• 1 Voir https://whatisdigitalhumanities.com/
• 2 « The best way I’ve found to describe what Digital Humanities is […] using a quote from Thomas Pync (...)

1L’application What is Digital Humanities?1 recense plus de 800 définitions de la notion d’humanités numériques (HN) et en propose une aléatoirement à chaque chargement de la page. Pour Federico Meschini de l’université de Montfort, par exemple : « la meilleure manière […] pour décrire les HN est […] d’utiliser la citation de la Vente à la criée du lot 49 de Thomas Pynchon : “les miracles sont bien les intrusions d’un autre monde dans le nôtre” »2. Si les définitions que nous pouvons découvrir ainsi sont très différentes, elles évoquent régulièrement l’aspect interdisciplinaire de ce domaine de recherche qui invite les chercheurs des sciences humaines et sociales à échanger avec les sciences informatiques et entre leurs domaines, même si ce dialogue interdisciplinaire est souvent complexe.

• 3 Lou Burnard, « Du literary and linguistic computing aux digital humanities : retour sur 40 ans de r (...)
• 4 Le langage de balisage alors employé était le SGML (Standard Generalized Markup Language ; norme IS (...)
• 5 XML, eXtensible Markup Language, ou langage de balisage extensible, est un langage de structuration (...)
• 6 Il permet de modéliser tant des œuvres littéraires, comme les pièces de théâtre (voir https://www.t (...)
• 7 Voir par exemple Melissa Terras, « Un regard jeté sous le chapiteau : les humanités numériques et l (...)

2Cette complexité est lisible dans l’histoire du champ, telle qu’elle est retracée notamment par Burnard3 qui distingue 3 périodes de développement :
- La première, née dans les années 1960 et appelée « informatique littéraire et linguistique » (Literary and Linguistic Computing), se caractérise par la création de grands corpus textuels, la génération d’index et le développement d’outils de traitement automatique des langues (TAL) et de linguistique du corpus (pour produire des concordances, extraire des cooccurrences lexicales régulières et effectuer des traductions automatiques ou assistées par ordinateur). Dominée par des modèles quantitatifs et des mesures statistiques, cette période montre tout autant l’origine commune des HN et du TAL que les intérêts conjoints des lettres et de la linguistique.
- La deuxième période, qui débute dans les années 1980, oriente les HN dans une direction différente : les « humanités computationnelles » (Humanities Computing) s’intéressent en particulier à la modélisation des données et à la conception des programmes informatiques. La TEI (Text Encoding Initiative) est élaborée en 19874 (et régulièrement amplifiée depuis) pour proposer un standard de structuration et d’encodage des textes numérisés. Le métalangage commun ainsi créé, le XML-TEI5, vise à faciliter l’interopérabilité des données, peu importe le champ dont elles sont issues6. Le fait que ce standard soit toujours largement employé et continue d’évoluer, prouve le besoin d’un dispositif permettant de faire un pont entre les disciplines, mais dévoile aussi que les préoccupations majeures des HN sont à ce stade orientées vers la numérisation, l’archivage et la diffusion.
- La troisième période, les « humanités numériques » (Digital Humanities) proprement dites, débute avec le Web (1994). L’apparition des bibliothèques numériques, de sources indexées par des non-spécialistes et la naissance d’objets d’étude nativement numériques font basculer ce champ de l’informatique (outil qui sert à la recherche) vers le numérique (environnement au sein duquel celle-ci s’effectue). Progressivement, le mouvement qui part de la linguistique et des lettres s’étend vers d’autres disciplines et se rapproche de celles qui mobilisent des moyens informatiques depuis longtemps, comme la géographie. La métaphore du « grand chapiteau des humanités numériques » (The Big Tent) est souvent évoquée pour caractériser les HN7, qui regroupent des chercheurs de domaines différents, avec des objectifs et méthodes qui leur sont propres, ce qui explique tout autant la diversité et l’ouverture du champ que la difficulté de le définir. Cependant, il reste à savoir si tout le monde veut entrer sous le chapiteau.

• 8 Elena Pierazzo, The Disciplinary Impact of the Digital: DH and “the Others”, DHSI, University of Vi (...)
• 9 Concernant l’accueil mouvementé des chercheurs HN au sein de leurs domaines, voir par exemple Matth (...)

3Outre le souhait ou pas d’être « sous le chapiteau des HN », Pierazzo8 observe 2 modèles d’intégration des chercheurs HN au sein de leur domaine de rattachement principal. Dans le premier, les humanités voient le numérique comme un service, les chercheurs HN étant alors injustement considérés comme des prestataires, qui développent sans vraiment faire de recherche9. Dans le deuxième modèle les HN sont acceptées comme étant une sous-discipline, mais les rapports avec la discipline de rattachement diffèrent. Dans certains domaines, comme l’archéologie, les méthodes numériques, devenues indispensables, sont employées naturellement par tous les chercheurs. Dans d’autres, comme la paléographie, les chercheurs traditionnels et numériques collaborent à pied d’égalité. Enfin, le domaine qui nous intéresse ici, la linguistique, semble appartenir plutôt au troisième modèle, qualifié d’« antagoniste ». En son sein, les recherches traditionnelles et informatisées ne se mélangent pas ou peu, et constituent pratiquement 2 disciplines indépendantes et dont les objectifs diffèrent, ce qui fait écho à une distinction antérieure entre linguistes et « talistes » (linguistes-informaticiens).

