Navigation – Plan du site

AccueilNuméros25La constitution de corpus en diac...Le corpus PhraséoRoChe : les défi...

La constitution de corpus en diachronie longue

Le corpus PhraséoRoChe : les défis de l’établissement des textes et de l’hétérogénéité des états de la langue

The PhraseoRoChe corpus: the challenges of editing texts and the heterogeneity of linguistic data
Corinne Denoyelle, Olivier Kraif, Pascale Mounier, Adam Renwick, Julie Sorba et Gilles Souvay

Résumés

Le corpus PhraséoRoChe se centre sur le roman de chevalerie de langue française écrit en prose. Il rassemble des textes issus d’œuvres produites entre le XIIIe siècle et le XVIIe siècle, période bornée par la naissance et la disparition de ce genre textuel. Pour permettre des interrogations par le lecteur d’aujourd’hui d’un corpus outillé embrassant une diachronie aussi longue, il faut faire des choix concernant l’évolution de la langue, non seulement en traitant le décalage entre le français contemporain et la langue des textes retenus mais aussi en faisant face aux difficultés liées à l’hétérogénéité de l’ancien français, du moyen français et du français préclassique. Quels choix méthodologiques peuvent être pertinents en vue de l’objectif défini, à savoir une exploitation de type linguistique, stylistique ou littéraire ? Les collaborateurs du projet se sont heurtés à la triple difficulté de rester fidèles aux textes, d’intégrer la diversité des pratiques éditoriales des chercheurs selon les étapes de l’histoire du français et d’unifier le plus possible les principes de traitement pour faciliter la réception actuelle. Le présent article rend compte des deux volets de l’opération : la sélection et la transcription d’un ensemble de 40 textes, d’abord, et l’annotation au moyen de balises structurelles, d’étiquettes lexicales et d’étiquettes morphosyntaxiques, ensuite.

Haut de page

Texte intégral

  • 1 Le MF est généralement considéré comme s’étendant de 1300 à 1550. La notion de FPC indirectement hé (...)

1PhraséoRoChe est un corpus outillé construit pour explorer un genre textuel dans une diachronie longue. Il rassemble des textes écrits dans différents états de la langue française, issus d’œuvres que l’on peut regrouper communément sous l’étiquette de ‘roman de chevalerie en prose’. L’empan chronologique, qui va du XIIIe siècle au XVIIe siècle, couvre trois états de langue successifs : l’ancien français (AF, 1200-1300), le moyen français (MF, 1300-1550) et le français préclassique (FPC, 1550-1660). La délimitation de ces périodes fait en soi problème1. Mais même si l’on accepte d’atténuer les bornes de chacune au profit d’une vision continuiste du changement grammatical, on ne peut manquer de constater l’existence de phénomènes lexicaux, morphosyntaxiques et sémantico-logiques convergents à des époques données. Il existe donc une hétérogénéité forte du matériau traité liée à l’évolution de la langue. L’exploitation des données, une fois mises en forme, amène aussi à prendre en compte les critères de compréhension du lecteur qui souhaitera lire ou interroger les textes. Une seconde hétérogénéité se surimpose ainsi à la première, tenant au décalage entre la langue des textes retenus et le français actuel.

  • 2 Ce projet a bénéficié d’un financement de l’Université Grenoble Alpes (ANR-15-IDEX-0002).

2Il est nécessaire de s’affronter à ces deux difficultés linguistiques pour constituer un corpus outillé embrassant une diachronie longue. Notre équipe a mené une réflexion, dont les postulats théoriques de départ ont été ensuite confirmés ou infléchis par la pratique de transcription des textes, en ce sens pour le projet PhraséoRoChe2. Nous proposons de retracer ici les aspects de cette démarche que nous avons mise au point, qui ont permis de réaliser le premier volet du programme de travail, le second consistant dans l’interrogation des textes. Notre démarche est évidemment conditionnée par les objectifs que nous fixons à la constitution du corpus. Les futurs utilisateurs pourront aussi bien repérer des récurrences lexicales ou étudier des constructions syntaxiques propres à tel ou tel état du français que consulter des passages de romans de chevalerie ou comparer des séquences textuelles d’épisodes topiques. Les lexicographes qui souhaitent rendre compte du sens d’unités lexicales n’ont certes pas les mêmes exigences de représentativité en termes qualitatifs que les linguistes et les stylisticiens qui travaillent sur la caractérisation d’un genre textuel ; mais tous ont à cœur d’examiner des textes transcrits fidèlement et soigneusement vérifiés. D’où la décision majeure que nous avons prise, celle de rester le plus près possible de la langue des textes rassemblés. Quels choix méthodologiques un tel souci de ne pas masquer les caractéristiques linguistiques d’œuvres produites jusqu’au XVIIe siècle implique-t-il ? Le présent article rend compte des deux aspects de l’opération d’établissement que nous avons effectuée pour les textes et des deux défis que nous avons ainsi relevés : la sélection et la transcription, d’abord, et l’annotation au moyen de balises structurelles, d’étiquettes lexicales et d’étiquettes morphosyntaxiques, ensuite.

1. La constitution du corpus PhraséoRoChe

  • 3 Le genre du roman en prose a été sélectionné car la plupart des textes sont écrits dans une langue (...)

3Le premier aspect de préparation du matériau est la réflexion sur la constitution du corpus. À la suite de Rastier (2005 : 31), nous affirmons qu’« un corpus n’est pas plus un sac de mots qu’un nébuleux intertexte ». Sa constitution doit donc être réfléchie selon des principes critiques. Notre conception du corpus s’inscrit dans la lignée de Sinclair (1991) : il s’agit de regrouper des textes authentiques afin de rendre compte d’un état de langue. Il faut que ceux-ci soient donc représentatifs de cet état de langue mais aussi, dans la perspective qui est la nôtre, du genre textuel visé3. Plusieurs questions se posent à ce niveau en termes d’hétérogénéité des états de la langue. Il s’agit d’abord de poser des critères de sélection des textes en fonction de la connaissance que nous avons actuellement de l’évolution du genre et des témoins qui en sont accessibles. Il faut ensuite trouver des principes qui permettent de transcrire les textes en tenant compte de la spécificité linguistique de chacun.

a. Sélection des textes

  • 4 La disponibilité des textes sous format imprimé et numérique est un paramètre dont nous avons tenu (...)
  • 5 Ce corpus est inédit dans la mesure où les romans médiévaux en prose et les romans de chevalerie de (...)

