Navigation – Plan du site

AccueilNuméros23La morphologie dans la Banque de ...

La morphologie dans la Banque de Données Langue Corse : bilan et perspectives

Morphology in the Corsican Language Database (BDLC) : assessment and perspectives
Stella Retali-Medori et Laurent Kevers

Résumés

Depuis la fin des années 1970, le programme NALC-BDLC collecte des données dialectales auprès de locuteurs natifs dans l’ensemble de la Corse et dans le nord de la Sardaigne. Les enquêtes ethnolinguistiques de terrain sont menées sous la forme d’entretiens semi-dirigés avec l’aide de questionnaires thématiques. Cette entreprise au long cours a permis de rassembler un matériel linguistique riche, mais a parallèlement connu diverses évolutions – méthodologiques et technologiques – rendant la version actuelle partielle. Avant de décrire l’analyse menée pour combler ces déficits, les possibilités offertes aujourd’hui sont exposées et mises en perspectives par rapport à celles de la version historique. Notre démarche dépasse cependant la « simple restauration » du système et s’envisage en deux directions : d’une part la mise en œuvre d’un projet de recherches qui renforcera les dimensions morphologie et syntaxe de la base, d’autre part l’application des techniques du Traitement Automatique du Langage (TAL) pour le développement du programme.

Haut de page

Texte intégral

Ce travail a en partie été mené grâce au financement CPER : « Un outil linguistique au service de la Corse et des Corses : la Banque de Données Langue Corse (BDLC) ».

Introduction

1Mis en œuvre en 1974 dans le cadre de l’Atlas Linguistique de la France par Région, le Nouvel Atlas Linguistique de la Corse (NALC), a connu un essor particulier avec la création de la Banque de Données Langue Corse (BDLC) qui lui est associée dès 1986. Ce temps long du projet a permis de porter une réflexion continue sur l’objet dialectal qui s’est traduite par des évolutions importantes de la structure de la base et de la programmation scientifique du NALC.

2Dans cet article, après avoir rappelé les dates clés nous évoquerons les fonctionnalités de la première version de la BDLC puis ses développements actuels en deux directions : la remise en œuvre de modules morphologiques pour le traitement du matériau dialectal, et le développement d’un volet en direction du Traitement Automatique des Langues (TAL) appliqué au corse.

Repères chronologiques

  • 1 Depuis une quarantaine d’années, ce programme de recherche a permis de rassembler un matériel lingu (...)
  • 2 Le responsaire est une liste de questions construite à partir d’enquêtes préliminaires ; il « const (...)
  • 3 Voir par exemple les enquêtes relatives à la description des parlers corses sous l’angle phonétique (...)

En 1981, lorsque l’Université de Corse ouvre ses portes, la responsabilité scientifique du NALC est confiée à Marie-José Dalbera-Stefanaggi, ce qui permet de réaliser un atlas de l’intérieur et d’amplifier la collecte de données dialectales dans l’ensemble de la Corse et, partiellement dans le nord de la Sardaigne1. Les enquêtes, de nature ethnolinguistique essentiellement, sont menées auprès de locuteurs natifs sous la forme d’entretiens semi-dirigés avec l’aide de questionnaires thématiques ou, plus exactement, de responsaires2, certains volets ayant toutefois fait l’objet de techniques d’enquêtes spécifiques3.

  • 4 La base de données a été conçue par M. J. Dalbera-Stefanaggi et J.-Ph. Dalbera et réalisée par D. S (...)
  • 5 Nous renvoyons aux présentations de la base faites par M. J. Dalbera-Stefanaggi et D. Strazzabosco (...)

La création de la BDLC à partir de 19864 aura un impact fort sur le traitement des données. Conçue sous 4D, la base a acquis rapidement une certaine complexité que nous exposerons partiellement ci-après5.

  • 6 Modules de consultation uniquement : accès par le français ou par le corse, accès par thèmes. Il ét (...)
  • 7 Celle-ci n’étant possible auparavant que sur disques externes. L'interface de saisie a donné une im (...)

En 2009, grâce à un financement de l’UMR CNRS 6240 LISA, la BDLC a pu bénéficier d’une version Internet simplifiée6. En 2013, une nouvelle version de la base, incluant une interface de saisie a été mise en ligne7 ; elle a été totalement reconstruite en 2016 et c’est cette dernière version qui accueille désormais des fonctionnalités optimisées ou en cours de développement.

  • 8 Un outil linguistique au service de la Corse et des Corses : la Banque de Données Langue Corse (BDL (...)

Dans la perspective d’accroître leur recueil et leur restitution grâce aux publications papier et à un projet d’outil lexicographique ainsi que le souhait d’appliquer les technologies du TAL au corse, un financement a été accordé pour la période 2020-2022 au programme NALC-BDLC par la région8.

La morphologie dans la BDLC entre passé et futur

  • 9 Selon une convention de collaboration de recherche portée par S. Retali-Medori et L. Filipponio sig (...)

La reconstruction de la base de données en plusieurs étapes depuis 2009 a conduit à un appauvrissement des fonctionnalités ; certains modules, tels que la morphologie, ne sont plus effectifs. Ce volet du programme qui doit désormais être renouvelé mais aussi repensé, fait l’objet d’une collaboration avec l’Université de Berlin9.

Dans la version initiale de la BDLC, la morphologie était traitée à plusieurs niveaux : la morphologie dérivationnelle faisait l’objet d’un traitement en synchronie et en diachronie, la morphologie flexionnelle, qui avait commencé à être traitée, était l’objet de modules consacrés respectivement à la morphologie nominale et à la morphologie verbale.

