Les observatoires textuels des langues

Les objectifs et priorités du consortium « Corpus écrits »

La question des corpus est devenue une question cardinale pour la science linguistique contemporaine. La révolution numérique en est une des causes principales. La constitution de corpus numériques écrits à des fins scientifiques a, de fait, profondément modifié les pratiques et les théories dans les sciences humaines et sociales, et particulièrement dans la science du langage, qui a vu se développer les approches descriptives et les démarches inductives procédant par analyses de données factuelles et généralisations, par opposition aux conceptions théoriques qui ont prévalu des années soixante aux années quatre-vingt, qui étaient arc-boutées sur le caractère présumé abstrait de la langue et du langage.  Corpus et archive, corpus et document, corpus et œuvres, corpus et texte, corpus et web, la notion fait aujourd’hui l’objet d’approches contrastives qui rendent compte de l’étendue du champ de réflexion ouvert par la recherche. Partant de ces constats et du fait que des attentes fortes se font jour en matière de partage d’informations, d’homogénéisation des pratiques et de mise en conformité avec des standards internationaux, le consortium « Corpus écrits », porté par l’Institut de Linguistique française (CNRS, FR 2393), s’est donné pour objectif de fédérer les équipes et laboratoires, les chercheurs, enseignants-chercheurs, ou ingénieurs engagés dans la production de corpus numériques écrits, quels que soient la langue et l’alphabet considérés, et d’offrir la représentation la plus large possible de cette communauté, afin d’accompagner le développement des corpus écrits, d’en faire converger les pratiques et les besoins, de financer des actions répondant à ses missions.

Les actions prioritaires du consortium

• Dresser un état des lieux des corpus existants, accessible à tous à travers des métadonnées normalisées. Il s’agit d’identifier les corpus écrits existants ainsi que leur état d’achèvement au regard des normes et standards internationaux
• Soutenir la constitution de corpus ou d’annotations complémentaires pour enrichir les ressources existantes
• Assurer la formation et l’information des acteurs :
  a. Formation/information aux acquis du projet d’infrastructure européenne CLARIN
  b. Formation aux normes et recommandations internationales pour les métadonnées permettant le catalogage des corpus
  c. Formation aux normes et recommandations de codage et d’annotation de corpus
• Favoriser l’insertion des acteurs français dans des réseaux internationaux. Pour remédier à la sous-représentation française dans les séminaires et groupes de travail européens et internationaux, le consortium soutient la participation d’experts français dans ces initiatives en finançant par exemple leur participation à des groupes de travail à l’étranger.

Onze groupes de travail, qui réunissent plus de 180 chercheurs, constituent les forces scientifiques du consortium.

Le comité de pilotage du consortium propose un programme scientifique qui vise à répondre aux besoins d’information, de formation, de partage des bonnes pratiques et de diffusion des standards européens et internationaux en matière de création, production, développement et valorisation des corpus numériques écrits. Le comité de pilotage est constitué de 10 personnes. Il vise à être représentatif de la communauté scientifique concernée.

Les futurs chantiers des humanités numériques : l’herméneutique des corpus ­­multilingues

Les humanités numériques, de la philologie à l’herméneutique 
La banalisation du support numérique et les grands chantiers de dématérialisation des textes anciens offrent de nouvelles opportunités aux humanités, non seulement en termes d’accès aux données textuelles, mais aussi — et surtout — en termes de renouvellement des objets : les premiers pas des humanités numériques relevaient d’ambitions à la fois patrimoniales, éditoriales et documentaires. La plupart des initiatives consistaient en collectes de documents, numérisations et collations pour ensuite les rendre interrogeables (indexation, navigation). Les projets ont ensuite porté sur la normalisation des bases textuelles avec l’établissement de formats d’échange et de normes d’encodage (par exemple TEI), lesquels ont facilité des travaux d’annotations philologiques et d’étiquetage (morphosyntaxique, lexical) permettant de complexifier les outils d’interrogation.

Cependant, l’utilisation, l’adaptation et la création d’outils et de méthodologies de linguistique de corpus adaptées à l’herméneutique des textes constituent le principal chantier des humanités numériques. Il s’agit désormais de développer des méthodes d’aide à l’interprétation des textes, s’inspirant à la fois de la philologie et de l’herméneutique traditionnelle et des méthodes Traitement Automatique des Langues (TAL en fouille de textes, en prenant garde toutefois d’en faire l’examen critique.

