1Depuis plusieurs décennies, la numérisation des textes anciens et les progrès du TAL pour les traiter et les interroger ont largement modifié nos habitudes de travail. Il est désormais possible d’obtenir des données quantitatives massives qui affinent notre perception des phénomènes linguistiques et stylistiques dans des corpus écrits dans des états de langue anciens. Les corpus numériques créés depuis maintenant près d’un quart de siècle permettent d’envisager plus facilement la dynamique du français en diachronie longue dont l’aboutissement, après de nombreuses années de travail, de la Grande Grammaire Historique du Français (Marchello-Nizia et al. 2020) constitue un bel exemple. Nous définissons un corpus en diachronie longue comme un corpus périodisé, regroupant des textes choisis pour leur caractère représentatif des états de langue des périodes couvertes par le corpus (par exemple, de l’ancien français au français contemporain).
2Depuis les années 1980, les chercheurs et chercheuses bénéficient de la base textuelle Frantext, la première en langue française, qui a permis de mener des investigations, au sein de textes littéraires, sur un très large empan temporel (du 10e au 21e siècle). Le travail pionnier de la Base de Français Médiéval (BFM, 1989) a permis la constitution d’un corpus de textes littéraires et non littéraires, toutefois limité, comme son nom l’indique, à la période de l’ancien français et du moyen français. De très nombreux corpus plus spécifiques à un genre textuel les ont rejoints : par exemple, le corpus sur six siècles de coutumiers normands du projet Condé, le corpus de référence du français médiéval (SRCMF) ou le corpus de sermons protestants du 16e au 18e siècle du projet Sermo). Cette dynamique actuelle dans la constitution et l’exploitation des corpus diachroniques était, par exemple, au cœur du colloque international ConCorDiaL Constitution de corpus en diachronie longue, organisé à l’Université Grenoble Alpes (octobre 2022), a été abordée, en avril 2023, dans la journée d’étude Bruit de fond ou valeur ajoutée ? Gérer le bruit lors des traitements informatiques des corpus linguistiques (Université Grenoble Alpes / Université Roma La Sapienza), et en 2024 dans la conférence Tracing the Curve of evolution : Syntactic change through text types (Université de Caen, mars 2024).
3La première étape dans la construction d’un corpus, comme le rappellent Reppen (2010 : 31) et Nelson (2010 : 53), est de savoir précisément quel est l’objectif poursuivi. Par exemple, la sélection de sources comparables pour permettre des analyses quantitatives homogènes est essentielle et la temporalité prise en compte dépend des phénomènes que l’on veut observer (GGHF 2020 : 43). Ensuite, la construction d’un corpus est le fruit de choix raisonnés qui visent à satisfaire le principe de la représentativité : « [a corpus is] a collection of texts assumed to be representative of a given language put together so that it can be used for linguistic analysis » (Tognini-Bonelli 2001 : 2). Ce principe de représentativité recouvre des réalités diverses en fonction des objectifs visés par celles et ceux qui construisent les corpus : les lexicographes qui souhaitent rendre compte du sens d’unités lexicales n’auront pas les mêmes exigences de représentativité que les linguistes et stylisticiens qui travaillent sur la caractérisation d’un genre textuel. Certains posent comme essentiel le fait de recourir exclusivement à des textes intégraux (Rastier 2011 : 33) ; d’autres rappellent qu’un corpus ne peut être qu’un échantillon et qu’à ce titre, il peut être construit à partir d’échantillons langagiers (Renouf 1987, Biber 1993). Ainsi, l’objectif de ce numéro 25 de la revue Corpus est d’interroger d’une part les choix présidant à la création des corpus en diachronie longue, d’autre part les objectifs linguistiques mais aussi stylistiques ou littéraires qui déterminent leur constitution. Ainsi, il s’agit de se situer dans une perspective à la fois rétrospective (quel a été l’apport des corpus diachroniques ? comment valoriser les corpus constitués au cours des dernières décennies ?) et prospective (quels sont les défis théoriques et méthodologiques qui attendent la recherche en diachronie à l’ère des humanités numériques et des corpus outillés ?).