Le traitement morphologique des données intervenait – et intervient toujours – dès la saisie des données. En effet, les formes lexicales recueillies sur le terrain font systématiquement l’objet (cf. figure 1) :

  1. D’une transcription phonétique,

  2. D’une transcription graphique,

  3. Du choix d’un lemme,

  4. D’un découpage morphématique,

    • 10 L’étymologie est l’objet de réflexions spécifiques puisque le financement du CPER a permis la mise (...)

    Du choix d’un étymon (et de sa référence)10,

  5. De la mention éventuelle de commentaires.

Figure 1. fiche de saisie lexicale de la BDLC, exemple : la “figue-fleur” à Santa Maria di Lota

Figure 1. fiche de saisie lexicale de la BDLC, exemple : la “figue-fleur” à Santa Maria di Lota
  • 11 J.-Ph. Dalbera (1995 : 113) : « Les formes lexicales y sont [dans la BDLC] analysées en leurs morph (...)

Le découpage morphématique constitue la quatrième étape du processus de saisie : il permet d’isoler les racines des morphèmes dérivationnels, des morphèmes flexionnels. Ce découpage11 prend aussi en considération les formes composées. Voici quelques exemples :

  • « fiurone (u) n.m. » “figue-fleur” : /fj'ɔr+'ɔn+ɛ/

  • « capinera (a) n.f. » “mésange” : /k'ap+i+n'ɛr+a/

  • « fiore di cuccu (u) n.m. » “digitale” (Digitalis purpurea) /fj'ɔr+ɛ++di++k'ukk+u/.

Le répertoire ainsi construit des formants a donné naissance à des modules de consultation des morphèmes, des mots segmentés en morphèmes (intitulés « formes de base »), et depuis ces champs morphologiques il était possible d’aller à la forme dialectale brute. Les perspectives offertes par cette analyse en formants ainsi que par la construction d’un fichier de “formes de base” sont exposées ainsi par J.-Ph. Dalbera (1995 : 114) :

[…] il nous a semblé souhaitable que cette forme s’obtienne, pour chaque parler considéré, par une simple projection inverse des mécanismes d’ordre morpho-phonologique en vigueur. […] Chaque système met en œuvre des mécanismes d’alternance ou d’ajustements d’ordre phonologique (en liaison avec les frontières de mots, la place de l’accent, les contacts phoniques) ou morphologique (en liaison avec les régularisations horizontales (de classes) ou verticales (de paradigmes). […] La forme de base que nous tentons d’appréhender est alors celle qui sous-tend les diverses réalisations d’un morphème compte tenu de l’intervention de ces mécanismes.

  • 12 Pour une description générale du mécanisme d’alternance vocalique dans les parlers corses, cf. Dalb (...)
  • 13 Cf. Dalbera - Dalbera-Stefanaggi (1993).

Cette approche permet tout à la fois de mettre en relief, par aire, des phénomènes tels que l’apophonie (cf. l’exemple, supra, de fiurone < fiore)12, mais aussi, selon les concepteurs de l’œuvre, la possibilité de déterminer des formes de base (à rapprocher de la notion de lemmes) qui englobent la diversité des réalisations et de poser des jalons d’interprétation synchronique et diachronique du matériau dialectal13.

Cette approche morphologique du lexique en synchronie était aussi présente, dans l’ancienne version de la base, en diachronie, au sein d’un module étymologique et de fichiers intitulés LTA : Latin Tardif Aréalisé. Se fondant sur les étymons déterminés par les romanistes comme étant à la source du lexique roman, ce module a construit des fichiers « lissant » certains phénomènes d’évolution (tels que les assimilations, les syncopes romanes, etc.) tout en établissant également un découpage syllabique des étymons reconstruits avec notation des accents et découpage morphématique en diachronie. Cela a donné lieu à des données ventilées en :

  • étymon (avec la référence REW lorsque l’étymon en est extrait)

  • formule source (étymon « lissé » / reconstruit)

  • formule analytique LTA (découpage syllabique et notation des accents).

La démarche est expliquée par J.-Ph. Dalbera (1995 : 111-112) :

  • 14 Le projet d’établir une strate de Latin Tardif Aréalisé a été envisagé aussi pour le gallo-roman da (...)

Une […] technique d’inspiration différente consiste à créer, à construire […] à côté du fichier d’étymons de type étymons REW et en relation avec lui, un fichier d’étymons lissés. Ce lissage consiste en deux traitements de nature différente mais complémentaires : d’une part il consiste à introduire dans ces formes abstraites les effets de changements qui caractérisent l’ensemble de l’aire […] ; d’autre part, il consiste à préparer ces formes abstraites pour le traitement diachronique en notant la place de l’accent, les frontières syllabiques, en caractérisant l’entrave…, bref en introduisant les paramètres que le linguiste sait pertinents pour l’analyse diachronique sur cette aire. […] Selon comment le travail a été fait, il semble bien que ce fichier auxiliaire pourrait donner une idée –au moins grossière– d’une strate de développement que l’on pourrait appeler Latin Tardif Aréalisé14.

  • 15 La base permettait la réalisation de cartes de synthèse de phonétique diachronique concernant, en p (...)

Le fichier LTA a donc été conçu pour pouvoir opérer des requêtes diachroniques impliquant plusieurs niveaux d’analyses (phonétique, morphologie dérivationnelle ou flexionnelle) et de permettre la production d’analyses automatisées qui ont été amplement exploitées dans la préparation du NALC115.

