Les nouvelles technologies semblent offrir la possibilité d'aborder les textes avec une grande facilité et l'illusion de pouvoir maîtriser toute la littérature. En réalité, pour utiliser toutes les potentialités des nouveaux outils informatiques, il est nécessaire d'acquérir une méthode de lecture originale des textes. L'A. illustre ce fait à partir d'une expérience acquise dans la production de concordances lemmatisées d'auteurs grecs patristiques et byzantins.

Le calcul de distance entre les textes repose souvent sur l'étude de fréquences ; ainsi, les diverses œuvres des historiens latins peuvent être caractérisées par des dénombrements de catégories grammaticales, comme, par exemple, les temps et modes verbaux ; nous proposons ici une autre méthode prenant en compte la répartition des formes verbales le long de l'axe syntagmatique et rendant compte des effets de succession, – enchaînements et ruptures –, au sein de l'ensemble ordonné que constitue le texte. Des exemples (...) mettront en évidence l'intérêt de la démarche quand il s'agit d'évaluer le poids des divers facteurs à l'origine des écarts entre textes : époque, auteur, genre littéraire…. (shrink)

Le calcul de distance entre les textes repose souvent sur l'étude de fréquences ; ainsi, les diverses œuvres des historiens latins peuvent être caractérisées par des dénombrements de catégories grammaticales, comme, par exemple, les temps et modes verbaux ; nous proposons ici une autre méthode prenant en compte la répartition des formes verbales le long de l'axe syntagmatique et rendant compte des effets de succession, – enchaînements et ruptures – , au sein de l'ensemble ordonné que constitue le texte. Des (...) exemples mettront en évidence l'intérêt de la démarche quand il s'agit d'évaluer le poids des divers facteurs à l'origine des écarts entre textes : époque, auteur, genre littéraire…. (shrink)

Cet article essaye d’évaluer l’impact de la lemmatisation, ou, inversement, de la flexion casuelle sur les réseaux cooccurrentiels d’un mot-pôle en latin. Conjointement, il exploite cet impact pour approfondir l’examen de l’asymétrie des relations de cooccurrence.Nos précédents articles méthodologiques, consacrés notamment à l’asymétrie de la cooccurrence, reposaient en effet sur le dénombrement des cooccurrents d’un mot-pôle considéré et décompté sous sa forme de lemme. Or, si la cooccurrence est bien la « forme minimale du contexte » [Mayaffre 2008] qui (...) contribue à construire le sens textuel, la question se pose alors de la pertinence de l’abstraction opérée par la lemmatisation. Les différentes formes fléchies d’un mot en latin sont porteuses non seulement des catégories du nombre (et, pour les adjectifs et les pronoms, du genre), mais aussi de marques casuelles étroitement reliées à la fonction syntaxique et l’ensemble est susceptible d’avoir une influence sur le contexte immédiat du mot, y compris dans sa dimension thématique.Nous montrons donc dans un premier temps que la forme casuelle d’un mot latin détermine pour une bonne part la liste de ses cooccurrents spécifiques. Nous exploitons ensuite ce constat pour confirmer, au moyen de deux tests différents qui utilisent le réseau cooccurrentiel des diverses formes fléchies d’un même lemme, une hypothèse précédemment avancée [Luong et al. 2010] selon laquelle l’asymétrie des cooccurrences est, pour partie au moins, une image de la double insertion d’une forme, d’une part, dans un paradigme lexico-sémantique stabilisée en langue, d’autre part, dans un réseau de relations syntagmatiques actualisées en discours. (shrink)

Le calcul de distance entre les textes a le plus souvent été effectué à partir du dénombrement des données lexicales ; nous nous proposons ici d’abord de tester la possibilité d’appliquer l’un des calculs disponibles de distance à des paramètres grammaticaux, puis de proposer notre propre méthode à partir, non pas d’un tableau de contingences, mais d’un tableau de classement ordinal. Les textes soumis au calcul sont des textes latins empruntés à un corpus lemmatisé et étiqueté. Les différents résultats sont (...) comparés et leur pertinence est évaluée au regard d’un savoir philologique préalable. (shrink)

Le calcul de distance entre les textes a le plus souvent été effectué à partir du dénombrement des données lexicales ; nous nous proposons ici d’abord de tester la possibilité d’appliquer l’un des calculs disponibles de distance à des paramètres grammaticaux, puis de proposer notre propre méthode à partir, non pas d’un tableau de contingences, mais d’un tableau de classement ordinal. Les textes soumis au calcul sont des textes latins empruntés à un corpus lemmatisé et étiqueté. Les différents résultats sont (...) comparés et leur pertinence est évaluée au regard d’un savoir philologique préalable. (shrink)