4La première étape de la réflexion nous a conduits à établir une liste exhaustive de tous les textes disponibles susceptibles de recevoir l’étiquette ‘roman de chevalerie’ dans différentes bases de données en ligne (Frantext, Gallica, BFM, SRCMF, partie textuelle du DMF notamment) sur la période 1200-16504. Durant la période d’Ancien Régime, le roman de chevalerie est un sous-genre parmi d’autres (Sermain 2001). La définition du sous-genre a un ancrage essentiellement thématique, même si ce sous-genre romanesque évolue au début du XVIIe siècle par hybridation avec d’autres (sous-)genres, notamment le roman sentimental et le roman pastoral (Greiner 2007)5. Ensuite, nous avons sélectionné des textes au sein de cette liste selon plusieurs paramètres pour viser une représentativité et un équilibre satisfaisants (la liste des textes du corpus est disponible en Annexe).

  • 6 Le Lexicoscope 2.0 est un outil de fouille en ligne comprenant de nombreux corpus d’époques et de g (...)

5Premièrement, nous avons mis en œuvre une réflexion quantitative. En effet, l’objectif fixé en termes de taille du corpus était de deux millions de tokens afin de permettre des explorations variées et fiables, malgré la taille, grâce à notre outil de fouille, le Lexicoscope 2.06 (Kraif 2019). Le poids respectif de chaque période linguistique (AF, MF, FPC) tient compte de cet objectif d’ensemble. Nous avons également tenu à refléter l’intensité de la production de ces romans de chevalerie durant chacune d’entre elles. La période du MF étant incontestablement la plus longue et la plus productive, les œuvres de cette époque occupent la moitié du corpus (environ un million de tokens). Les deux autres périodes AF et FPC, ramassées chacune sur un seul siècle, occupent plus ou moins 25 % du corpus (soit environ 500 000 tokens).

6Deuxièmement, nous avons retenu des critères d’ordre qualitatif. En effet, la période du FPC apporte de nouveaux matériaux avec les premières traductions de romans de chevalerie italiens et espagnols. Nous avons donc retenu quelques traductions pour rendre compte de cet aspect (Amadis de Gaule, Roland furieux, Palmerin d’Olive, Roland l’amoureux).

  • 7 Si l’œuvre représente moins de tokens, elle est intégrée en entier.
  • 8 Marchello-Nizia et al. (2020) ont fait un choix différent pour le corpus de la Grande Grammaire his (...)

7Troisièmement, pour ne pas déséquilibrer le corpus par le poids d’œuvres plus longues que d’autres et induire de ce fait des biais dans les résultats de recherche linguistique et stylistique, nous avons choisi d’échantillonner tous les textes du corpus à hauteur d’environ 50 000 tokens chacun7. Cette sélection respecte le découpage original du texte en parties ou en chapitres. Chaque échantillon de 50 000 tokens, choisi parce qu’il illustre la diversité des séquences textuelles (descriptive, narrative, dialoguée, etc.) présentes dans l’œuvre, est en outre d’un seul tenant8.

  • 9 Notre équipe prévoit d’annoter aussi les textes intégraux pour permettre des recherches littéraires (...)

8Quatrièmement, dans une visée patrimoniale, nous avons sélectionné des œuvres déjà éditées de manière moderne mais peu connues (Roman des dames) ou pas disponibles sous format numérique (Perlesvaus, Les premiers faits du roi Arthur, Perceval en prose) ou encore, bien sûr, des œuvres ne disposant pas d’édition moderne (Guillaume de Palerne, Cronique et histoire faicte et composée par le reverend père en dieu Turpin et tous les textes du sous-corpus FPC). Dans ce dernier cas, nous avons toujours cherché à océriser la première édition connue et accessible de l’œuvre. Dans les cas des éditions modernes, nous avons contrôlé que les choix des éditeurs étaient conformes au manuel de transcription que nous avons élaboré. Notre projet vise ainsi à apporter une contribution plus large à la recherche sur ces textes anciens en les diffusant sous format numérique9.

b. Transcription des textes

  • 10 Par « transcription » nous entendons le travail de philologie numérique qui consiste à créer la ver (...)

9La décision de fidélité aux textes retenus amène à considérer à présent les principes de transcription10 pertinents. Une première tentation est celle qui recommande d’adopter le plus possible des critères similaires quelle que soit la période du texte de base ou le relais qui en assure la transmission jusqu’à nous : l’utilisateur gagnerait à pouvoir interroger les 40 textes ensemble en faisant la même requête. Mais l’adoption de cette démarche se heurte à un obstacle : les méthodes éditoriales en vigueur aujourd’hui pour l’édition de textes anciens varient selon les périodes du français. Les choix des médiévistes diffèrent en l’occurrence en partie de ceux des seiziémistes et des dix-septiémistes. C’est ce que l’on constate notamment aux niveaux suivants :

    • 11 Jusqu’à la fin du XVIIIe siècle, la voyelle finale des mots est prononcée avant de devenir le [ə] c (...)
    • 12 Micha dans son édition du Merlin ou du Lancelot en prose utilise fort peu de trémas, même dans les (...)

    la graphie : dans l’ensemble, les spécialistes ont désormais le souci de respecter la graphie des textes qu’ils transcrivent. Mais les médiévistes interviennent de façon différente des seiziémistes et des dix-septiémistes sur l’usage des accents. Les médiévistes se fondent sur des principes édictés par Roques (1926) et repris ensuite dans les Conseils pour l’édition des textes médiévaux de l’École des Chartes (2001 et 2002), qui limitent l’ajout d’accents au [e] tonique en finale absolue des plurisyllabes masculins ou quand il se trouve avant –s pour les distinguer du [ɘ] central11, et au tréma pour marquer des voyelles en hiatus (encore prononcées en AF). Les médiévistes n’accentuent ainsi jamais les mots grammaticaux monosyllabiques, malgré les risques d’homonymie (il a et à ; ou et , etc.). Par exemple ils réservent l’accent au substantif prés (< pratos) et laissent la préposition pres de (moderne près) telle quelle. De même ils n’accentuent pas les féminins en –ee car il n’y a pas de risque de confusion (meslee, esprouvee, etc.). Toutefois, on se rend compte à la lecture des textes que les différents éditeurs appliquent un peu différemment ces critères graphiques12. L’ajout des cédilles et des apostrophes ainsi que la distinction entre v et les u ou les i et le j sont en revanche généralisés sur des critères modernes pour les deux ensembles d’éditeurs ;

    • 13 Doit-on transcrire te fais asavoir ou te fais a/à savoir ? Doit-on transcrire aaise ou a/à aise, qu (...)