Latin Tardif Aréalisé, quelques exemples BDLC reproduits depuis Dalbera (1995 : 112)

Étymon

REW

Formule Source

Formule analytique LTA

LABŌRE

4809

LABŌRE

#LA-BꞌŌ-RE

TRAGĬNĀRE*

8837

RETRAGĬNĀRE*

#RE-TRA-GĬ-NꞌĀ-RE#

BŎVE

1225

BŎVATĬCU

#BŎ-VꞌA-TĬ-CU#

FĪCTU

3280

AFFĪTTU

#AF=FꞌĪT=TU#

Par ailleurs, au moment où la première version de la BDLC a été interrompue le module de morphologie dérivationnelle (ou d’identification des formes-sources) était relativement avancé dans sa conceptualisation et dans les fonctionnalités qui lui étaient associées, tandis que la morphologie flexionnelle était encore embryonnaire. Les paradigmes nominaux et verbaux, saisis depuis des entrées lexicales, ne permettaient pas encore d’aller au-delà de consultations simples (par localité, par verbe, par temps et mode pour les verbes).

  • 16 Les anciennes formes verbales seront saisies dans les mois à venir et l’ensemble des données morpho (...)

Les données morphologiques ne sont actuellement pas disponibles sur l’interface de consultation de la BDLC ; seules des formes à l’infinitif ou partiellement fléchies sont partiellement disponibles depuis une question (accès français-corse ou thématique) ou une réponse (accès corse-français). En interne, les fiches lexicales (réponse saisie à une question), permettent d’accéder au découpage morphématique ainsi qu’à la morphologie nominale ou verbale (cf. infra : onglet grammaire). Il faut souligner que les données morphologiques flexionnelles de l’ancienne base n’ont pas été versées dans la nouvelle version qui ne bénéficie que de paradigmes saisis à nouveau ou de données très fragmentaires16.

  • 17 Le travail informatique est consenti grâce au financement CPER qui a permis notamment l’embauche d’ (...)

L’actuelle version de la base de données fait l’objet de réflexions afin, d’une part, de restaurer les fonctionnalités de l’ancienne version17 dont on espère avoir donné ici un aperçu des potentialités sur le plan de l’analyse, mais aussi de développer un module consacré spécifiquement à la morphologie. En effet, les données morphologiques ne sont actuellement pas disponibles sur l’interface de consultation de la BDLC mais certaines sont présentes en interne.

  • 18 Cf. Medori (1999) et (2005).

Un des objectifs du chantier consacré à la morphologie concerne la publication d’un volume du NALC ce qui signifie, au-delà de la possibilité de consulter des paradigmes et de plusieurs niveaux d’accès à l’information, d’envisager un traitement cartographique des données par la mise en œuvre de cartes de données brutes (en forme phonétique mais aussi graphique pour une visée pédagogique, sur le site) et de données analysées en synchronie comme en diachronie, à l’instar de la carte 233 du NALC 1 qui permet de mettre en évidence un exemple de restructuration des classes verbales romanes en lien avec le déplacement de l’accent et le vocalisme atone dans la majeure partie des parlers corses18.

Figure 2. NALC 1, carte 233

Figure 2. NALC 1, carte 233
  • 19 Cf. Faraoni – Loporcaro (2016) et Faraoni (2018).

De même, il pourrait être précieux de pouvoir représenter, par des cartes analysées, les alternances de genre qui révèlent les restructurations opérées depuis le neutre latin dans les parlers corses et qui méritent une attention particulière19. En ce qui concerne la morphologie verbale et nominale, elle pourrait donc faire l’objet de plusieurs niveaux de représentations :

  • Des paradigmes (en phonétique voire, en sus, en forme graphique)

  • Des cartes permettant de représenter des faits bruts (tel verbe à tel mode/ temps/personne) et des faits analysés (telle désinence pour tel verbe à tel mode /temps/personne ; présence ou absence d’interfixes, etc.).

Les restructurations du système verbal du corse où le déplacement de l’accent sur la racine de nombreux verbes et les réfections qui en découlent, liées à l’inventaire du vocalisme atone (crs. vede / -a et dorme / dorma qui peuvent s’opposer par ex. à l’italien vedere ou dormire), incitent à envisager des requêtes en diachronie pour répondre au type de questionnement : « les verbes de la 3e conjugaison latine qu’ont-ils donné en Corse ? ».

  • 20 Sur la richesse de la dérivation dans la formation des zoonymes corses, cf. Dalbera – Dalbera-Stefa (...)

On peut envisager aussi de développer un module de morphologie dérivationnelle, bien que l’on puisse déjà, en interne, consulter des listes d’affixes grâce à l’outil interne « recherche multicritères » et qu’un module “relationnel” permette de comparer la formation de géosynonymes. Mais on pourrait aller plus loin en essayant de représenter sur des cartes, pour un échantillon de formes ciblées, les combinaisons de racines et d’affixes, spécialement de suffixes ou de chaînes de suffixes (par exemple : zitellucciu / zitellettu “petit enfant” ; zucchinu / zucchetta “courgette” ; agnonu / agnellu / agnellone “agneau d’un an”, ou tous les suffixes du nom de la souris, etc.)20, voire, selon l’hypothèse formulée avant la mise en œuvre de la version Internet de la BDLC : « Faire des recherches combinées sur les morphèmes […] communs à plusieurs mots corses » donc tous les mots corses comprenant tel morphème (racine ou préfixe, suffixe…).

  • 21 Voir aussi la carte 1005, NALC 3.

Figure 3. Carte de synthèse BDLC : la richesse du processus dérivationnel dans les dénominations de la souris21

Figure 3. Carte de synthèse BDLC : la richesse du processus dérivationnel dans les dénominations de la souris21

Le TAL au service de la morphologie du corse

  • 22 Voir https://bdlc.univ-corse.fr/tal/.

