Pronoms personnels et genres littéraires (Artfl-Frantext, PhiloLogic 4)

Chacun s’entend à estimer qu’un roman n’est pas une thèse, et d’ailleurs, les romans à thèse ne sont pas toujours appréciés. Il n’est pourtant pas commode de définir strictement un genre si bien que l’on pourrait apprendre ces critères à une machine. Il existe des approches aveugles et statistiques, qui effectuent très efficacement certaines catégorisations, mais ces procédés n’expliquent par leurs raisons. Or, pour perfectionner, il faut comprendre. Même si le programme ne marche pas mieux, notre intelligence de la langue et des textes s’affine. Suite à une expérience sur la deixis de Benveniste (appliquée à Michelet), j’ai constaté un comportement très différents des pronoms personnels selon les composants d’un livre d’histoire (paratexte, paroles rapportées, récit). Est-ce que les pronoms personnels peuvent suffire à trier automatiquement : théâtre, roman, mémoires… ? L’objectif est a priori futile, n’importe quelle notice bibliographique le fait mieux, mais ce qui est intéressant, ce sont justement les erreurs de classification de la machine. Soit le programme est à perfectionner, et c’est la définition des traits du genre qui progresse, soit c’est un texte relativement original à ceux de son genre, dont on mesure mieux la différence.

Méthodologie

Corpus ARTFL-Frantext — Le laboratoire ARTFL de l’Université de Chicago diffuse le corpus français Frantext pour les États-Unis (ainsi que d’autres textes couvrant notamment l’Ancien-Régime), avec leur logiciel libre dans sa nouvelle version : PhiloLogic 4. Malheureusement, le corpus n’est pas ouvert librement, notamment pour des raisons de droits (textes après 1950), et je remercie Robert Morrissey  pour l’accès provisoire qui me fut alloué.

 

ARTFL-Frantext, couverture chronologique

 

1800-1950 — Je me suis restreins à la période 1800–1950. C’est actuellement la tranche la plus fournie et la plus variée de Frantext. Le corpus a été commencé dans les années 1960 pour les citations du Trésor de la langue française, dictionnaire du XIXe siècle jusqu’à son présent, terminé dans les années 1980. Cela explique en partie les effectifs entre 1800 et 1950, mais c’est aussi une conséquence de l’histoire du livre. Le nombre de titres publiés a beaucoup augmenté après 1815, avec l’apparition du papier mécanique. La productivité apportée par la composition linotype (à partir de 1880) est moins visible que les drames de l’histoire (guerres et crises mondiales, voir sur ce carnet). On peut considérer que sous la variation annuelle très forte du nombre de titres publiés, l’ordre de grandeur est comparable de 1800 à 1950. Ensuite, l’offset et le numérique produisent une croissance du nombre de titres qui continue encore. La tranche d’écrits observés, les “chefs-d’œuvre”, ne se comportera pas de la même manière selon qu’ils représentent 100% des écrits conservés (haut Moyen-Âge) ou moins de 1%. Il faut non seulement compter le nombre de titres publiés par an, mais aussi le nombre de titres accessibles facilement, à la vente ou en bibliothèque. En France en 2013, 70 784 titres sont sortis, il y avait 673 500 titres disponibles, sans compter Internet. Ceci affecte certainement les manières d’écrire et le cloisonnement des genres. L’écologie interne de l’imprimé entre 1800-1950 est plus stable qu’avant et après, elle est surtout affectée par des phénomènes externes (guerres, révolutions, progression de l’instruction).

Philologic 4, ARTFL-Frantext, “je” entre 1800 et 1950, occurrences par genre

Facettes — Pour cette étude, PhiloLogic 4 a une fonctionnalité très utile, les facettes. Soit par exemple une requête sur le pronom “je” entre 1800 et 1950, il est possible de visualiser la répartition des occurrences selon les métadonnées de chaque livre. Les livres ont toujours un titre, une date, généralement un auteur, et le plus souvent, un genre textuel. Sur 2053 livres entre 1800 et 1950, 1361 ont été retenus ici, avec les étiquettes :  roman, mémoires, théâtre, correspondance, poésie, traité (avec “traité ou essai”). Les 558 écartés n’avaient pas d’étiquettes, ou s’interprétaient difficilement (ex : mélanges littéraires). Toute personne ayant eu la responsabilité d’un gros corpus avec des moyens limités doit savoir que les trous documentaires sont inévitables. Ce travail a justement l’intention de découvrir des indices pertinents pour assister automatiquement la vérification de cette classification.

Il nous parle toujours de vous — Les textes ne sont pas lemmatisés, d’ailleurs les résultats des lemmatiseurs automatiques ne sont pas toujours très fiables sur les mots grammaticaux. Aussi pour comparer les effectifs de formes graphiques pour les pronoms personnels, il faut définir quelques regroupements. Nous et vous sont à la fois sujet, accusatif, et datif ; ils remplissent les fonctions de : je, me, moi ; tu, te, toiil, elle, on, soi, se ; ils, elles, leur, eux. Autrement dit par MOI on entendra ici le pronom personnel de la première personne du singulier à tous les cas (je, me, moi).

