2Nous souhaitons montrer ici comment la mise en évidence de marqueurs de ressemblances, qu’il s’agisse de fragments textuels faits de séquences de mots ou de topos ou encore de motifs rythmiques et/ou syntaxiques, pourrait aider à repérer des influences. Sans doute, certaines ressemblances adviennent-elles de façon fortuite, d’autres relèvent de formules ou de conventions ou encore de traits d’expression propres à une époque. À cela s’ajoute l’existence d’influences si travesties qu’elles ne se laissent pas dévoiler. Nulle équivalence donc entre ressemblances et influences, mais mise à profit de ressemblances comme autant d’indices dans l’enquête sur les influences. La mise en lumière de marqueurs peut aider à éclairer, moyennant des informations complémentaires, un passage obscur en suggérant une référence implicite à un topos, soit dans le même texte, soit dans d’autres du même auteur, soit encore dans des écrits complètement différents, comme des articles de journaux ou des ouvrages scientifiques, où des expressions très semblables ont été utilisées. Nous distinguerons alors, comme la thématique de ce numéro nous y invite, deux volets : celui qui relève de l’exogenèse, à savoir de ce qui, dans le processus de création, porte « sur des informations (documentaires, référentielles, autobiographiques, littéraires, stylistiques, etc.) émanant d’une source extérieure à la conception et à la réalisation proprement dites de l’œuvre », et celui qui est propre à l’endogenèse, qui situe l’œuvre d’un auteur à l’intérieur de cette œuvre même, ou pour reprendre la définition originaire du terme en biologie, au processus de naissance de cellules dans l’intérieur d’autres cellules.

3Nous proposons ici une méthode de détection automatique des ressemblances de fragments textuels sur des corpus très conséquents de centaines de milliers, voire de millions d’ouvrages. Indépendamment des influences et des emprunts, celles-ci mettent en évidence des formes langagières propres à une époque, comme les formules de remerciement, des références à des autorités ou des citations communes qui aident à interpréter les textes en établissant des liens entre différents passages, et en mettant en évidence d’autres contextes où les mêmes locutions ont été utilisées.

Détection de similitudes textuelles

Technique de détection de plagiats

Adaptation des techniques de détection de plagiats

8Quoique la technique des empreintes digitales paraisse bien adaptée à la détection de petits fragments de texte réutilisés dans d’énormes corpus, elle n’est pas immédiatement transposable à la mise en évidence de phénomènes d’intertextualité. En effet, lorsque les écrivains réutilisent les œuvres d’autrui, surtout lorsqu’ils réemploient de petits fragments, ce qui est le cas le plus fréquent, ils transforment leurs emprunts pour les adapter à leur contexte d’insertion. À titre d’illustration, dans son roman Beatrix, Honoré de Balzac reprend des expressions tirées du portrait de Mademoiselle Georges par son ami Théophile Gautier publié dans Le Figaro. Cependant, la plupart des fragments repris ont été légèrement modifiés : « mains royales frappées de fossettes » est devenu « main mignonne frappée de fossettes ». Au sens mathématique, en définissant les mots comme des chaînes de caractères alphabétiques délimitées par des séparateurs (blancs, apostrophes ou ponctuations), les seuls mots communs à ces deux locutions sont « de » et « fossettes ». Pour pouvoir détecter l’homologie, nous avons besoin de techniques insensibles à la flexion des mots, et à l’insertion, suppression ou remplacement de quelques mots, par exemple ici « royales » remplacé par « mignonne ».

10À titre d’illustration, voici, lorsqu’on élimine les déterminants, les différents 1-skip-2-grams de lemmes, c’est-à-dire les bi-grammes avec un trou, accompagnés de leur ordonnée, c’est-à-dire du rang du premier éléments de chaque bi-gramme, de « mains royales frappées de fossettes » : « main, royal » (1), « main, frapper » (1), « royal, frapper » (2), « royal, fossette » (2), « frapper, fossette » (3). De même, les 1-skip-2-grams de lemmes de « main mignonne frappée de fossettes » sont : « main, mignonne » (1), « main, frapper » (1), « mignonne, frapper » (2), « mignonne, fossette » (2), « frapper, fossette » (3). On constate qu’il existe deux 1-skip-2-grams communs : « main, frapper » et « frapper, fossette », que l’on peut aisément rabouter, puisqu’ils sont jointifs dans les deux cas : « main, frapper » se trouve au rang 1 dans les deux cas et « frapper, fossette » au rang 3. Comme nous l’avons dit, cette séquence de deux 1-skip-2grams met en évidence une ressemblance assez forte qui pourrait éventuellement, si elle était confirmée par d’autres indices, attester d’une réutilisation et donc d’une influence.

