1. Présentation générale du projet PhraseoRom

2. Le corpus PhraseoRom. La méthodologie d’extraction et d’analyse des données linguistiques et stylistiques

3Les œuvres littéraires des corpus PhraseoRom ont été réparties en 6 sous-genres : romans de littérature générale (GEN), sentimentaux (SENT), policiers (POL), historiques (HIST), de science-fiction (SF), fantasy (FY). Ces œuvres ont été sélectionnées en fonction de critères chronologiques (romans postérieurs à 1950) et éditoriaux (pour GEN, la reconnaissance des auteurs par la critique, notamment lors de l’attribution de prix littéraires, et pour les autres sous-genres, la collection dans laquelle elles sont publiées).

2.1. Les corpus comparables et parallèles intégrés dans la PhraseoBase

4Pour les corpus comparables, l’objectif était d’arriver à un volume d’environ 100 millions de mots par langue, tout en respectant un certain équilibre entre les genres. Pour les corpus parallèles français-anglais et anglais-français, les œuvres originales ont été alignées avec leur traduction. Le Tableau 1 ci-dessous montre la répartition des auteurs, des textes et des tokens, en fonction des langues dans les deux types de corpus :

Tableau 1. Répartition des corpus PhraseoRom selon les langues (auteurs, textes, tokens)

Corpus comparables
Langue	Auteurs	Textes	Tokens
EN	376	849	112 610 090
FR	418	1131	103 819 368
DE	237	746	89 451 097
Corpus parallèles
EN → FR	230	495	68 512 492
FR → EN	139	298	33 754 332

5En fonction de la disponibilité des textes, certains genres sont légèrement surreprésentés (par exemple, GEN pour le français et HIST pour l’allemand) comme le montrent le Tableau 2 et la Figure 1 :

Sous genres	Tokens FR	Tokens EN (GB)	Tokens EN (US)	Tokens DE
FY	13 966 573	24 590 831	6 467 561	16 774 462
GEN	34 593 337	15 696 519	283 291	9 068 325
HIST	14 193 643	14 606 939	92 843	25 454 115
POL	18 020 732	16 117 528	2 891 981	11 117 326
SENT	9 516 638	12 836 609	0	18 689 013
SF	13 528 445	16 507 028	2 518 960	8 347 856
Total	103 819 368	100 355 454	12 254 636	89 451 097

6La Figure 1 ci-dessous montre les proportions des différents sous-genres au sein des corpus anglais (EN), français (FR) et allemand (DE) :

7Tous ces corpus ont d’abord été rendus accessibles sur l’interface du Lexicoscope v1 (Kraif & Diwersy 2012 ; Kraif 2016), avant leur déploiement progressif vers le Lexicoscope 2.0.

2.2. L’extraction des Arbres Lexico-syntaxiques Récurrents (ALR)

8En s’appuyant sur l’annotation syntaxique des corpus, le Lexicoscope permet d’extraire des associations statistiques significatives reliant des unités lexicales par une relation de dépendance syntaxique. À la différence des motifs séquentiels émergents de Quiniou et al. (2012), ces ALR correspondent à des structures hiérarchiques (ou arbres de dépendance). La Figure 2 illustre l’expression récurrente, spécifique à POL, <allumer une nouvelle cigarette> qui se présente sous forme d’Arbre Lexico-syntaxique Récurrent (ALR) :

• le critère de fréquence absolue : le nombre d’occurrences d’un ALR doit être supérieur à 10 ;

• le critère de dispersion : l’ALR apparaît au moins chez 20 % des auteurs d’un sous-corpus pouvant aller jusqu’à 50 % des auteurs du corpus ;

• le critère morpho-syntaxique : l’ARL doit comporter obligatoirement un verbe, ce qui exclut d’emblée des expressions exclusivement référentielles (<à la tombée de la nuit>, <Monsieur le Procureur>, <les nains de jardin>) ;

• le critère de longueur : les ALR doivent comporter au moins 3 mots dont un verbe pivot, et ce jusqu’à 7 mots.