• 10 Karen Spärck Jones, « Computational Linguistics: What About the Linguistics? », Computational Lingu (...)
• 11 « [C]omputational linguistics does not need mainstream, non-computational linguistics, whether to s (...)
• 12 Ludovic Tanguy et Cécile Fabre, « Évolutions de la linguistique outillée : méfaits et bienfaits du (...)
• 13 Ibid., p. 15.
• 14 Par exemple les projets des atlas linguistiques régionaux informatisés, voir Esther Baiwir, Les atl (...)
• 15 Comme le copte, voir So Miyagawa, Amir Zeldes, Marco Büchler, et al., « Building Linguistically and (...)
• 16 Voir par exemple Isabelle Audras, Jean-Gabriel Ganascia, « Analyses comparatives de productions écr (...)

4De nombreux articles étudient ce schisme entre la linguistique et le TAL. Par exemple, Spärck Jones10 considère que « la linguistique computationnelle n’a pas besoin de la linguistique générale, non computationnelle, que ce soit pour lui accorder de la crédibilité intellectuelle ou pour en assurer le progrès. La linguistique computationnelle n’est pas seulement de la linguistique accompagnée de quelques extensions geeks, utiles dans la pratique, mais théoriquement non pertinentes et déconcertantes »11. Simultanément à la prise de distance des talistes par rapport aux linguistes, ces derniers interrogent aussi leur positionnement face aux approches computationnelles. Tanguy et Fabre12, par exemple, étudient l’impact, tant positif que négatif, du TAL sur la linguistique outillée. Les auteurs critiquent notamment « l’outillage trop complexe et opaque pour être appréhendé pleinement par des linguistes […] dont le rôle se cantonne à l’annotation de données d’entraînement ou d’évaluation » et les développements qui « simplifient la définition des objets langagiers en misant sur la massification des données pour les traiter »13. Toutefois, le potentiel des traitements automatiques n’est pas ignoré : les méthodes d’expérimentation et la possibilité de considérer des phénomènes langagiers en disposant de données massives sont des atouts importants, à condition que les traitements empiriques et qualitatifs ne soient pas mis de côté. En cela, Tanguy et Fabre rejoignent les préoccupations communes aux chercheurs des HN. Par ailleurs, les projets linguistiques, portant par exemple sur des langues régionales14 et peu dotées15 ou l’enseignement16, sont très présents au sein de ce champ.

• 17 Jean-Gabriel Ganascia et Francesca Frontini, Traitement Automatique des Langues, vol. 60, n° 3, « T (...)

5Simultanément, la collaboration entre le TAL et les HN est effective et fructueuse, comme en témoigne par exemple le volume 60.3 de la revue TAL17. Dans son introduction, la relation entre les 2 disciplines apparaît comme étant de l’ordre de la complémentarité :

• 19 Ibid., p. 9.

6Cependant, la variabilité et la complexité des corpus engagés au sein des projets HN posent des difficultés quant à l’adaptation des outils de TAL : « [l]a diversité de textes communément traités par les HN, diversité d’époques, de registres ou de genres (poésie, théâtre, etc.), constitue souvent, par sa nature, un défi supplémentaire pour les outils et algorithmes courants. […] Il s’ensuit que des opérations désormais assez bien maîtrisées dans le champ du TAL […] présentent, dans le contexte des HN, de nouveaux défis »19.

• 20 Voir https://www.etrap.eu/research/tracer/ (Marco Büchler, Georg-August-Universität de Göttingen) e (...)
• 21 Voir https://artfl-project.uchicago.edu/text-pair (ARTFL Project, The University of Chicago) et Rus (...)

7Ces défis sont bien présents dans notre projet d’édition numérique comparative. En son sein, nous cherchons, entre autres, à prouver la pertinence qu’il y a à exploiter 2 logiciels de détection de réutilisations d’extraits textuels, Tracer20 et TextPAIR21, afin de comparer leurs produits pour des textes littéraires de contenu semblable, mais qui sont très éloignés structurellement et lexicalement. Outre le fait d’exploiter les outils mis à disposition, il importe d’observer leurs limites et de proposer des méthodes, souvent interdisciplinaires, permettant de les dépasser. En effet, comme nous le verrons, notre projet soulève des défis particuliers,
tant de point de vue littéraire : s’éloigner de l’analyse rapprochée de textes pour constituer un corpus bien plus large que la taille usuelle de ceux de la recherche traditionnelle,
que linguistique : explorer les phénomènes présents au sein d’un corpus hétérogène pour interroger la pertinence des outils et lexiques existants,
et informatique : adapter des outils généralistes aux besoins particuliers des chercheurs en SHS.

• 22 Jérémy Ferrero et Alain Simac-Lejeune, « Détection automatique de reformulations – Correspondance d (...)
• 23 Jan Rybicki, « Vive la différence: Tracing the (authorial) gender signal by multivariate analysis o (...)
• 24 Regina Barzilay et Michael Elhadad, « Using Lexical Chains for Text Summarization », Intelligent Sc (...)
• 25 Voir par exemple les travaux menés avec Tracer dans le cadre du projet eTRAP (Electronic Text Reuse (...)
• 26 Le logiciel Tesserae (https://tesserae.caset.buffalo.edu/), par exemple, est spécifiquement dédié à (...)
• 27 Les travaux portant sur l’alignement des versions ou traductions d’une œuvre sont nombreux. Parmi c (...)
• 28 Timothy Allen et Charles Cooney, « Plundering Philosophers: Identifying Sources of the Encyclopédie(...)
• 29 Jean-Gabriel Ganascia, Pierre Glaudes et Andrea Del Lungo, « Automatic Detection of Reuses and Cita (...)