Vous me le donnez ? (vous sujet)
— Ça dépend, s’il nous a donné aussi. (nous accusatif, il a donné nous)
— Mmmh, réfléchissez…
— Je vois. Et qu’est-ce qu’on a en échange si on vous le donne ?
(vous datif, on donne lui à vous)

Il leur a, il s’est, il t’a – Il reste nécessairement des erreurs, les clitiques n’ont pas été inclus. Cherchez “m” (l’apostrophe n’est pas conservée par le moteur de PhiloLogic), vous trouverez « selon M. Bossuet », “t” entre souvent en composition euphoniques « a-t-il », et “s” peut abréger si « s‘ils avoient seulement autant de raison que de passion […] ». Enfin leur peut aussi être un possessif. Cette marge d’erreur est égale pour chaque type de texte, mais peut fausser les comparaisons entre personnes.

ARTFL-FRANTEXT, 1800-1950, pronoms et genres
livres MOI TOI LUI NOUS VOUS EUX TX 1e+2e
romans 425 22 % 4 % 54 % 5 % 9 % 7 % 0.26
traités 374 8 % 1 % 62 % 10 % 3 % 16 % 0.10
journaux 103 31 % 2 % 47 % 8 % 5 % 8 % 0.26
correspondances 48 40 % 8 % 25 % 6 % 17 % 3 % 0.57
théâtre 260 31 % 11 % 32 % 5 % 17 % 3 % 0.74
poésie 151 23 % 10 % 40 % 8 % 9 % 10 % 0.30
1361 26 % 6 % 43 % 7 % 10 % 8 %

1e+2e : taux de personnalisation On regrettera de ne pas avoir le nombre total de mots pour chaque genres afin de calculer un “taux de personnalisation”. L’indice composite proposé ici (1e+2e) compare les pronoms de 1e et 2e personne, singulier et pluriel (MOI et NOUS, TOI et VOUS) relativement à un effectif à peu près représentatif de l’ensemble du texte : de+et+à+en. Ces mots grammaticaux très fréquents varient un peu selon les genres, ce qui laisse supposer un taux d’erreur, mais largement inférieur aux variations des pronoms personnels.  Il en résulte un tableau qui ne choque pas le bon sens, et qui installe chaque genre dans une situation de communication.

Méthode lexicographique — Les personnes les plus caractéristiques pour qualifier un genre sont donc je, tu, vous, et le nous. Quant aux troisièmes personnes, elles s’emploient autant pour les personnes, que les choses, et l’impersonnel (il faut, cooccurence la plus fréquente pour il). Les chiffres ne peuvent donc pas se substituer à une interprétation “subjective”, ou plus exactement, humaine. Il est en effet difficile de traiter systématiquement toute les occurrences pour chaque genre et chaque personne, jusqu’à 2,5 M (millions) de pronoms personnels pour les romans. Même s’il on accédait à des concordances complètes, beaucoup de nuances ne peuvent pas encore être capturées (et donc comptées) par la machine. L’idée ici est de proposer des hypothèses plausibles sur la situation de communication installée par un genre, en produisant quelques attestations pour éclairer chaque proposition. On tentera de caractériser les personnes les plus significatives, en produisant les verbes les plus fréquents.

philologic-collocs
ARTFL, PhiloLogic 4, démo Frantext (privé), collocations autour du pronom “je”, 1800-1950, mémoires et journaux

Collocations — Ces listes de verbes sont produites par la fonctionnalité collocations de PhiloLogic qui donne un tableau des mots les plus fréquents autour du pivot recherché. Par exemple si on cherche la forme je dans le genre “mémoires” de 1800-1950 dans Frantext-ARTFL, la recherche enregistrera les 5 mots avant et les 5 mots après, présentés du plus ou moins fréquent.

Mémoires et journaux

Je me souviens — Sans surprise, mémoires et journaux sont le genre du je. Le corpus comporte deux types d’auteurs dans le genre, les écrivains (Benjamin Constant, Maine de Biran, Stendhal…) qui racontent généralement ce qui leur arrive, et quelques rares hommes d’action (Clemenceau, maréchal Foch, maréchal Joffre), qui rapportent plus ce qu’ils ont fait. Joffre se distingue particulièrement par sa liste de verbes : « fis, demandai, reçus, décidai, venais, rendis, prescrivis, proposais… », qui semblent actifs mais sont plutôt “de commandement”. Joffre ne fait rien lui-même, il fait faire (faire + infinitif : « connaître, répondre, établir, rédiger, observer, remarquer, demander, télégraphier… »). Cette seule énumération montre comment informer, c’est agir, et donc, que les hommes d’action utilisent en fait surtout des verbes cognitifs. C’est ainsi que Clémenceau se distingue peu d’un écrivain : « sais, veux, vois, dis, crois, suppose… » à comparer avec la liste globale des verbes du genre : « suis, sais, crois, puis, dis… », il reparle ainsi longuement de l’affaire Dreyfus.  La vie, même la plus active, lorsqu’elle est repensée à la table d’écriture, n’emprunte pas que le chemin du récit mais aussi celui de la réflexion, et du jugement.