    la segmentation des mots : c’est un problème particulier très complexe. Les scribes des manuscrits agglutinent systématiquement les syntagmes nominaux ou verbaux, tandis que les éditeurs des imprimés le font peu. Les éditeurs modernes des textes antérieurs au XIIIe siècle tendent à segmenter ceux-ci, mais ils les soudent davantage pour les textes des XIVe et XVe siècles (Lavrentiev et al. 2021). Les éditeurs des textes des XVIe et XVIIe siècles maintiennent en général la soudure. Les pratiques diffèrent tout particulièrement pour les mots qui ont fini par s’agglomérer au cours du temps (au jour d’huy, lors que) et pour ceux qui sont désormais disparus13 ;

    • 14 Non sans s’interroger beaucoup sur la légitimité de leurs interventions (Combes 2008).

    la ponctuation : la ponctuation médiévale manuscrite n’est ni régulière ni systématique et il est difficile d’en rendre compte avec les signes diacritiques modernes qui n’ont pas de correspondant manuscrit (Lavrentiev 2019). L’emploi des majuscules, de même, n’est généralisé ni sur les noms propres ni en début de phrase. De ce fait, les médiévistes modernisent systématiquement la ponctuation14. De leur côté, les éditeurs de textes modernes pratiquent en général le maintien des signes du texte imprimé, phénomène qui entraîne par exemple une diversité évidente dans la transcription des titres des 40 romans du corpus.

  • 15 Pourquoi considérer par exemple les homophones (à, où, là, etc.) comme présentant des risques de co (...)

10Ce partage dans les habitudes philologiques des spécialistes, même s’il a en partie un caractère arbitraire15, est lié aux matériaux considérés, en l’occurrence aux supports du livre édités ou transcrits. Alors que le manuscrit repose sur le principe du livre unique lu par un professionnel ou du moins un lecteur formé à cette pratique, ce qui autorise des singularités, l’imprimé est destiné à un public large et moins érudit, ce qui impose une normalisation des usages. Cela vaut tout spécialement pour la ponctuation. Si entre la fin du XVe siècle et la fin des années 1530, la tendance est à la diversité quantitative et qualitative dans les imprimés alors que les manuscrits restent très peu ponctués (Lavrentiev 2011), à partir de 1530 environ s’amorce une régularisation sous l’influence des manuels à destination des gens du livre, régulièrement secondés dans leur tâche par les auteurs. Pour ce qui est de la graphie, une grande liberté domine d’un bout à l’autre de la diachronie du corpus, parfois d’une ligne à l’autre d’un même manuscrit ou d’un même imprimé. Mais se font jour certaines évolutions au cours de la seconde partie du XVIe siècle au niveau des accents, de l’apostrophe et des majuscules, qui montrent que ces signes auxiliaires sont connus de certains auteurs et imprimeurs. Notre corpus présente ainsi une vraie hétérogénéité sur quelques points entre la partie issue, toujours indirectement, c’est-à-dire via des éditions savantes des XXe et XXIe siècles, de manuscrits antérieurs à l’imprimé, et celle qui vient d’imprimés postérieurs. Réduire cette hétérogénéité originelle serait difficile sur le plan pratique et réducteur sur le plan scientifique. Nous avons décidé de ce fait de ne pas intervenir lourdement sur les usages typographiques des textes issus d’œuvres publiées à la fin du XVe siècle et aux XVIe et XVIIe siècles, de peur de contredire les choix des imprimeurs ou des auteurs de l’époque, alors que nous avons conservé les habitudes des médiévistes de retoucher le découpage de certains mots, d’ajouter des majuscules aux noms propres et de reponctuer les textes antérieurs.

  • 16 Nous renvoyons donc les utilisateurs de notre corpus aux principes des éditeurs de ces manuscrits d (...)
  • 17 Nous avons traité le texte de Tristan de Pierre Sala, composé sous forme manuscrite vers 1526-1529, (...)

11Au sein de chacune des sous-parties du corpus, qui correspondent exactement aux trois états de langue, nous avons surtout adopté deux pratiques distinctes selon l’origine des textes. 1. Pour les textes issus de manuscrits, déjà édités par un éditeur moderne selon les principes de la médiévistique, nous n’avons pas modifié les choix effectués16 ; 2. En revanche, pour les imprimés anciens dont nous avons fait la première transcription moderne nous-mêmes, nous avons appliqué d’emblée le protocole de transcription que nous avons élaboré. Pour les imprimés pour lesquels nous avons utilisé une édition moderne récente, réalisée par un médiéviste ou un seiziémiste, nous avons fait en sorte d’homogénéiser les choix de l’éditeur ou de l’éditrice avec nos propres choix17. L’utilisateur pourra ainsi interroger de façon cohérente ces deux sous-ensembles.

12Précisons quelque peu les critères retenus dans notre protocole de transcription des imprimés et du manuscrit postérieur à l’imprimé (Tristan de Pierre Sala). Nous résolvons les abréviations et les ligatures et respectons la graphie, c’est-à-dire toutes les variantes orthographiques d’un mot (ytalie et Italye, viel et vieil, jeter et jetter). Nous procédons tout de même aux opérations suivantes :

  • signes d’imprimerie : résolution des abréviations et des ligatures ;

  • lettres i et u : dissimilation de i et de j et de u et de v (saulueur saulveur, tousiours tousjours) ;

  • apostrophe : modernisation de l’usage de l’apostrophe quand il n’y en a pas (Iay → J’ay, quil qu’il) ou pour lever une ambiguïté de sens (d’avantage davantage). Maintien en l’état quand le signe est présent (cest’heure, Qu’elle injustice, le l’ambris d’or restent à l’identique) ;

  • tiret : maintien de l’usage ou de l’absence d’usage du tiret. On en trouve par exemple pour les mots composés, notamment quand les morphèmes sont en voie de soudure (mal-mener) ; mais ce n’est pas toujours le cas (c’est à dire) ;

  • cédille : maintien de l’usage ou de l’absence d’usage de la cédille. Comme il y en a de plus en plus au cours du temps, on peut trouver le même mot graphié avec ou sans cédille (au début du XVIIe siècle, lecon est devenu systématiquement leçon, arcon arçon et scavoir sçavoir) ;

  • accents : conservation des accents présents dans le texte. Ajout de l’accent aigu sur [e] tonique final ou devant e, s et es et devant e intérieur (compilee compilée, deesse déesse). Ajout de l’accent grave en cas d’homonymie (pres pres et près, ou ou et , es es et ès, contraction de en les). Il y a régulièrement hésitation sur la nécessité ou non d’ajouter un accent aigu (chevalier estrange). Le cas des noms propres, où il n’y pas de régularité car ils peuvent être inventés ou dont on ignore la graphie éventuelle dans des textes hors du corpus, est parfois insoluble (la princesse Tymbrie à laisser à l’identique ou à transcrire par la princesse Tymbrié ?) ;