10Grâce à l’ensemble de ces critères, ont été extraits des six sous-genres romanesques 8415 ALR pour le français et 1955 ALR pour l’anglais.

2.3. Méthodologie de l’analyse linguistique : la grille sémantique

Tableau 3. Grille d’analyse sémantique des ALR

Dimension	Valeur	Exemple d’ALR
action	indéfini	<je vais le faire>
	mouvement	<descendre de sa monture>, <held her in his arms>
	déplacement	<il traversa le hall>, <walk along the beach>
	autre	<éteindre la lumière>, <blow out the candle>
événement		<l’écran s’éteint>, <the door opened>
état	indéfini	<être en danger>, <was in the house>
	animé	<être trempé de sueur>, <be in love>
	inanimé́	<l’endroit était désert>,<the body lay>
	abstrait	<la situation est grave>, <there was in the sky>
communication	indéfini	<répondre avec un sourire>, <accept the offer>
	verbale	<échanger quelques mots>, <have a chat>
	physique	<adresser un sourire>, <give a smile>
cognition		<je ne me souviens pas>, <think for a moment>
qualia	indéfini	<elle ne ressentait rien>, <like the smell>
	affect	<se mettre en colère>, <I’m shocked>
	sensation	<avoir froid>, <my heart is beating>
	perception	<je sentis l’odeur>, <breathing the scent>
temps		<c’est la première fois>, <spend a week>
lieu		<l’appartement était petit>, <he was in town>
autre		<mon père est>, <the driver was>

2.4. Méthodologie de l’analyse stylistique

15Dans notre méthodologie, les ALR constituent des guides pour identifier des motifs. Ensuite, un système d’annotations fines des fonctions discursives (FD) a été élaboré afin de prendre en compte la dimension textuelle de ces expressions lexico-syntaxiques, à savoir leur rôle dans la structuration des textes littéraires.

2.4.1. Les fonctions discursives

16Les FD désignent les fonctions stylistiques qu’occupent les CLS dans le discours fictionnel romanesque. Elles contribuent ainsi à en assurer la cohérence (Martin 1983 : 100). La FD dépend du contexte, mais aussi du sous-genre romanesque (voir Baroni 2015). Dans un texte narratif comme le roman, les FD sont principalement (a) narratives ou (b) descriptives (Adam 2011 : 267), la CLS permettant à l’action de progresser, ou bien s’intégrant dans une description. L’analyse détaillée des données linguistiques a permis d’affiner cette première typologie. Ainsi, ont été rajoutées deux nouvelles FD, notamment l’infranarrative (lorsque les CLS renvoient à des actions minimales, sans rapport direct avec l’intrigue principale) et l’infradescriptive, qui s’applique à une action ou à un geste répété, caractérisant le personnage (qui fume beaucoup par exemple, comme c’est le cas des personnages dans POL). De plus, un cas particulier de la FD descriptive, la FD affective, a été identifié lorsque la CLS décrit l’état d’esprit du personnage (par exemple dans « Sarah écrasa nerveusement sa cigarette »).

17Enfin, deux autres FD ont également été modélisées. D’une part, la FD pragmatique se rapporte aux actes de langage entre les personnages (N’en faites rien, madame, je vous en prie, s’écria Fabienne). D’autre part, la FD cognitive s’applique à des CLS impliquant des processus cognitifs comme les hypothèses ou les réflexions (Je sais pas ce qu’il va devenir).

2.4.2. La grille stylistique

18La première étape de l’annotation stylistique a débuté par le repérage des ALR susceptibles de former un motif phraséologique. En raison de leur spécificité, ces ALR ont été appelés « leaders » (par ex. l’ALR <apparaître_sur_écran> dans SF), dans la mesure où c’est à partir de leurs composantes syntaxiques de base (« syntaxe cœur », par ex. V+SNPrép pour l’ALR <apparaître_sur_écran>), qu’ils présentent des variations syntagmatiques ou paradigmatiques et peuvent constituer, de ce fait, un même motif.