Qui es-tu, mon âme ? — Le pronom tu est particulièrement rare dans le genre du journal intime, et encore plus rare en style direct. On trouvera surtout des apostrophes à l’aimée, à l’absent, à Dieu, ou à une dramatisation de soi-même : « Ô mon âme, pourquoi es-tu triste et pourquoi me troubles-tu ? » (Eugénie de Guérin, 1839, Journal). Quand l’écrivain se confie à son journal, le lecteur ne s’attend pas à se faire tutoyer, sauf dans quelques cas particuliers, par exemple Michelet dont j’ai parlé précédemment, ainsi que Saint-Exupéry dans Citadelle. Dans ce texte inachevé, le tutoiement est systématique, il s’adresse au lecteur, jusqu’à le généraliser : « tu es nœud de relations et rien d’autre. Et tu existes par tes liens » (Saint-Exupéry, 1948, Citadelle CLXXV). Je s’oublie pour parler de toi, la grammaire produit un effet, et une philosophie, comme le passé composé de l’Étranger (Camus, 1942).

Bénie, soyez vous, mon âme  « Bénie soyez-vous, ô ma native et chère indépendance, âme de ma vie ! » (Chateaubriand, 1848, Mémoires d’outre-tombe 4). Dans le petit théâtre du journal, le vouvoiement s’adresse souvent à soi-même, et grandit la statue de l’auteur en dramatisant ses personnes, jusqu’à l’exemplaire : « Il n’est pas prudent, je le sais, de désavouer des biographes bien disposés en votre faveur, et qui peuvent vous menacer d’une édition revue et corrigée » (Sand, 1855, Histoire de ma vie). « Comme on aime un catéchiste qui vous fait rester après le catéchisme pour vous dire un mot » (Dupanloup, Journal intime, 1850). La seconde personne est en tous cas rarement plurielle lorsqu’elle n’est pas entre guillemets, elle ne s’adresse pas non plus au lecteur, elle est surtout, l’auteur.

Nous-mêmes bien de chez nous Le genre du journal autorisant le je, il est difficile de trouver des emplois du nous d’auteur, je est trop fort pour accepter un synonyme en sa présence, à part peut-être dans cet exemple : « je serons tous pardonnés, parce que le bon Dieu nous aime et sait bien que quand je nous repentons, c’est que je l’aimons » (Sand, 1855, Histoire de ma vie). Il s’agit en réalité d’une parole rapportée par Sand, un prêtre dans son « parler paysan ». En récit, le nous inclura l’auteur avec une aimée, dans un groupe de personnes, et en discours au je, le nous est une communauté non dénombrée : « Il n’y a pas à parler de races chez nous, mais il y a des variétés provinciales. Il y a aussi la nation française […] » (Barrès, 1901, Mes cahiers). Par la pensée, le nous accède aussi à la généralité de l’humain en général, « La réflexion seule et la raison peuvent nous démontrer qu’il y a une force organique différente de notre volonté qui est nous-mêmes » (Maine de Biran, 1816, Journal).

Le genre des mémoires s’articule donc sans surprise autour du je, dont la force influence les emplois de chaque autre personne, rarement prise dans des communications intersubjectives (sauf dans les paroles rapportées ou les récits en incise).

Traités

Nous avons vu, nous savons Les traités, les essais, la prose théorique en général est centrée sur l’objet, et donc les troisièmes personnes. Le pronom distinctif du genre est certainement le nous. Les verbes les plus fréquents en collocation avec le nous sont évidemment les auxiliaires et autres verbes support (avons, sommes, pouvons, devons, venons, allons, voulons…), mais aussi des verbes rhétoriques, entre fonction phatique et cognitive : savons, voyons, trouvons, verrons… ; ce que confirment les conjugaisons avec auxiliaire (nous avons vu, nous avons parlé, nous avons montré…)

Je crois, je sais, je vois Le MOI y a une fréquence très similaire au nous. L’application PhiloLogic de ARTFL permettrait théoriquement de calculer des fréquences relatives (par million de mots) sur des périodes chronologiques, mais il y a un flou sur le million en question, on ne sait pas s’il prend en compte le filtre par genre, si bien que les inférences sur cette vue semble pour l’instant incertaines.

Google Ngram, 1800-1950, je,nous
Google Ngram, 1800-1950, nous % (je, me, moi)

Google Ngram Viewer est une application commerciale permettant de visualiser chronologiquement des fréquences lexicales dans le corpus Google Books. J’ai déjà présenté les précautions à prendre avec cet outil. La firme ne donne aucune information sur la composition du corpus, mais le rapport entre troisièmes et premières personnes, ainsi qu’entre le MOI et le NOUS, permet de penser que le genre dominant n’est pas le récit, mais le discours. La masse de texte permet d’observer des phénomènes historiques beaucoup plus précis que sur ARTFL-Frantext, par exemple une augmentation du nous pendant les guerres (pics de 1870, 1917, 1944). Ces phénomènes explicables et convaincants autorisent à interpréter un pic romantique du moi, de 1815 à 1830. MOI et nous ont une fonction équivalente dans le discours théorique, mais ils ne sont pas également employés selon les époques, et donc aussi, les auteurs.

essais,je,tu
Google Ngram, 1800-1950, nous % (je, me, moi)

Tu adoreras ton Dieu Le tu est rare dans le genre. Un regard rapide sur les auteurs qui l’emploient le plus donne l’impression de deux groupes, en début de période (De Staël, Chateaubriand, Michelet…) et en fin (Taine, Claudel, Gide…). Ces groupes sont corrélés à la préférence du je sur le nous. Sur le corpus Google Books, on constate aussi une corrélation des pics de je et de tu, dès lors qu’un coefficient permet de les rendre comparables.