9De nombreuses disciplines s’intéressent à la détection automatique des réutilisations et reformulations dans des textes, que ce soit pour l’identification du plagiat22, l’attribution de l’auctorialité d’œuvres anonymes23 ou encore la génération de résumés24. Dans le cadre d’études littéraires appuyées sur des outils informatiques, des projets se focalisent sur la détection des relations dans des textes anciens, en grec25 et en latin26, l’alignement de différentes traductions d’une même œuvre27, ou encore la recherche des sources28, voire des inspirations intellectuelles d’un auteur29. Dans notre projet, nous nous intéressons aux réécritures du mythe d’Orphée et Eurydice.

• 30 Voir Julia Kristeva, Sèméiotikè. Recherches pour une sémanalyse, Tel quel, Paris, Seuil, 1969 ; Rol (...)

10L’inspiration par ce récit, dont les principales sources anciennes sont le livre IV des Géorgiques de Virgile (37-30 av. J.-C.) et les livres X-XI des Métamorphoses d’Ovide (I^er s.), a traversé l’histoire littéraire depuis le Moyen-Âge jusqu’à nos jours. Il est adapté, parodié, modernisé ou réinterprété pour un public plus jeune. Notre corpus des réécritures est composé de 50 œuvres en langue française qui réécrivent le mythe. Publiées depuis le XV^e siècle, elles se caractérisent par la diversité des états de la langue (de l’ancien français au français moderne) et des genres (poésie, prose, théâtre, opéra). Alors que la possibilité de détecter automatiquement les relations intertextuelles30 est passionnante, nous constatons que si les logiciels employés, TextPAIR et Tracer, sont très performants notamment pour les correspondances proches, le repérage des réutilisations et évocations plus complexes reste problématique.

• 31 Dans l’article « “Orphée” au XIX^e et au XX^e siècles : interférences littéraires et musicales » (Cah (...)
• 32 Anonyme, L’Orphée grotesque, avec le bal rustique. En vers burlesques. Suivi de Suitte de l’Orphée (...)
• 33 Comme la diachronie n’est pas au centre de nos propos dans cet article, les graphies des textes pré (...)
• 34 Nicolas Racot de Grandval, Orphée. Cantate avec simphonie, Paris, Boivin, Le Clerc, 1729.
• 35 D.-L. Eimann, « Une Histoire renouvelée des Grecs », in Alexandre Dumas (éd.), Histoires cavalières(...)
• 36 « [P]endant sept mois, il vécut dans les bois, dans les antres, jetant aux échos ses gémissements, (...)
• 37 Jacques Offenbach et Hector Crémieux, Orphée aux Enfers, Paris, Calmann-Lévy, [1858] 1936.
• 38 « [E]t vous, mon tendre ami, à qui jetiez-vous ce chant passionné de votre… crin-crin ? » (p. 7).
• 39 Prosper-Dider Deshayes et Jean Rouhier-Deschamps, Le Petit Orphée : Opéra Comique, Paris, Tourbon, (...)
• 40 Christoph Willibald Gluck, Ranieri de Calzabigi et Pierre-Louis Moline, Orphée et Eurydice, Paris, (...)
• 41 Claudio Monteverdi et Alessandro Striggio, L’Orfeo, favola in musica [Orphée, fable en musique], Ve (...)

11Si nous nous intéressons par exemple au sous-corpus des textes présentant un détournement comique du mythe, nous observons qu’il se caractérise par de nombreuses dépréciations de l’histoire d’Orphée et Eurydice et de ses protagonistes31. Le poème anonyme Orphée grotesque avec le bal rustique32 présente Orphée comme « un Villon ivre à la fête »33, un « ménétrier de malheur », ou encore « le vielleur veuf de sa femelle ». Dans la cantate de Grandval34, le poète « dégringole » aux Enfers pour rencontrer leur « Prince enfumé ». Chez Eimann35, c’est l’amour d’Orphée pour Eurydice qui est moqué36, et l’opéra-bouffe d’Offenbach et Crémieux37 ridiculise sa musique38. Nous observons également, au sein de cet ensemble, des relations complexes, qui invitent à chercher des inspirations dans plusieurs œuvres de notre corpus. Par exemple, l’opéra-comique de Deshayes et Rouhier-Deschamps39 parodie celui de Gluck, Calzabigi, et Moline40, lui-même influencé par les récits anciens, ceux de Virgile et d’Ovide, et d’autres réécritures, comme Orfeo de Monteverdi41.

• 42 Nous intégrons dans notre corpus une vingtaine des traductions françaises de chaque source ancienne (...)
• 43 Pierre Brunel, Mythocritique : théorie et parcours, Paris, PUF, 1992.

12En comparant ces œuvres parodiques et en les confrontant à la totalité de notre corpus, les réécritures sérieuses d’une part et les traductions françaises des sources anciennes42 de l’autre, nous espérons que des traitements automatiques, et notamment ceux des logiciels TextPAIR et Tracer, nous aideront à approfondir, voire nuancer, nos analyses empiriques. Or, les axes de recherche que nous nous fixons en nous appuyant sur des études littéraires antérieures sont multiples. Tout d’abord, Brunel43 considère que la manière dont le mythe est repris dépend des expériences de lecture et des souvenirs de l’auteur de la nouvelle version. En effet, dans notre corpus, certains auteurs ont recours à la citation d’une traduction française de Virgile ou d’Ovide, alors que d’autres semblent composer leur récit sans s’appuyer directement sur un texte source précis, mais en en appelant à leur mémoire, parfois défaillante. Tous peuvent aussi confondre la version du mythe selon Virgile (par exemple en introduisant le personnage d’Aristée) et celle d’Ovide (par exemple en renvoyant au chant d’Orphée devant Pluton et Proserpine), modifier les épisodes originaux ou mélanger les sources anciennes avec des réécritures plus connues. Nous souhaitons que les traitements automatiques nous permettent de mieux observer cette flexibilité, de déterminer sur quelle(s) version(s) antique(s) s’appuie le texte traité (si c’est le cas) et de comprendre l’origine des modifications opérées sur la trame mythologique.