3. Des constructions lexico-syntaxiques (CLS) polylexicales aux motifs textuels

20Dans cette section, nous présentons les résultats obtenus à partir de l’analyse sémantique et syntaxique des ALR qui forment des motifs permettant de distinguer les sous-genres SF vs. FY (3.1) et POL vs. SENT (3.2).

3.1. Les motifs spécifiques à la science-fiction (SF) et à la fantasy (FY)

21L’analyse des ALR de la SF et de la FY en français et en anglais (Goossens, Jacquot & Dyka 2020), deux genres proches souvent englobés sous l’étiquette « littérature de l’imaginaire », s’est révélée très productive.

22Tout d’abord, certaines catégories sémantiques ont fait émerger des « marqueurs génériques », c’est-à-dire des ALR spécifiques à l’un ou l’autre genre, et qui relèvent d’actions ou de descriptions permettant immédiatement l’identification du genre. C’est le cas, par exemple, de la catégorie « déplacement » en français et des catégories « lieu » et « état » en anglais, qui mettent notamment en avant l’espace, spécifique de la SF, et la forêt, spécifique de la FY. De même, la catégorie « mouvement », en français comme en anglais, regroupe des ALR qui renvoient à des actes guerriers et à des actes de déférence très spécifiques de la fantasy.

23L’analyse sémantique des ALR a également permis de mettre en lumière des catégories nettement moins attendues : tout d’abord, la cognition, très spécifique à la SF dans les deux langues, qui s’oppose à un processus de décision beaucoup plus intuitif en FY. Les ALR relevant de cette catégorie mettent l’accent sur le raisonnement dans les romans de SF (<il essaye de comprendre>, <il en déduit>, <mettre au point>, <trouver la solution|le moyen>) alors que dans le corpus de FY, ils relèvent plus de l’imagination et du rêve (<plongé|perdu dans ses pensées>, <il reprend ses esprits>). La catégorie « communication » met elle aussi en évidence des caractéristiques plutôt inattendues de ces deux genres. Cette catégorie est surtout exploitable pour le français, l’écrasante domination du verbe to say en anglais (voir Diwersy et al. 2020) rendant la dimension moins saillante en anglais. Même si la communication physique est peu présente dans ces deux genres, elle y révèle une différence notable : elle n’est véritablement dirigée vers autrui que dans la FY (<hausser les épaules>, <je secoue la tête> (SF) vs <adresser|jeter|échanger|accorder un regard|signe de tête>, <déposer un baiser>, <caresser sa joue> (FY)). La communication verbale est encore plus saillante dans les deux sous-genres : elle révèle des modes de communication très différents. La SF offre des ALR relevant de la communication à distance (<laisser|recevoir un message>, <établir le contact|couper la communication>) et des ALR très factuels construits autour de verbes génériques permettant la structuration de l’interaction (<dire d’une voix|sur un ton>, <je veux parler>, <poser la question>). La FY offre un panorama de la prise de parole beaucoup plus diversifié, notamment en termes de volume sonore, allant du silence (<garder|imposer le silence>) aux hurlements (<pousser un cri de guerre|rage|douleur|un hennissement|rugissement|grognement>, <hurler de terreur|rage>), en passant par les murmures (<des murmures s’élèvent>). Cette surreprésentation des affects et des attitudes des personnages est spécifique de la FY dans son opposition avec la SF.