  • majuscule : pas d’ajout de la majuscule aux mots qui en prendraient aujourd’hui. Déplacement de la majuscule du début de l’article défini contracté au début du substantif dans les cas d’absence d’usage moderne de l’apostrophe (Lambassade → l’Ambassade)

  • mots segmentés ou soudés : pas de pratique de l’agglutination ni de la disjonction (restent à l’identique), malgré le caractère aléatoire des formes dans un même texte (dequoy et de quoy, pour ce et pource, tresagreable et tres agreable). Agglutination en cas d’homonymie (par fois adverbe → parfois, par ce que conjonction → parce que, quoy que conjonction → quoyque, si tost que conjonction → sitost que, plus tost marquant une préférence → plustost). Disjonction seulement pour lever une ambiguïté de sens (toutesfois à valeur temporelle → toutes fois, pourtant (que) à valeur consécutive → pour tant (que)) ;

    • 18 Exemple de deux-points servant de ponctuation dans une phrase et d’absence de ponctuation forte ou (...)
    • 19 Exemple de phrases s’enchaînant sans ponctuation forte ou moyenne dans Les Admirables faits d’armes (...)
    • 20 Trois niveaux de guillemets sont ajoutés : pour le discours direct, les doubles guillemets français (...)

    la ponctuation : maintien à l’identique de la ponctuation. On peut trouver aux XVe et XVIe siècles des signes de ponctuation moyenne ou forte (deux-points, point d’interrogation, point d’exclamation) suivis d’une minuscule. Cela complique la lecture aujourd’hui18. La difficulté est grande quand il n’y a pas de signe du tout en fin de phrase, ce qui est régulier jusque dans la première partie du XVIe siècle mais perdure parfois jusque dans les textes les plus tardifs19. Des guillemets sont en revanche ajoutés pour signaler les prises de parole20 ;

    • 21 Exemples de coquilles dans Le Romant des Romans (1626) : geus substantif (pour gens), cete détermin (...)

    coquilles d’impression : correction des coquilles manifestes d’impression, sans avertissement. C’est un point très délicat : comment être sûr, vu les multiples variantes graphiques d’un mot ou d’un syntagme, que le compositeur a fait une erreur de transcription du manuscrit de travail ? Il faut tenir compte du système orthotypographique du texte en même temps que de la situation dans l’évolution de la langue et du mouvement général de normalisation de celle-ci pour trancher en faveur d’une des interprétations possibles21.

13La transcription des 40 textes ne réduit ainsi pas la diversité des textes de base. Celle-ci demande à l’utilisateur de tenir compte, dans ses requêtes, de la date de création, de la nature du support du livre et du relais qui a assuré sa transmission du texte qu’il interroge. D’autres choix auraient certes pu être faits, comme la transcription diplomatique du texte de base, c’est-à-dire sous forme brute, et l’ajout d’informations lexicales et morphologiques simplement au niveau de l’annotation. Mais le risque d’illisibilité aurait été grand pour le lecteur actuel. Nos critères tendent en somme à rendre accessibles des extraits d’œuvres en pratiquant des interventions à deux échelles, qui ne sont jamais très lourdes et sont dans tous les cas homogènes.

14Des objectifs linguistiques avant tout et secondairement littéraires et stylistiques déterminent donc la constitution du corpus PhraséoRoChe. Il s’agit de permettre des requêtes liées à la caractérisation linguistique d’un sous-genre dans une période comprise entre le passage du vers à la prose et l’arrêt de la production plutôt que de réaliser des éditions de textes. D’où nos décisions de renoncer à montrer les singularités de chacun des 40 textes et à en rendre compte avec des considérations philologiques poussées. Nous avons tâché de répondre à trois injonctions simultanément : rester fidèles aux textes, intégrer la diversité des pratiques éditoriales des chercheurs selon les étapes de l’histoire du français et unifier le plus possible les principes de traitement pour faciliter la réception actuelle.

2. Annotation du corpus

15Le second aspect de préparation du matériau est l’annotation du corpus. Quelles informations additionnelles ont été privilégiées pour l’enrichissement des textes en vue de leur interrogation par le lecteur actuel ? Pourquoi avoir retenu trois couches d’annotations ?

a. Balises structurelles

16Ce balisage se limite à l’annotation manuelle de certaines informations sur la structure du texte lui-même. Suivant les recommandations de la TEI v4.5.0, les chapitres et paragraphes sont signalés à l’aide de balises XML, tout comme la pagination du document historique. Dans les cas où les titres de chapitre ne terminent pas par un point, celui-ci est ajouté. Les références bibliographiques des textes et éditions historiques sont intégrées dans l’en-tête TEI (auteur, titre, date de publication), accompagnées d’autres métadonnées standard de cet élément TEI (lien vers la ressource, relecteur, projet). De plus, la balise <w> a été employée pour forcer la segmentation, notamment dans les mots avec apostrophes (<w>preud’homme</w>).

b. Étiquettes lexicales et tokenisation

17Nous avons traité les textes en les lemmatisant avec la plateforme LGeRM développée par le laboratoire Atilf (Souvay 2018). Cette tâche permet de reconnaître les mots de notre corpus sous toutes leurs formes graphiques ou leurs flexions, ce qui résout la difficulté de la variation graphique. Le verbe aider peut en effet prendre les formes suivantes : aidier, aydoit, aie, aïe, ait, haioient, etc.

18La diversité des états de langue pose le problème de la continuité des choix de lemmatisation entre l’AF et le FPC. Le lemmatiseur LGeRM (Pierrel et Souvay 2009) s’appuie en effet sur les entrées (lemmes) du Dictionnaire du Moyen Français (DMF). Or celui-ci ne connaît qu’une partie des mots d’AF ou de FPC. Ainsi les adverbes humilieusement et enevois attestés dans le Merlin en prose, le plus ancien texte de notre corpus, sont absents du DMF.

19La diversité dialectale d’un texte comme la mise en prose du Roman de Troie, qui mêle les formes anglonormandes du texte source (le verbe faer par exemple) à des graphies franco-italiennes (hocire pour occire ou blogne pour broigne), ne constitue pas franchement de difficulté. En effet, ce n’est pas tant les formes qui posent le plus de problème mais les lemmes absents. L’un des avantages de LGeRM c’est que l’outil peut évoluer : on peut l’améliorer soit en enrichissant le lexique, soit en ajoutant de nouvelles règles (pour gérer l'alternance blogne/broigne, une règle bl/br a pu être intégrée).