• 44 Par exemple entre l’opéra Orphée et Eurydice de Gluck et Le Petit Orphée de Deshayes et Rouhier-Des (...)
• 45 Gérard Genette, Palimpsestes, op. cit.
• 46 Ibid., p. 11-12.

13Nous souhaitons nous pencher également sur les relations entre une parodie et l’œuvre parodiée44. Genette45 définit ce type de relations d’« hypertextuelles », l’hypertextualité étant « toute relation unissant un texte B [hypertexte] à un texte antérieur A [hypotexte] sur lequel il se greffe d’une manière qui n’est pas celle du commentaire »46. Dans sa forme minimale (ou stricte), la parodie est une reprise littérale d’un texte connu dans un contexte décalé afin de produire un effet humoristique. Nous nous interrogeons alors sur la capacité des outils informatiques à faciliter l’identification des passages correspondants pour mieux observer les procédés employés pour produire ce décalage.

• 47 Dans cet article, nous considérons comme périphrase une « figure dans laquelle on substitue au […] (...)

14Enfin, il nous importe aussi d’analyser la manière dont les reformulations sont construites. Les périphrases47, métaphorisations ou changements de registre sont de précieux indices, dans le sous-corpus comique, de la manière dont la langue véhicule l’humour et le rire. Ils permettent également de mieux déterminer ce qui caractérise les dépréciations de la trame principale du mythe. Nous considérons aussi que le recensement des mots-clés caractéristiques des œuvres parodiques peut faciliter l’identification des passages humoristiques dans des textes qui ne le sont pas, a priori, repérés comme en contenant. Dans ce contexte, nous nous attendons à ce que les traitements (semi-)automatiques nous accompagnent au mieux dans l’identification des particularités linguistiques des textes parodiques, notamment en nous permettant de nous focaliser sur les facteurs communs et les unités linguistiquement pertinentes, introduisant souvent une dépréciation ou une ridiculisation, comme certaines périphrases des entités (« Pluton » / « Prince enfumé »), certaines substitutions synonymiques (« se précipiter » / « dégringoler ») ou hyperonymiques (« femme » / « femelle »), certaines métaphorisations (« descendre aux Enfers » / « aller au Diable »), etc.

• 48 Voir par exemple Michael J Wise, « Neweyes: A System for Comparing Biological Sequences Using the R (...)

15Pour repérer les facteurs communs, par exemple incluant une dépréciation, il est indispensable de rendre les outils informatiques sensibles aux relations linguistiques fines. Or, ceux que nous exploitons s’appuient, entre autres, sur des techniques d’analyse de séquences, employées initialement dans les sciences dures, comme la bio-informatique, et qui ont des applications diverses, allant du séquençage du génome à la détection du plagiat48. Très performants pour des correspondances proches, grâce à des techniques informatiques de l’intelligence artificielle, comme la vectorisation, Tracer et TextPAIR sont relativement neutres du point de vue des connaissances linguistiques et s’avèrent donc peu performants face aux réécritures complexes.

• 49 Voir par exemple Daniel Jurafsky et James H. Martin, « N-gram Language Models », Speech and Languag (...)

16TextPAIR, par exemple, génère des n-grammes, c’est-à-dire des séquences de n mots49, qui se chevauchent pour chaque texte. Il les stocke ensuite et les indexe afin de les confronter à ceux des autres textes. Seuls quelques paramétrages sont permis, concernant les formes des mots prises en compte : mots pleins, stemmes (mots racinisés) ou lemmes.

• 50 Martin F. Porter, « Snowball: A language for stemming algorithms », Retrieved March, vol. 1, 2001.

18Pour cela, la stemmatisation pourrait sembler être la solution appropriée, même si celle proposée par TextPAIR n’est pas une racinisation faite selon des règles morphologiques mais par coupe de fins des mots, selon l’algorithme Snowball50. Cela pose en pratique plusieurs problèmes. Par exemple, aimer et aimait sont bien réduits tous les deux au stemme aim, mais c’est aussi le cas du nom aimant qui ne doit pas être lié aux premiers, pas plus que ne doivent l’être fer et fermer, stemmatisés en fer alors que ce sont des mots très différents. À l’inverse, des flexions ou des dérivations ne sont pas identifiées : par exemple, les stemmes des 3 formes plurielles du verbe savoir (savons, savez, savent) sont différents (savon / sav / savent) et celui de retourner et retournement ne peut pas être apparié avec celui de retour (retourn / retour). La stemmatisation ne propose donc que des « pseudo-tiges », rarement conformes aux radicaux des analyses morphologiques, et augmente finalement le nombre de fausses détections.

• 51 Notons toutefois que les projets exploitant TextPAIR que nous avons repérés travaillent sur des cor (...)
• 52 Voir https://www.cnrtl.fr/outils/DeriF/
• 53 Voir http://redac.univ-tlse2.fr/lexiques/morphonette.html
• 54 admirable / admiration, inconsolable / consolation, embrassant / embrassement, étonnant / étonnemen (...)

