Navigation – Plan du site

AccueilNuméros27Périmètres des motifs et méthodes...Les librairies MotiveR et Pymotif...

Périmètres des motifs et méthodes de détection

Les librairies MotiveR et Pymotifs pour identifier les patrons lexico-grammaticaux significatifs (ou motifs séquentiels)

MotiveR and Pymotifs libraries for identifying significant lexico-grammatical patterns (or sequential motifs) 
Antoine Silvestre de Sacy et Dominique Legallois

Résumés

Cette note a pour objectif de présenter à la fois la méthode des motifs séquentiels et les outils (MotiveR et Pymotifs) qui permettent de réaliser les analyses. Quelques résultats à titre d’illustration sont donnés.

Haut de page

Texte intégral

Introduction

1Longtemps, les objectifs de la stylométrie ont été la recherche de l’identité de l’auteur d’un texte, ou bien la datation de textes, ou encore le calcul de la similarité (généralement lexicale) entre plusieurs textes (cf. par exemple, Oakes 2014, Cafiero et Camps 2022). On pourrait parler pour qualifier ces approches de « stylométrie sans stylistique » dans la mesure où les études visaient à répondre à une question (par exemple : entre ces 10 auteurs, qui a écrit le texte X ?) sans apporter une analyse autre que quantitative sur les formes discriminantes. Désormais, la stylométrie développe des approches prenant également en compte le style d’auteur ou de genre textuel, en identifiant non plus seulement des unités discrètes et simples, mais aussi des patrons syntaxiques qui demandent des techniques complexes d’extraction. Une fois extraits, ces patrons peuvent être analysés et commentés dans une visée stylistique des textes, ou dans des analyses de genres accordant à la syntaxe un poids important dans la description. Une stylistique de corpus peut ainsi être développée : elle conserve la rigueur et le degré de précision de la stylistique traditionnelle, tout en s’appuyant sur de grandes données quantifiées.

2Dans ce court article, nous souhaitons présenter deux outils dédiés à la stylistique basée sur corpus (notamment littéraire) : MotiveR et PyMotifs. Ces outils ont été conçus pour le français mais peuvent être facilement adaptés à d’autres langues. Ils ont pour fonction d’identifier de façon semi-supervisée dans les textes, non pas des lexèmes ou des segments répétés, mais des motifs lexicaux-grammaticaux caractéristiques (cf. Legallois et al. 2018) : des motifs séquentiels. Après avoir expliqué ce qu’est un motif séquentiel, nous consacrons l’article à la présentation des différentes fonctions offertes par ces librairies. Notre objectif n’est donc pas ici de proposer une analyse stylistique précise d’un corpus, mais simplement de donner aux lecteurs les principaux éléments techniques propres à ces deux outils - outils qu’ils pourront transformer et enrichir pour une application à leurs propres données. Certains résultats seront donnés à titre d’illustration : ils proviennent d’une analyse comparative du style des 6 nouvelles composant le recueil des Soirées de Médan.

1. Motifs et MotiveR

3MotiveR est un programme pour la stylistique du français construit autour d’un ensemble de fonctions implémentées utilisant le langage de programmation R (R Core Team, 2020) pour identifier des motifs stylistiques idiosyncratiques au sein d’un corpus. Il est disponible en open source.

4Un motif est défini comme un patron lexico-grammatical caractéristique d’un texte. Contrairement à l’identification de n-grammes lexicaux, considérés comme trop spécifiques pour l’analyse stylistique, et à l’identification des n-grammes de parties du discours, assez peu interprétables, la méthode des motifs vise à appréhender les textes en identifiant des séquences dont les éléments sont mixtes par nature : formes fixes, lemmes et catégories morpho-syntaxiques et sémantiques (Legallois, Charnois et Poibeau, 2016 ; Legallois, Charnois et Larjavaara, 2018).