4Créer des corpus aptes à fournir des données en diachronie longue pose de nouvelles questions d’homogénéité des outils et des supports à tous les niveaux de la chaine de préparation du matériau : de la sélection des textes à leur traitement. Par exemple, dans la présentation des critères choisis pour construire le corpus de la GGHF (2020 : 42-43), Prévost oppose d’un côté les textes sélectionnés selon des critères paratextuels, « qui relèvent davantage du point de vue que le locuteur moderne porte sur ces textes » et qui impliquent de choisir des textes de référence comme la Chanson de Roland ou la Queste del Saint Graal, et d’un autre côté les critères descripteurs (date et formes des textes, dialectes, domaines et genres textuels) qui relèvent plutôt de la temporalité propre à chaque phénomène linguistique. On peut questionner alors (i) la diversité ou l’homogénéité des textes, selon différents niveaux hiérarchiques (domaines, discours, genres ; sur ces catégories, voir par exemple, Malrieu & Rastier 2001, Marchello-Nizia et al. 2020) ou différentes variétés du français (diatopiques ou diastratiques) ; (ii) l’origine des textes que l’on veut y inclure selon que l’on s’appuie sur des sources secondaires (textes déjà édités) ou primaires (des textes restant à éditer). Si l’on privilégie des textes déjà édités, comment compenser l’inévitable hétérogénéité des choix éditoriaux ? Pour les sources primaires, quels choix éditoriaux effectuer sur le plan graphique (sachant que les traditions philologiques d’édition de textes diffèrent selon les siècles considérés en ce qui concerne par exemple la segmentation des mots, la graphie, les accents, la ponctuation, les majuscules) ? ; (iii) les types de codage mis en place dans le traitement des textes (quelles informations additionnelles ont été privilégiées pour l’enrichissement des textes ? combien de couches d’annotations ont été choisies ?).
5L’objectif d’un corpus influe sur sa constitution, il importe alors de s’interroger sur les données qu’on souhaite en extraire : quel type de recherches permettent les corpus en diachronie longue, tant sur le plan linguistique (lexique, syntaxe, morphologie, graphie, pragmatique, etc.) que sur le plan stylistique (repérage des évolutions des stylèmes et des phraséologismes) ou littéraire (repérage des topiques ou des motifs narratifs) ? Quels sont les modes d’interrogation choisis parmi les multiples possibilités offertes par l’outil adopté ? Quelles méthodes et outils spécifiques ont été développés en vue de l’exploitation de corpus en diachronie longue en s’appuyant sur les techniques de périodisation automatique (Gries & Hilpert 2008), sur des indicateurs textométriques permettant de mesurer des tendances (Herman & Kovář 2013, Hilpert & Gries 2009 : 388-390), sur des caractéristiques chronologiques spécifiques (Salem 2021, Lebart et al. 1998 : 155-161, Diwersy et al. 2021), ou sur de nouvelles méthodes textométriques dédiées à l’étude diachronique ?
6Pour répondre à ces questions, nous avons réuni dix contributions. Dans la première partie qui s’intéresse tout particulièrement à la constitution de corpus en diachronie longue, Corinne Denoyelle, Olivier Kraif, Pascale Mounier, Adam Renwick, Julie Sorba et Gilles Souvay présentent la démarche qui a présidé à la constitution du corpus PhraséoRoChe « Phraséologie du roman de chevalerie » (du 13e au 17e siècle, en langue française) et les interrogations qui ont été soulevées de l’établissement des textes au traitement de l’hétérogénéité des états de la langue qui s’y trouve.
7Dans la deuxième partie, nous avons réuni quatre contributions qui exposent leurs choix pour traiter des corpus en diachronie longue. Mathieu Goux expose les enjeux des corpus bilingues en diachronie longue en se fondant sur l’exemple du projet MICLE (MICro-indicateurs de L’Évolution grammaticale : un modèle multifactoriel de la perte de V2 en italien et en français anciens). Il s’intéresse tout particulièrement à des aspects moins abordés comme la question de la découpe en propositions ou en « phrases » des données linguistiques, la préservation des informations philologiques ou, encore, la question de l’encodage et des formats de données.
8Dans la contribution suivante, Sophie Prévost, Loïc Grobol, Mathieu Dehouck, Alexei Lavrentiev et Serge Heiden présentent un corpus original de textes s’étalant du 9e au 15e s. L’ambition du projet « Profiterole » est de fournir une ressource annotée aux plans morpho-syntaxique et syntaxique, vérifiée manuellement, afin de combler un manque relatif pour le moyen français, l’ancien français étant déjà équipé sur ce plan avec le SRCMF. Après avoir présenté la méthodologie de constitution, consistant à faire voter quatre analyseurs en dépendances pour faciliter le travail de correction manuelle des annotations, l’article présente les modalités d’interrogation, à travers le portail de la BFM ou l’exploitation des fichiers XML, distribués librement, à l’aide de l’outil TXM et de ses multiples possibilités de requête (avec le langage CQL pour les annotations morpho-syntaxiques ou TigerSearch pour les requêtes portant sur les arbres). Des exemples de requête sont donnés pour montrer, à titre d’illustration, l’évolution de l’ordre SOV à travers la période concernée.
9Adam Renwick et Olivier Kraif s’intéressent quant à eux aux performances de différents analyseurs entrainés sur des états de langue variés de l’ancien français au français contemporain. Leur objectif est de vérifier la possibilité d’étendre l’utilisation de ces analyseurs à des états de langue autres que ceux sur lesquels ils ont été entrainés. Ils proposent ainsi de combiner différents outils et diverses approches pour faciliter l’analyse syntaxique d’états de langue anciens du français.