20Par ailleurs, l’évolution des paradigmes oblige à reconsidérer des choix faits dans LGeRM. Les démonstratifs par exemple, dont l’évolution des formes est très nette en MF, posent des questions particulières. Pour les textes d’AF, nous distinguons les formes de la famille de cil de celles de cist et catégorisons la forme ce en pronom démonstratif neutre. En MF et en FPC, le paradigme est complètement refait par l’ajout d’un troisième paradigme de déterminants ce, ces, analogiques de l’article défini et par la spécialisation du paradigme de cist dans des formes de déterminants et de celui de cil dans des formes de pronoms. Un nouveau système se met alors en place qui oppose de manière duale les déterminants ce, ces, cet, cette aux pronoms, celui, celle(s), ceux. La question se pose donc de savoir si, dans ces textes moins anciens, nous devons rattacher les démonstratifs à ces nouveaux lemmes et perdre ainsi la continuité avec les textes médiévaux ou si nous devons maintenir cette continuité morphologique au risque qu’elle soit désormais artificielle. Dans un sous-genre romanesque qui cultive les archaïsmes, il peut cependant ne pas être inutile de garder trace des lemmes médiévaux (celle grande beauté, Guillaume de Palerme), de même le pronom cestuy se maintient encore jusqu’en 1660. La solution à retenir devant aussi tâcher de faciliter les requêtes de l’utilisateur, nous avons finalement choisi de maintenir le système médiéval bien qu’il soit archaïque dans la plupart des cas et de rester sur un système à trois paradigmes, celui de cet, celui de celui et celui de ce, ces. La question de la lemmatisation est liée à celle de la tokenisation, qui dépend elle-même des choix graphiques adoptés dans la transcription. Le principe de segmentation des mots est notamment délicat. Par exemple, le roman Perceval Le Gallois (1550) utilise des formes allencontre, allentour. Son éditrice moderne (Colombo Timelli 2021) choisit une segmentation du type all’encontre, all’entour, que nous n’avons pas modifiée. Doit-on alors considérer allencontre comme un seul token rassemblant trois lemmes ou doit-on distinguer all’ comme une enclise préposition + article et voir ici deux tokens correspondant chacun à un lemme ? C’est le choix que nous avons finalement effectué. La question se pose aussi pour une forme comme audedans, courante dans les textes en AF et MF et qu’on hésite à traiter en au-dedans, c’est-à-dire en un token constitué de deux lemmes. La même question se pose pour s’entrepouvoir, s’entrehocire, s’entredire, s’entreveoir, etc., que nous avons considérés à chaque fois comme un token constitué de deux lemmes.

c. Étiquettes morphosyntaxiques et dépendances

  • 22 Les relations de dépendances, inspirées de Tesnière (1959), s’intéressent aux relations de rection (...)

21Notre objectif est de disposer d’un corpus outillé interrogeable dans l’interface Lexicoscope 2.0 qui nécessite des corpus annotés et syntaxiquement arborés. En effet, celle-ci est conçue pour interroger simultanément les lemmes, les étiquettes catégorielles (parties du discours) et les relations de dépendances22 (du type verbe→sujet, verbe→objet, nom→déterminant, etc.). Ces dernières sont au centre de la notion de cooccurrence syntaxique (Evert 2007) qui permet de caractériser le voisinage des mots et expressions recherchés, à travers les affichages de type wordsketch ou Arbres lexico-syntaxiques récurrents (ALR, Kraif 2019). Le choix des jeux d’étiquettes morphosyntaxiques et du modèle de dépendance s’est rapidement porté sur le modèle UD (Universal Dependency), qui présente de nombreux avantages, à la fois pratiques et théoriques. Ce modèle, qui résulte de la fusion du modèle Stanford Dependency (de Marneffe et al. 2006), des Google universal part-of-speech tags (Petrov et al. 2012) et du Interset interlingua (Zeman 2008), repose sur un savant équilibre entre des exigences contradictoires :

  • être suffisamment souple et générique pour s’adapter à un très grand nombre de langues différentes tout en permettant la description fine de phénomènes spécifiques ;

  • être adapté au traitement automatique tout en assurant une prise en main rapide par des annotateurs humains ;

  • ne pas trop s’éloigner des notions grammaticales traditionnelles tout en favorisant la syntaxe profonde afin de s’adapter aux systèmes de compréhension ou de traduction automatique.

22Ces exigences de standardisation interlingue, sous-jacentes à UD, ne sont pas sans rappeler nos propres contraintes, consistant à intégrer dans un même corpus, et un même système d’interrogation, des états de langue différents, dans le but de pouvoir mener des études comparatives longitudinales. En outre, sur un plan pratique, UD donne accès à de nombreux outils et modèles, qu’il s’agisse de faire de l’annotation manuelle depuis une interface comme Arborator-Grew (Guibon et al. 2020) ou de récupérer des modèles préentraînés d’analyseurs comme UDPipe (Straka et al. 2016) ou HOPS (Grobol et al. 2022).

  • 23 Comme LGeRM ne segmente que les phrases se terminant par une ponctuation forte, nous avons renuméro (...)

23Pour le traitement automatique du corpus, nous avons appliqué une chaîne de traitement impliquant plusieurs outils : LGeRM pour le découpage en tokens, la segmentation en phrase23, aussi bien qu’une combinaison d’analyseurs (HOPS, Deucalion, UDPipe, Stanza) pour l’identification des POS tags, des lemmes et des dépendances. Les étiquettes morphosyntaxiques issues de LGeRM, au format CATTEX, ont été converties selon le jeu UPOS, plus simple, et les lemmes proposés par LGERM ont été vérifiés et corrigés manuellement.

24Par ailleurs, dans la perspective d’évaluer les résultats de ces chaînes de traitement, nous avions besoin d’établir un petit corpus de référence pour le MF et FPC (le corpus SCRMF tenant lieu de référence pour l’AF). Nous avons donc extrait un petit corpus d’environ 1 230 tokens, correspondant à 23 phrases que nous avons resegmentées au niveau des signes « : » et « ; », et que nous avons annotées à la main depuis le site Arborator-Grew. L’annotation a été effectuée en double sur chaque phrase par 4 annotateurs et a été suivie par une phase collective d’harmonisation. Bien que de taille modeste, ce corpus Gold nous a permis de comparer les sorties des différentes chaînes de traitement et de déterminer celle qui obtenait des résultats significativement meilleurs. Renwick & Kraif (dans ce numéro) ayant démontré la fiabilité des systèmes d'annotation lorsque leurs analyses convergent, certaines étiquettes proposées par LGERM ont cependant été modifiées automatiquement quand les annotations des autres analyseurs mis en œuvre (UDPipe, HOPS, Stanza) convergeaient contre l'annotation de LGERM. Cette automatisation ne se veut pas définitive, mais permet la mise à disposition d'une version initiale du corpus, en attendant la vérification des annotations qui permettra la publication de la version définitive du corpus.