5Par exemple, des séquences de « pos-grams » comme

6(1) DET NC PREP DET NC PREP DET ADJ

7sont trop généraux ou abstraits pour identifier des récurrences pouvant être interprétées comme le style d’un auteur ou d’un genre textuel. D’autre part, les segments répétés ou les groupes lexicaux comme

(2) la pression de son genou contre le sien / le contact de ses lèvres contre les siennes

8sont lexicalement trop spécifiques, puisqu’il y a ici deux réalisations différentes du même schéma lexico-grammatical. Pour « capturer » ce schéma, le texte doit subir une annotation spécifique à partir de laquelle le système informatique pourra identifier des récurrences. Ainsi, MotiveR effectue une annotation spécifique, qui mixte des catégories morpho-syntaxiques, des lemmes et des formes fixes (pour les mots grammaticaux comme les prépositions). Les unités produites sont appelées descripteurs. Les descripteurs sont donc des étiquettes appropriées pour l’analyse des motifs. Ainsi (2) est étiqueté par les descripteurs suivants :

(3) le NC de DETPOSS NC contre le sien

9Cette sortie correspond aux segments répétés de (2). Ce segment est un motif :

10- s’il est statistiquement caractéristique d’un texte par rapport à d’autres textes, c’est-à-dire s’il est sur-employé statistiquement.

11- s’il constitue une unité interprétable, autrement dit si on peut lui associer une signification ou une fonction dans le texte. C’est bien sûr l’analyste qui décide de ce statut.

12Un motif est donc une unité qui a une « granularité » spécifique en termes de descripteurs, et qui se caractérise par une surreprésentation statistique.

13Les fonctionnalités de MotiveR sont donc les suivantes :

  • Étiquetage morphosyntaxique et morphologique via UDPipe (au format « tidy », une valeur par cellule et variable).

    • 1 . Dont la classe est élaborée à partir de tests syntaxiques comme « faire preuve de N »
    • 2 . À partir de la liste établie par Y.Y. Mathieu (2000).
    • 3 . Le système d’annotation a été pensé pour être pertinent pour l’analyse du genre romanesque. C’est (...)

    Transformation en descripteurs via des expressions régulières. MotiveR récupère certaines des informations issues de l’étiquetage pour transformer cette annotation en annotation appropriée pour l’analyse en motifs. Le programme conserve les formes invariables (prépositions, conjonctions, adverbes fréquents), le lemme des auxiliaires, réduit les formes pronominales à une forme canonique, conserve certaines étiquettes morphosyntaxiques (nom commun, nom propre, verbe (+ temps), infinitif, adjectif, adverbes non qualifiés auparavant), et annote sémantiquement certains noms, verbes et adverbes : adverbes de manière en -ment, noms abstraits1, noms exprimant une partie du corps, verbes de paroles, verbes de sentiment2, verbes modaux, verbes d’aspect, etc3.

  • Choix du nombre de n-grammes. Il s’agit de déterminer le nombre de descripteurs par segment (de 2 à 7). Ce choix impacte toutes les fonctions suivantes, c’est-à-dire qu’il est nécessaire de s’y tenir ou de redémarrer le processus à partir de là si l’on souhaite changer la longueur des segments.

  • Histogrammes de fréquence (absolue / relative) des segments.

  • Calcul du TF-IDF (Term Frequency-inverse document frequency - Robertson, 2004).

Illustration 1. Motifs calculés selon TF-IDF. Application aux 6 nouvelles des soirées de Médan

Illustration 1. Motifs calculés selon TF-IDF. Application aux 6 nouvelles des soirées de Médan
  • Analyse en Composantes Principales (Husson, Lê and Pagès, 2009) :

  • Illustration 2. Exemple d’une Analyse en Composantes Principales via MotiveR (application aux 6 nouvelles des soirées de Médan)

    Illustration 2. Exemple d’une Analyse en Composantes Principales via MotiveR (application aux 6 nouvelles des soirées de Médan)
  • Calcul de la densité d’un segment au sein d’un texte du corpus selon sa fréquence relative.

  • Calcul de l’évolution d’une forme au sein d’un corpus.

  • Calcul des spécificités (Lafon, 1984, Bertels et Speelman 2013). Ce calcul approché s’établit comme suit :

    • A est le segment identifié.

    • V : l’ensemble des segments possibles.

    • p : la partie du corpus considérée (un texte).

