Navigation – Plan du site
  • ENS Éditions
  • ENS de Lyon
Méthodes

L’exploration de la BDTS (Banque de données textuelles de Sherbrooke) au moyen d’Hyperbase

The exploration of STDB (Sherbrooke textual database) through Hyperbase
La exploración de la BDTS (Banco de datos textuales de Sherbrook) a travez de Hyperbase
Étienne Brunet
p. 119-138

Résumés

On s’intéresse ici à l’un des grands projets de recherche que suscite l’intérêt passionné du Québec pour sa langue. Sous le titre de BDTS (Banque de données textuelles de Sherbrooke), l’entreprise vise à établir un corpus représentatif des usages québécois et à en extraire un dictionnaire. Le présent article explore cette base textuelle à l’aide du logiciel hyperbase.

Haut de page

Texte intégral

  • 1  Le nom d’André Clas est lié à cette entreprise.
  • 2  Claude Poirier, responsable de la base QuébéText, a la charge du dictionnaire historique.
  • 3  C’est l’un des onze corpus lexicaux que propose le réseau québécois, à l’adresse : http://www.spl. (...)
  • 4  Pierre Martel, du temps qu’il était à la tête du Conseil de la langue française au Québec, recomma (...)
  • 5  On peut citer, parmi d’autres exemples, l’édition québécoise du Petit Robert. Ces tentatives ont r (...)

1Parmi les grands projets de recherche que suscite l’intérêt passionné du Québec pour sa langue, les uns sont d’ordre terminologique1, d’autres envisagent l’aspect diachronique2, et certains étudient la langue, telle qu’elle est hic et nunc, sans s’interdire de montrer ce qu’elle devrait être. La base que nous nous proposons d’explorer est de cette dernière espèce3. Ses deux promoteurs, Pierre Martel4 et Hélène Cajolet-Laganière, visent à établir, à partir de l’observation, le français standard du Québec, c’est-à-dire « la variété de français socialement valorisée que la majorité des Québécois francophones tendent à utiliser dans les situations de communication formelle «. Le but ultime est la réalisation d’un dictionnaire du français au Québec, qui serait au Québec, mutatis mutandis, ce que le TLF est à la France. La méthode est en effet semblable et empruntée aux sciences de l’observation. On se propose, non pas de partir de dictionnaires existants, surtout s’ils viennent de France5, mais de constituer un corpus représentatif et d’y observer les usages, qu’ils correspondent ou non à ceux de l’hexagone. Ainsi avait fait Paul Imbs il y a quarante ans quand il fondait les bases du TLF, premier dictionnaire établi sur un corpus informatisé. Mais le projet québécois diffère dans la composition du corpus. Le TLF avait une assise principalement littéraire, même si quelques textes techniques (20 % du total) avaient complété la documentation, pour couvrir certaines zones de la terminologie scientifique, peu familières aux écrivains. Le rapport est inversé dans le corpus québécois où la part dévolue aux écrivains ne dépasse pas 20 %. La cible n’est pas le français soutenu, non plus que le parler populaire, mais une norme standard dont la littérature, mais aussi les journaux, l’administration, les essais techniques portent témoignage.

  • 6  Comme le corpus littéraire n’est pas détaillé dans cette annexe, précisons qu’on y trouve un roman (...)
  • 7  En cinq mots l’orthographe pittoresque et suggestive de la citation évoque le parler du pays, qui (...)

2 Le dosage des sources documentaires, retenues pour la BDTS, est le suivant : oral 10 %, ouvrages didactiques 20 %, textes littéraires 20 %, articles de journaux 20 %, textes spécialisés 30 %. À l’heure actuelle les textes dépouillés constituent une masse de 37 millions de mots. D’ores et déjà, une partie de ce corpus est exploitable et disponible sur Internet. On trouvera en annexe la composition de ce corpus provisoire, qui est gros de 2 millions d’occurrences et qui répartit en huit parts égales l’oral, la littérature, les journaux, les textes sociopolitiques, administratifs, environnementaux, technologiques et scientifiques6. Ce corpus a été indexé et on peut l’interroger sur Internet, en lui proposant n’importe quelle entrée, comme le mot yeule7 dans l’exemple ci-dessous (figure 1).