Comme nous l’avons annoncé plus haut, la BDLC a entamé depuis deux ans une réflexion autour du TAL appliqué au corse. Si au départ l’idée était de mettre le TAL au service des corpus textuels de la BDLC (dans la perspective, notamment, d’enrichir le traitement des corpus lexicaux mais aussi de contribuer à produire des analyses morphosyntaxiques), c’est au final un chantier important qui s’est ouvert en direction de l’application du TAL au corse22. Langue peu dotée, le corse nécessite en effet de trouver dans les outils numériques des ressources utiles à sa survie en donnant aussi toute sa place à la dimension variationnelle d’une langue non normée. En effet, si la base peut être exploitée comme ressource linguistique pour le TAL, des outils permettant de faciliter ou d’améliorer la saisie et l’analyse de ces données peuvent également être mis au point.

Nous allons aborder ici plusieurs applications du TAL ayant trait à l’aspect morphologique des données. Tout d’abord, nous présentons la possibilité de génération automatique de formes fléchies permettant d’automatiser, dans une certaine mesure, la saisie de la morphologie flexionnelle verbale ou nominale. Ensuite, nous nous intéressons à la lemmatisation, et plus particulièrement à la question du choix du lemme dans le contexte dialectal. Enfin quelques perspectives de valorisations sont proposées pour conclure cette partie.

Génération automatique de formes fléchies

La BDLC ne contient actuellement pas de données morphologiques sous forme graphique et structurées de manière systématique, comme dit supra. Pour la BDLC comme pour le TAL, le défi n'est pas seulement de rassembler un certain nombre de formes infinitives, mais surtout de disposer des paradigmes verbaux complets (cf. supra). Si l'on considère tous les temps simples, cela représente près de 50 formes par verbe, voir plus en tenant compte des variations dialectales du corse. L’ajout manuel de ces données représente un effort important. Le TAL permet cependant de proposer un outil (semi-) automatique de génération de formes. L’existence de cas non-réguliers et de phénomènes linguistiques parfois difficiles à gérer – tels que l’apophonie – ainsi que la présence des variations dialectales rendent cette tâche complexe. C’est pourquoi cet outil est plutôt envisagé dans une perspective semi-automatique, laissant au linguiste le soin et la responsabilité de valider in fine les formes proposées automatiquement. Cette validation peut s’appuyer sur des corpus représentatifs de la langue, et être au besoin automatisée au moins partiellement.

  • 23 Il s’agit ici de dictionnaires électroniques à large couverture, utilisés dans le cadre du TAL. Ils (...)

Afin de disposer d’un premier dictionnaire23 de formes verbales conjuguées, nous avons choisi de construire des grammaires de flexion automatique. Il s'agit d'un formalisme qui permet de manipuler une forme canonique afin de produire une série de variantes morphologiques accompagnées de codes flexionnels. Cette approche, déjà utilisée par Steiblé et Bernhard (2016) pour l'alsacien, permet de définir différentes classes de flexion verbale qui disposent chacune d’un ensemble de règles. La ressource ainsi constituée permet ensuite de générer automatiquement toutes les formes conjuguées à partir d’une forme verbale infinitive rattachée à une de ces classes de flexion. Les grammaires sont représentées sous la forme d'un graphe tel que celui repris en annexe 1. Nous avons réalisé l’écriture des grammaires, et leur application à une liste de verbes, à l'aide d'Unitex (Paumier 2020).

Les formes produites ne s’appuient pas sur les données dialectales récoltées sur le terrain. Elles pourront au contraire venir les compléter, sous la supervision des linguistes, lors de l’encodage des données dans la base.

L'objectif de cette approche est de pouvoir générer les formes les plus régulières des verbes. Elle n'a pas pour ambition de couvrir tous les phénomènes qui peuvent apparaître parfois de manière très locale. Les formes manquantes pourront être intégrées au fur et à mesure, entre autres lors des projets de lemmatisation au cours desquels des formes inconnues devront être traitées. Les formes générées qui ne sont pas observées en corpus pourront également être écartées.

3Les graphes de flexion implémentés sont au nombre de 724 et s’inspirent de la classification établie par Medori (1999). Le corse n’étant pas normalisé et ne disposant pas encore d’une grammaire générale fondée sur des études scientifiques, il existe de nombreuses différences entre les ouvrages qui exposent la morphologie verbale. Afin de maximiser la couverture des grammaires de flexion, nous en avons pris en compte plusieurs, tels que Romani (2000) ou Comiti (2012), ainsi que les sites Cunghjugatori corsu25 et A lingua corsa26.

Une liste de 312 verbes avec référence à la classe de flexion a été définie. Celle-ci a permis d'effectuer la flexion automatique et de générer un dictionnaire des formes verbales comportant 40 526 formes fléchies.

Après l'étape de flexion automatique, un traitement supplémentaire a été prévu pour la gestion de l'apophonie. Ce traitement, qui a donc pour objectif de proposer des formes pour lesquelles l'alternance vocalique est possible, mais pas certaine (le phénomène étant partiellement prévisible selon les parlers), a permis d’ajouter 1 860 formes, portant leur nombre à 42 386.

Ces formes devraient idéalement être validées manuellement, ce qui est difficilement réalisable, ou filtrées automatiquement après confrontation à un corpus de référence. À ce stade nous ne disposons cependant pas de ce type de corpus. Le filtrage de notre liste devra donc être réalisé ultérieurement, ce qui n’empêche pas son utilisation dans l’immédiat. Afin d’évaluer notre ressource, nous avons néanmoins pu la confronter à quelques corpus dont nous disposons : les articles issus de A Piazzetta et de Wikipedia, la Bible27, ainsi que le corpus d’ethnotextes de la BDLC.