    • f : la fréquence totale du segment dans la partie.

    • F : la fréquence totale du segment dans le corpus.

    • t : le nombre total de segments dans la partie.

    • T : le nombre total de segments dans le corpus.

  • Retour aux textes par concordances à partir de tous les motifs, ou d’un seul motif :

Illustration 3. Un exemple de tableau de retour aux textes (motif : de le NC de le)

Illustration 3. Un exemple de tableau de retour aux textes (motif : de le NC de le)

14C’est à ce stade que l’analyste détermine si un segment (qui n’est a priori qu’une suite de descripteurs) peut prétendre au statut de motif.

2. Quelques résultats illustratifs

  • 4 . NC=nom commun, PRES= verbe au présent.

15 Parmi plusieurs dizaines de formes que l’on pourrait commenter, on ne reporte que deux motifs, donnés ici comme exemples. Dans les nouvelles qui composent les Soirées de Médan, on note chez Huysmans le segment (4-grammes) le NC se PRES4, qui est suremployé par rapport aux autres nouvelles du recueil. Le segment peut être considéré ici comme un motif car il participe à un style que l’on peut dire « précipité » (l’enchainement des actions ou des états est très rapide) :

16(4) L’heure sonne, la porte s’ouvre, je me précipite vers la gare, je saute dans un wagon, le train s’ébranle, j’ai quitté Évreux. 

17(5) Je lui demande pour le peintre et pour moi la permission de sortir dans la ville. Il y consent, la porte s’ouvre, nous sommes libres !

18(6) Paris n’est pas loin, nous passons devant les docks à marchandises, devant les rotondes où grondent, dans une vapeur rouge, les machines en chauffe ; le train s’arrête, on prend les billets.

19 Chez Céard, on retiendra : dans le NCABS ADJ qui s’instancie certes, dans des séquences non remarquables, mais aussi dans d’autres dans lequel on identifie un style « artiste » :

20(7) Ses désirs de jouissance le rongeaient dans l’austérité vaniteuse de son exil.

(8) et dans l’éclat suprême que les voix prennent, sur les dernières notes du refrain, la porte s’est ouverte, curieusement : « Peut-on entrer ? Entre-t-on ? Bah ! tant pis, j’entre. »

21(9) D’un bout à l’autre de la France, Mme de Pahauën rêva de femmes comme elle, abandonnées, sans le sou, s’endettant dans la nudité sale des chambres d’hôtel

22(10) les canons essoufflés qui, dans le bleu livide d’une aurore d’hiver, tiraient à longs intervalles.

3. PyMotifs

23La librairie PyMotifs, entièrement programmée en Python, reprend et enrichit les fonctionnalités proposées par MotiveR. Quatre modules sont proposés à l’utilisateur :

  • Pré-traitements du corpus : l’utilisateur annote son corpus via l’annotateur UDPipe et peut choisir la caractéristique qu’il souhaite analyser : formes lexicales, lemmes, étiquettes morphosyntaxique ou motifs. À partir de là, il choisit la longueur de la séquence de n-grammes qu’il souhaite analyser.

  • Statistiques : PyMotifs reprend les fonctions statistiques proposées dans MotiveR. Il commence par proposer à l’utilisateur quelques statistiques descriptives simples, puis le TF-IDF et les calculs de spécificités.

  • Retours aux textes : plusieurs fonctions de retour aux textes sont proposées par PyMotifs selon les besoins de l’utilisateur. Il peut, en effet, souhaiter effectuer plusieurs approches sur les textes :

-Approches exploratoires et inductives (data-driven approaches, bottom-up) : une fonction est programmée pour calculée l’ensemble des motifs au sein du corpus d’analyse ainsi que leurs scores de spécificités. À partir de cet ensemble, l’utilisateur peut explorer ces larges tableaux en ordonnançant les scores de spécificités pour engager des analyses comparatives sur le corpus.