Les méthodologies différentielles sur corpus multilingues, multidiscours et multigenres
Dans cette perspective, les recherches consacrées à la mise au point de méthodologies et d’outils de fouille sémantique de corpus comparables multilingues, multidiscours et multigenres, s’imposent. Le consortium « Corpus écrits », notamment à travers les activités du groupe « Corpus multilingues », animé par Clément Plancq et Mathieu Valette, plaide pour le développement des humanités numériques dans une perspective différentielle et contrastive, tenant compte des transformations (passées et futures) de l’écrit, de la fragmentation des pratiques textuelles, et anticipant sur les futurs matériaux documentaires avec lesquels les chercheurs en sciences humaines et sociales auront à travailler.

A titre d’exemple, le projet ANR ALIENTO (MSH Lorraine et INALCO), qui vise à la création d’une base de données d’énoncés sapientiels médiévaux et modernes de la Péninsule ibérique, implique l’analyse linguistique et interculturelle d’un corpus fortement multilingue (arabe, hébreu, grec, araméen, latin, judéo-espagnol, espagnol). Le projet APRECIADO (Paris Nord, Paris Diderot, INALCO) réunit des géographes et des linguistes qui se proposent de confronter les observations des changements environnementaux intervenus en Afrique de l’Ouest depuis les indépendances (variation de la pluviosité, évolution de l’occupation et de l’utilisation du sol, croissance urbaine, etc.) avec la perception qu’en ont les acteurs (populations, gestionnaires, scientifiques, organisations non gouvernementales, etc.). Il s’agit de mesurer en quoi la prise en compte des perceptions et représentations des changements environnementaux permet d’améliorer l’aide à la décision face aux risques et aux enjeux attachés à ces changements. APRECIADO se distingue de l’état de l’art sur trois points: (i) l’objet d’étude (les opinions relatives aux perceptions et aux représentations des changements environnementaux par des agropasteurs) ; (ii) les langues (peul, wolof et djerma) ; (iii) le positionnement critique (le primat est donné à la praxis et au sémiotique, par opposition aux modèles référentiels souvent privilégiés).

Les nouveaux objets induits par le numérique

Le numérique a, par ailleurs,  substantiellement renouvelé la communication. Le Web 2.0. induit notamment de nouvelles formes et de nouveaux genres textuels particulièrement complexes. Participatifs et collaboratifs, ces nouveaux espaces articulent différents niveaux d’interaction, de l’individu à ses cercles sociaux, du public au privé, de l’objet à ses commentaires. Chaque production écrite (billet de blog, article de presse, article Wikipédia, etc.) est ainsi potentiellement commentée, discutée et évaluée, tandis que les genres et les réseaux s’entremêlent et se référencent entre eux, complexifiant davantage la forme des échanges.

La description de ces interactions dépasse largement le cadre séquentiel de l’analyse conversationnelle et représente un véritable défi méthodologique et scientifique pour les sciences du langage. Etant donné la nature à la fois sociale et linguistique de ces objets et les problèmes de passage à l’échelle et de formalisation que leur analyse implique, les sciences du langage sont a fortiori amenées à travailler dans des cadres inter- ou pluridisciplinaire. En ce sens, nous avons ici un exemple particulièrement frappant de l’impact du numérique sur les pratiques de recherche.

Dans le cadre du consortium Corpus écrits, un groupe de travail, piloté par Thierry Chanier et Céline Poudat, intitulé nouv-com en référence à l’ensemble de ces nouvelles formes de communication, se concentre spécifiquement sur ces questions et a lancé en 2013 le projet CoMeRe (Communication Médiée par les Réseaux) avec l’appui de l’Equipex Ortolang.

L’objectif est de créer à l’horizon 2014 un noyau de corpus de communication médiée par les réseaux (Computer Mediated Communication – CMC) en français. Le corpus reflètera un large éventail de formes de communication en français sur Internet (et plus précisément celles qui mettent en interaction différents locuteurs/scripteurs). Ces corpus seront consultables et téléchargeables librement de façon à permettre des recherches linguistiques ultérieures.