  • 28 Soit : “être”, “avoir”, “aller”, “dire”, “faire”, “rester, habiter”, stà pouvant référer aussi à ét (...)

Trois paramètres ont été mesurés et sont détaillés à l’annexe 2 : le taux d’utilisation du dictionnaire (TDic), c’est-à-dire le nombre de formes présentes au moins une fois dans le texte ; le taux de couverture par le dictionnaire des formes uniques du texte (TFU), en d’autres mots le nombre de formes uniques du texte qui ont pu être reliées à au moins un élément du dictionnaire ; et enfin le taux de couverture des occurrences (TOcc), soit la même mesure mais relative à l’ensemble des occurrences du texte. À titre de comparaison, nous avons également calculé ces mesures pour un dictionnaire construit manuellement incluant 6 verbes très communs et fréquents : esse, avè, andà, dà, fà et stà28.

Comme attendu, le taux d’utilisation du dictionnaire est relativement modeste, variant entre 4,41 % et 6,96 %, en fonction du corpus. Les éléments du dictionnaire activés ne sont cependant pas les mêmes à chaque fois, ce qui permet d’atteindre 13,14 % sur l’ensemble des corpus. En comparaison, le dictionnaire des 6 verbes de base atteint lui un TDic entre 32,5 % et 52,82 % (64,09 % pour les corpus cumulés). Cette différence nous suggère que le dictionnaire généré automatiquement contient un certain nombre de formes potentiellement inutiles. La valeur du TDic étant en partie influencée par le caractère courant ou rare du lexique inclus dans le dictionnaire, il faut cependant tenir compte du fait que les 312 verbes pour lesquels des formes ont été générées automatiquement ne sont pas aussi fréquents que les 6 autres. Une valeur TDic plus faible est donc, dans une certaine mesure, explicable. Nous faisons ici l’hypothèse que le TDic devrait continuer à progresser avec l’ajout de nouveaux corpus, surtout pour le groupe de 312 verbes.

  • 29 Les ratios sont calculés relativement à l’ensemble des formes du texte, et non uniquement aux verbe (...)

Le dictionnaire de formes verbales généré automatiquement permet de reconnaître entre 2,19 % et 7,87 % des formes uniques (2,87 % sur l’ensemble des corpus) et entre 1,67 % et 3,17 % des occurrences29 (2,42 % des quatre corpus). Le TOcc est donc moins élevé que le TFU, ce qui nous indique que les formes reconnues n’étaient pas très fréquentes dans les corpus. Pour les 6 verbes de base, le TFU est particulièrement bas : entre 0,47 % et 1,29 % (0,39 % pour l’ensemble), ce qui est normal étant donné le nombre restreint de verbes concernés. Par contre le TOcc est lui bien plus élevé : entre 10,11 % et 13,47 % des occurrences (11,68 % des quatre corpus). Les quelques formes du dictionnaire présentes dans les corpus sont donc cette fois très productives, ce qui est confirmé en observant le nombre moyen d’occurrences par forme unique reconnue, qui est de 13,98 pour le premier dictionnaire, alors qu’il grimpe à 494,94 pour le second (ce ratio étant de 16,56 au niveau des formes brutes du texte).

L’utilisation combinée des deux dictionnaires sur l’ensemble des trois corpus permet de reconnaître 3,26 % des formes uniques et 14,10 % des occurrences. Notons qu’il s’agit d’une application brute du dictionnaire qui n’évacue pas la question de l’ambiguïté. Une forme reconnue par un dictionnaire peut avoir reçu plusieurs analyses concurrentes, sans garantie que celles-ci soient adéquates dans le contexte de la phrase. L’exploitation du dictionnaire peut cependant trouver son utilité, parmi d’autres traitements en TAL, lors d’une pré-annotation en vue de la lemmatisation.

Ces résultats nous encouragent à poursuivre dans cette voie afin d’augmenter la couverture des dictionnaires. Il sera intéressant de déterminer les verbes non reconnus les plus productifs afin de les intégrer en priorité. D’autre part, ce type de développement pourrait également être mené pour les formes nominales.

Lemmatisation

Le lemme est un concept important en linguistique et en TAL car il permet de regrouper, par l’intermédiaire d’une expression unique, un ensemble des formes fléchies reliées. La question de la formulation du lemme est une question délicate (Carton et Brun-Trigaud 2003), particulièrement pour une langue dialectale.

Ce contexte implique deux niveaux d’analyse : le lemme dialectal et sa généralisation vers un lemme supra-dialectal. Leur détermination doit évidemment être réfléchie du point de vue linguistique, mais aussi de celui du TAL et des utilisations concrètes envisagées. Il est par exemple assez courant de soumettre à des outils tels que des concordanciers, des requêtes complexes incluant non seulement des formes fléchies, mais également des formes lemmatisées. Le lemme <suminà> pourra par exemple être utilisé pour désigner, en plus de la forme infinitive, l’ensemble des formes conjuguées du verbe suminà. L’utilisation d’un supra-lemme est intéressante car cela permet de placer les requêtes très simplement et directement à un niveau supra-dialectal, qui autrement aurait nécessité l’énumération fastidieuse des différents lemmes dialectaux. Le défi dans le choix d’un supra-lemme réside dans la conciliation de sa pertinence au niveau linguistique, et de son utilisabilité par les utilisateurs, qui doivent pouvoir le formuler aisément.