Les verbes du tu, comme ceux du vous, ne sont pas fortement significatifs, souvent des tournures rhétoriques, par contre, le substantif le plus fréquent avec tu est Dieu (avec vous c’est monsieur, et pour il ce sont « vie, chose, monde, esprit »). Lorsque le lecteur n’est pas seulement évoqué comme une fiction (« me direz-vous ») mais que l’auteur s’adresse à lui, ou à l’homme en général, on croirait que c’est pour lui parler de Dieu. L’hypothèse n’est peut-être qu’un effet de corpus, mais elle mérite d’être ouverte.

ngram-dieu
Google Ngram, 1800-1950, Dieu

La personne de la théorie est surtout l’auteur, qui se met parfois en scène au je, plus souvent au nous, mais ce qui distingue surtout le genre, c’est la faible proportion de pronoms personnels. Les deuxièmes personnes sont rares, souvent rhétoriques.

Correspondance

Je t’embrasse La situation de communication de la correspondance est assez évidente, une personne écrit à une autre. Il y a un taux élevé de pronoms personnels (quoique moins que pour le théâtre). Le premier verbe fort est embrasse.

Je, comparaison des verbes fréquents selon plusieurs genres dans ARTFL-Frantext
Correspondance Mémoires Théâtre Traités Romans Poésie
suis (12 765) 3,4
crois (3 719)
sais (3 636)
puis (2 756)
vais (2 582)
veux (2 318)
voudrais (1 777)
vois (1 679)
embrasse (1 678)
aime (1 678)
pense (1 642)
suis (13 843) 2,4
sais (5 656)
crois (4 613)
puis (3 642)
dis (3 627)
avais (3 344)
veux (3 260)
vois (2 764)
vais (2 612)
sens (2 360)
étais (2 139)
suis (14 725) 2,5
sais (5 848)
veux (4 402)
vais (4 183)
dis (3 233)
vois (2 499)
crois (2 411)
aime (2 235)
puis (2 131)
demande (1 768)
peux (1 618)
suis (7 123) 1,7
crois (4 220)
sais (3 825)
veux (3 606)
dis (3 390)
puis (2 688)
vois (2 491)
pense (1 495)
viens (1 253)
sens (1 206)
vais (1 205)
suis (43 760)  2,1
sais (20 599)
dis (14 039)
veux (13 330)
crois (11 119)
vais (10 691)
avais (10 502)
puis (9 891)
vois (7 197)
étais (6 623)
aime (5 931)
suis (3 769) 2,9
sais (1 284)
veux (1 149)
dis (1 008)
vois (958)
puis (646)
aime (640)
vais (589)
sens (540)
crois (521)
vis (468)

Je suis votre… Les données ci-dessus ne sont pas irréprochables, PhiloLogic 4 supprime des mots considérés comme “vides“ qui alourdirait la liste, mais on y perd des conjugaisons du verbes être (est) et avoir (ai). Il y a cependant assez d’indices pour fortifier des opinions sur les situations de communication. Les effectifs bruts ont été conservés pour éviter de surinterpréter un rang dans la liste si la différence n’est que de quelques occurrences. Le verbe être est évidemment le plus fréquent, aussi bien auxiliaire du passé, du passif, ou copule. Mais le compte relatif n’est pas le même pour chaque genre, on a ainsi noté le coefficient d’écart entre suis et le deuxième verbe (3,4 pour les correspondances). On peut supposer que l’écriture d’une lettre, même par un écrivain, est plus relâchée, avec plus de verbes être, que l’on est amené à parler plus de soi (comme en poésie, 2,9). On mesure aussi que les occasions d’écrire une lettre amènent à rapporter des faits répétitifs « je suis ici depuis… », ou à employer des formules consacrées « je suis votre… ». Votre est d’ailleurs le cooccurrent le plus fréquent de « je suis ».

Tu ou vous ? — Le corpus comprend les grandes correspondances littéraires de la période (Lamartine, Balzac, Hugo, Flaubert, Mallarmé, Claudel, Gide, Jacques Rivière…). Il serait très imprudent de tirer des conclusions sur le degré de formalité de la deuxième personne, car tout dépend des lettres qui ont été retenues pour chaque auteur. Balzac et Hugo vouvoient beaucoup plus qu’ils ne tutoient, Flaubert tutoie presqu’autant qu’il vouvoie, Gide et Jacques Rivière vouvoient très peu. On peut supposer une évolution des mœurs sur la période, mais les auteurs sont des personnalités originales qui peuvent très bien se distinguer de l’usage, par exemple Bernanos ne tutoie pas. Il semble beaucoup plus intéressant de mesurer l’évolution et les variations du tu et du vous entre deux correspondants identifiés, comme un thermomètre de la relation.