3.2. Le motif de la cigarette dans POL vs SENT

24Nos résultats ont révélé comme hautement spécifique de POL l’ALR <allumer une cigarette>, même si on le rencontre aussi dans SENT (Gonon, Goossens & Novakova 2020). Le Tableau 4 récapitule la fréquence, la dispersion et le LLR dans les deux sous-corpus :

Tableau 4. Spécificités de l’ALR <allumer une cigarette>

<allumer une cigarette>	POL	SENT
Fréquence	343	124
Dispersion	124	43
LLR	151,8	9,24

25L’ALR <allumer une cigarette>, cœur du motif, présente une forte variation paradigmatique sur le nom (cigarette, cigare, pipe, clop(e), tige, Gitane, Camel, Craven) ou sur le verbe relevant de différences de nature aspectuelle : début (rouler, allumer), déroulement (fumer, griller) et fin (éteindre, terminer, écraser) du procès. Le motif, sous sa forme minimaliste, agrège aussi de nombreuses extensions syntagmatiques (adjectifs, adverbes, SN prép). Ainsi, nous avons identifié le schéma suivant pour ce motif :

X allume (fume, écrase, éteindre, prendre) (nerveusement) une (nouvelle) cigarette (mentholée) (contre le mur, sous le bureau)

26Souvent dans POL, le motif de la cigarette remplit une double FD, à la fois descriptive et affective, et ce, grâce aux différentes extensions syntagmatiques de la syntaxe cœur. Ainsi, en (1), pour le personnage féminin, Diane :

(1) Diane alluma une cigarette d’agacement. Il y avait les cigarettes de calme, les cigarettes d’exaspération, les cigarettes de plaisir – les plus rares –, les cigarettes de tension, les cigarettes de réflexion, les cigarettes d’ennui. Une nomenclature précise que seuls les fumeurs connaissent. (Andrea H. Japp, Dans la tête, le venin, 2009.)

27L’auteur évoque toute une panoplie de sentiments à travers les SN prép qui étendent le N cigarette (de calme, d’exaspération, de plaisir, de tension, etc.). Dans d’autres cas, le SN prép est complément circonstanciel de lieu (2) :

(2) J’écrasai ma cigarette contre un mur, jetai le mégot sur le sol. (O. Gay, Les talons hauts rapprochent les filles du ciel, 2012)

28Le motif ainsi étendu fait partie du script « fumer une cigarette », ici décliné avec variations : plutôt que d’écraser sa cigarette dans un cendrier et de jeter le mégot à la poubelle comme il est d’usage, le héros narrateur transgresse les règles du script (et celles de la propreté) et se représente ainsi comme un bad boy (FD descriptive dans ce cas).

(3) Elle s’alluma une cigarette avec un certain style. (G. Musso, Demain, 2013).

(4) Juan est silencieux, il allume une cigarette, elle la lui prend aussitôt des doigts et la porte à ses lèvres. (M. Levy, Où es-tu ?, 2001)

30Le motif <allumer une cigarette> n’est jamais un motif de premier plan narratif : en (3) et en (4), la fonction est infra-narrative. Le motif revêt néanmoins un rôle différent dans les deux sous-genres : les unités linguistiques variables qu’il regroupe contribuent à créer l’atmosphère tendue dans POL ou l’ambiance plus feutrée dans SENT.

4. Présentation générale de la Phraseobase

31La PhraseoBase a pour vocation de donner accès libre à l’ensemble des ressources élaborées dans le cadre du projet PhraseoRom, c’est-à-dire les corpus et les codages linguistiques et stylistiques des données extraites grâce à la méthodologie précédemment décrite. Cette section présente l’interface utilisée, le Lexicoscope 2.0 (4.1) puis la base de données PhraseoLing qui permet d’accéder aux résultats des analyses (4.2).

4.1. L’interface du Lexicoscope 2.0

32Les corpus n’étant pas, en l’état, diffusables en ligne, pour des questions de droits, nous avons choisi de les intégrer à une interface telle que le Lexicoscope afin d’en permettre l’interrogation sous forme de statistiques lexicométriques et de concordances, qui ne donnent accès qu’à des contextes restreints (Kraif 2019). Dans le but de comparer entre elles les différentes subdivisions du corpus, notamment au niveau des principaux sous-genres, il a été nécessaire de développer une nouvelle version, le Lexicoscope 2.0, accessible en ligne depuis 2020. Cette nouvelle version de l’interface, tout comme la précédente, permet d’extraire des concordances et des tableaux de cooccurrents autour d’une expression pivot, qui peut être un mot simple ou une expression complexe.