Écartons d’emblée une solution qui ne reposerait pas sur un des lemmes dialectaux, car elle apparaît comme peu naturelle. Un dialecte en particulier pourrait être utilisé systématiquement, mais un choix arbitraire n’est intellectuellement pas très satisfaisant. Il risque, de plus, de ne pas rencontrer les attentes des locuteurs des dialectes « délaissés », qui ne connaîtront pas nécessairement la formulation d’un lemme dans un dialecte « étranger ». Une autre possibilité serait de sélectionner le lemme le plus « courant ». Cette notion peut recevoir différentes interprétations : le lemme présent dans une majorité de dialectes, celui utilisé par une majorité de locuteurs, ou encore le lemme le plus couramment utilisé dans un corpus de référence. Surgit alors la problématique de la définition de ce corpus, et de sa mise à jour au cours du temps. D’une manière générale, l’usage pouvant évoluer, une décision pertinente au temps T ne le sera plus nécessairement quelque temps plus tard. Finalement, le lemme le plus proche de l’étymon pourrait être un bon candidat. C’est cette option qui a généralement été suivie pour la BDLC. Ce choix ne résout cependant pas la question de la capacité des utilisateurs à trouver intuitivement la bonne formulation du supra-lemme.

Cette difficulté peut cependant être gérée au niveau applicatif. Il est en effet envisageable, moyennant une syntaxe adaptée, telle que l’utilisation des symboles {…}, de permettre à un utilisateur d’utiliser n’importe quel lemme dialectal pour formuler une requête à un niveau supra-dialectal. Ainsi, l’expression {seminà} permettrait de couvrir l’ensemble des formes conjuguées de toutes les variantes dialectales. Cette formulation serait donc équivalente à <seminà> ou <siminà> ou <suminà>. Il devient alors très aisé pour l’utilisateur de formuler des expressions supra-dialectales qui soient à la fois très courtes et très puissantes.

Le point le plus délicat est donc finalement celui de la caractérisation linguistique supra-dialectale, mais celui-ci est confié à la personne la plus à même de le gérer, le linguiste !

Perspectives de valorisation

Le travail mené dans le cadre de la BDLC ne porte pas que sur le lexique. La base de données a également la vocation à rassembler des corpus de textes, en particulier des ethnotextes recueillis lors d’enquêtes de terrain. Les réflexions menées sur le lexique au niveau morphologique trouvent ici leur prolongement : nous avons entamé un processus d’annotation morphosyntaxique du corpus d’ethnotexes.

Celui-ci débouchera sur la création d’un corpus annoté permettant à terme l’entraînement d’un étiqueteur morphosyntaxique automatique. Ce type d’outil constitue un module de traitement indispensable pour de nombreuses applications en TAL. Il peut également constituer une aide précieuse lors de la saisie des données dans la BDLC.

Le corpus ainsi annoté pourra aussi être consulté au moyen d’outils de recherche spécialisés pour la linguistique de corpus. Nous avons d’ores et déjà mis en place un concordancier30 prêt à tirer parti de ces données annotées. Actuellement limité à des recherches sur des formes graphiques, cet outil pourra à l’avenir effectuer des requêtes complexes faisant intervenir codes grammaticaux, lemmes et supra-lemmes. L’intérêt dépasse la recherche en linguistique, incluant des domaines plus larges, tels que les applications didactiques. Les enseignants pourront ainsi trouver une source d’exemples authentiques pour construire leurs leçons, exercices ou examens, alors que les élèves auront le loisir d’explorer divers aspects de la langue lors d’exercices pratiques.

Haut de page

Bibliographie

BDLC = M. J. Dalbera-Stefanaggi & S. Retali-Medori (éd.). (1986-). Banque de Données Langue Corse. Corti, UMR CNRS 6240 LISA. <http://bdlc.univ-corse.fr>.

Carton F. & Brun-Trigaud G. (2003). « Lemmes, supralemmes… : Dilemmes. Problèmes d’indexation de l’Atlas linguistique picard et de l’Atlas linguistique du Centre ». in J.-C. Bouvier, J. Gourc et F. Pic (éd.) Sempre los camps auràn segadas resurgantas  : Mélanges offerts au professeur Xavier Ravier. Presses universitaires du Midi, 63-72. http://books.openedition.org/pumi/42578

Comiti J.-M. (2012). A practica è a grammatica. Ajaccio, Corte : Albiana.

Dalbera J.-Ph. (1995). « Aspects heuristiques : strates et représentations dans une base de données dialectales », in G. Moracchini (éd.) Base de données linguistiques : conceptions, réalisations, exploitations. Actes du Colloque International de Corte (11-14 octobre 1995), 103-116.

Dalbera J.-Ph. & Dalbera-Stefanaggi M. J. (1993). « Bases de données dialectales et diasystèmes », Verhandlungen des Internationalen Dialektologenkongress, II. Stuttgart : Franz Steiner Verlag, 286-301.

Dalbera J.-Ph. & Dalbera-Stefanaggi M. J. (2003). « La petite bête qui monte, qui monte… La dimension motivationnelle dans la dénomination du ‘petit’. Etymologie et reconstruction lexicale », in R. Caprini (éd.) Parole Romanze. Scritti per Michel Contini. Alessandria : Dell’Orso, 113-138.

Dalbera J.-Ph., Oliviéri M., Ranucci J.-Cl., Brun-Trigaud G. & Georges P.-A. (2012). « La base de données linguistique occitane Thesoc. Trésor patrimonial et instrument de recherche scientifique », Estudis Romànics 34 : 367-387.

Dalbera-Stefanaggi M. J. (1978). Langue corse, une approche linguistique. Paris : Éditions Klincksieck.

Dalbera-Stefanaggi M. J. (2001). Essais de Linguistique Corse. Ajaccio : Éditions A. Piazzola.

Dalbera-Stefanaggi M. J. & Strazzabosco D. (1995). « Les chemins de la B.D.L.C. », in G. Moracchini (éd.), Base de données linguistiques : conceptions, réalisations, exploitations. Actes du Colloque International de Corte (11-14 octobre 1995), 53-69.