20Tout d’abord, la stemmatisation ne nécessite pas de prétraitement externe, ce qui est pratique pour les utilisateurs non-informaticiens, et elle permet une comparaison potentiellement plus riche que celle se limitant aux formes graphiques des mots. Ensuite, l’algorithme est indépendant de la langue, ce qui est particulièrement important pour permettre le traitement avec TextPAIR des corpus de langues peu dotés51, rapidement limités par le manque d’outils adaptés. Enfin, en cherchant une alternative, nous constatons que l’exploitation de 2 outils conçus pour le français, DériF52, un logiciel qui devine les bases des mots construits à l’aide d’expressions régulières, et Morphonette53, un réseau morphologique regroupant les mots de la même famille, s’avère peu probante pour un corpus littéraire comme le nôtre. L’analyse constructionnelle mise en œuvre par DériF l’amène à apparier mauve et mauvais ou vin et divin. Même en cumulant les résultats obtenus avec les 2 outils, relativement peu de lemmes peuvent être liés à leur base morphologique (2 007 sur 11 653), et de nombreuses erreurs persistent (Morphonette, par exemple, indique un lien morphologique pour les couples noceur / nocif – sans lien puisque le premier vient de noce et du latin classique nuptiæ alors que le second vient du latin nocivus – ou voyant / voyage – la base de premier étant voir, alors que le second est construit sur le nom voie). Finalement, dans 13 cas seulement l’appariement de mots de classes grammaticales différentes serait facilité par ces outils54.

• 55 Par exemple, les noms construits avec le suffixe -age. Voir Delphine Tribout, Florence Villoing, «  (...)
• 56 Le consortium Huma-Num CORLI (CORpus, Langues et Interactions), coordonné par Christophe Parisse et (...)

21Ces difficultés du traitement avec TextPAIR montrent qu’au sein des projets HN comme le nôtre les outils du TAL et de la linguistique sont mis à l’épreuve sur des corpus particuliers et pour des usages auxquels ils ne sont pas initialement dédiés. Dans le cas de l’amélioration de l’appariement des unités lexicales, nos usages diffèrent de ceux des morphologues, qui s’intéressent généralement à des phénomènes précis55, car nous souhaitons détecter toutes les bases dérivationnelles présentes dans notre corpus et relier tous les mots d’une même famille (morphologique mais aussi, en allant plus loin, étymologique). Si cette tâche peut être réalisée, alors au terme du projet, nous pourrons mettre à disposition de la communauté des chercheurs un corpus littéraire enrichi d’annotations linguistiques plus pertinentes, notamment en prenant en compte les familles des mots (morphologiques et étymologiques), présentes par exemple dans certains dictionnaires imprimés et numériques. Cependant, pour ce faire, nous avons besoin de nouer un dialogue entre experts de divers domaines (informaticiens, morphologues, lexicographes, littéraires…) et les problèmes que nous rencontrons ne peuvent être surmontés qu’avec un travail interdisciplinaire à long terme et de grand ampleur56.

• 57 Il existe plusieurs annotateurs capables de bien lemmatiser les mots de textes en français moderne  (...)
• 58 Voir https://www.cis.uni-muenchen.de/~schmid/tools/TreeTagger/
• 59 Cette procédure est fréquente au sein des projets HN, travaillant régulièrement avec des corpus spé (...)

22Alors que l’annotation des bases morphologiques des unités lexicales attestées dans le corpus serait la solution souhaitable, nous nous tournons vers la lemmatisation, moins efficace pour la recherche de correspondances (car elle lie les graphies d’un paradigme flexionnel sans que l’appariement des mots dérivés soit réalisé) mais pour laquelle nous disposons d’outils informatiques plus performants. Les résultats sont surprenants : alors que nous nous attendions à ce que les extraits appariés grâce à la correspondance des lemmes soient moins nombreux mais plus pertinents, que lors des traitements appuyés sur les stemmes, nous constatons que la quantité des résultats est en hausse. Cela est dû au fait que la lemmatisation, non prise en charge par TextPAIR lui-même, offre des annotations morphosyntaxiques qui peuvent être adaptées à la langue française et à la spécificité du corpus. Cela permet, notamment, d’avoir des lemmes modernisés pour les mots en ancien et moyen français (dont les stemmes différaient) et, ainsi, d’améliorer la détection des relations entre leurs textes et d’autres plus modernes57. Toutefois, la coprésence de différents états de la langue au sein du corpus pose des problèmes aux analyseurs conçus pour traiter des corpus synchroniques. Plusieurs solutions s’offrent à nous : modernisation des graphies anciennes, combinaison d’outils, entraînement des modèles d’étiquetage, correction manuelle… Quelle que soit la méthode privilégiée, il importe de pouvoir prendre la main sur ce prétraitement. Nous employons TreeTagger58, un annotateur morpho-syntaxique, qui fournit un lemme et une catégorie grammaticale pour chaque mot-occurrence. Il est appliqué avec des paramétrages distincts aux textes des différents états de langue réunis dans notre corpus. Nous procédons ensuite à la correction manuelle des lemmes et des catégorisations59. Le Tableau 1 présente quelques résultats chiffrés relatifs à la lemmatisation et à la catégorisation automatiques, et à leur correction manuelle.

• 60 Maurice Grevisse, Le Bon Usage, Paris, Duculot-Hatier, 1980.
• 61 Ibid., p. 224.
• 62 Roland Eluerd, Grammaire descriptive de la langue française, Paris, Armand Colin, [2002] 2008.
• 63 Ibid., p. 30.