4.1.1. Définition du corpus de travail

33Pour contraster différents sous-corpus, l’interface permet de définir deux types de corpus de travail : les collections prédéfinies et les corpus personnalisés. Les collections prédéfinies sont des ensembles de corpus déjà subdivisés en six sous-corpus. Concernant le projet PhraseoRom, les collections sont au nombre de 3 pour l’anglais et le français, et de 1 pour l’allemand. Pour l’anglais et le français, dans la mesure où une partie du corpus correspond au corpus parallèle, on a le choix entre les collections suivantes : intégral, langue source FR ou EN seulement, et parallèle EN-FR ou FR-EN. Chacune de ces collections est subdivisée par sous-genre : FY, GEN, HIST, POL, SENT et SF.

4.1.2. Statistiques textométriques des collections prédéfinies

35Lors du choix d’une collection prédéfinie, on peut accéder à des statistiques concernant le vocabulaire du corpus ainsi que les collocations et colligations. Ces statistiques permettent d’avoir la liste des 5 000 lemmes les plus fréquents apparaissant dans au moins deux sous-genres différents (voir Figure 3).

36Comme la plupart des index hiérarchiques, cette liste est triée par fréquence décroissante, et un simple clic sur un lemme aura pour effet de déclencher une requête sur ce lemme. Ce tableau permet par ailleurs, par simple clic sur la colonne « Comparer », d’accéder rapidement à la comparaison des spécificités (LLR) par sous-genre, afin de faire contraster les corpus de manière synthétique. Par exemple, on voit dans la Figure 4 ci-dessous la répartition des spécificités pour le verbe demander, qui se trouve être spécifique à SENT et à POL, et sous-employé dans GEN ou SF.

37Ces données fréquentielles et ces calculs de spécificité sont également accessibles pour les parties du discours (où l’on voit, par exemple, que les signes de ponctuation sont spécifiques à GEN), ainsi que pour les collocations binaires et les étiquettes de relation syntaxique. Pour les collocations, une mesure d’association est fournie en supplément de la fréquence. Nous avons choisi l’information mutuelle spécifique, qui favorise les associations entre unités de basse fréquence et qui se trouve en meilleure complémentarité avec la fréquence brute. Ainsi, comme on le voit dans la Figure 5, un tri fondé sur cette mesure permet de mettre en avant des entités nommées (Garbo, Giorgio etc.), des expressions en langue étrangère (feel like, all right etc.) ou des unités polylexicales (congestion pulmonaire) :

38La comparaison des spécificités (bouton ‘cmp’) montre qu’alors que congestion pulmonaire est spécifique de GEN et HIST, feel like est spécifique de SENT et Martini dry est spécifique de POL.

4.1.3. Requêtes

39Comme dans la première version du Lexicoscope, le fait d’entrer une expression simple ou complexe permet d’accéder à sa définition sous forme de requête formalisée précisant les lemmes, parties du discours, et éventuellement les relations syntaxiques entre les mots – afin de mettre en œuvre une forme de requête basée sur l’exemple (voir Figure 6), comme chez Augustinus, Vandeghinste & Vanallemeersch (2016) ou Wang (2017).

40Le résultat de la requête s’affiche dans un nouvel onglet, distinct de l’onglet « tableau de bord » qui permet de préciser corpus et requête. Le résultat contient tout un ensemble de données synthétiques (voir Figure 7) :

• les statistiques de l’expression cherchée, globalement et par corpus ;

• les concordances de l’expression cherchée, avec les métadonnées et les contextes élargis ;

• les cooccurrents de l’expression cherchée, sous forme de diagrammes à barre et de tableaux contenant l’ensemble des données de cooccurrence (fréquence de la base et du cooccurrent, cofréquence, relation syntaxique, indice du loglike, fréquence de document, etc.) ;

• un tableau synoptique des principaux cooccurrents sous la forme de Word Sketch, inspiré du Sketch Engine (Kilgariff 2004).