DDEPC = S. Retali-Medori (éd.) (2020-). Dictionnaire Dialectal et Étymologique des Parlers Corses. Corti, UMR CNRS 6240 LISA.

Faraoni V. (2018). L’origine dei plurali italiani in -e -i. Alessandria : Edizioni dell’Orso, Collana Lingua, cultura, territorio, 59.

Faraoni V. & Loporcaro M. (2016). « Manifestazioni residuali di sistemi trigeneri in corso settentrionale », in Retali-Medori S. (éd.) Lingue delle isole, isole linguistiche ; Atti del workshop “lingue delle isole, isole linguistiche” (Corte 22-23 settembre 2014). Alessandria : Edizioni dell’Orso, Collana Lingua, cultura, territorio, 53 : 31-56.

Medori S. (1999). Les parlers du cap corse : une approche microdialectologique. Phd thesis, Université de Corse, Corte.

NALC = M. J. Dalbera-Stefanaggi & S. Retali-Medori (1995-). Nouvel Atlas Linguistique et ethnographique de la Corse. Paris : CNRS Éditions, CTHS, Éditions A. Piazzola.

Paumier S. (2020). Unitex 3.2 Manuel d’utilisation. Université Paris-Est Marne-la-Vallée.

Retali-Medori S. (dir.) (2016). Lingue delle isole, isole linguistiche ; Atti del workshop “lingue delle isole, isole linguistiche” (Corte 22-23 settembre 2014). Alessandria : Edizioni dell’Orso, Collana Lingua, cultura, territorio, 53.

Retali-Medori S. & Tognotti A. Ghj. (2018a). « Un nouveau projet lexicographique pour la Corse : le Dictionnaire dialectal et étymologique des parlers corses », in Retali-Medori S. (éd.) Actes du colloque de lexicographie dialectale et étymologique en l’honneur de Francesco Domenico Falcucci (Corte – Rogliano, 28-30 Octobre 2015). Alessandria : Edizioni dell’Orso, collana Lingua, cultura, territorio, 61 : 241-260.

Retali-Medori S. & Tognotti A. Ghj. (2018b). « Etimologie in contesto dialettale : accenni d’etimologia corsa », in D’Onghia L. et Tomasin L. (éd.) Etimologia e storia di parole, Atti del XII Convegno ASLI, Firenze, Accademia della Crusca, 3-5 novembre 2016. Firenze : Franco Cesati Editore, Associazione per la Storia della Lingua Italiana, 10 : 507-518.

Romani G. (2000). Grammaire corse pour le collège et l’école. Ajaccio : G. Romani.

Steiblé L. & Bernhard D. (2016). « Vers un lexique ouvert des formes fléchies de l’alsacien : génération de flexions pour les verbes », in Actes de la 23e Conférence sur le Traitement Automatique des Langues Naturelles (TALN). Paris, France, 2 : 547-554.

Thesoc = J.-Ph. Dalbera, D. Strazzabosco, M. Oliviéri, P.-A. Georges & G. Brun-Trigaud (1992-). Thesaurus Occitan. <http://thesaurus.unice.fr/index.html>

Haut de page

Annexe

Annexe 1 : Exemple de grammaire de flexion

Annexe 2 : Détail des mesures en corpus de l’exploitation des dictionnaires

Haut de page

Notes

1 Depuis une quarantaine d’années, ce programme de recherche a permis de rassembler un matériel linguistique riche qui a donné lieu à l’édition de 4 volumes du NALC et de Detti è usi di paesi (collection de semi-vulgarisation), ainsi qu’à une mise à disposition, auprès de la communauté scientifique et du grand public par l’intermédiaire du portail internet de la BDLC (https://bdlc.univ-corse.fr), de plus de 120 000 fiches lexicales et 1 700 ethnotextes. Le recueil et le traitement des données sont toujours en cours.

2 Le responsaire est une liste de questions construite à partir d’enquêtes préliminaires ; il « constitue par anticipation la liste des cartes espérées » (cf. Dalbera-Stefanaggi 2001 : 30).

3 Voir par exemple les enquêtes relatives à la description des parlers corses sous l’angle phonétique publiées dans le NALC1 présentées dans l’introduction au volume et les précisions données par M. J. Dalbera-Stefanaggi (2001 : 29-31).

4 La base de données a été conçue par M. J. Dalbera-Stefanaggi et J.-Ph. Dalbera et réalisée par D. Strazzabosco dans une réflexion commune sur la BDLC et le Thesaurus Occitan (Thesoc), ce dernier ayant, comme le rappelaient Dalbera et al. (2012 : 369), bénéficié de l’expérience de la base corse. La BDLC fait l’objet d’une déclaration d’invention en SHS auprès de la SATT du Sud-Est en cours de finalisation.

5 Nous renvoyons aux présentations de la base faites par M. J. Dalbera-Stefanaggi et D. Strazzabosco (1995) et J.-Ph. Dalbera (1995).

6 Modules de consultation uniquement : accès par le français ou par le corse, accès par thèmes. Il était possible, outre la visualisation des fiches lexicales, de générer des cartes phonétiques ou de synthèses (lemmes) depuis la requête par un des chemins évoqués. Des informations étaient aussi données sur les localités d’enquêtes.

7 Celle-ci n’étant possible auparavant que sur disques externes. L'interface de saisie a donné une impulsion importante au programme qui a pu redémarrer sur le plan du traitement des données de terrain suspendu pendant les années 2000. L’interface de consultation n’offrait pas de fonctionnalités supplémentaires relativement à la version précédente, hormis l’accès aux ethnotextes.