Figure 1

Figure 1

Exemple de consultation de la base BDTS sur Internet

  • 8  Cela ne va pas sans quelque lourdeur, lorsqu’un mot a une certaine fréquence et qu’on ne dispose p (...)
  • 9  Loin d’être hostile aux méthodes lexicométriques, P. Martel a publié en 1992 un Dictionnaire de fr (...)

3Cependant dans le prototype mis en place la base se borne à égrener des contextes, un par écran8, sans donner lieu à quelque synthèse, non plus qu’à une exploitation lexicométrique. Avec l’accord des auteurs9, les mêmes données ont été soumises à notre logiciel Hyperbase pour constituer une base hypertextuelle et statistique.

4On trouvera ci-dessous (figure 2) le menu principal. Comme on se propose de permettre le téléchargement de cette base – si les réalisateurs de la BDTS le souhaitent et si le copyright ne s’y oppose pas –, notre ambition est moins d’exploiter et de commenter les résultats auxquels elles conduisent que d’expliquer leurs fonctions et leur mode d’emploi, afin que les chercheurs du Québec en fassent un usage mieux qualifié.

Figure 2

Figure 2

Le menu principal de la base Québec

5On distinguera deux séries de fonctions : les unes, documentaires, sont groupées horizontalement au haut de l’écran, les autres, vouées à la statistique, occupent la marge droite. On n’insistera guère sur les premières, car leur utilité s’accorde avec leur facilité. Il serait oiseux de s’appesantir sur les programmes de concordance ou de recherche de contextes. Un exemple, relatif au mot de Cambronne, suffit à illustrer cette fonctionnalité. Les Québécois ne sont pas bégueules plus que d’autres, mais soucieux des genres et des convenances, ils n’emploient ce mot que dans les accès d’humeur, ce qui n’est guère autorisé qu’au théâtre, dans la conversation ou dans la presse (en réalité, presque tous les exemples sont relevés dans le même journal).

Les contextes du mot de Cambronne
  • 10  Les relations sémantiques ne sont pas seules en cause. La syntaxe explique la présence de certains (...)

6Mais même dans cette fonction documentaire très traditionnelle la statistique pointe son nez. Quand un mot (ou un ensemble de mots) produit une moisson suffisante de contextes (par exemple plus de 5 000 pour le mot Québec), la fonction thème observe tous les mots présents dans l’entourage immédiat du mot choisi pour pôle et compare la fréquence de ces corrélats dans ce sous-ensemble à celle qui est la leur dans le corpus entier. Dans la liste qui en résulte on découvre une constellation thématique qui circonscrit ce pays (ou la ville qui porte le même nom), avec une coloration éminemment politique : tous les corrélats sont liés au problème constitutionnel de la fédération et le Canada est de loin le terme le plus souvent associé au Québec10, avec 572 mentions sur 1 854 (la France en regard fait piètre figure, avec 23 citations sur 190 et un écart réduit qui dépasse à peine le seuil).

Figure 4

Figure 4

L’environnement lexical du mot Québec (5 476 contextes relevés)

7Même la lecture est assistée par la statistique. La page courante où on lit le texte met en relief (grâce à la couleur) les mots qui sont caractéristiques de ce texte, comme les termes habitat, pluies acides, mercure, polluants dans l’exemple de la figure 5, emprunté à un document sur l’environnement. Dans d’autres pages du même texte la couleur désigne à l’attention les mots qui marquent ce souci de protéger notre planète : hydrocarbures, pollution, concentration, assainissement, toxique, contamination, phosphore, eau, lac, rivière, etc. Les mots ainsi soulignés le sont parce qu’ils sont reconnus comme appartenant au vocabulaire spécifique du texte considéré, qu’on peut atteindre directement en faisant appel à la fonction spécificités. Le calcul (fondé sur la loi hypergéométrique) peut s’exercer sur les graphies et sur les lemmes, mais aussi sur les codes grammaticaux et les structures syntaxiques.