3. Conclusion

25Pour conclure, le corpus PhraséoRoChe, riche de 40 œuvres échantillonnées et annotées, se révèle un bon exemple des défis théoriques et méthodologiques qui attendent la recherche en diachronie longue à l’ère des corpus outillés. Il montre que la constitution de corpus pour des périodes anciennes des langues doit trouver le moyen de traiter de manière satisfaisante l’évolution de l’état de la langue au sein du corpus et entre le corpus et la période actuelle. Mais il montre aussi que les questions linguistiques engagent des données annexes, relevant par exemple de l’histoire littéraire et de l’histoire du livre.

26Les chercheurs qui s’engagent sur la voie de la conception de tels corpus doivent se préparer à affronter la question de l’homogénéisation a posteriori de matériaux primitivement hétérogènes. Ils doivent relever le pari délicat de réduire la diversité des objets qu’ils sélectionnent et transcrivent sans nuire à l’intégrité de ceux-ci. Il leur faut rendre lisibles les textes de façon à ce que le processus d’annotation, qui vient dans un second temps, ne soit pas trop complexe.

Haut de page

Bibliographie

1. Bases et corpus textuels

BFM Base du français médiéval http://bfm.ens-lyon.fr/

DMF Dictionnaire du Moyen Français http://www.atilf.fr/dmf

Frantext https://www.frantext.fr/

Gallica https://gallica.bnf.fr/accueil/fr/

Lexicoscope 2.0 http://phraseotext.univ-grenoble-alpes.fr/lexicoscope_2.0/

LGeRM http://www.atilf.fr/LGeRM

PhraséoRoChe : dépôt en cours

2. Références critiques

Abélard J. (1990). « Avant-propos », Français préclassique 1 : 3-5.

Caron P. (2023). « Le français pré-classique : un cas d’école », Communication présentée au 5e colloque international de la SIDF, Munich.

Combes A. (2008). « Ponctuer, c’est traduire un peu », in C. Pierreville (dir.) Éditer, traduire ou adapter les textes médiévaux. Jacques André éditeur, 15-32.

Combettes B. (2011). « La délimitation du français préclassique : aspects syntaxiques », Périodisation(s), Diachroniques. Revue de linguistique française diachronique 1 : 59-82.

Combettes B. & Marchello-Nizia C. (2010). « La périodisation en linguistique historique : le cas du français préclassique », in B. Combettes, C. Guillot, É. Oppermann-Marsaux, S. Prévost et A. Rodríguez Somolinos (dir.) Le changement en français. Études de linguistique diachronique. Peter Lang, 129-141.

Conseils pour l’édition des textes médiévaux. (2001 & 2002). École nationale des Chartes, fascicule 1, Conseils généraux ; fascicule 3, Textes littéraires.

De Marneffe M.-C., MacCartney B. & Manning C. D. (2006). « Generating typed dependency parses from phrase structure parses », Proceedings of LREC.

Evert S. (2007). « Corpora and collocations », in A. Lüdeling et M. Kytö (dir.) Corpus Linguistics. An International Handbook. Mouton de Gruyter, 1212-1248.

Grobol L., Regnault M., Ortiz Suarez P., Sagot B., Romary L. & Crabbé B. (2022). « BERTrade : Using Contextual Embeddings to Parse Old French », in Proceedings of the Thirteenth Language Resources and Evaluation Conference, 1104-1113.

Greiner F. (dir.). (2007). Fictions narratives en prose de l’âge baroque. Répertoire analytique. Première partie (1585-1610). Champion.

Guibon G., Courtin M., Gerdes K. & Guillaume B. (2020). « When Collaborative Treebank Curation Meets Graph Grammars : Arborator with a Grew Back-End », Actes de LREC 2020.

Kraif O. (2019). « Explorer la combinatoire lexico-syntaxique des mots et expressions avec le Lexicoscope », Langue française 203 : 67-83.

Lavrentiev A. (2011). « Les changements dans les pratiques de la ponctuation liés au développement de l’imprimerie à la fin du XVe siècle au début du XVIe siècle », in N. Dauvois et J. Dürrenmatt (dir.) La ponctuation à la Renaissance. Classiques Garnier, 31-56.

Lavrentiev A. (2019). « Traitement de la ponctuation dans les éditions de textes en français médiéval : normes, introductions, pratiques », in F. Duval, C. Guillot et F. Zinelli (dir.) Les introductions linguistiques aux éditions de textes. Classiques Garnier, 275-294.

Lavrentiev A., Guillot-Barbance C. & Heiden S. (2021). « Enjeux philologiques, linguistiques et informatiques de la philologie numérique : l’exemple de la segmentation des mots », Diachroniques 8 : 76-102.

Marchello-Nizia C., Combettes B., Prévost S. & Scheer T. (dir.). (2020). Grande Grammaire historique du français. De Gruyter.

Nelson M. (2010). « Building a written corpus », in A. O’Keeffe et M. Mc Carthy (dir.) The Routledge Handbook of Corpus Linguistics. Routledge, 53-65.

Petrov S., Das D. & McDonald R. (2012). « A universal part-of-speech tagset », in Proceedings of LREC.

Rastier F. (2005). « Enjeux épistémologiques de la linguistique de corpus », in G. Williams (dir.) La linguistique de corpus. Presses universitaires de Rennes, 31-45.

Roques M. (1926). « Règles pratiques pour l’édition des textes français et provençaux », Romania 52 : 243-249.

Sermain J.-P. (2001). Le Roman jusqu’à la Révolution française. PUF.

Sinclair J. (1991). Corpus Concordance Collocation. Oxford University Press.

Souvay G. (2018). « La plate-forme de lemmatisation LgeRM », Journées d’études : Nouvelles perspectives autour de la phraséologie de la langue littéraire médiévale. Grenoble, France. hal-02974195.

Straka M., Hajič J. & Straková J. (2016). « UDPipe: Trainable Pipeline for Processing CoNLL-U Files Performing Tokenization, Morphological Analysis, POS Tagging and Parsing », in Proceedings of the Tenth International Conference on Language Resources and Evaluation (LREC’16), 4290-4297.

Tesnière L. (1959). Éléments de syntaxe structurale. Klincksieck.

Zeman D. (2008). « Reusable Tagset Conversion Using Tagset Drivers », in Proceedings of LREC.