42Là encore, dans le souci de faire apparaître les contrastes de manière synthétique, chaque type de résultat apparaît soit de manière globale pour l’ensemble du corpus, soit dans un onglet séparé pour chaque sous-corpus, avec les mesures de spécificité afférentes.

4.2. L’application PhraseoLing

44L’application principale associée à ces requêtes est l’affichage d’entrées lexicographiques, classées soit par groupe d’ALR ou genre littéraire, pour ce qui est des données syntactico-sémantiques, soit par motif, fonction discursive ou genre, pour ce qui est des données stylistiques. La Figure 8 montre l’une des entrées obtenues à la suite de la requête visant les ALR contenant l’adjectif heureux spécifiques à FY.

45Outre les éléments d’ordre qualitatif (catégorie sémantique, schéma syntaxique, exemples d’usage), les entrées consacrées aux ALR fournissent également des indications d’ordre quantitatif (fréquence d’apparition, score de spécificité LLR, dispersion) provenant des calculs effectués au moment de l’extraction automatique. Quant aux entrées consacrées aux motifs stylistiques, elles comprennent des exemples d’usage et indiquent la fonction discursive, d’éventuelles composantes facultatives et la distribution syntaxique, à moins que l’un de ces éléments ne soit utilisé comme paramètre de regroupement macrostructurel. La Figure 9 illustre l’entrée se rapportant au motif <apparaître sur écran>, qui est associée à la FD narrative dans les romans de SF :

47L’AFC montre que, par rapport aux ALR sélectionnés, les romans de GEN s’opposent à ceux de FY sur l’axe principal (en horizontal) et que le deuxième axe (en vertical) met en opposition les romans historiques (HIST) avec les romans policiers (POL) et sentimentaux (SENT).

48Parmi les procédés implémentés à travers la plateforme, on trouve également la classification ascendante hiérarchique (CAH). Une CAH appliquée aux genres romanesques à partir des ALR associés aux catégories sémantiques action:déplacement et action:mouvement, et effectuée avec la mesure de distance cosine delta (Jannidis et al. 2015) ainsi que la méthode d’agrégation de Ward, permet d’obtenir la matrice de distances (représentée sous forme de heatmap, Figure 11) et le dendrogramme (Figure 12).

49Comme le fait apparaître le dendrogramme (Figure 12), les genres romanesques se regroupent, sur la base des ALR en question, en deux classes : les romans sentimentaux (SENT), policiers (POL) et de littérature générale (GEN) d’un côté, et les romans historiques (HIST), de fantasy (FY) et de science-fiction (SF) de l’autre.

5. Conclusion

50Fondé sur une approche originale en linguistique et en stylistique outillées, le projet PhraseoRom a produit des résultats aussi bien sur le plan théorique qu’appliqué. Il a tout d’abord révélé la pertinence de la notion de motif textuel – inconnue jusqu’alors dans la tradition linguistique et stylistique anglosaxonne – pour caractériser et distinguer les genres littéraires. Il contribue ainsi à l’élaboration d’une « théorie opératoire des genres » (Rastier 2011 : 72). Ensuite, les outils créés dans le cadre du projet (Lexicoscope 2.0 et PhraseoLing) auront un impact dans le domaine de l’apprentissage automatique des textes (deep learning) et des nouvelles technologies pour la fouille des textes. Enfin, ses résultats, disponibles dans la base de données PhraseoBase, pourront trouver de multiples applications dans d’autres domaines, notamment en narratologie cognitive, en traductologie et dans des ateliers d’écriture créative.