Figure 5

Figure 5

Mise en relief des mots significatifs

  • 11  Cette lemmatisation, due au logiciel Cordial, est indépendante de celle dont certains textes du co (...)

8On remarquera en effet que le corpus a été lemmatisé11, le texte de la figure 5 apparaissant dans deux séquences alignées, à gauche les formes, à droite les lemmes. En réalité, deux autres champs, pareillement alignés, contiennent les codes grammaticaux et les structures syntaxiques. On peut ainsi choisir une forme et repérer immédiatement tous les passages où elle apparait, mais le choix peut se faire aussi sur les trois autres objets. Ainsi en cliquant sur le code Vmif3sv (V = verbe, m = principal, i = indicatif, f = futur, 3 = troisième personne, s = singulier), qui correspond au premier verbe (réduira) du précédent extrait, on peut faire défiler les 4 054 contextes où un futur est pareillement employé à la troisième personne du singulier. Mais leur nombre est tel qu’on préfèrera les compter, observer leur distribution dans les textes du corpus (ils se concentrent dans la prose journalistique ou sociopolitique) ou faire la comparaison avec d’autres catégories. Dans la phase de préparation et d’indexation, le logiciel s’emploie à de tels décomptes, en relevant dans le corpus 2 875 412 occurrences (mots ou ponctuations), 67 690 formes différentes et 43 326 lemmes. Naturellement ces relevés sont faits aussi pour chaque texte.

  • 12  Le coefficient de proximité qu’on obtient et qui évolue entre 0 et 1 n’a pas la vertu différentiel (...)
  • 13  La synthèse et la représentation du tableau des distances sont dues à Luong et Barthélémy, invente (...)

9En prenant appui sur les lemmes (le calcul peut se faire aussi sur les graphies, les codes et les structures), il est possible de calculer la distance qui sépare un texte de tous les autres respectivement. Pour chaque couple de textes, on prend en compte tous les mots rencontrés et leur répartition, partagée ou exclusive, dans les deux textes. En réalité le calcul peut se faire en tenant compte ou non de la fréquence. Si l’on travaille sur V, on utilisera la formule de Jaccard, améliorée par nos soins, et l’on se bornera à enregistrer la présence ou l’absence des mots (graphies ou lemmes). En prenant en considération la fréquence et donc en travaillant sur N, on pourra utiliser la formule de Labbé12. La figure 613 dessine la carte typologique qui  résume l’ensemble de ces mesures de proximité ou d’éloignement. Ainsi pourrait-on représenter la carte géographique d’un pays quand on connait le tableau des distances de ville à ville.

Figure 6

Figure 6

Analyse arborée de la distance (méthode Jaccard , en bas, Labbé, en haut)

10Observons toutefois que seule compte la longueur des segments qu’il faut suivre pour aller d’un point à un autre ; les angles, les directions et l’orientation sont arbitraires et indifférents. Cela ne gêne en rien la lisibilité et la stabilité du résultat, les huit graphes obtenus étant superposables, quelle que soit la méthode utilisée et quel que soit l’objet analysé. Aux deux bouts opposés du graphe, on retrouve toujours les deux mêmes paires : enquêtes orales et littérature d’une part, textes scientifiques et techniques d’autre part. À ce dernier couple se rattachent étroitement les textes sur l’environnement. Deux types de texte sont toujours associés, dans une position médiane : les textes sociopolitiques et les journaux. Restent les textes administratifs : ils accompagnent, assez mollement, ce couple, tout en se rapprochant des textes techniques. Tout se passe comme si la typologie des discours était polarisée par l’opposition monde humain vs monde physique. De l’individu (oral et littérature), on passe à la société (presse et sociologie), puis à la gestion de l’État et de la planète (l’homme y tient encore un peu de place), et enfin aux objets physiques de la technique et de la science. En s’appuyant sur le même tableau de distances, l’analyse factorielle (de correspondance) propose une typologie tout aussi claire (figure 7).