La correspondance est donc un écrit qui va de je à vous (ou toi). Les formules répétitives, comme les salutations ou les conclusions de politesse sont évidemment remarquables, mais peut-être se cache-t-il aussi d’autres phénomènes mesurables mais moins sensibles à la conscience, comme l’emploi du verbe être. Cela mériterait une étude de détail sur un corpus plus finement balisé qui isole le corps de la lettre de son formulaire.

Théâtre

Je te dis que… — Comme la correspondance, le théâtre est une communication intersubjective explicite. Un texte parle toujours à quelqu’un, toutefois, l’adresse n’est pas toujours expresse, comme le « me direz-vous » d’un discours. Le théâtre représente des échanges de paroles entre personnages, bien en corps, on y trouve une quantité importante de pronoms personnels, encore plus que dans une correspondance.

Écrit oralisé — Les lettres et le théâtre sont des écrits, mais ils ne se consomment pas de la même manière. Une lettre est surtout lue silencieusement (du moins au XIXe s.), tandis que le théâtre est dit. On peut revenir en arrière dans une lettre, sur une phrase que l’on veut méditer, pas au théâtre. Le texte de scène se déroule pour un public qui ne peut pas ralentir le rythme selon sa compréhension et son attention. Même si le théâtre est plus écrit que la plupart des lettres, il est destiné à l’oral, et ceci peut s’observer dans les statistiques lexicales. Pour l’instant PhiloLogic 4 ne propose pas encore une liste des mots les plus fréquents par tranche de corpus, ça ne saurait tarder, mais on peut déjà se faire une idée acceptable en cherchant les cooccurrents d’un mot très fréquent, ici de.

ARTFL-Frantext, 1800-1950, cooccurrents fréquents autour de “de”
Théâtre Correspondance Roman Traité Mémoire Poésie
madame
ah
votre
monsieur
suis
oui
ça
te
scène
femme
votre
suis
mes
te
Paris
lettre
voir
jours
toi
notre
vie
sous
puis
yeux
femme
étaient
jour
grand
mes
toujours
vie
notre
esprit
moins
nos
sous
ainsi
celle
elles
entre
vie
mes
notre
chez
grand
nos
sous
mme
très
jour
sous
mes
cœur
nos
Dieu
Ô
ton
yeux
terre
jour

Ha, madame ! Le théâtre se signale par une haute fréquence des interjections. Lorsque l’on enregistre de l’oral spontané, le mot le plus fréquent est heu, parce que celui qui parle cherche ce qu’il va dire, mais aussi, parce que celui qui écoute a besoin de pauses et de redondance. L’acteur sait ce qu’il va dire, mais le public a besoin d’une grille rythmique de mots vides pour reposer son attention. Le texte dramatique partage donc un fort taux de personnalisation avec la correspondance, il s’en distingue par les exclamations comme oh, ha, oui, ou hi.

Roman

Genre composite — Le roman est un genre composite qui mêle dialogues directs comme au théâtre, ou rapportés comme dans les mémoires, et des descriptions, des passages narratifs, ainsi que des citation de lettres, de chansons, en fait, tous les genres textuels. Faute de fichiers qui séparent ces composants, les statistiques risquent de confondre des situations de communication très différentes. Le taux de personnalisation est moyen, le MOI est assez présent, souvent pour les pensées du narrateur, mais pas autant que dans un journal. Cet indice est cependant assez variable selon les auteurs (1 à 5), il est imprudent de s’y fier pour identifier un genre, par contre, il est intéressant de l’observer pour qualifier un auteur (ce n’est pas ici le propos mais on se plaira à comparer le je chez Proust et Jules Verne).

Indice de MOI, dans les 10 romanciers les plus importants de Frantext
Zola : 0,08 – Proust : 0,20 – Sand : 0,19 – Maupassant : 0,19 – Hugo : 0,06 – Flaubert : 0,09 – Stendhal : 0,13 – Verne : 0,04 – France : 0,18 – Huysmans : 0,07

Dit-il Bien que composite, ce genre présente un indice remarquable, le verbe dire de la parole rapportée (taux pour la forme graphique dit selon les genres,  roman : 0,024 – traité : 0,008 – mémoire : 0,016 – correspondance : 0,010 – théâtre : 0,017 – poésie : 0,016).  Cet indice varie selon les auteurs, mais il a une certaine résistance à l’échelle du genre (1 à 2). D’ailleurs, on le trouve aussi en anglais. J’ai eu l’occasion de travailler avec un corpus de 1200 romans britanniques et américains, les mots non vides les plus fréquents sont : « said, man, mr, little, know, time, see, well, never, old ».