Mise en évidence de traces de l’exogenèse

11Équipé de cet algorythme, nous avons essayé de retrouver des traces du travail d’exogenèse en détectant des ressemblances à des éléments émanant de sources extérieures à l’œuvre et incorporées à elle.

14Enfin, il nous est apparu intéressant de confronter les romans de Balzac aux écrits de personnalités considérées à l’époque par Balzac comme des scientifiques dignes du plus grand intérêt. Ce faisant, le logiciel rapproche le fragment surligné en vert du phrénologiste François-Joseph Gall du passage lui aussi surligné en vert de la Grenadière de Balzac :

15Quoique ces similitudes ne prouvent rien à elles seules, elles apportent néanmoins des éléments suffisamment intrigants pour susciter une investigation plus poussée.

Extension à de gros corpus

17Toutes ces techniques se sont avérées très efficaces dans le sens où il est maintenant possible de détecter de minuscules fragments de textes réutilisés dans de très grands corpus comprenant des centaines de milliers de livres. Comme le nombre de livres et de volumes imprimés dans les principales bibliothèques nationales, par exemple à la Bibliothèque nationale de France (BnF) ou à la Bibliothèque du Congrès des États-Unis, atteint des dizaines de millions de volumes (14 millions à la BnF et 33 millions à la Bibliothèque du Congrès), nous pensons qu’il existe un horizon quantitatif ultime qui correspond au traitement de dizaines de millions de livres, et qu’il sera possible de l’atteindre lorsque ceux-ci seront tous numérisés.

18De notre côté, nous avons testé avec succès ces approches sur de très grands corpus, en particulier sur une collection de 130 000 livres mise gracieusement à disposition du Labex OBVIL par la BnF. Cependant, le nombre de réemplois est si important que la plupart du temps le lecteur se perd dans leur masse. À titre d’illustration, notre logiciel a détecté 309 474 fragments de textes de l’Encyclopédie de Diderot et d’Alembert dans le corpus des 130 000 livres fournis par la BnF. De même, il a trouvé 874 606 similitudes textuelles de la base Frantext sur ce même corpus. Une autre expérimentation conduite par le projet ARTFL de Chicago sur le corpus ECCO (Eighteen Century Corpus Online) qui contient 250 000 livres généra 17 millions de fragments similaires.

19Or, cette quantité énorme de similitudes textuelles est en partie due à une multiplication artificielle lorsqu’un même fragment est souvent repris. Pour comprendre ce point, supposons qu’un fragment P ait été dupliqué n fois dans un corpus, il s’ensuivra que le nombre de réutilisations, c’est-à-dire le nombre de couples (α, β), où α et β sont deux emplacements distincts de P dans le corpus sera : n x (n-1)/2. Ainsi, si un fragment comme l’ouverture très célèbre du monologue du prince Hamlet « être ou ne pas être, telle est la question » avait été citée 1 000 fois – et il n’est pas absurde qu’il en aille ainsi sur 130 000 ouvrages – cela générerait environ un million de réutilisations. Pour surmonter cette multiplication artificielle de réutilisations qui brouille notre appréhension, la solution proposée est de regrouper les réutilisations de fragments identiques ou approximativement similaires, ce qui réduit considérablement leur nombre et évite également de se perdre dans de multiples duplications de réemplois provenant tous de la réutilisation du même fragment. En d’autres termes, nous n’étudierons pas les similitudes par elles-mêmes, mais leurs regroupements en ensembles de fragments similaires. Ces regroupements se feront en représentant les réutilisations sous forme de graphes, le terme étant entendu au sens de la théorie mathématique des graphes dont nous allons d’abord rappeler les fondements.