Figure 7

Figure 7

Analyse factorielle de la distance intertextuelle

11Comme les autres graphes se recoupent, seul est reproduit celui qui concerne les graphies selon le calcul Jaccard. Cette fois l’espace est orienté et les points cardinaux ont une signification : le premier facteur, qui concentre la plus grande part de la variance (82 %) et qui oppose la droite et la gauche, met en relief la tension humain/non humain. Les points s’ordonnent en formant un croissant, comme il arrive souvent dans les données sérielles, et en suivant l’ordre proposé par l’analyse arborée.

12D’aucuns penseront que le choix des sujets gouverne partiellement les alliances et les oppositions. Il est peu probable en effet que les conversations et les contes traitent des mêmes questions que les traités scientifiques. Tout ne se réduit pas pourtant au thème, puisque l’analyse des codes et des structures syntaxiques – d’où le sujet est radicalement absent – reproduit la même typologie. Il reste cependant une incertitude : les graphes qui précèdent montrent les positions, mais sans les expliquer. Or il est un moyen, au moins dans l’analyse des codes grammaticaux, de percer le secret. Constituons un tableau à deux dimensions, dont chaque case indiquera l’effectif d’une partie du discours dans un texte particulier. On élimine ainsi l’influence du thème en évacuant le sens des mots et en ne retenant du texte que l’aspect grammatical. Cette fois l’analyse factorielle peut représenter en même temps les lignes (les parties du discours) et les colonnes (les textes), ce qui permet de mettre en rapport les unes et les autres et de transformer l’observation en explication.

Figure 8

Figure 8

Les parties du discours. Analyse factorielle

  • 14  La syntaxe explique la liaison forte qui s’établit entre le substantif et les déterminants. Elle n (...)
  • 15  Sous la direction de J. Chaurand , 1999, « Ce que disent les chiffres », Paris, Le Seuil, p. 673-7 (...)
  • 16  En réalité ce troisième larron était déjà dans la place, aux temps anciens. Il régnait dans le sab (...)

13Considérons en effet les éléments qui figurent en rouge sur le graphe et qui représentent les lignes du tableau. Comment ne pas voir qu’ils s’ordonnent pareillement en deux camps, dont la rivalité a été maintes fois constatée dans d’autres corpus. Le verbe campe solidement à droite, en compagnie de ses acolytes habituels : pronoms, adverbes et subordonnants. Le substantif règne à gauche, qu’il s’agisse du nom propre ou du nom commun. Les déterminants l’accompagnent, et aussi les adjectifs, les numéraux et les prépositions14. Or dans cet univers grammatical bipolaire, les types de discours s’ordonnent de la même façon que dans les analyses précédentes : l’oral et le littéraire à droite, dans la zone d’influence du verbe, le technique et le scientifique à gauche, parmi les catégories nominales. On retrouve ici comme ailleurs les lignes de force qui structurent le discours et qui sans doute ne sont pas propres au français, qu’il soit québécois ou hexagonal. Nous les avons observées dans le grand corpus de Frantext, qui recouvre cinq siècles de notre histoire, et aussi dans un corpus plus récent que nous avons constitué, sous le nom de Francil, avec des données extraites des pays francophones – et qui contenait certains textes du présent corpus. Nous renvoyons là-dessus à notre étude parue dans la Nouvelle histoire de la langue française15. Nous observions que la dichotomie traditionnelle qui a longtemps opposé l’oral et l’écrit a perdu de sa vigueur, et que s’y substitue une opposition grandissante entre le littéraire et l’utilitaire. Le français utilitaire, celui de l’information et de l’exposé scientifique, utilise systématiquement le substantif et ne recourt plus guère au verbe, simple copule de transfert ou d’égalité, analogue au signe = dans les développements mathématiques. Par opposition à ce troisième larron16, venu troubler la partie, l’oral et le littéraire, qui tous les deux exploitent les ressources expressives du verbe, ne se trouvent plus face à face, mais côte à côte. C’est exactement leur position dans le graphique 8.