Le roman alterne des situations de communication différentes, la moyenne des proportions de pronoms peut cacher de grandes variations internes à un même texte, et entre les auteurs. Cette marqueterie est dessinée par quelques distinctions typographique, comme le tiret d’une réplique ; mais le flux textuel est globalement beaucoup moins structuré que du théâtr (noms de personnage, didascalies…), ou qu’une lettre (l’ordre et l’alignement des paragraphes suffit y à distinguer : date, salutation, signature, postscriptum…). La compréhension a donc besoin d’opérateurs de transition qui sont expressément écrits. Le propre mesurable du genre est donc moins dans la matière textuelle, que dans ses interstices, ses jointures, l’expression dit-il en est un exemple massif. Une étude plus approfondie permettrait de trouver d’autres opérateurs, afin de pouvoir mieux qualifier et distinguer le genre et les auteurs.

Poésie

Ô, que ton cœur m’était bon La poésie, surtout au XIXe siècle, se reconnaît à des critères formels élémentaires, comme le vers ou la rime. Une reconnaissance automatique serait très simple à programmer, mais il est plus intéressant de chercher des critères linguistiques internes, comparables avec les autres genres. La poésie a un taux de personnalisation moyen, supérieur aux traités, inférieur à la correspondance et au théâtre. Le MOI est plus important que le NOUS, comme par exemple dans le journal intime. Le TOI semble presqu’égal au VOUS, mais cette impression s’obtient sur des effectifs absolus, si bien que l’effet de Hugo sera beaucoup plus important que celui de Rimbaud.

% Poésie Tx 1e+2e p. Tx MOI TOI % VOUS TOI VOUS
Hugo 15 % 0,32 0,13 – 8 % 2834 3060
Nerval 8 % 0,28 0,17 – 249 % 457 1593
Lamartine 7 % 0,25 0,12 + 108 % 1340 644
Claudel 6 % 0,29 0,13 – 24 % 832 1031
Péguy 5 % 0,31 0,03 – 150 % 606 1517
Verlaine 4 % 0,33 0,14 + 28 % 984 771
Baudelaire 2 % 0,32 0,17 + 13 % 375 331
Apollinaire 2 % 0,46 0,28 + 154 % 402 158
Vigny 1 % 0,24 0,11 – 25 % 155 193
Rimbaud 1 % 0,34 0,20 + 64 % 144 88
 (total) 100% 0,30 0,14 + 11 % 18 991 17 168

Les pronoms personnels ne semblent pas suffisants pour distinguer un “genre” poétique. Selon les auteurs, on constate une certaines stabilité de ce qui est appelé ici “taux de personnalisation” (avec ses limites) : plus qu’un traité, et moins qu’une correspondance ou du théâtre. Dans ce ventre mou, le journal se distingue par le MOI, mais la poésie a un emploi beaucoup plus variable des personnes selon les poètes (de Péguy à Apollinaire). Le TOI et le VOUS ne semblent pas non plus imposés par le genre, ils distinguent assez fortement les auteurs (d’Apollinaire à Nerval). La poésie est beaucoup plus libre de sa situation de communication qu’une lettre ou le théâtre, il faut définir un trait supplémentaire pour la distinguer.

Prosaïque — Il serait théoriquement passionnant de définir des critères automatiques pour détecter du “texte poétique”. Imaginons un gros roman un peu ennuyeux, nous aurions un outil pour en extraire des passages candidats à l’élégance. Cette opinion automatique sur les bonnes feuilles est une utopie d’éditeur numérique, ne pas lire les manuscrits sans avenir et repérer les best-seller avant les concurrents. On peut tenter l’hypothèse qu’est “poétique” ce qui n’est pas “prosaïque”. Le “prosaïque” ne résulte certainement pas de la présence de certains mots plus triviaux, la poésie érotique reste poétique, même avec des mots obscènes. Le propre du genre est peut-être d’être plus bref et plus travaillé, plus concentré, de se consommer plus lentement et de se relire ; si bien que le texte peut s’épargner des locutions nécessaires aux autres genres. Pas de formule de politesse comme dans une lettre, pas de « nous verrons bientôt » comme en discours, ou de « et puis » comme en récit ;  la poésie se distinguerait par des absences, par ce qu’on en retranche. Sans attendre des moteurs syntaxiques très subtils, on peut observer l’intensité de la phrase poétique par les substantifs fréquents introduits par un article défini.

Selon les genres, substantifs les plus fréquents après l’article défini (le, la, les)
Poésie : terre, nuit, ciel, vie, mort, jour, yeux, monde, cœur, mer
Roman : roi, porte, main, tête, vie, yeux, comte, monde, reine, femme
Traité : nature, vie, hommes, société, monde, roi, terre, corps, France, religion
Mémoire : vie, monde, France, mort, femme, hommes, jour, maison, soir
Correspondance : vie, général, monde, fin, jour, lettre, cœur, jours, fois, main
Théâtre : porte, main, scène, tête, roi, table, monde, fond, droite, reine

Terre, nuit, ciel La porte, la France, ou la lettre peuvent être fréquents à l’échelle d’un poème, mais pas ici au niveau d’un corpus. On est au contraire frappé par la généralité des substantifs poétiques, même avec l’article indéfini (un, une, des) : « jour, voix, yeux, bois, enfant, âme, cieux, ciel, femme, amour, monde ». Nous sommes au cœur du lexique fondamental d’une langue, des mots courts sans dérivation, à la fois universels et concrets.