26Les corrections incitent en outre à observer des ensembles lexicaux. C’est le cas pour les noms propres, nombreux parmi les entrées à corriger, qui permettent d’observer que le réseau des personnages est très restreint dans les sources anciennes du mythe et significativement enrichi dans les réécritures postérieures. Dans ces dernières, nous trouvons des dieux, des héros et des lieux, des mythologies grecques et romaines autant que d’autres horizons culturels (Babylone, Isis), auxquels s’ajoutent quelques noms propres réels ou fictifs (Bonaparte, Coquardeau) parfois très modernes (Aspivénin, Mohammed Ali). Grevisse60 définit le nom propre comme « celui qui ne peut s’appliquer qu’à un seul être ou objet ou à une catégorie d’êtres ou d’objets pris en particulier ; il individualise l’être, l’objet ou la catégorie qu’il désigne »61. Mais Eluerd62 remarque qu’« il est difficile de tenir pour de vrais noms propres les noms de peuples et d’habitants (les entités ne sont pas uniques) ou de voir un nom commun dans La lune se levait »63. Les 2 auteurs s’accordent sur le fait que la frontière entre le nom propre et le nom commun n’est pas fixe et reste souvent difficile à déterminer. Nous le constatons dans notre corpus, au sein duquel les noms propres occupent une place stratégique. Leur stabilité référentielle permet de renvoyer à une connaissance commune partagée, même à travers les époques : les noms des dieux « ne valent, a priori, que pour leur référent. Simplement, sur ces référents particuliers sont venus s’ajouter les valeurs de sens léguées par la légende » (idem). Cela implique que le lecteur est capable d’identifier le référent malgré la variation du signe, qui est fréquente dans notre corpus : les variantes de graphies sont nombreuses (Eurydice, Euridice, Erudice, Eridice) ; la relation particulière entre les mythologies grecque et romaine fait différer certaines dénominations (Hadès, Pluton) ; et l’emploi de périphrases descriptives, parfois usuelles, comme les épithètes homériques, se fait souvent sans que le nom propre ne figure dans le contexte, elles assurent alors seules la dénomination, y compris dans les parodies les plus éloignées des textes sources.

• 64 Le terme entité nommée désigne aussi bien les entités que les noms ou les désignations qui permette (...)
• 65 Mohamed Hatmi, « Reconnaissance des entités nommées dans des documents multimodaux », Thèse de doct (...)
• 66 Céline Le Meur, Sylvain Galliano et Edouard Geoffrois, Conventions d’annotations en Entités Nommées(...)
• 67 Ibid., p. 4.
• 68 Maud Ehrmann, « Les entités nommées, de la linguistique au TAL : statut théorique et méthodes de dé (...)
• 69 Ibid., p. 168.

28Depuis l’apparition du concept d’entité nommée dans les années 1990, la détection et la classification des noms de personnes, organisations ou localisations géographiques font l’objet de nombreux développements informatiques et talistes. Toutefois, relativement peu de tentatives pour définir et pour proposer une typologie des entités nommées64 sont linguistiques65 : Le Meur, Galliano, et Geoffrois66, par exemple, considèrent les entités nommées comme « des types d’unités lexicales particuliers qui font référence à une entité du monde concret dans certains domaines spécifiques, notamment humains, sociaux, politiques, économiques ou géographiques et qui ont un nom (typiquement un nom propre ou un acronyme) »67. La définition d’Ehrmann68, elle, complète les préoccupations talistes par le point de vue linguistique : « on appelle entité nommée toute expression linguistique qui réfère à une entité unique du modèle de manière autonome dans le corpus »69. Alors que le concept est créé par le TAL pour répondre à ses besoins spécifiques, l’entité nommée n’en reste pas moins, selon la chercheuse, une expression linguistique monoréférentielle (qui renvoie à une entité extralinguistique, voire à un référent unique) et autonome (qui permet à elle seule l’identification du référent). Cette définition, proche de celle du nom propre, mais moins restrictive, répond à notre besoin de traiter conjointement les noms propres et leurs périphrases. En revanche, les logiciels de reconnaissance d’entités nommées proposent des fonctionnalités qui se prêtent mal à nos besoins : entraînés majoritairement sur des corpus contemporains, journalistiques ou juridiques, ils sont très performants pour la délimitation et la catégorisation des entités nommées présentes dans ces types de corpus, dont les périphrases sont en nombre plus restreint et sont plus formalisé que ce n’est le cas dans un corpus littéraire.

• 70 vPour les articles détaillant la manière dont nous post-traitons les résultats, voir Karolina Suche (...)

30Pour accéder au détail des relations linguistiques entre 2 extraits détectés (paraphrases, reformulations…), il faut que les mises en relation des extraits proposées par TextPAIR et Tracer soient complétées par l’appariement des lemmes communs. Nous ajoutons pour cela une post-annotation des extraits, en tâchant de l’élargir aux relations synonymiques et dérivationnelles70, avant de délimiter et d’apparier les dénominations d’entités correspondantes. L’exemple de 2 traductions de Virgile en vers (A.) nous permet de constater que cette opération peut améliorer la pertinence de l’alignement des unités linguistiques :

• 73 « [N]ec portitor Orci amplius objectam passus transire paludem » (l. 502-503).
• 74 « Illa quidem Stygia nabat jam rigida cymba » (l. 506).

31Nous y trouvons 5 lemmes communs, mais les 2 occurrences de noir ne devraient pas être appariées, car elles sont des constituants de 2 désignations d’entités différentes, Styx et Charon. Il serait préférable de pouvoir apparier d’une part « noir rivage » et « Cocyte » et, de l’autre, « affreux nocher des morts » et « noir passeur ». En plus, les traducteurs ne renvoient pas au même fleuve. Charon est généralement associé au Styx, dont le Cocyte est un affluent. Cependant, ces cours d’eau partagent des caractéristiques communes, et, dans ses œuvres, Virgile considère le Cocyte comme fleuve principal des Enfers. Il s’agit donc de 2 variantes de traduction, alternatives à l’emploi du nom commun palus73 (le marais) dans l’original, avant une mention, 3 vers plus bas, du Styx74.

• 77 Pierre Brunel, « Orphée moderne », Apollinaire entre deux mondes. Le contrepoint mythique dans Alco (...)