  • 17  Il y a 40 occurrences de tabernacle dans le corpus, toutes observées à l’oral, sauf six exemples r (...)
  • 18  Mais dans ce cas la minuscule est vite adoptée, ce qu’on observe avec joule, ampère, watt, ohm, be (...)

14D’autres faits linguistiques se lisent dans la même figure, qui influencent surtout le second facteur et dont la cause est aisée à découvrir. Passons sur les interjections, qui ne sauraient trouver refuge ailleurs qu’au voisinage de l’oral et de la littérature. Un scientifique qui se respecte ne saurait lâcher un « tabernacle17« au cours de son exposé. Passons sur les ponctuations : qu’elles soient des pauses provisoires, comme la virgule, ou des haltes dans le discours, comme les points, elles produisent une segmentation beaucoup plus serrée dans le discours littéraire et plus encore à l’oral. La phrase de l’exposé technique est plus longue, alors même que les verbes y sont plus rares. Reste à expliquer l’antinomie marquée sur l’axe vertical entre les noms propres et les noms communs. Le discours scientifique ne connait guère que ces derniers. Les rares noms propres qu’il accepte sont ceux des savants qui ont donné leur nom à une loi, un théorème, une mesure18 ou des marques qui revendiquent un brevet ou un produit ou ceux des collègues dont on approuve ou dont on conteste les dires. Dans les sciences sociales ou politiques au contraire, le discours est localisé et personnalisé, il est inscrit dans un cadre historique dont les références sont des lieux, des dates (les dates sont des sortes de noms propres dans le temps) et des personnages publics.

  • 19  Curieusement c’est la liste des spécificités négatives (colonne de droite du tableau 9), qui fourn (...)

15On vient de constater que les tendances aperçues dans la base Frantext trouvaient un écho dans la présente base. N’en concluons pas trop vite que les deux corpus se recouvrent. Nous avons vu que leur composition diffère. Dans le temps Frantext déborde la BDTS puisque cinq siècles y sont entassés, alors que le corpus BDTS est une coupe synchronique de faible épaisseur. Dans l’espace des champs disciplinaires, c’est l’inverse : Frantext parait étroitement littéraire auprès de la BDTS, qui englobe une gamme étendue de discours diversifiés. Si on rapproche les deux corpus l’un de l’autre grâce à un calcul de spécificités (c’est le plus gros, donc Frantext, qui sert de norme au plus petit), l’irrédentisme du Québec apparait de façon irréductible. Non que les coutumes locales soient mises en évidence : il n’y a guère que le premier mot de la liste (Canada) qui soit la marque d’un territoire et quelques indices (pis, comté, dollars), au reste peu significatifs19. Vu de Frantext, le corpus québécois semble un univers de comptables et d’ingénieurs, où les chiffres sont la préoccupation majeure (cent, taux, neuf, zéro, mille, vingt, quatre, soixante) et où l’activité, utilitaire et matérielle, évolue entre la recherche scientifique (systèmes, données, particules, résultats), la production industrielle (acides, substances, traitement, processus, utilisation, développement) et la gestion publique (ministère, municipalité, constitution). La liste est, bien sûr, beaucoup plus longue que le court extrait que nous présentons, mais les substantifs continuent à y exercer une écrasante majorité et leur tonalité ne varie pas. On risque donc de ne pas obtenir exactement ce que l’on recherchait, à savoir l’image contrastée des discours tenus en France et au Québec, mais le résultat trop prévisible de choix différents dans la constitution des corpus. On a souvent reproché à Frantext de ne pas être la référence extérieure, universelle et neutre dont on a besoin. C’est trop demander : un corpus, si vaste soit-il, même diversifié, même étalonné, ne sera jamais la référence absolue, comme le niveau de la mer. Cela est vrai pour Frantext, et, pour les mêmes raisons, de la BDTS.