Conclusion

Cette étude n’aurait pas été possible sans l’ARTFL,  leur corpus Frantext, et les nouvelles fonctionnalités de PhiloLogic 4. Merci encore à toute l’équipe et à Robert Morissey. Cet usage intensif de l’application invite à proposer quelques aménagements.

  • L’interface en javascript comporte des avantages indiscutables dans toutes les interactions avec le serveur, comme la suggestion dynamique des valeurs ou l’attente des résultats pendant des calculs longs, j’ai cependant une réserve sur les animations. Pour un utilisateur intensif,  elles n’ajoutent rien, elles font attendre, alors que l’on voudrait plutôt le chemin le plus court pour changer un champ.
  • On aimerait avoir un accès à quelques informations textométriques élémentaires, comme des listes de mots en ordre de fréquence sur n’importe quelle section de corpus.
  • La suppression des mots vides dans les listes de collocations pourrait être optionnelle, le mieux serait de pouvoir filtrer les listes par catégories grammaticales.
  • PhiloLogic 3 permettait de télécharger la totalité d’une concordance, est-ce aussi possible avec PhiloLogic 4 ?
  • Chaque requête produisant des chiffres, il serait très utile de pouvoir les télécharger sous une  forme tabulaire, afin par exemple de les étudier au tableur et de produire les graphiques ajustés à un questionnement.

Développant moi-même des logiciels, j’ai hautement conscience que chaque utilisateur a ce genre de liste de vœux, parfois incompatibles, chacun ayant ses intérêts et ses usages. En tous cas il ne s’agit certainement pas de critiques, mais d’idées pour rendre le logiciel encore plus utile et agréable.

Cette première exploration propose quelques hypothèses sur les proportions de pronoms personnels, les chiffres doivent être maintenant stabilisés avec des procédures linguistiques plus strictes. Il est d’abord nécessaire d’avoir une définition de la forme graphique, avec une doctrine explicite du traitement de l’apostrophe et du tiret, pour que d’autres logiciels ou programmeurs puissent retrouver les mêmes effectifs sur les mêmes textes. Il serait ensuite pratique d’avoir un peu de lemmatisation optionnelle, par exemple pour saisir un verbe quelle que soit sa conjugaison. L’établissement de moyennes posera alors la question du corpus. La pondération des textes dans Frantext peut être discutée, et toute autre proportion pourra l’être aussi. Comment éviter que les vers de Hugo n’écrasent pas Rimbaud et Mallarmé ? Afin de ne pas ossifier une certaine représentation de la langue par ce qui revient à une anthologie, on pourrait se limiter à proposer des chiffres par livre, et par auteur. Au lieu de dire le “roman” a telle proportion de dit-il, il faudrait fournir les chiffres pour Proust, Zola, Balzac, les romans de Hugo… Le chercheur pourrait alors lui-même produire les proportions qui conviennent à son étude, par exemple situer son texte relativement à une moyenne où Flaubert pèserait autant que Zola, même s’il a moins écrit.

Relativement à l’intention initiale de programmer un détecteur de genre, cette étude montre que la seule mesure des pronoms personnels donne des indications intéressantes, mais pas suffisantes, pour départager des proportions qui varient trop selon les auteurs. D’autres indices sont nécessaires, comme les interjections pour le théâtre ou le type de vocabulaire pour la poésie. Appliquer un tel classifieur en mesurant les erreurs d’étiquetage amènerait à affiner les traits qui sont pour l’instant très grossiers. La difficulté principale n’est pas le développement du logiciel, mais la constitution du corpus. L’étude a aussi ouvert quelques boîtes que l’on note ici pour mémoire, mais qui dépasse l’intention initiale de cette expérience.

  • Variations selon les genres des mots grammaticaux les plus fréquents (de, à, en…)
  • Confirmer et qualifier le pic romantique du moi
  • Collocation de Dieu
  • Détecteur de texte poétique
  • L’appareil d’articulations du roman classique

 


Frédéric Glorieux

Ingénieur informatique

More Posts - Twitter - Flickr

Publié par

Frédéric Glorieux

Ingénieur informatique

2 réflexions au sujet de « Pronoms personnels et genres littéraires (Artfl-Frantext, PhiloLogic 4) »

  1. Merci d’avoir consacré tant de temps à une étude basée sur PhiloLogic4. C’est vraiment intéressant de voir comment tu utilises le logiciel, et ça donne des idées pour de futures fonctionalités…

    Sinon, par rapport aux remarques que tu fais à la fin, les choses ont évolué quelque peu depuis la version de PhiloLogic4 que tu as utilisés:

    – Pour l’histoire de l’interface et des animations, le but est de créer l’impression qu’on travaille sur un support quasi-matériel (l’inspiration vient en partie d’ici). L’idée est que les animations doivent accompagner de manière logique les changements dans l’interface, c’est-à-dire ne jamais surprendre l’utilisateur et ne jamais lui donner l’impression que les divers éléments de l’interface ne viennent de nulle part. Par exemple :
    * Le formulaire de recherche se déroule au dessus des résultats, comme une feuille de papier par dessus une autre, et s’enroule de la même manière.
    * Les animations doivent être fluides afin de rendre l’interface plus vivante, et aussi de cacher le temps de latence entre les réponses du serveur.
    Par ailleurs, la gestion de l’interface en javascript permet aussi d’accélérer considablement les interactions et l’affichage des résultats, d’autant plus que le client web est maintenant une SPA (single-page application) basé sur AngularJS.