10Pour sa part, Aleksandra Wieczorek présente le corpus Korba (25M de tokens), constitué de textes polonais des 17e et 18e siècles, annoté manuellement. Ce corpus permet d’observer l’évolution du système grammatical et les variations linguistiques dans l’histoire du polonais mais sa constitution a obligé les chercheurs à adapter leurs jeux d’étiquettes morphologiques. En effet, les étiquettes habituellement utilisées pour le polonais contemporain s’avèrent inadaptées aux états antérieurs de la langue. Wieczorek prend l’exemple particulier de la catégorie du masculin personnel dont la déclinaison connait des changements importants au cours du 18e siècle sur des critères sémantiques. Grâce à l’invention d’une étiquette spécifique pour certaines formes du nom, des phénomènes déjà connus peuvent désormais être décrits de manière plus nuancés et datés avec plus de précisions.
11Dans la troisième partie, nous avons regroupé cinq contributions qui montrent diverses utilisations des corpus en diachronie longue. La première est consacrée au corpus Democrat, paru en 2019, intégrant des textes français depuis le 11e jusqu’au 21e siècle, annoté en chaines de référence. Cette contribution de Frédéric Landragin, Julie Glikman, Catherine Schnedecker et Amalia Todirascu vise un triple objectif : faire une présentation critique du corpus Democrat, tant au niveau du choix des textes que des choix d’annotation ; dégager des statistiques générales qui permettent d’étudier l’évolution des propriétés formelles des chaines de référence (longueurs des chaines, distance intermaillons, etc.) au plan diachronique et en lien avec les genres textuels ; et enfin fournir une analyse de leur contexte, en s’intéressant plus particulièrement à l’évolution de leurs liens – réputés complexes – avec le discours direct.
12Dans leur article, Pierre Larrivée et Mathieu Goux, à travers l’étude de cas de l’antéposition stylistique de l’infinitif et du participe, illustrent l’utilité de prendre en compte le paramètre des types de texte pour l’analyse diachronique de la langue française. Leur contribution explore trois corpus constitués respectivement de textes littéraires, de coutumiers normands et de procès, de la période de l’ancien français à celle du français classique. Ce « calibrage générique » comme ils l’appellent montre que les évolutions de ces phénomènes d’antéposition diffèrent selon le type de texte, et que les textes légaux montrent une surreprésentation de ces constructions, en lien avec la pratique de la langue latine qu’observaient les spécialistes du droit.
13La contribution de Céline Guillot et Alexey Lavrentiev trace les évolutions intervenues depuis la toute première version de la BFM, de la fin des années 1980, qui ont donné lieu à la plus récente, la BFM2022. Ces évolutions concernent l’augmentation du nombre de textes de la base, leurs domaines fonctionnels, leur état de langue, mais aussi les différents types d’annotation qui sont proposés ainsi que les manières d’interroger, de consulter et d’exploiter au mieux la BFM. En présentant la BFM2022 comme le fruit de ces évolutions, les auteurs témoignent d’une progression constante vers une base plus fournie, plus accessible, proposant de plus en plus de finesse et de flexibilité à ses utilisateurs.
14Le corpus SolHistAl que Carole Werner a construit en vue d’une recherche en sociolinguistique historique en Alsace est destiné à montrer l’évolution des usages linguistiques d’une société plurilingue sur deux siècles (1681-1914). De ce fait, il est constitué de documents hétérogènes (lettres, recettes, comptes, pamphlets mais aussi livres, poésie, manuels) sur des supports différents (manuscrits, archives, imprimés) rassemblés sous l’unique critère du contact entre les langues chez des scripteurs lettrés mais aussi peu lettrés. Cette hétérogénéité est fondamentale en ce qu’elle permet d’intégrer le plus de situations possibles, mais elle entraine des déséquilibres selon les catégories de scripteurs. La principale difficulté rencontrée dans la construction de ce corpus était aussi la constitution d’un ensemble de métadonnées sociobiographiques suffisant, en particulier pour les scripteurs peu lettrés.
15La dernière contribution de ce numéro, de Valeria Zotti et Daniel Henkel, s’intéresse à la création et à l’exploitation d’un corpus multilingue de traductions alignées en français et anglais d’un des textes fondateurs de l’histoire de l’art, le Vite de Vasari. En étudiant le terme italien tondo et les différentes manières dont ce terme et les termes composés dont il fait partie ont été rendus en français et en anglais au fil de différentes traductions du 19e jusqu’au 21e siècles, les auteurs démontrent l’utilité des corpus diachroniques multilingues alignés pour l’étude du développement des terminologies ainsi que pour l’identification des facteurs présidant au développement différencié de la terminologie à l’intérieur de chaque langue.
16Ce numéro de la revue Corpus témoigne ainsi de l’actualité de la recherche sur les corpus en diachronie longue, une recherche marquée par des questionnements foisonnants sur les textes et les moyens à mettre en œuvre pour les fouiller, de la manière la plus pertinente possible, sur les plans linguistique et stylistique.