Figure 9

Figure 9

Les spécificités de la BDTS par rapport à Frantext

16En revanche, les comparaisons internes se justifient aisément, puisqu’un corpus est expressément conçu pour mettre en valeur les différences qui opposent les textes que l’on réunit dans le même ensemble. Si le corpus est hétérogène, l’intérêt est faible et les spécificités auront un aspect trivial. S’il est homogène, le calcul relèvera toujours des écarts et des nuances que la conscience linguistique peut n’avoir pas sentis au premier abord. Afin de rester dans une relative homogénéité, nous ne présentons dans le tableau 10 que quatre sous-ensembles « humains », en rejetant à l’extérieur les textes qui s’occupent d’autre chose : de science, de technique et d’environnement. Ce qui frappe d’abord c’est le parallélisme des deux premières colonnes, vouées aux enquêtes et à la littérature. Certes les expressions trop populaires qu’on relève dans certaines interviews (pis, ben, pron, faque) ne sont pas de mise chez les écrivains. Mais le discours fait appel aux mêmes embrayeurs, particulièrement aux pronoms des deux premières personnes, aux démonstratifs (ça ou ce), aux verbes simples (être, faire, dire, penser), à la conjonction que, aux ponctuations fortes (surtout le point d’interrogation). On pourrait songer à attribuer au théâtre ces points de convergence, si le théâtre était dominant dans le sous-ensemble littéraire. Or on n’y trouve qu’une pièce, de faible étendue. Une meilleure explication serait à rechercher dans le style des romans ou contes qui ont du succès au Québec et qui font la part belle au dialogue. Ceux qui ont été choisis dans le corpus exploitent en effet cette veine populaire. Mais on aime à croire aussi que les mêmes ressources du langage sont communes à l’expression orale et à l’expression littéraire, comme on vient de le voir.

Figure 10

Figure 10

Le vocabulaire spécifique de quatre sous-ensembles (extrait)

17Nous laisserons au lecteur le soin de voir ce qui peut rapprocher ou opposer les deux autres colonnes, dévolues aux textes journalistiques et administratifs. Les textes sociopolitiques, si l’espace ne nous était pas mesuré, auraient trouvé place entre les deux. Ces trois sous-ensembles appartiennent à la langue générale, plus diversifiée et presque désordonnée dans la presse, plus spécialisée et concentrée dans l’administration.

18On laissera pareillement au lecteur le soin d’interroger la base et d’y exploiter beaucoup de fonctions qu’on ne peut détailler ici. L’accès aux codes grammaticaux et aux structures syntaxiques permet des investigations jusque-là impraticables. Un exemple relativement simple de ces structures est montré dans la figure 11 : il s’agit des séquences adjectif + substantif et substantif + adjectif, autrement dit, de l’anté- ou postposition de l’adjectif. Certains adjectifs admettent les deux constructions, parfois en changeant de sens (un grand homme vs un homme grand), mais la plupart ont une préférence pour l’une ou pour l’autre. Le graphique indique que l’antéposition est le fait de ceux qui surveillent leur plume, écrivains ou journalistes, alors que la postposition est en faveur lorsqu’on veut seulement transmettre une information. Toutes les combinaisons qu’elles soient à deux, trois ou n éléments sont recensées et indexées par le logiciel, ce qui donne accès à des recherches documentaires ou statistiques fort complexes.

Figure 11

Figure 11

Courbes de l’adjectif antéposé et postposé

  • 20  Le calcul des spécificités est appliqué non seulement aux formes, aux lemmes, aux codes grammatica (...)

19La phraséologie, le rythme du discours, voire les sonorités, tout est sujet à mesure, et parfois à découverte, y compris même la thématique. Il ne s’agit pas seulement de circonscrire une constellation de corrélats autour d’un mot, comme indiqué dans la figure 4. Ni de caractériser un texte par un ensemble d’extraits spécifiques20. L’ambition, permise par un traitement sémantique de Cordial, vise à rendre compte des idées, des sentiments, des actions, bref des thèmes exprimés dans un texte. En réalité Cordial fait appel à un thésaurus de référence, où sont cataloguées les disciplines, les concepts et les connaissances. Tout un jeu d’étiquettes hiérarchisées est mis en place, parmi lesquelles chaque mot du texte doit faire son choix. Sans doute ces étiquettes sont-elles parfois trop proches des représentations modernes, et s’appliquent-elles malaisément à certains corpus, sans compter les bévues auxquelles l’homographie et même la polysémie peuvent donner lieu. Derrière cinétique on peut comprendre « mouvement » ; mais que recouvrent les termes d’interdépendance, de production et de grandes notions ? Pourtant, malgré les faiblesses et les incertitudes du codage sémantique, les résultats auxquels il conduit ne sont pas dénués d’intérêt. On les a reproduits dans la figure 12. On y découvre que la même aimantation des textes, déjà observée au niveau lexical et syntaxique, se retrouve au niveau thématique.