Haut de page

Annexe

Le corpus PhraséoRoChe (par ordre chronologique)

cote

titre

date

édition de base

AF04

Merlin en prose

1200-1210

Micha (1979)

AF21

Perceval en prose

1200-1210

Cerquiglini (1981)

AF12

La Queste del Saint Graal

1215-1230

Marchello-Nizia (2013)

AF03

Lancelot en prose (t.2)

1215-1230

Micha (1978)

AF13

La Mort Artu

1215-1230

Hult (2009)

AF07

Les premiers faits du roi Arthur

1220-1230

Freire-Nunes (2001)

AF22

Perlesvaus

1230-1240

Nitze & Atkinson (1932-1937)

AF11

Tristan en prose (t.3)

1250

Curtis (1953-1985)

AF08

Tristan en prose (t.1)

1250

Ménard (2000)

AF01

Artus de Bretagne

1280-1300

Ferlampin-Acher (2017)

MF19

Le roman de Berinus (t.1)

ca 1370

Bossuat (1931) - BFM

MF14

Mise en prose du roman de Troie

1380-1410

Mezzana (2021) - master

MF16

Mélusine (Jean d’Arras)

1392

Stouf (1932) - BFM

MF99

Perceforest

1450

Roussineau (2007)

MF26

Le Jouvencel (t.2, Jean de Bueil)

1461

Lecestre (1887) - BFM

MF89

L’Histoire d’Apollonius de Tyr

1483

Zink (2006)

MF01

Le roman du noble et vaillant chevalier Tristan

1489

Winn (2020)

MF02

Tristan (Pierre Sala)

1526-1529

Verchère (2008)

MF13

Guillaume de Palerne

1527

Édition princeps (1527)

MF03

Cronique et histoire faicte et composée par le reverend père en dieu Turpin

1527

Édition princeps (1527)

MF04

Richart sans paour

1529-1530

Édition princeps (1529-1530)

MF05

Perceval le galloys

1530

Colombo Timelli (2021)

MF06

Roland Furieux (traduction)

1544

Édition princeps (1544)

MF07

Philandre (Jean des Gouttes)

1544

Mounier (2015)

MF08

Palmerin d’Olive (traduction Jean Maugin)

1546

Edition princeps (1546)

MF09

Amadis de Gaule III (traduction )

1547

Bideaux (2011)

MF10

Gerard d’Euphrate

1549

Cooper (2012)

MF11

Roland l’amoureux (traduction Jacques Vincent)

1549-1550

Édition princeps (1549-1550)

FP01

Le Nouveau Tristan (Jean Maugin)

1554

Édition princeps (1554)

FP02

L’Histoire palladienne (traduction Claude Colet)

1555

Éditions princeps (1555)

FP03

Amadis de Gaule XXI (traduction Gabriel Chappuys)

1577

Édition princeps (1577)

FP04

Primaleon de Grece IV (traduction)

1583

Édition princeps (1583)

FP07

Les Admirables Faits d’armes d’Alcestes servant l’infidèle Lydie (Nicolas des Escuteaux)

1613

Édition princeps (1613)

FP08

La suitte de Roland le furieux (traduction de François de Rosset)

1615

Édition princeps (1615)

FP09

Amadis de Gaule XXII (traduction)

1615

Édition princeps (1615)

FP10

Le Renaud amoureux (traduction La Ronce)

1620

Édition princeps (1620)

FP11

L’Admirable Histoire du Chevalier du Soleil II (traduction de François de Rosset et Louis Doüet)

1620

Édition princeps (1620)

FP13

Le Romant des Romans (G.S. du Verdier)

1626

Édition princeps (1626)

FP14

Amadis de Gaule I (Pierre de Marcassus)

1629

Édition princeps (1629)

FP15

Le Roman des Dames (Gilbert Saulnier Du Verdier)

1630

Édition princeps (1630)

Légende :
Dans la colonne 1, figure la cote du texte dans notre corpus, qui indique l’état de langue concerné (AF, MF, FP).
Dans la colonne 2, figure le titre du texte accompagné entre parenthèses du nom de l’auteur ou du traducteur quand celui-ci est connu.
Dans la colonne 3, figure la date de publication du texte.
Dans la colonne 4, figurent le nom et la date de l’édition qui a servi de base au travail de transcription.

Haut de page

Notes

1 Le MF est généralement considéré comme s’étendant de 1300 à 1550. La notion de FPC indirectement héritière de la valorisation du XVIIe siècle par l’histoire littéraire, a en particulier fait l’objet de discussions ces dernières années. Si on la maintient habituellement en France, faute de mieux, on hésite sur son cadrage temporel : certains linguistes sont partisans d’une définition extensive du MF, allant du XIVe à la fin du XVIe siècle ; d’autres (Abélard 1990) revendiquent une autonomie de la période allant de 1501 à 1650 ; d’autres encore (Combettes 2011, Combettes & Marchello-Nizia 2010), quoique constatant l’existence de différentes échelles de périodisation selon les niveaux de fonctionnement de la langue, suggèrent un terminus a quo en 1550 et un terminus ad quem en 1660 fondés entre autres sur une spécialisation des parties du discours et une hiérarchisation syntaxique des constituants progressives. Caron (2023) avance quant à lui l’année 1630 comme borne finale. Les dates de 1550-1650 pour le FPC et celles de 1300 et 1550 pour le MF et de 1100 et 1300 pour l’AF sont aussi retenues par les concepteurs de la Grande Grammaire historique du français (Marchello-Nizia et al. 2020).

2 Ce projet a bénéficié d’un financement de l’Université Grenoble Alpes (ANR-15-IDEX-0002).

3 Le genre du roman en prose a été sélectionné car la plupart des textes sont écrits dans une langue globalement peu dialectale (exceptions notables : la mise en prose du Roman de Troie ; Tristan en prose, éd. Curtis).

4 La disponibilité des textes sous format imprimé et numérique est un paramètre dont nous avons tenu compte dans notre réflexion car comme le rappelle Nelson (2010 : 60-61) : « Any attempt at corpus creation is therefore a compromise between the hoped for and the achievable. […] perhaps the best source of texts for corpus usage are other, pre-existing corpora ». Nous avons écarté de ce fait les textes qui n’étaient accessibles que sous la forme de manuscrits.

5 Ce corpus est inédit dans la mesure où les romans médiévaux en prose et les romans de chevalerie de cette période ne sont très souvent pas disponibles sous format numérique. L’utilité du projet est donc double : mettre à la disposition ces textes sous format numérique et proposer un corpus pour y faire des requêtes linguistiques.

6 Le Lexicoscope 2.0 est un outil de fouille en ligne comprenant de nombreux corpus d’époques et de genres textuels différents. Il permet d’explorer la combinatoire des mots et plus largement de détecter les unités phraséologiques dans les corpus interrogés.