34Enfin, selon la classification de Brunel77, les amalgames et l’intervention de nouveaux personnages sont des procédés courants de la modernisation du mythe d’Orphée. Il est donc important de permettre l’appariement d’une entité nommée présente dans le mythe avec une qui en paraît extérieure (C.) :

• 80 Pour ce faire, une annotation syntaxique avec délimitation des syntagmes et identification de leurs (...)

35La correspondance avec une traduction de Virgile révèle que la réécriture d’Esquiros & Esquiros transpose le mythe dans l’Égypte ancienne. 12 unités lexicales ont été alignées, dont 5 lemmes identiques et 7 relations synonymiques. Or, les dénominations d’entités changent : « L’Enfer » devient « les prêtres » et sa reine, « Proserpine », « le Grand-Prêtre ». Par ailleurs, 2 périphrases d’Orphée sont à noter : « le trop faible amoureux » et « l’aveugle amant ». Amoureux et amant sont bien annotés comme synonymes, mais rien ne permet d’aligner les qualificatifs faible et aveugle. Il est alors nécessaire de passer par une dénomination plus large, ici le groupe nominal80, pour rendre compte du fait que les 2 adjectifs qualifient la même entité (Orphée) dans un contexte comparable.

• 81 Voir Pierre Zweigenbaum, Fadila Hadouche et Natalia Grabar, « Apprentissage de relations morphologi (...)

36Puisque les techniques de reconnaissance automatique d’entités nommées ne nous permettent pas d’aligner les dénominations d’entités correspondantes, nous avons conçu un algorithme capable de les localiser et de les identifier (qu’il s’agisse des noms propres ou de périphrases), ce qui est utile en soi et qui permet de valider la pertinence de la détection. Sa conceptualisation a été facilitée par l’observation des manières dont la reformulation est traitée dans des corpus spécifiques, qu’ils soient littéraires ou terminologiques. De l’apprentissage des relations morphologiques au filtrage et à l’adaptation des synonymes de la langue générale à un corpus spécialisé, nous avons suivi des méthodes appliquées à la terminologie médicale81. Nous avons également étudié les méthodes automatiques :

• 85 Nous pouvons exploiter quelques dictionnaires comme Les Épithetes de Maurice de la Porte (Paris, G. (...)

39L’analyse empirique et l’interrogation de l’échantillon ainsi obtenu permettent de réaffirmer quelques connaissances antérieurement établies85 (l’assignation de qualificatifs spécifiques à certains personnages), de confirmer quelques intuitions (le renvoi systématique à Eurydice comme épouse), et enfin de mieux comprendre les procédés linguistiques impliqués dans la génération des périphrases (marqueurs lexicaux, syntaxiques et référentiels). Grâce aux connaissances enrichies de notre corpus, acquises tant lors de son exploration manuelle que pendant les étapes d’annotation et de correction des résultats décrites supra, nous pouvons mieux définir nos besoins pour le traitement des dénominations d’entités.

• 86 Voir https://hdl.handle.net/11403/democrat/v1.1
• 87 Voir https://hdl.handle.net/11403/prolex/v3.1.

41C’est pour cela que nous explorons les ressources produites au sein de 2 projets existants, Democrat86 et PROLEX87, que nous nous en inspirons pour organiser notre inventaire des dénominations d’entités et que nous décidons de construire 2 lexiques conjointement nécessaires pour l’extraction et l’identification univoque des référents d’une partie des dénominations d’entités.

• 88 L’objectif du projet est d’étudier la variation des chaînes de références dans de différents genres (...)
• 89 Pour faciliter leur lecture, dans les exemples D et E, la structure XML-TEI est simplifiée et retra (...)
• 90 Une annotation spécifique est aussi établie pour les toponymes.

42Le premier lexique conçu regroupe les noms communs susceptibles d’être employés dans des expressions dénominatives ou des procédés d’inclusion lexicale. Ces noms ont été extraits principalement du corpus annoté au sein du projet Democrat, pour travailler sur les chaînes de (co-)référence88. Le corpus, constitué d’un échantillon d’une soixantaine de textes en français de genres variés (roman, manuel d’éducation, articles encyclopédiques, texte juridique) et d’époques différentes (entre le xi^e et le xxi^e s.), est annoté manuellement pour fournir les référents de toutes les expressions périphrastiques ou pronominales rencontrées. Nous exploitons ces annotations pour extraire 878 des têtes lexicales des périphrases annotées. Nous structurons la liste ainsi obtenue en XML-TEI89, en mobilisant un choix d’attributs pour spécifier la nature de chaque nom et ses quelques traits sémantiques. Par exemple, mari ou époux sont annotés comme anthroponymes90 relatifs au thème de l’amour et décrivant une relation de liaison (D.a.), et roi ou prince sont considérés comme titres du pouvoir (D.b.), contrairement aux noms maître ou souverain qui expriment une fonction non formalisée (D.c.).

• 91 Voir Mickaël Tran, « Prolexbase. Un dictionnaire relationnel multilingue de noms propres : concepti (...)
• 92 Pour la typologie des variantes, voir Eugenio Coseriu, « Le double problème des unités “DIA-S” », C (...)
• 93 Au sein du projet PROLEX, elles sont définies comme les relations d’accessibilité, voir https://rep (...)
• 94 Nous suivons ainsi le classement de PROLEX, au sein duquel les alias sont définis comme « des synon (...)