Par ailleurs, le projet s’inscrit dans une logique interdisciplinaire puisqu’il rassemble linguistes, informaticiens et spécialistes du traitement automatique des langues : représenter, formaliser et annoter ces nouvelles formes de communication requiert ainsi des compétences et des développements méthodologiques bien spécifiques, qui participent au renouvellement de nos disciplines.

Renouvellement des pratiques

L’utilisation des corpus numériques n’est pas un phénomène nouveau, et il faut rappeler que la France était particulièrement en avance dans les années 60, avec la constitution d’un fonds de 160 000 mots à l’INALF qui avait permis la mise en ligne de la base Frantext. Les travaux issus de la lexicométrie, née à Saint-Cloud dans les années 80, se prolongent aujourd’hui avec la textométrie.

En revanche, le développement et l’exploitation de corpus se sont intensifiés ces dernières années : le développement du web a rendu le numérique accessible aux chercheurs, qui peuvent facilement accéder aux bases et corpus disponibles, et collecter des textes pour constituer leurs propres corpus. Et le succès de la linguistique de corpus a entraîné le développement de nombreux outils et méthodes d’exploitation de corpus, participant à un renouvellement des pratiques et des observatoires.

Si la demande d’outils et de méthodes d’analyse de corpus est forte, le linguiste qui souhaite s’outiller est souvent perdu devant l’offre disponible. C’est sur la base de ce constat que le groupe de travail Exploration de corpus, piloté par Céline Poudat et Marie-Paule Jacques, a été lancé. En recensant les outils disponibles et les pratiques d’exploration de corpus observées dans la communauté, les chercheurs souhaitent aider les linguistes à s’orienter relativement à leurs objectifs de recherche et, le cas échéant, à se former, tout en dressant le bilan du renouvellement des pratiques induit par le numérique.

L’annotation de haut niveau

Les annotations de haut niveau, qui constituent l’objectif d’un groupe de travail piloté par  Amalia Todirascu et Agnès Tutin, concernent les annotations complexes au-delà du mot, qu’il s’agisse d’annotations syntaxiques, d’annotations sémantiques ou d’annotations discursives. Les corpus intégrant ces traitements restent encore assez rares pour les Français mais se développent de façon spectaculaire depuis une dizaine d’années, souvent sous l’impulsion de projets ANR : développement de grands corpus arborés comme le French Treebank (Abeillé & al. 2003) ou le corpus Sequoia (Candito & al. 2012), corpus d’expressions temporelles (Bittar & al. 2011) ou encore de sentiments ou d’opinions (Daille & al. 2011), corpus de marques discursives (Péry-Woodley & al. 2011), etc.

Ces nouvelles pratiques de balisage de phénomènes complexes, a priori assez rétives aux traitements informatiques, amènent à repenser certaines catégories et permettent d’affiner les typologies classiques. Par exemple, l’annotation des passages en guillemets, délicate du fait de la polyfonctionnalité de ces marques, permet de mettre au jour un ensemble stable d’emplois dans différents genres textuels (Rinck & Tutin 2007). Le travail empirique d’annotation met également en évidence des phénomènes fréquents mais parfois délaissés des études classiques, renouvelant ainsi les objets d’étude et permettant d’améliorer les modèles linguistiques existants, ainsi que les outils d’annotation. Par ailleurs, le développement de ces ressources est souvent rendu possible par un travail pluridisciplinaire, en particulier entre équipes de linguistes et spécialistes du Traitement Automatique des Langues, rapprochant dans la « linguistique outillée » deux communautés scientifiques qui ont parfois eu tendance à s’ignorer. L’appel à ces ressources (et aux outils d’annotation) tend à renouveler les pratiques des linguistes qui peuvent désormais étendre leurs investigations à des phénomènes plus diversifiés et des corpus plus volumineux, difficilement exploitables à la main.

Pour le comité de pilotage du consortium Corpus écrits,
Franck Neveu, Directeur de l’ILF (CNRS, FR 2393)

Contact : franck.neveu@ling.cnrs.fr
Site web : http://corpusecrits.corpus-ir.fr/

---

---