7 Si l’œuvre représente moins de tokens, elle est intégrée en entier.

8 Marchello-Nizia et al. (2020) ont fait un choix différent pour le corpus de la Grande Grammaire historique du français : les 45 000 tokens de chaque échantillon sont pris à trois endroits différents du texte (début, milieu, fin). La situation est différente de la nôtre car dans ce cas, il n’y a pas d’homogénéité générique dans le choix des textes.

9 Notre équipe prévoit d’annoter aussi les textes intégraux pour permettre des recherches littéraires et stylistiques plus centrées sur une œuvre ou un groupe d’œuvres. Elle projette également de déposer les fichiers des textes (version brute et version xml annotée) sur une plateforme de type HumaNum dans le respect des principes FAIR.

10 Par « transcription » nous entendons le travail de philologie numérique qui consiste à créer la version numérique d’un texte primitif (édité ou non). C’est ce que d’aucuns nomment aujourd’hui « éditorialisation » : fournir une transcription n’est pas dupliquer un texte mais faire des choix en vue de l’exploitation numérique de celui-ci.

11 Jusqu’à la fin du XVIIIe siècle, la voyelle finale des mots est prononcée avant de devenir le [ə] caduque que l’on connait aujourd’hui. Il est prononcé [ɘ] central jusqu’au XVe siècle avant de se labialiser en [œ].

12 Micha dans son édition du Merlin ou du Lancelot en prose utilise fort peu de trémas, même dans les imparfaits du subjonctif (qu’il nel feissent). Au contraire, Ferlampin-Acher accentue dans son édition d’Artus de Bretagne tous les verbes à la P5, même quand la désinence est déjà en –ez (vous soiéz), pour les distinguer des cas où -ez est une marque de pluriel après un [ɘ] atone (les testez).

13 Doit-on transcrire te fais asavoir ou te fais a/à savoir ? Doit-on transcrire aaise ou a/à aise, qui fait de l’adjectif une locution ?

14 Non sans s’interroger beaucoup sur la légitimité de leurs interventions (Combes 2008).

15 Pourquoi considérer par exemple les homophones (à, où, là, etc.) comme présentant des risques de confusion dans les textes modernes et ne pas le faire dans les textes antérieurs ?

16 Nous renvoyons donc les utilisateurs de notre corpus aux principes des éditeurs de ces manuscrits dont les choix sont en général justifiés par la langue du scribe telle qu’ils l’analysent.

17 Nous avons traité le texte de Tristan de Pierre Sala, composé sous forme manuscrite vers 1526-1529, comme celui des imprimés dans la mesure où il s’inscrit dans une époque où la réflexion graphique est en pleine ébullition.

18 Exemple de deux-points servant de ponctuation dans une phrase et d’absence de ponctuation forte ou moyenne en fin de phrase dans Guillaume de Palerne (1527) : « Si baillerent pour instruyre et endotriner pour soy comencement et jeune aage à deux belles et sages damoiselles : nommée fut l’une Gloriande et l’autre Esglantine : sages furent et bien aprinses Si receurent l’enfant et firent leur plain povoir de icelluy gouverner : endoctriner et instruire […]. » (nous soulignons).

19 Exemple de phrases s’enchaînant sans ponctuation forte ou moyenne dans Les Admirables faits d’armes d’Alcestes (1613), mais où apparaît tout de même une majuscule, comme dans l’extrait cité supra de Guillaume de Palerne : « Clorinée qui avoit tousjours l’œil tourné vers le Rocher, voiant le signal que lui avoit donné son oncle, commande qu’on prene terre en toute diligence se doutant qu’il auroit grand besoin de leur assistance Ils arresterent peu à descendre pour monter le rocher […]. » (nous soulignons). Exemple de phrases s’enchaînant sans ponctuation et où la seconde ne s’ouvre pas par une majuscule : « Alcestes ne s’estonne ains sautant or à gauche or à droit fuioit les ateintes mortelles des Geans […]. ».

20 Trois niveaux de guillemets sont ajoutés : pour le discours direct, les doubles guillemets français ; pour le discours direct à l’intérieur du discours direct, les doubles guillemets anglais ; et enfin dans les cas des citations de troisième niveau, le simple guillemet anglais. Aucune citation de quatrième niveau n’apparaît au sein de nos textes. Si le contexte et le cotexte font que les fins de prises de parole sont pour la plupart faciles à identifier, ce n’est pas toujours le cas ; mais les guillemets sont néanmoins ajoutés. À l’intérieur des dialogues, le tiret est utilisé pour signaler les tours de parole.

21 Exemples de coquilles dans Le Romant des Romans (1626) : geus substantif (pour gens), cete déterminant démonstratif (pour cette), scachant (pour sçachant). Mais ne sont pas des coquilles dans l’un ou l’autre de ces romans les variantes mal heur et mal-heur (malheur) ni l’absence d’accord du participe passé employé avec l’auxiliaire avoir (« la mesme liberté que vous avez eu autrefois »).

22 Les relations de dépendances, inspirées de Tesnière (1959), s’intéressent aux relations de rection entre les mots qui composent la phrase. Typiquement, dans la phrase, le verbe gouverne son sujet, son objet et ses autres actants ou circonstants. Dans le syntagme nominal, le nom gouverne son déterminant ou son adjectif épithète, etc. La structuration syntaxique d’une phrase peut ainsi être représentée par un arbre de dépendances dont chaque nœud correspond aux unités lexicales qui la composent.

23 Comme LGeRM ne segmente que les phrases se terminant par une ponctuation forte, nous avons renuméroté les phrases pour tenir compte des points-virgules et des deux-points finaux.

Haut de page

Pour citer cet article

Référence électronique

Corinne Denoyelle, Olivier Kraif, Pascale Mounier, Adam Renwick, Julie Sorba et Gilles Souvay, « Le corpus PhraséoRoChe : les défis de l’établissement des textes et de l’hétérogénéité des états de la langue »Corpus [En ligne], 25 | 2024, mis en ligne le 26 janvier 2024, consulté le 18 juillet 2025. URL : http://journals.openedition.org/corpus/8501 ; DOI : https://doi.org/10.4000/corpus.8501

Haut de page

Auteurs

Corinne Denoyelle

Univ. Grenoble Alpes, UMR 5316 Litt&Arts

Articles du même auteur

Olivier Kraif

Univ. Grenoble Alpes, LIDILEM

Articles du même auteur

Pascale Mounier

Univ. Grenoble Alpes, UMR 5316 Litt&Arts

Adam Renwick

Univ. Grenoble Alpes, LIDILEM
Univ. de Lyon, CERLA

Articles du même auteur

Julie Sorba

Univ. Grenoble Alpes, LIDILEM

Articles du même auteur

Gilles Souvay

CNRS, ATILF

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