-Approches déductives (theory-driven, model-driven, top-down) : une fonction est programmée également pour n’extraire que les occurrences en contexte d’une séquence particulière. Dans cette perspective, l’utilisateur peut identifier certains motifs caractéristiques d’un auteur ou d’un genre en lecture proche et confirmer ou infirmer leur spécificité au sein du corpus d’analyse en récupérant immédiatement l’ensemble de ses occurrences en contexte ainsi que plusieurs données quantitatives associées à ce motif (fréquence absolue au sein de chaque œuvre, relative, score de spécificité du motif pour chaque œuvre du corpus…).

  • Machine learning : Un dernier module plus expérimental propose une intégration de certains algorithmes de machine learning proposés par la librairie scikit-learn au sein de PyMotifs. En effet, au regard des nombreux motifs qui sont extraits des approches exploratoires précédentes, une des voies pour réduire ce nombre est d’entraîner pour chaque œuvre du corpus ou chaque auteur du corpus un modèle de régression logistique à partir des motifs. PyMotifs permet l’entraînement de ce modèle et la récupération des coefficients de régression logistique de façon à voir quels motifs permettent le mieux de prédire l’appartenance, par exemple d’un texte à un auteur, un genre ou un mouvement (selon les analyses et problématiques de chaque utilisateur).

24Toutes les fonctions de la librairie PyMotifs sont documentées et proposées à travers des carnets (notebooks) Jupyter dans l’optique de faciliter pour le chercheur l’écriture de datapapers directement sur ces notebooks et de favoriser la transparence et la reproductibilité des recherches.

Illustration 4. Modélisation de PyMotifs

Illustration 4. Modélisation de PyMotifs

Conclusion

25MotiveR et PyMotifs se situent à la frontière des questions stylométriques et stylistiques et sont destinés à être utilisés par les deux disciplines : comme complément à la stylométrie, dont les orientations sont essentiellement quantitatives, cherchant à répondre à des questions telles que : quels sont les sujets abordés par un texte donné ? Par qui a-t-il été écrit ? Quand a-t-il été écrit ? Mais aussi comme complément à la stylistique, dont les orientations sont essentiellement qualitatives, se concentrant sur des faits particuliers et spécifiques du langage : cette forme est-elle significative pour cet auteur ou ce texte ? Comment peut-on interpréter cette forme comme un style propre à cet auteur, ce texte, ce genre ou ce corpus ?

26Contrairement à de nombreuses approches en humanités numériques et en big data qui se limitent à une lecture distante, mais aussi en contraste avec la stylistique qui se concentre sur des faits singuliers du langage, ces deux librairies et cette méthodologie des motifs proposent une méthode mixte, s’appuyant sur des méthodes statistiques tout en permettant un retour systématique aux textes pour interpréter les résultats.

27Les deux outils sont conçus pour être utilisés par des chercheurs ayant des compétences minimales en informatique et se présentent sous la forme de fonctions liées, permettant à l’utilisateur de passer de textes bruts à des visualisations statistiques, puis de revenir aux textes dans leur forme originale à partir des motifs identifiés en ne faisant “qu’exécuter les fonctions les unes après les autres”. MotiveR et PyMotifs ont cependant été programmés selon les standards tidy, ce qui permet une interopérabilité plus facile avec d’autres fonctions ou programmes (TXM, package Stylo, etc.), ainsi qu’une sortie du pipeline à chaque étape pour les utilisateurs avancés.

28MotiveR et PyMotifs sont des programmes évolutifs dont les fonctionnalités sont enrichies au fil du temps. Les descripteurs peuvent ainsi être adaptés aux besoins par l’utilisateur.

Haut de page

Bibliographie

Cafiero, F., Camps, J.-B. (2022), Affaires de style : du cas Molière à l’affaire Grégory, la stylométrie mène l’enquête, Le Robert.

Husson, F., Lê, S., Pagès, J. (2009), Analyse des données avec R, Presses Universitaires de Rennes, 2009.

Lafon, P. (1984), Dépouillements et statistiques en lexicométrie, Genève/Paris, Slatkine Champion.

Legallois, D., Charnois, T., Poibeau, T. (2016), “Repérer les clichés dans les romans sentimentaux grâce à la méthode des ‘motifs’”, Lidil, 53, 95-117 ;

Legallois, D., Charnois, T., Larjavaara, M. (2018), The Grammar of Genres and Styles, “The balance between quantitative and qualitative literary stylistics : how the method of ‘motifs’ can help”, Berlin/Boston, de Gruyter, 164-194.