Cet article essaye d’évaluer l’impact de la lemmatisation, ou, inversement, de la flexion casuelle sur les réseaux cooccurrentiels d’un mot-pôle en latin. Conjointement, il exploite cet impact pour approfondir l’examen de l’asymétrie des relations de cooccurrence.Nos précédents articles méthodologiques, consacrés notamment à l’asymétrie de la cooccurrence, reposaient en effet sur le dénombrement des cooccurrents d’un mot-pôle considéré et décompté sous sa forme de lemme. Or, si la cooccurrence est bien la « forme minimale du contexte » [Mayaffre 2008] qui (...) contribue à construire le sens textuel, la question se pose alors de la pertinence de l’abstraction opérée par la lemmatisation. Les différentes formes fléchies d’un mot en latin sont porteuses non seulement des catégories du nombre (et, pour les adjectifs et les pronoms, du genre), mais aussi de marques casuelles étroitement reliées à la fonction syntaxique et l’ensemble est susceptible d’avoir une influence sur le contexte immédiat du mot, y compris dans sa dimension thématique.Nous montrons donc dans un premier temps que la forme casuelle d’un mot latin détermine pour une bonne part la liste de ses cooccurrents spécifiques. Nous exploitons ensuite ce constat pour confirmer, au moyen de deux tests différents qui utilisent le réseau cooccurrentiel des diverses formes fléchies d’un même lemme, une hypothèse précédemment avancée [Luong et al. 2010] selon laquelle l’asymétrie des cooccurrences est, pour partie au moins, une image de la double insertion d’une forme, d’une part, dans un paradigme lexico-sémantique stabilisée en langue, d’autre part, dans un réseau de relations syntagmatiques actualisées en discours. (shrink)

La textométrie propose une approche et des outils pour analyser les corpus numériques, que les chercheurs en sémantique interprétative mettent à profit depuis une quinzaine d’années. Pour éclairer ces réussites, on entreprend ici de repérer des adéquations essentielles entre la théorie linguistique de la sémantique interprétative, et les principes fondateurs de l’approche textométrique. Les connivences sont nombreuses : la place centrale des textes à toutes les étapes de l’analyse, le souci de rester au plus proche du texte et d’éviter toute (...) préconception réductrice, le rôle déterminant du contexte global construit par le corpus de référence, le fonctionnement différentiel des calculs contrastifs comme des tris… Dans le contexte de renouveau actuel des logiciels textométriques, la sémantique interprétative est appelée à nourrir la réflexion théorique sous-jacente. (shrink)

In recent decades, the analysis of phraseology has made use of the exploration of large corpora as a source of quantitative information about language. This paper intends to present the main lines of work in progress based on this empirical approach to linguistic analysis. In particular, we focus our attention on some problems relating to the morpho-syntactic annotation of corpora. The CORIS/CODIS corpus of contemporary written Italian, developed at CILTA – University of Bologna (Rossini Favretti 2000; Rossini Favretti, Tamburini, De (...) Santis in press), is a synchronic 100-million-word corpus and is being lemmatised and annotated with part-of-speech (POS) tags, in order to increase the quantity of information and improve data retrieval procedures (Tamburini 2000). The aim of POS tagging is to assign each lexical unit to the appropriate word class. Usually the set of tags is pre-established by the linguist, who uses his/her competence to identify the different word classes. The very first experiments we made revealed how the traditional part-of-speech distinctions in Italian (generally based on morphological and semantic criteria) are often inadequate to represent the syntactic features of words in context. It is worth noting that the uncertainties in categorisation contained in Italian grammars and dictionaries reflect a growing difficulty as they move from fundamental linguistic classes, such as nouns and verbs, to more complex classes, such as adverbs, pronouns, prepositions and conjunctions. This latter class, that groups together elements traditionally used to express connections between sentences, appears inadequate when describing cohesive relations in Italian. This phenomenon actually seems to involve other elements traditionally assigned to different classes, such as adverbs, pronouns and interjections. Recent studies proposed the class of ‘connectives’, grouping all words that, apart from their traditional word class, have the function of connecting phrases and contributing to textual cohesion. From this point of view, conjunctions can be considered as part of phrasal connectives, that can in turn be included in the wider category of textual connectives. The aim of this study is to identify elements that can be included in the class of phrasal connectives, using quantitative methods. According to Shannon and Weaver’s (1949) observation that words are linked by dependent probabilities, corroborated by Halliday’s (1991) argument that the grammatical “system” (in Firth’s sense of the term) is essentially probabilistic, quantitative data are introduced in order to provide evidence of relative frequencies. Section 2 presents a description of word-class categorisation from the point of view of grammars and dictionaries arguing that the traditional category of conjunctions is inadequate for capturing the notion of phrasal connective. Section 3 examines the notion of ‘connective’ and suggests a truth-function interpretation of connective behaviour. Section 4 describes the quantitative methods proposed for analysing the distributional properties of lexical units, and section 5 comments on the results obtained by applying such methods drawing some provisional conclusions. (shrink)