Représentation des similitudes sur graphes

21Une fois les similitudes extraites, lorsqu’un même fragment de texte a plusieurs occurrences dans le corpus, nous représentons chacune d’entre elles par un sommet et chaque ressemblance par une arête dans un graphe que nous appelons le graphe des similitudes. Si le même passage est repris plusieurs fois, plusieurs arêtes seront émises depuis le sommet correspondant à ce passage. Cependant, il peut aussi arriver que les multiples fragments réutilisés ne soient pas parfaitement identiques, tout en se chevauchant partiellement. Dans ce cas, une étape importante consiste à agréger les différents passages qui se recouvrent, en les prolongeant.

22Pour faciliter la compréhension, supposons que nous ayons détecté :

• une similarité R₁ entre le fragment Adeo ista toto mundo consensere, quanquam discordi sibi et du texte T₁ et le fragment adeo ista toto mundo consensere, quanquam discordi et sibi du texte T₂ ;
• une similarité R₂ entre le fragment ista toto mundo consensere, quanquam discordi sibi et ignoto du texte T₁ et le fragment Ista toto mundo consensere quanquam discordi et sibi ignoto du texte T₃ ;
• et enfin, une similarité R₃ du fragment mundo consensere, quanquam discordi sibi et du texte T₁ et du fragment mundo li consensere, quanquam discordi et sibi du texte T₄.

23Comme la figure 1 le met en évidence, les trois fragments du texte T₁, Adeo ista toto mundo consensere, quanquam discordi sibi et dans R₁, ista toto mundo consensere, quanquam discordi sibi et ignoto dans R₂ et mundo consensere, quanquam discordi sibi et dans R₃ se recouvrent mais ne sont pas identiques. Sachant qu’ils correspondent au même passage, ils seront agrégés sur un seul sommet associé au fragment étendu qui commence par le premier mot Adeo et se termine par le dernier ignoto, autrement dit au fragment Adeo ista toto mundo consensere, quanquam discordi sibi et ignoto.

24Par ailleurs, la taille du graphe des similitudes étant généralement très conséquente et nombre de petites ressemblances n’étant vraiment pas intéressantes, il est apparu crucial de mettre en évidence les sommets et arêtes les plus précieux en les quantifiant. Ceci peut être fait en pondérant les arêtes, en fonction du nombre de mots ou plus exactement de lemmes communs aux deux fragments de la réutilisation comme dans la figure 2, ce qui transforme le graphe de similitudes en un graphe pondéré. Il peut également être utile de quantifier les sommets à l’aide d’au moins deux indicateurs : un indicateur local qui correspond à la taille du fragment de texte couvert par le sommet, et un indicateur global qui est la centralité du sommet. Ce dernier indicateur est classique en théorie des graphes ; il peut être calculé de différentes manières, par exemple avec le degré du sommet qui correspond au nombre d’arêtes émises depuis ce sommet ou à la somme des similitudes avec tous les autres sommets.

25Enfin, selon la motivation qui anime le chercheur, il y a au moins deux façons d’envisager les similitudes : soit en comparant un corpus avec un autre, soit en le comparant avec lui-même. Par exemple, si nous étudions l’influence de Jean-Jacques Rousseau sur sa postérité littéraire et philosophique, il suffit d’extraire les citations ou les emprunts de Rousseau par les auteurs qui vinrent après lui, alors que si nous sommes intéressés par le phénomène des réutilisations mutuelles ou par les sujets et clichés communs à la littérature du xix^e siècle, il est préférable de comparer un corpus de littérature du xix^e siècle à lui-même.

26Dans le premier cas, notre approche contribue à l’étude de l’exogenèse en mettant en évidence des similitudes avec des textes extérieurs à l’œuvre qui seraient susceptibles, sous réserve d’analyse, soit de traduire l’influence qu’un auteur a subie au cours du processus d’écriture, soit l’influence qu’il a exercée sur d’autres (voir fig. 3) ; dans le second, elle pourrait contribuer à mettre en évidence des récurrences ou des particularités stylistiques ou encore des reprises à l’intérieur d’une même œuvre (voir fig. 4 et 5).

