Le corpus hagiographique bourguignon lemmatisé avec Collatinus 12
Plan
Haut de pageTexte intégral
1Collatinus est un outil spécialisé dans la lemmatisation et l’analyse morphologique des textes latins1. Sa version 12, actuellement en préparation, utilise des modules lexicaux optionnels adaptés à la situation d’énonciation de chaque texte analysé. L’un des modules créés, adapté au latin médiéval, a été réalisé à partir du lexique du corpus hagiographique bourguignon constitué par le programme CBMA2.
2Initialement développé par Yves Ouvrard, l’ensemble du projet Collatinus a été transmis à Philippe Verkerk. La version 12 de Collatinus (abrégée C12 dans la suite) est actuellement utilisable en version alpha, mais elle ne sera publiée qu’après avoir été testée et stabilisée.
Pourquoi les modules ?
3De plus en plus utilisé, Collatinus se comporte très bien en présence de textes classiques, mais rencontre des difficultés d’autant plus grandes qu’on s’éloigne plus de cette période. Les textes médiévaux, en particulier, posent de gros problèmes à cause des entités nommées (anthroponymes et toponymes) et des particularités graphiques.
4C12 tente de résoudre cette difficulté par l’utilisation de modules à télécharger et à activer, adaptés à chaque corpus étudié.
5Le latin médiéval a évolué sous divers rapports :
-
il crée de nombreux mots (néologismes), mais n’oublie pas la langue classique et même archaïque ;
-
il change le sens des mots existants ;
-
il décline, conjugue différemment, souvent en simplifiant.
6Quelques exemples issus du corpus hagiographique CBMA :
-
néologismes
-
feudum, i, n. : fief
-
garcio, onis, m. : garçon
-
clocca, ae, f. : cloche
-
-
archaïsmes
-
induperator pour imperator (Germanus episcopus Autisiodorensis, Vita metrica auctore Heirico monacho - BHL 3458)
-
conponere pour componere (Odo abbas Cluniacensis, Vita minor extensa - BHL 6298)
-
honos pour honor (Cassianus episcopus Hortanus, dein Augustodunensis, Vita metrica - BHL 1633)
-
karus pour carus (Cassianus episcopus Hortanus, dein Augustodunensis, Vita metrica - BHL 1633)
-
-
hellénismes
-
xenodoxium : « hôpital »
-
-
flexion : simplification, « régularisation des irréguliers »
-
cognoscitum pour cognitum
-
-
graphie
-
gémination : med. apperio ; class. aperio
-
aspiration : med. michi, nichil ; class. mihi, nihil
-
ligatures et tildes (signes d’abréviation) : med.: æ, œ, ã, ae->e, etc.
-
ph/f, ci/ti, etc.
-
-
sémantique
-
coactio : med. contrainte ; class. action de recueillir
-
curia : med. cour du roi, ou de justice ; class. curie
-
Campania : med. Champagne ; class. Campanie
-
Principes de fonctionnement
7Les données de C12 sont partagées entre un tronc commun (ce qui n’a pas changé au cours de la latinité) et des modules.
-
Lorsqu’on lemmatise une forme, on la cherche d’abord dans le module, puis en cas d’échec, dans le tronc commun.
-
Ce qui a existé ne disparaît pas complètement. On retrouve des archaïsmes à toutes les époques. Inversement, un texte antérieur ne peut utiliser des changements devant intervenir plusieurs siècles plus tard.
-
Le système des modules permet de limiter le tronc commun au latin classique. On peut en retrancher tout ce qui n’est pas classique.
Anatomie d’un module
8Une fois téléchargé, un module se présente sous la forme d’une archive zip où sont compressés un jeu de fichiers strictement semblables au jeu de données traditionnel de Collatinus. Dans un Terminal, une simple commande permet de voir le contenu du fichier hagio.col (Fig. 1).
9Le module hagiographies livré dans le fichier hagio.col contient les fichiers suivants :
-
info.txt : brève description du corpus visé ;
-
irregs.la : irréguliers ;
-
lemmes.la et fr : lexique et traduction (en français) ;
-
vargraph.la : variantes graphiques.
10Comme leur homonyme dans le tronc commun, les fichiers irregs.la, lemmes.la et lemmes.fr suivent un format strict, mais facilement lisible, donc modifiable, par un utilisateur averti. La figure 2 montre une partie du fichier de traductions, dans lequel nous avons traduit presque 6 000 lemmes, dont plus de 2 000 toponymes ou anthroponymes. Pour ces toponymes ou anthroponymes, nous avons dû faire une recherche pour essayer d'identifier le lieu ou le personnage. En revanche, la plupart des autres lemmes ont été trouvés dans le réservoir de l'éditeur de modules, ECCE (voir plus loin).
L’interface de C12
- 3 Sermo de beato Maiolo, éd. D. Iogna-Prat, Agni immaculati. Recherches sur les sources hagiographiqu (...)
11L’interface de C12 est plus ou moins restée la même que celle de la version 11. On peut toujours charger un texte dans la fenêtre supérieure et disposer de divers onglets dans la partie inférieure. Ici, on a chargé un sermon sur saint Maïeul3. Si on le lemmatise sans avoir chargé de module, 132 mots sur 2298 (5 %) ne sont pas reconnus, comme on peut en voir deux sur la figure 3.
12Dans le menu lexique, on peut charger un module, en l’occurrence le module “hagio.col” que nous avons développé pour ce corpus hagiographique du CBMA (Fig. 4). Il faut également l’activer.