8 Un outil linguistique au service de la Corse et des Corses : la Banque de Données Langue Corse (BDLC) ; il s’agit d’un financement Contrat de Plan Etat-Région (CPER), la Collectivité de Corse (CdC) ayant instruit le dossier.

9 Selon une convention de collaboration de recherche portée par S. Retali-Medori et L. Filipponio signée entre l’Università P. Paoli et la Humboldt Universität. La collaboration implique notamment la réalisation du sixième volume du NALC (collectes de terrain et conception).

10 L’étymologie est l’objet de réflexions spécifiques puisque le financement du CPER a permis la mise en œuvre d’un projet lexicographique, le DDEPC (cf. Retali-Medori et Tognotti 2018a et 2018b).

11 J.-Ph. Dalbera (1995 : 113) : « Les formes lexicales y sont [dans la BDLC] analysées en leurs morphèmes (ou plutôt en leurs formants) constitutifs […] ».

12 Pour une description générale du mécanisme d’alternance vocalique dans les parlers corses, cf. Dalbera-Stefanaggi (1978 : 66-75).

13 Cf. Dalbera - Dalbera-Stefanaggi (1993).

14 Le projet d’établir une strate de Latin Tardif Aréalisé a été envisagé aussi pour le gallo-roman dans le cadre du Thesoc (cf. Dalbera et al. 2012 : 381).

15 La base permettait la réalisation de cartes de synthèse de phonétique diachronique concernant, en particulier, les vocalismes toniques dans les parlers corses depuis le système vocalique du latin (“le traitement de E long” par exemple), mais permettait aussi des cartes de synthèse de traitements corrélés qui ont conduit à la réalisation de cartes telles que celles qui ont été éditées dans le NALC 1. Cf. la présentation du module diachronie in Dalbera (1995).

16 Les anciennes formes verbales seront saisies dans les mois à venir et l’ensemble des données morphologiques seront enrichies grâce à une campagne d’enquêtes prévues en collaboration avec l’Université de Berlin sous la direction de L. Filipponio.

17 Le travail informatique est consenti grâce au financement CPER qui a permis notamment l’embauche d’un alternant en informatique.

18 Cf. Medori (1999) et (2005).

19 Cf. Faraoni – Loporcaro (2016) et Faraoni (2018).

20 Sur la richesse de la dérivation dans la formation des zoonymes corses, cf. Dalbera – Dalbera-Stefanaggi (2003).

21 Voir aussi la carte 1005, NALC 3.

22 Voir https://bdlc.univ-corse.fr/tal/.

23 Il s’agit ici de dictionnaires électroniques à large couverture, utilisés dans le cadre du TAL. Ils contiennent un grand nombre de formes fléchies reliées à leur lemme ainsi qu’à un certain nombre de codes grammaticaux, flexionnels et sémantiques.

24 Ceux-ci sont fondés sur la terminaison de l'infinitif et, pour certains, du participe passé : V1:’-à’, V2: ’-è’ (non implémentée car ne représente que 7 verbes); V3: ’-ı̀’ et ’-isce’ ou ’-isca’; V4e: ’-e’ avec le pp. en ’-utu’; V4a: ’-a’ avec le pp. en ’-utu’; V5e: ’-e’ avec le pp. en ’-itu’; V5a: ’-a’ avec le pp. en ’-itu’.

25 https://aiaccinu.eu.org/cunghjugatori/

26 https://gbatti-alinguacorsa.pagesperso-orange.fr/

27 Ces corpus sont disponibles sur la page http://bdlc.univ-corse.fr/tal.

28 Soit : “être”, “avoir”, “aller”, “dire”, “faire”, “rester, habiter”, stà pouvant référer aussi à état.

29 Les ratios sont calculés relativement à l’ensemble des formes du texte, et non uniquement aux verbes. Les mesures TFU et TOcc ne pourront jamais dépasser la proportion de verbes présente dans le lexique du texte.

30 https://bdlc.univ-corse.fr/tal/index.php?page=concord

Haut de page

Table des illustrations

Titre Figure 1. fiche de saisie lexicale de la BDLC, exemple : la “figue-fleur” à Santa Maria di Lota
URL http://journals.openedition.org/corpus/docannexe/image/7115/img-1.png
Fichier image/png, 23k
Titre Figure 2. NALC 1, carte 233
URL http://journals.openedition.org/corpus/docannexe/image/7115/img-2.jpg
Fichier image/jpeg, 453k
Titre Figure 3. Carte de synthèse BDLC : la richesse du processus dérivationnel dans les dénominations de la souris21
URL http://journals.openedition.org/corpus/docannexe/image/7115/img-3.png
Fichier image/png, 146k
URL http://journals.openedition.org/corpus/docannexe/image/7115/img-4.png
Fichier image/png, 285k
URL http://journals.openedition.org/corpus/docannexe/image/7115/img-5.png
Fichier image/png, 391k
Haut de page

Pour citer cet article

Référence électronique

Stella Retali-Medori et Laurent Kevers, « La morphologie dans la Banque de Données Langue Corse : bilan et perspectives »Corpus [En ligne], 23 | 2022, mis en ligne le 02 mars 2022, consulté le 05 octobre 2022. URL : http://journals.openedition.org/corpus/7115 ; DOI : https://doi.org/10.4000/corpus.7115

Haut de page

Auteurs

Stella Retali-Medori

UMR CNRS 6240 LISA

Laurent Kevers

UMR CNRS 6240 LISA

Haut de page

Droits d’auteur

Tous droits réservés

Haut de page
  • Logo Revues électroniques de l’université de Nice
  • OpenEdition Journals
Rechercher dans OpenEdition Search

Vous allez être redirigé vers OpenEdition Search