiment
représentatif de la structure lexicale des deux auteurs? L’étude d’autres
aspects fondamentaux de la structure d’un vocabulaire, comme celui de
l’analyse de la richesse lexicale, permet d’en savoir plus.
On n’a pas attendu les études quantitatives
pour qualifier de «riche» ou de «pauvre» le vocabulaire d’un écrivain ou d’une
oeuvre littéraire. «Appréciation toute subjective d’ailleurs, écrit Charles
Muller (6), qui ne se fonde généralement sur aucune donnée sûre, et qui
traduit plutôt la présence dans le texte de quelques vocables jugés rares, ou
au contraire l’absence de tels éléments du lexique.»
En fait, un nombre relativement élevé de vocables rares dans un corpus
n’indique pas nécessairement un vocabulaire riche, même s’il y a souvent une
bonne corrélation entre les deux phénomènes. Ainsi, Étienne Brunet (7)
a constaté que tous les termes techniques rares et spectaculaires chez Zola,
qui pouvaient donner l’impression d’un vocabulaire riche, ne compensaient pas,
en nombre, le grand déficit des vocables abstraits, notamment créés à l’aide
d’affixes. Une abondance de ces vocables pouvait par contre, chez d’autres
auteurs, contribuer à un vocabulaire nuancé et varié. La richesse du
vocabulaire d’un texte ne dépend pas seulement de l’étendue supposée du
lexique de son auteur, de sa «culture». Elle est également influencée par le
genre dans lequel il s’inscrit et par la spécialisation du vocabulaire en
fonction du thème traité dans tel ou tel passage de ce texte, toutes les
études lexicométriques témoignant de ce phénomène.
Quand on est en face de deux oeuvres, il est compliqué et délicat d’établir,
de manière précise, la richesse lexicale de corpus contenant des textes de
longueurs différentes. Pour ce faire, on dispose de plusieurs calculs,
notamment le calcul d’un vocabulaire théorique fondé sur la loi binomiale (8).
Les vocabulaires de nos deux auteurs sont-il «riches» ou «pauvres» (9)? La
figure ci-dessous, qui illustre la richesse lexicale dans le corpus, montre
une différence entre les deux écrivains.
Figure 3. Richesse lexicale du corpus.
L’histogramme permet en effet d’observer,
comme dans l’étude des hapax, un clivage entre les deux auteurs: Gracq semble
avoir un usage plus étendu du vocabulaire tandis que Le Clézio s’exprime en
règle générale avec un vocabulaire plus restreint. C’est dans la partie
gracquienne que nous constatons des valeurs excédentaires et plus précisément
dans la dernière partie ainsi que dans les essais, les pièces de théâtre étant
nécessairement pauvres. La figure témoigne donc d’un vocabulaire dont la
richesse augmente vers la fin de l’oeuvre. Chez Le Clézio nous observons la
même dynamique, avec une distinction de l’oeuvre en trois périodes: une
période initiale plus «riche» en vocabulaire, une deuxième période extrêmement
«pauvre» suivie par une période où la richesse lexicale augmente sans pour
autant atteindre les valeurs des débuts de la production. C’est uniquement
dans cette période initiale «nouveau roman» que la richesse lexicale atteint
les valeurs que nous observons chez Julien Gracq.
Avant de tirer des conclusions définitives sur la richesse lexicale, il
convient aussi de prendre en compte un autre facteur important pour
caractériser l’évolution dans le temps du vocabulaire: la mesure de
l’accroissement lexical.
L’étude de l’accroissement lexical permet
d’observer cette différence sous un autre angle, en s’intéressant aux apports
lexicaux dans le corpus. L’étude de l’accroissement lexical détermine en effet
l’apport du vocabulaire au fil du temps; cet accroissement est, pour un
segment déterminé du texte, le nombre d’unités nouvelles, c’est-à-dire n’ayant
pas été employées antérieurement, qui apparaissent dans ce segment. Pour
effectuer cette mesure, on découpe le corpus en tranches.
Le calcul d’accroissement du vocabulaire peut être fondé sur différents
modèles. Il peut avoir recours au même modèle que celui de la richesse
lexicale; la formule binomiale. Le logiciel Hyperbase calcule l’accroissement
par un simple ajustement de courbe en choisissant pour marques les césures
naturelles, c’est-à-dire les différents livres du corpus. Les décomptes sont
établis chaque fois que l’on passe d’un texte à un autre. La représentation
des données permet de localiser les ruptures thématiques dans le corpus, là où
se produit un afflux de vocables nouveaux. A l’inverse, les fragments où
l’accroissement est inférieur aux valeurs théoriques signalent l’épuisement
d’un thème. Les événements thématiques interviennent en effet toujours dans la
structure du vocabulaire en modifiant l’apport lexical.
Le tableau ci-dessous rend compte de l’accroissement du vocabulaire dans
l’ordre chronologique. Ici le calcul fait appel à un ajustement des deux
séries parallèles (vocabulaire cumulé et étendue cumulée) grâce à une
fonction-puissance de type: «y = axb» pour «x = vocabulaire cumulé»
et «y = étendue cumulée théorique». L’écart entre étendue théorique et étendue
réelle est alors calculé pour chaque texte, puis pondéré par l’étendue de
chaque texte. Cette représentation graphique permet une observation plus aisée
de l’accroissement lexical du corpus.