Composantes connexes et communautés

27Les sommets du graphe de similitudes représentent des passages, c’est-à-dire des occurrences de fragments de textes, tandis que les liens entre ces sommets, à savoir les arêtes du graphe de similitudes, attestent d’une ressemblance entre eux. En termes mathématiques, un groupe de sommets entièrement connectés, c’est-à-dire dans lequel chacun est connecté à tous les autres, est appelé une clique. Dans notre cas, cela correspond à un fragment présent à l’identique, ou presque, dans de nombreux textes différents. La détection automatique de cliques serait idéale. Cependant, ce n’est pas possible pour au moins deux raisons : d’une part, parce que cette opération est trop coûteuse pour être réalisée effectivement sur de grands graphes ; d’autre part, parce que, très souvent, les fragments associés aux différents sommets sont si différents que même si le fragment F₁ est similaire au fragment F₂ et si le fragment F₂ est similaire au fragment F₃, il n’est pas certain que le fragment F₁ soit semblable au fragment F₃.

30Nous utilisons les mêmes algorithmes pour détecter des communautés dans le graphe de similitudes ; ces communautés peuvent éventuellement se chevaucher ; ce qui importe, c’est que les sommets qu’elles comprennent et qui correspondent à des fragments textuels partagent tous beaucoup de liens de similitudes entre eux. Cela répond à notre objectif qui est de détecter les sous-graphes denses de ressemblances textuelles.

31À titre d’illustration, la figure 4 montre une communauté du graphe de similitudes obtenu en confrontant La Comédie humaine de Balzac à elle-même, puis en cherchant des fragments qui contiennent le mot « boucle ».

32Si maintenant, on extrait les lemmes les plus fréquents dans les sommets de ce graphe, on accède automatiquement à la « garde-robes de Balzac » (voir fig. 5), c’est-à-dire aux habits dont il affuble un certain nombre de ses personnages.

Perspectives

33Cette « garde-robes » de Balzac ne donne qu’un avant-goût de toutes les perspectives ouvertes par l’utilisation des graphes de similitudes dans le domaine de l’intertextualité, en particulier de l’exogenèse et de l’endogenèse. Bien d’autres se dégagent aujourd’hui. Esquissons-en, ci-dessous, quelques-unes.

Influences mutuelles

34Il est possible de déterminer des influences mutuelles, ou tout au moins des ressemblances entre des auteurs en construisant un graphe dont les sommets sont des auteurs et les arêtes résument, par une pondération, le nombre des fragments similaires que l’on repère entre les œuvres de ces mêmes auteurs. Établie à partir d’un corpus romanesque d’œuvres du xix^e siècle, la figure 6 visualise les influences mutuelles de leurs auteurs.

Étude diachronique des influences

35Étant donné que les œuvres sont datées, il est également possible d’analyser, dynamiquement, l’impact d’un auteur dans le temps, par exemple la façon dont les références explicites et/ou implicites à Jean-Jacques Rousseau ont augmenté ou diminué entre le xviii^e et le xx^e siècle.

Perspectives en génétique textuelle

37Enfin, les graphes de similitudes peuvent aussi rendre de grands services à la génétique textuelle de l’âge numérique. Les auteurs classiques ont souvent laissé différentes versions de leurs textes sur papier. Leur collation permet de saisir les étapes du processus créatif en examinant les différences entre versions et en caractérisant les transformations avec les opérateurs génétiques spécifiques (addition, suppression, remplacement, déplacement) mis en évidence par les spécialistes de génétique textuelle.

38Aujourd’hui, comme les écrivains utilisent des ordinateurs, sans toujours imprimer toutes les versions intermédiaires de leurs travaux, les généticiens sont confrontés à de nouveaux problèmes : ils doivent extraire directement les différentes versions des œuvres des disques durs des auteurs et ensuite reconstruire la chronologie entre les fichiers correspondant aux différents états des textes.

39En raison de la facilité avec laquelle il est possible de dupliquer des fichiers, différentes copies prolifèrent, parmi lesquelles il est très difficile de s’orienter. Pour donner une idée de cette prolifération, la figure 7 montre quelques-uns des fichiers présents sur l’un des disques durs de Jacques Derrida dans un seul dossier nommé HERNE qui renvoie à un numéro de ce journal.