    – Pour le problème des clics répétitifs, on a encore amélioré la manière dont le client web interagit avec l’utilisateur. Je serais toutefois vraiment intéressé de savoir ce qu’on pourrait faire pour l’améliorer.

    – L’accès à des fréquences de mots par genre, œuvre, auteur…etc est une fonctionnalité auquelle on a pensé et qui existe au stade de prototype. Je pense que c’est quelque chose que l’on aura dans une version future de PhiloLogic4. On peut toutefois avoir accès à certaines informations sur les termes utilisés (nature, fonction, lemme) si l’info existe dans le TEI. C’est quelque chose qui sera notamment visible dans les bases de données de grec que l’on va monter dans les semaines qui viennent.

    – Pour les collocations, on a également amélioré les options de filtrage. On peut maintenant choisir soit d’utiliser de filtrer les mots vides si une liste est présente, les mots les plus fréquents (avec un choix de fréquence entre 25 et 200 mots), ou soit de désactiver tout filtrage. Surtout, on peut voir quels mots ont été filtrés.

    – Par les fonctions d’exports des résultats, c’est aussi quelque chose qui est possible maintenant. On a beaucoup travaillé sur l’API de PhiloLogic4 pour faire en sorte que l’on puisse accéder à toutes les fonctionnalités via une requête au serveur. Les résultats sont renvoyés en format JSON. En fait, c’est cet API que le client web utilise, donc on peut tout à fait écrire un nouveau client avec toutes les fonctionnalités du client actuelles à partir de l’API. Je vais travailler de toute façon dans les semaines à venir sur la documentation de l’API.

    N’hésite surtout pas si tu as des questions ou des suggestions.

    1. Bonjour Clovis,

      Sois assuré que ce texte sera corrigé au fur et à mesure des versions de PhiloLogic.
      Je discuterais l’interface plus bas, c’est très intéressant, mais évoluera certainement plus vite que les questions de textométrie : comment avoir des chiffres fiables et comparables ?

      PhiloLogic est un formidable outil d’exploration de textes, l’étude ci-dessus est peut-être un détournement, mais le coût pour avoir des chiffres à valeur scientifique n’est pas très élevé. Cela demande à mon avis pas plus qu’un intérêt dans votre équipe, et quelques réglages.

      Avant de publier des chiffres, par exemple un nombre de “mots”, il faut que vous expliquiez comment vous les découpez (apostrophe, tiret, expresions…), par exemple avec un petit formulaire sur lequel les gens collent leur texte et voient vos chiffres. J’espère trouver le temps pendant les vacances d’écrire un billet sur ce sujet, avec du code qui marche.

      Pour le filtrage selon les POS dans les colocations ou les listes de fréquence, je te conseille d’essayer le logiciel Iramuteq : http://www.iramuteq.org/. Travailles-tu toujours sur Rousseau ? Je peux te préparer du corpus là-dessus. Ce logiciel peut donner d’excellentes idées, mais les catégories grammaticales ne sont pas claires pour un littéraire, nous sommes en train de préparer un lexique pour ces usages. J’aurais un billet cet été, avec un fichier CSV à télécharger, et surtout la garantie d’une mise à jour et une maintenance.

      J’ai reformulé ma remarque sur le javascript, je ne veux surtout pas parler des transactions avec le serveur, la barre d’attente pendant les collocations ou le renseignement des facettes est vraiment très bien.

      Pour l’interface, je pense que je peux témoigner d’un esprit général chez les chercheurs français, nous y sommes beaucoup moins sensibles qu’à la qualité des résultats. Ce qu’on veut, c’est voir vite, pouvoir changer très rapidement un paramètre pour ajuster une vue. La beauté importe moins que la lisibilité qui produit son esthétique (comme un livre nrf). Il faudrait que je prenne plus de temps pour analyser les endroits où je serais content que l’interface ait plus de mémoire. Par exemple pour le panneau de facette à droite, la liste déroulante peut se découvrir lentement la première fois, mais pour les suivantes, on garde en mémoire la dernière demande (ex: par genre ou par auteur), parce que c’est la question du chercheur en ce moment. On pourrait même la garder ouverte par défaut à chaque nouvelle recherche. Si un jour tu es à Paris, ce serait plus rapide à expliquer devant un écran.

      Est-ce que cela peut vous servir que je vous fasse remonter de l’expérience utilisateur ? En juillet j’ai un atelier dans une université d’été où je vais faire manipuler différentes applications d’exploration de textes.

Laisser un commentaire

Votre adresse de messagerie ne sera pas publiée.