43Ce lexique est couplé à un autre, qui est en fait une structure de recensement et de catégorisation des noms propres présents dans notre corpus. Pour sa modélisation, nous nous appuyons cette fois-ci sur le projet PROLEX et son lexique multilingue des entités nommées extraites d’un corpus journalistique contemporain91. Nous en retenons le système d’identification des entrées, leurs différentes variantes et leurs dérivés. Selon ce principe, Pluton (E.), par exemple, est caractérisé comme dieu, mais aussi comme roi (E.a.), et associé à un identifiant unique (E.b.). Les autres noms propres qui le désignent (Hadès, Aïdonnée, (E.b.) sont regroupées en tant que pivots, associés à la forme Pluton, considérée comme nom. Le nom et les pivots peuvent entretenir des relations spécifiques entre eux : Pluton et Hadès sont des variantes diachroniques et diatopiques, tandis qu’Aïdonée est une variante diaphasique de Pluton92. Nous renseignons également qu’il s’agit d’un anthroponyme désignant une seule personne du genre masculin (E.c.) et nous ajoutons des attributs qui permettent d’exprimer des relations entre cette entité et d’autres (parents, membres de la fratrie, etc.93, (E.d.). Nous ajoutons en outre (E.e.) des alias graphiques (Pluto, Plouton)94, et des dérivés (plutonien, plutonique, plutoniste).

• 95 Œagre, Bélus, Danaüs, Éaque, Minos, Rhadamanthe, Rhésus, Sisyphe, Talaon, Tantale, Ascalaphe, Atham (...)
• 96 Jupiter, Junon, Pluton et Proserpine.

44Grâce à la collaboration des 2 lexiques, nous concevons un algorithme à base de règles permettant d’extraire des syntagmes susceptibles d’être des périphrases et, dans certains cas favorables, d’identifier l’entité à laquelle ils sont référés. Tout d’abord, la totalité du corpus est parcourue à la recherche des syntagmes dont la tête est soit un nom d’entité, soit un nom commun présent dans le premier lexique. Reprenons l’exemple de Pluton, auquel nous voulons assigner la périphrase « roi des Enfers ». Le premier filtrage des dénominations d’entités candidates se fait en fonction de la nature du nom commun. Roi étant un titre de pouvoir, nous retenons uniquement des entrées de sous-type : roi. Pour notre corpus, c’est le cas de 19 entités nommées (16 humains95 et 4 dieux96). Ensuite, les autres composants du syntagme sont pris en compte, notamment les compléments. Pour la tête du complément du nom « Enfers », nous retenons seulement les entrées pour lesquelles l’attribut règne a la valeur Enfers. C’est le cas de Pluton et de Proserpine, mais le nom commun roi peut uniquement désigner des entités de sexe masculin, c’est donc la première entité qui est considérée comme étant le bon référent. Dans le cas d’une périphrase imbriquée dans une autre, par exemple pour « le roi du ténébreux empire », c’est la périphrase imbriquée (« ténébreux empire ») qui sera identifiée la première et la reconnaissance de la périphrase englobante se fera à l’aide de son identifiant.

• 97 Il s’agit bien sûr des occurrences du syntagme « l’affreux monarque » seul, sans d’autres indices ( (...)

46Pour ce couple, la périphrase « le terrible roi des enfers » (F.a) a été assignée à Pluton (évoqué clairement plus haut). Mais ce n’est pas le cas pour « affreux monarque » de la phrase correspondante (F.b) qui ne précise pas les Enfers comme complément de monarque. La relation synonymique entre roi et monarque, ainsi que leur repérage comme candidates entités nommées (avec une identification de Pluton pour la première et sans identification pour la deuxième), permet non seulement la mise en relation, mais aussi d’associer Pluton à la périphrase « affreux monarque », pour cette occurrence et pour toutes celles qui pourraient apparaître dans d’autres textes du corpus97.

• 98 Elena Pierazzo, « Les Humanités Numériques : une perspective historique et sociale », Formation 202 (...)

50La dynamique des HN proposée par Burnard peut être complétée, selon Pierazzo98, par une quatrième période (actuelle), Digital X, le X étant une variable que chacun peut remplacer par le nom de son propre champ d’étude, ce qui exprime la multiplicité croissante des méthodes et approches au sein des HN au point que, paradoxalement, dans ce domaine, on pourrait presque considérer que seul chaque chercheur peut lui-même dire s’il contribue aux HN. Le nom de cette dernière période semble évoquer un certain cloisonnement disciplinaire des HN, contraire à la dimension collaborative du champ. Or, dans notre projet, le dialogue interdisciplinaire est indispensable, comme nous espérons l’avoir montré dans cet article.

• 99 Concernant les relations entre la littérature et la linguistique, voir par exemple Jean-Michel Adam (...)

52Dans le champ particulièrement vaste et hétérogène des HN, le rôle de la langue peut différer d’un projet à l’autre, mais nous sommes certaines que l’intégration de méthodes linguistiques de qualité, notamment pour la préparation et l’analyse préliminaire du corpus, ne peut être que bénéfique. L’interopérabilité et le partage des données et des usages, l’organisation de rencontres interdisciplinaires, et la conception de projets au sein d’équipes diversifiées et polyvalentes rendent possibles de stimulantes découvertes, qui ne sont pas toujours réalisables dans le cadre restreint de son domaine de spécialité. Ainsi, au sein des HN, des projets très différents, focalisés sur la terminologie médicale, la conception d’un moteur de recherche thématique, ou encore l’annotation des chaînes de co-référence, implémentent des méthodes qui s’avèrent exploitables pour le repérage des périphrases et l’identification des entités qu’elles nomment au sein d’un corpus littéraire de réécritures du mythe d’Orphée et Eurydice. Nous espérons, de notre côté, parvenir à produire des données mieux exploitables par des linguistes, en restant attentives aux besoins spécifiques de ce domaine, et à valoriser d’autant plus l’histoire commune des recherches littéraires et linguistiques99 dans le contexte numérique.