13Si on procède à une nouvelle lemmatisation de ce même texte maintenant que le module est actif, tous les mots ont été reconnus. Le module, cependant, ne peut analyser les fautes d’OCR ou de copie (par exemple, perculfus et avimaeque, qui seraient des fautes d'OCR, ou ingessu et savum, qui sont plutôt des fautes de copiste). La lemmatisation permet ainsi de repérer ce type d’irrégularités qui pourraient ensuite être corrigées dans le corpus.
ECCE
14Pour créer un module, on va devoir, par exemple, introduire de nouveaux lemmes dans le lexique et pour faciliter le travail de l’utilisateur, nous avons développé un éditeur de module pour C12 : ECCE, Ecce Collatinistarum Communitatis Editor.
15Ecce est l’éditeur de module pour C12. Outre un onglet pour gérer les modules existants, il propose un onglet pour l’enrichissement du lexique, un autre pour la définition de formes irrégulières et un dernier, sur lequel nous reviendrons, pour définir les variantes graphiques.
16Pour enrichir le lexique en fonction d’un texte donné, ce dernier sera lu avec un arrêt sur chaque forme non-reconnue. À ce moment-là, le programme va fouiller dans son « réservoir » de lemmes pour essayer de lemmatiser cette forme. S’il réussit, il va proposer d’ajouter ce lemme au module. Pour aider l’utilisateur dans son identification, il donne les détails associés à ce lemme, son sens, qui peut différer du sens classique, ainsi qu’un tableau de flexion (partie droite de l’écran sur la figure 6). En cas d’un second échec, c’est à l’utilisateur de définir le lemme, le paradigme, le radical (ou les radicaux pour les verbes) et la traduction. Indépendamment des échecs, l’utilisateur peut aussi modifier la traduction d’un lemme du tronc commun. Par exemple, pour souligner un glissement de sens entre le latin classique et le latin médiéval.
17Un autre levier important pour lemmatiser correctement un texte médiéval est de choisir les variantes graphiques effectivement utilisées. En effet, définir une variation de graphie qui n’est pas utilisée peut introduire du bruit dans la lemmatisation (i.e. des lemmatisations qui n’ont pas lieu d’être et qui sont donc fausses). Pour cela, nous avons introduit un onglet spécifique dans lequel se trouvent des variantes prédéfinies avec des cases à cocher et une ligne de saisie dans laquelle on peut introduire une expression rationnelle et le résultat de sa transformation. Par exemple, “([eiou])ti>\1ci” qui signifie que le groupe ti précédé par une voyelle e, i, o ou u, en latin classique, peut se transformer en ci avec la même voyelle qui le précède. Le \1 dans la partie de droite reprend l’élément capturé par les parenthèses dans la partie gauche de cette ligne.
Conclusion
18Collatinus 12 et son éditeur de modules, ECCE, sont pour l’instant deux programmes distincts. En effet, au cours du développement, il est plus simple de séparer les deux fonctions. Toutefois, l’utilisateur aura besoin des deux outils simultanément pour adapter les modules au corpus qu’il souhaite étudier. Il paraît donc plus naturel de les unir dans un programme unique. Ce travail reste à faire, mais à terme on aura un Collatinus parfaitement fonctionnel. Au cours de son travail sur un corpus, l’utilisateur pourra d’un clic basculer dans l’éditeur de modules, puis revenir sur le texte à l’étude.
Notes
1 https://outils.biblissima.fr/fr/collatinus/
3 Sermo de beato Maiolo, éd. D. Iogna-Prat, Agni immaculati. Recherches sur les sources hagiographiques relatives à saint Maieul de Cluny (954-994), Paris, 1988, p. 287-301.
Haut de pageTable des illustrations
![]() |
|
---|---|
Titre | Fig. 1. Le contenu du paquet hagio.col |
URL | http://journals.openedition.org/cem/docannexe/image/18482/img-1.jpg |
Fichier | image/jpeg, 70k |
![]() |
|
Titre | Fig. 2. Une partie du fichier de traductions, lemmes.fr |
URL | http://journals.openedition.org/cem/docannexe/image/18482/img-2.jpg |
Fichier | image/jpeg, 459k |
![]() |
|
Titre | Fig. 3. Lemmatisation sans module, on remarquera les deux échecs, Maiolo et solemnitas |
URL | http://journals.openedition.org/cem/docannexe/image/18482/img-3.jpg |
Fichier | image/jpeg, 642k |
![]() |
|
Titre | Fig. 4. Installation d’un module |
URL | http://journals.openedition.org/cem/docannexe/image/18482/img-4.jpg |
Fichier | image/jpeg, 187k |
![]() |
|
Titre | Fig. 5. Lemmatisation avec module, les mots non-reconnus ont disparu |
URL | http://journals.openedition.org/cem/docannexe/image/18482/img-5.jpg |
Fichier | image/jpeg, 590k |
![]() |
|
Titre | Fig. 6. Recherche des échecs |
URL | http://journals.openedition.org/cem/docannexe/image/18482/img-6.jpg |
Fichier | image/jpeg, 248k |
![]() |
|
Titre | Fig. 7. Édition des graphies |
URL | http://journals.openedition.org/cem/docannexe/image/18482/img-7.jpg |
Fichier | image/jpeg, 195k |
Pour citer cet article
Référence électronique
Yves Ouvrard, « Le corpus hagiographique bourguignon lemmatisé avec Collatinus 12 », Bulletin du centre d’études médiévales d’Auxerre | BUCEMA [En ligne], Collection CBMA, mis en ligne le 22 décembre 2021, consulté le 18 février 2025. URL : http://journals.openedition.org/cem/18482 ; DOI : https://doi.org/10.4000/cem.18482
Haut de pageDroits d’auteur
Le texte seul est utilisable sous licence CC BY-NC-SA 4.0. Les autres éléments (illustrations, fichiers annexes importés) sont « Tous droits réservés », sauf mention contraire.
Haut de page