This paper sheds light on the possibilities and perspectives of linking digital editions of Medieval German texts to each other and to other digital resources. Furthermore, it discusses some of the internal and technical conditions necessary to render this linkage meaningful, like lemmatisation, part-of-speech-tagging, and using standardised mark-up languages. Finally, the sustainability and reusability of digital editions are considered. While in the past, editions of medieval texts were conceived as rather isolated scholarly works of individual editors, nowadays the collaboration (...) and cooperation of greater working groups is essential in editing projects. Due to the complexity of editions consisting of multiple textual layers, e. g. apparatus entries, annotations, or facsimiles, the requirements for future digital editions have risen. The first approach to respond to these demands is to link the various textual layers to each other, enabling the users to navigate between these layers in a sensible way. The second step is to link the edited text to other resources, such as online dictionaries or other editions, allowing complex research networks to be created. These goals are achieved by lemmatising and other tagging methods, ensuring the information being mapped to a normalised and idealised frame of reference. Common standards like Unicode or the TEI guidelines are of great importance for such purposes, as they assure the interchange and re-use of scientific data, as well as their sustainability. (shrink)

Une application d’attribution d’auteur au moyen de la distance intertextuelle en anglais Le calcul de distance intertextuelle que C. et D. Labbé appliquent aux textes français peut être utilisé pour différencier les œuvres d’au moins deux auteurs dramatiques contemporains de l’époque élisabéthaine, William Shakespeare et Thomas Middleton. Bien que les 46 textes sous étude, transcrits avec une orthographe moderne, ne soient pas lemmatisés et que seuls des échantillons de textes de même longueur aient été utilisés, les indices de distance intertextuelle (...) qu’on a pu ainsi établir empiriquement sont du même ordre de grandeur que ceux qu’ont établis C. et D. Labbé pour le français. Timon of Athens considéré comme étant pour deux-tiers de Shakespeare et pour un tiers de Middleton se place entre le groupe des œuvres de Shakespeare et celui des œuvres de Middleton dans une analyse multidimensionnelle de 1035 distances intertextuelles. (shrink)

Une application d’attribution d’auteur au moyen de la distance intertextuelle en anglais Le calcul de distance intertextuelle que C. et D. Labbé appliquent aux textes français peut être utilisé pour différencier les œuvres d’au moins deux auteurs dramatiques contemporains de l’époque élisabéthaine, William Shakespeare et Thomas Middleton. Bien que les 46 textes sous étude, transcrits avec une orthographe moderne, ne soient pas lemmatisés et que seuls des échantillons de textes de même longueur aient été utilisés, les indices de distance intertextuelle (...) qu’on a pu ainsi établir empiriquement sont du même ordre de grandeur que ceux qu’ont établis C. et D. Labbé pour le français. Timon of Athens considéré comme étant pour deux-tiers de Shakespeare et pour un tiers de Middleton se place entre le groupe des œuvres de Shakespeare et celui des œuvres de Middleton dans une analyse multidimensionnelle de 1035 distances intertextuelles. (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)

Le présent exposé tente d’explorer et de comparer les méthodes qu’on a proposées jusqu’ici pour mesurer la distance entre deux textes. Les formules sont diverses, et s’appliquent tantôt à la fréquence, tantôt à la présence / absence. Et l’objet mesuré varie grandement (graphies, n‑grammes, lemmes, classes de fréquence, codes grammaticaux, structures syntaxiques ou sémantiques). L’expérience montre pourtant que la convergence est au rendez-vous.

Le présent exposé tente d’explorer et de comparer les méthodes qu’on a proposées jusqu’ici pour mesurer la distance entre deux textes. Les formules sont diverses, et s’appliquent tantôt à la fréquence, tantôt à la présence / absence. Et l’objet mesuré varie grandement (graphies, n‑grammes, lemmes, classes de fréquence, codes grammaticaux, structures syntaxiques ou sémantiques). L’expérience montre pourtant que la convergence est au rendez-vous.

La textométrie propose une approche et des outils pour analyser les corpus numériques, que les chercheurs en sémantique interprétative mettent à profit depuis une quinzaine d’années. Pour éclairer ces réussites, on entreprend ici de repérer des adéquations essentielles entre la théorie linguistique de la sémantique interprétative, et les principes fondateurs de l’approche textométrique. Les connivences sont nombreuses : la place centrale des textes à toutes les étapes de l’analyse, le souci de rester au plus proche du texte et d’éviter toute (...) préconception réductrice, le rôle déterminant du contexte global construit par le corpus de référence, le fonctionnement différentiel des calculs contrastifs comme des tris… Dans le contexte de renouveau actuel des logiciels textométriques, la sémantique interprétative est appelée à nourrir la réflexion théorique sous-jacente. (shrink)