Mathieu, Y.Y. (2000), Verbes de sentiment: De l'analyse linguistique au traitement automatique, CNRS Editions

Oakes, Michael P. (2014), Literary Detective Work on the Computer, John Benjamins Publishing Company, https://doi.org/10.1075/nlp.12.

R Core Team (2020). R: A language and environment for statistical computing. R Foundation for Statistical Computing, Vienna, Austria. URL: https://www.R-project.org/.

Robertson, S. (2004), “Understanding inverse document frequency: on theoretical arguments for IDF”, Journal of Documentation, vol. 60, pp. 503–520, 2004.

Haut de page

Annexe

Licence :

MotiveR : Creative Commons Attribution-ShareAlike 4.0 International License

PyMotifs: Creative Commons Attribution-ShareAlike 4.0 International License

Localisation des dépôts

https://github.com/​Malichot/​MotiveR

https://github.com/​Malichot/​PyMotifs

License:

Creative Commons Attribution-ShareAlike 4.0 International License

Rôles :

Antoine Silvestre de Sacy: Conceptualisation, écriture

Dominique Legallois: Supervision, écriture

Haut de page

Notes

1 . Dont la classe est élaborée à partir de tests syntaxiques comme « faire preuve de N »

2 . À partir de la liste établie par Y.Y. Mathieu (2000).

3 . Le système d’annotation a été pensé pour être pertinent pour l’analyse du genre romanesque. C’est pourquoi il prend en compte des classes de lexèmes comme les noms du corps, extrêmement présents dans les textes littéraires. Cette annotation est toujours améliorable. Elle pourrait être facilement transformée pour d’autres types discursifs.

4 . NC=nom commun, PRES= verbe au présent.

Haut de page

Table des illustrations

Titre Illustration 1. Motifs calculés selon TF-IDF. Application aux 6 nouvelles des soirées de Médan
URL http://journals.openedition.org/corpus/docannexe/image/10397/img-1.png
Fichier image/png, 68k
Titre Illustration 2. Exemple d’une Analyse en Composantes Principales via MotiveR (application aux 6 nouvelles des soirées de Médan)
URL http://journals.openedition.org/corpus/docannexe/image/10397/img-2.png
Fichier image/png, 97k
URL http://journals.openedition.org/corpus/docannexe/image/10397/img-3.png
Fichier image/png, 14k
Titre Illustration 3. Un exemple de tableau de retour aux textes (motif : de le NC de le)
URL http://journals.openedition.org/corpus/docannexe/image/10397/img-4.png
Fichier image/png, 303k
Titre Illustration 4. Modélisation de PyMotifs
URL http://journals.openedition.org/corpus/docannexe/image/10397/img-5.png
Fichier image/png, 109k
Haut de page

Pour citer cet article

Référence électronique

Antoine Silvestre de Sacy et Dominique Legallois, « Les librairies MotiveR et Pymotifs pour identifier les patrons lexico-grammaticaux significatifs (ou motifs séquentiels) »Corpus [En ligne], 27 | 2025, mis en ligne le 05 juin 2025, consulté le 08 juin 2026. URL : http://journals.openedition.org/corpus/10397 ; DOI : https://doi.org/10.4000/13wol

Haut de page

Auteurs

Antoine Silvestre de Sacy

Laboratoire Lattice (Langues, Textes, Traitements informatiques, Cognition) – CNRS Laboratoire Thalim (Théorie des histoires des arts et des littératures de la modernité) – CNRS

Articles du même auteur

Dominique Legallois

Laboratoire Lattice (Langues, Textes, Traitements informatiques, Cognition) - CNRS & Université Sorbonne nouvelle

Articles du même auteur

Haut de page

Droits d’auteur

Le texte et les autres éléments (illustrations, fichiers annexes importés), sont « Tous droits réservés », sauf mention contraire.

Haut de page
Rechercher dans OpenEdition Search

Vous allez être redirigé vers OpenEdition Search