Figure 4. Accroissement lexical calculé sur V
(écarts réduits).
Il convient, avant d’interpréter cet
histogramme, de souligner le fait que ce corpus n’est pas chronologique, et en
postposant un écrivain à l’autre, cette étude désavantage évidemment le
deuxième auteur. Toutefois, notons que le récit Liberté grande et les
essais de Gracq, comme Lettrines I et II ainsi que Autour des
sept collines et Carnets du grand chemin, introduisent
régulièrement de nouveaux thèmes dans le corpus. Mais le plus frappant est
peut-être l’extraordinaire impact de l’apport lexical qui advient avec
l’introduction du monde amérindien dans le corpus, ici avec Le rêve
mexicain de Le Clézio.
Si nous faisons le compte à rebours, en calculant l’accroissement lexical à
l’envers, nous constatons une situation différente.
Figure 5. Accroissement lexical calculé sur N
(écarts réduits).
Cet histogramme met en évidence la richesse
lexicale importante des débuts littéraires de Le Clézio, influencés par
l’Ecole du «nouveau roman», où nous assistons, après la période
significativement déficitaire de la fin du corpus Le Clézio, à une véritable
explosion lexicale dans, par exemple, Le déluge et Le procès-verbal.
Le corpus Gracq n’amène pas de vocabulaire, au moins de façon significative,
avant Le rivage des Syrtes où l’apport est considérable.
Un balcon en forêt est publié en 1958, une année après La jalousie
d’Alain Robbe-Grillet et La modification de Michel Butor. Nous sommes
donc, dans cette période qui précède les débuts de Le Clézio, en plein essor
du mouvement du «nouveau roman». Or Julien Gracq n’est pas intéressé par les
recherches formelles des nouveaux romanciers, et sa position marginale
relative vis-à-vis des courants dominants induit, chez les critiques de
l’époque, une attitude négative, voire méprisante, qui consiste à le
considérer comme un écrivain d’un autre siècle. Nous ne trouvons pas en effet
chez Gracq les mêmes excès de vocabulaire que ceux que nous avons pu constater
chez Le Clézio durant cette période; bien au contraire c’est durant l’époque
du «nouveau roman» que nous pouvons observer le vocabulaire le plus restreint.
Nous avons pu constater, dans les diverses études statistiques effectuées sur
notre corpus, jusqu’ici s’appuyant uniquement sur les critères formels,
externes, non seulement le clivage important entre les deux auteurs mais aussi
l’influence importante des différents genres littéraires. Cette opposition
est-elle également observable lorsque l’on s’intéresse au contenu lexical et
plus précisément à l’étude de la distance entre les vocabulaires des
différents textes du corpus? Partagent-ils les mêmes thèmes? Y a-t-il une
connexion thématique entre les oeuvres d’un même genre littéraire chez les
deux écrivains?
Notes
1 - Pour une description détaillée du logiciel, voir l’article d’Etienne Brunet dans l’encyclopédie de l'Astrolabe, «Le logiciel Hyperbase», 2001.
2 - Gracq donne souvent la dénomination de «fragments» à ces ouvrages.
3 - Voir M. Kastberg Sjöblom, L’écriture de J.M.G. Le Clézio, une approche lexicométrique, Université de Nice Sophia Antipolis, 2002.
4 - La méthode binomiale résout le problème de la longueur inégale des textes en raccourcissant le plus long aux dimensions du plus court. Connaissant la distribution des fréquences du texte le plus long, on peut calculer le vocabulaire d’un fragment théorique de ce texte qui aurait la même longueur que le texte le plus court tout en conservant sa propre structure lexicale. Le vocabulaire théorique de ce fragment peut ensuite être directement comparé au vocabulaire du texte le plus court et ainsi permettre de déterminer lequel des deux textes a le vocabulaire le plus riche.
5 - Pour l’interprétation du graphique, la zone délimitée par les deux traits pointillés indique l’intervalle de fluctuation «normale», celle pour laquelle on ne peut pas écarter l’hypothèse que les fluctuations sont dues au hasard. Plus on s’écarte de cette zone, en dessous et en dessus, plus les écarts sont significatifs (du point de vue probabiliste).
6 - Ch. Muller (1977), p. 115.
7 - E. Brunet (1985), p. 25-27.
8 - Ch. Muller (1970), «Sur la mesure de la richesse lexicale», in Langue française et linguistique quantitative, Genève, Slatkine, 1979, p. 281-307.
9 - Rappelons ici qu’il n’y a aucune connotation dans les termes «riche» ou «pauvre» dans ce contexte. Naturellement, il n’y a aucune péjoration dans «pauvre» ni valorisation dans «riche», mais ces termes se sont imposés. Il ne s’agit que de mesurer des styles et des manières d’utiliser ou de ne pas utiliser l’étendue considérable du lexique de la langue.