Le corpus PhraséoRoChe se centre sur le roman de chevalerie de langue française écrit en prose. Il rassemble des textes issus d’œuvres produites entre le XIIIe siècle et le XVIIe siècle, période bornée par la naissance et la disparition de ce genre textuel. Pour permettre des interrogations par le lecteur d’aujourd’hui d’un corpus outillé embrassant une diachronie aussi longue, il faut faire des choix concernant l’évolution de la langue, non seulement en traitant le décalage entre le français contemporain et la (...) langue des textes retenus mais aussi en faisant face aux difficultés liées à l’hétérogénéité de l’ancien français, du moyen français et du français préclassique. Quels choix méthodologiques peuvent être pertinents en vue de l’objectif défini, à savoir une exploitation de type linguistique, stylistique ou littéraire? Les collaborateurs du projet se sont heurtés à la triple difficulté de rester fidèles aux textes, d’intégrer la diversité des pratiques éditoriales des chercheurs selon les étapes de l’histoire du français et d’unifier le plus possible les principes de traitement pour faciliter la réception actuelle. Le présent article rend compte des deux volets de l’opération : la sélection et la transcription d’un ensemble de 40 textes, d’abord, et l’annotation au moyen de balises structurelles, d’étiquettes lexicales et d’étiquettes morphosyntaxiques, ensuite. (shrink)

La multiplication des très grands corpus en linguistique historique a entraîné des discussions nombreuses sur les procédures d’annotation et les métadonnées associées, notamment concernant les questions relevant de l’étiquetage morphosyntaxique et de la tokenisation. D’autres sujets cruciaux, en revanche, semblent moins abordés, comme la question de la découpe en propositions ou en « phrases » des données linguistiques, la préservation des informations philologiques ou, encore, la question de l’encodage et des formats de données. Notre contribution explore ces thématiques en prenant (...) exemple sur le corpus MICLE, qui a dû résoudre des difficultés inédites au long de sa constitution. (shrink)

Le corpus Democrat, annoté en expressions référentielles et en chaînes de référence, est paru fin 2019 et a déjà fait l’objet de plusieurs études. Trois ans plus tard, on constate qu’il manque encore des statistiques sur l’ensemble du corpus, et des analyses qui tiennent compte des données à la fois d’un point de vue global – fréquence d’apparition de phénomènes, par ex. – et d’un point de vue local, avec la remise en perspective des annotations dans leur contexte textuel. Cet (...) article répond à ce manque en trois étapes : 1. nous réalisons une présentation critique du corpus, aussi bien au niveau du choix des textes qu’à celui des annotations ; 2. nous présentons quelques statistiques générales qui permettent d’apprécier la constitution du corpus dans sa dimension diachronique et de mettre en avant ses apports ; 3. nous proposons une analyse locale, sur les liens entre expressions référentielles et discours direct. (shrink)

Notre article illustre l’utilité de la calibration générique des corpus pour l’analyse diachronique de la langue française. Nous explorons le cas de l’antéposition stylistique de l’infinitif et du participe au sein de trois corpus constitués respectivement de textes littéraires, de coutumiers normands et de procès, de la période de l’ancien français à celle du français classique. Le calibrage générique montre que les évolutions de ces phénomènes d’antéposition diffèrent selon le type de texte, et que les textes légaux montrent une surreprésentation (...) de ces constructions, en lien avec la pratique de la langue latine qu’observaient les spécialistes du droit. (shrink)

La Base de français médiéval (BFM) fait partie des corpus de français médiéval (9e-15e s.) les plus anciens et les plus utilisés par les linguistes diachroniciens et plus largement par tous ceux qui s’intéressent à l’histoire du français. Elle est le fruit d’une collaboration entre linguistes-philologues et spécialistes de la méthode textométrique implémentée dans la plateforme TXM. L’article présente un état des lieux du corpus BFM2022 focalisé sur la représentativité et l’interopérabilité des données. Il illustre l’apport des outils numériques pour (...) l’équilibrage des données et présente la stratégie de standardisation multi-niveau (structure textuelle, références, métadonnées, annotations) ayant permis à la Base de s’intégrer à des corpus diachroniques plus étendus pour des recherches en diachronie longue. (shrink)

Dans une écriture serrée scientifiquement mais toujours agile, Anna Jaubert nous livre, 30 ans après Lecture pragmatique (Hachette, 1990), le fruit de plusieurs décennies de réflexion théorique et pratique sur la stylistique. La problématique ambitieuse de cette « stylistique pragmatique » trouve ici sa justification dans un suffixe : la « stylisation » du discours nous dit le titre, plutôt que le « style ». C’est ainsi une conception dynamique qui se déploie sur presque 300 pages, 3 grandes...

Le projet ANR Profiterole avait pour objectifs la constitution de ressources pour le français médiéval (9e-15e s.) : un corpus annoté en (morpho-)syntaxe et des lexiques, la conception d'analyseurs syntaxiques pour le français médiéval, le développement d’outils de diffusion et d’analyse textométrique de l’annotation syntaxique dans le contexte de la plateforme TXM, et, enfin, la modélisation de certains aspects syntaxiques de l’évolution du français. Nous commençons par décrire la constitution du corpus Profiterole en termes de choix de textes, genres et (...) périodes et de types d’annotation. Puis nous présentons les modèles d’analyse syntaxique développés conjointement à la constitution du corpus, ainsi que la manière dont leurs prédictions ont été combinées pour assister la correction manuelle de l’annotation du corpus. Enfin, nous abordons les modalités de diffusion des données et modèles produits dans le cadre du projet avec un accent particulier sur l’intégration du corpus annoté à TXM, tant dans sa version en ligne accessible depuis le portail de la Base de français médiéval (BFM) que dans sa version pour ordinateur personnel, avec des exemples de requêtes CQP et TIGER facilitant l’exploration et l’analyse du corpus. (shrink)

Dans le cadre de la construction du corpus PhraseoRoChe, un corpus diachronique rassemblant des romans de chevalerie du 13e au 17e siècle, cet article s’intéresse aux performances de différents analyseurs (étiqueteurs, lemmatiseurs, parseurs en dépendances) entrainés sur des états de langue connexes allant de l’ancien français au moyen français et au français moderne. Nous étudions ainsi la possibilité d’étendre ces analyseurs au-delà des états de langues précis sur lesquels ils ont été entrainés, en s’appuyant notamment sur les divergences entre analyseurs (...) pour identifier les annotations les moins fiables, et ainsi prioriser les interventions manuelles de correction / validation des annotations automatiques. Nous étudions également les possibilités offertes par un traitement superficiel de modernisation graphique pour tirer parti d’un analyseur moderne appliqué à des états de langue anciens. (shrink)

Depuis plusieurs décennies, la numérisation des textes anciens et les progrès du TAL pour les traiter et les interroger ont largement modifié nos habitudes de travail. Il est désormais possible d’obtenir des données quantitatives massives qui affinent notre perception des phénomènes linguistiques et stylistiques dans des corpus écrits dans des états de langue anciens. Les corpus numériques créés depuis maintenant près d’un quart de siècle permettent d’envisager plus facilement la dynamique du...

Hyperbase est un logiciel d’Analyse de Données Textuelles (ADT) qui offre une suite d’outils statistiques dédiés à l’étude de corpus. Initialement développé sur ordinateur de bureau, il se décline depuis 2015 en plateforme web offrant une interface à l’ergonomie travaillée pour un usage tourné vers les sciences humaines et sociales. Après un rappel méthodologique de l’ADT, cette contribution présente Hyperbase Web version 2024, à partir d’exemples concrets d’usages, de notes techniques ainsi que des entrées par le menu (manuel d’utilisateur). Cette (...) présentation sert de référence pour la prise en main du logiciel ou l’utilisation avancée des méthodes d’ADT. (shrink)

Cet article présente et discute la méthodologie de construction d’un corpus plurilingue en diachronie longue (1681-1914). Puisqu’il n’existait pas de corpus alsacien significatif, un important travail de construction d’un corpus significatif a été mené afin de constituer un corpus documentant les contacts linguistiques dans les écrits des locuteurs-scripteurs alsaciens. Cette tâche a présenté un certain nombre de défis méthodologiques causés par le contact des langues, la variation sociolinguistique et diachronique, le manque de sources primaires et de documents numérisés. Parmi ces (...) défis entrent aussi en compte la complexité du contexte historico-politico-sociolinguistique et les rapports entre oralité et scripturalité. (shrink)

Cet article présente les solutions utilisées pour le Corpus électronique des textes polonais des 17e et 18e siècles afin d’adapter son jeu de balises grammaticales à l’évolution du système morphologique qui a eu lieu au cours de la période. Les 17e et 18e siècles ont été marqués en effet par la formation d’une nouvelle catégorie grammaticale, appelée « masculine-personality » (Pl. *męskoosobowość*). Cette époque marque une transition de l’état ancien à l’état moderne et se caractérise par une variation significative des (...) terminaisons des formes plurielles N, A et V des noms masculins animés à cette époque. Par conséquent, le jeu de balises utilisé pour annoter le corpus, qui a été créé à l’origine pour le polonais moderne, a dû être légèrement modifié à cet égard. La deuxième partie de l’article décrit les recherches menées à l’aide de ce système d’annotation, qui ont montré que la différenciation des terminaisons flexionnelles des noms masculins personnels et impersonnels en polonais était déjà avancée au 17e siècle et presque achevée à la fin du 18e siècle. (shrink)

This article describes the methods involved in building a diachronic multilingual corpus devoted to Fine Arts, beginning with G. Vasari's Lives of the most excellent Italian architects, sculptors and painters (1568) as the fundamental source text in the field of Art History. Attention is given to automatic pre-alignment, the special proofreading protocol and segmentation rules developed to allow multilingual and/or diachronic alignment of multiple texts, and the difficulties inherent in annotating a multilingual database. A case study is offered, comparing the (...) term “tondo” and its variants (e.g. “mezzo tondo”, “di tondo rilievo”) in Italian with their translations in English (De Vere 1912-15) and French (Leclanché 1839, Chastel 1981, Luciani 2002, Powell 2007). These later translations contain a greater variety of both lexicalized counterparts such as “medallion” or “lunette” as well as paraphrases, used to disambiguate and distinguish the various meanings of “tondo”, thus demonstrating how artistic vocabulary, which was still developing in 16th c. Italian, through its transmission to other languages, became more diversified and stable over time. (shrink)