Figure 12

Figure 12

Analyse factorielle des thèmes

20En conclusion, on pourrait s’étonner que l’on puisse obtenir la même image, alors que les objets considérés sont étrangers les uns aux autres. Certes entre les lemmes et les graphies, il y a une part commune. Les premiers sont un regroupement des secondes. De même un pont relie les codes aux structures, ces dernières étant des combinaisons de codes. Mais quel lien nécessaire existe-t-il entre les lemmes et les codes grammaticaux ? Ou entre les graphies et les structures ? Sans parler des codes sémantiques, dont la délimitation est incertaine. On pourrait imaginer que les sous-ensembles du corpus s’orientent différemment, selon le point de vue mis en œuvre, de même que la carte d’un pays est susceptible de configurations variables, selon qu’on envisage les élections, les revenus, les convictions religieuses, l’espérance de vie ou la fécondité. Et pourtant les sociologues savent que les variables que l’on croit indépendantes sont parfois liées par des accords secrets ou par une commune soumission à une influence cachée. Ainsi en est-il de la surdétermination du langage.

Haut de page

Annexe

Annexe : Composition du corpus BDTS

Source : Centre d’analyse et de traitement informatique du français québécois (CATIFQ).

Le présent corpus comprend quelques deux millions d’occurrences (61 43 formes) tirées de 1 54 textes différents. Il constitue un sous-ensemble de la BDTS (qui contient plus de 37 millions de mots à l’heure actuelle). Ce corpus est composé de huit sous-ensembles d’environ 250 000 mots chacun et traités selon une norme commune, ce qui rend leurs données comparables ; plusieurs d’entre eux sont en outre lemmatisés. Ils sont représentatifs de divers domaines, types de discours et niveaux de langue suivants :

1. Textes techniques : langue spécialisée

Corpus constitué par Normand Maillet. Corpus lemmatisé. 8 84 vocables. 12 13 unités complexes ou syntagmes. Composition : 100 textes extraits de rapports, guides, manuels de formation, normes, procédures, etc. Domaines : aluminium, environnement, mines, pâtes et papier, télécommunication, transport, hydro-électricité, informatique, et autres.

2. Textes scientifiques : langue spécialisée

Corpus constitué par Linda Pépin. Corpus lemmatisé. 8 53 vocables. 2 57 unités complexes ou syntagmes. Composition : 100 textes extraits de mémoires, de thèses, d’articles scientifiques et de rapports de recherche. Domaines : biologie, chimie, physique, génie chimique et génie mécanique.

3. Textes sociopolitiques : langue générale

Corpus constitué par Nadine Vincent. Corpus lemmatisé. 8 55 vocables. Composition : 100 textes de mémoires sélectionnés à partir des 583 mémoires présentés à la Commission. Domaines : mémoires ou extraits de mémoires de la Commission Bélanger-Campeau.

4. Textes administratifs : langue générale

Corpus non lemmatisé. Composition : 54 textes. Domaines : débats de l’Assemblée nationale, conventions collectives, textes juridiques, textes du Bureau d’audiences publiques sur l’environnement (BAPE), rapports du vérificateur général du Québec, etc.

5. Textes journalistiques : langue générale

Corpus non lemmatisé. Composition : 52 textes tirés de L’Actualité. 55 textes tirés du Devoir. 17 textes tirés d’Interface. 63 textes tirés de La Presse. 57 textes tirés de Québec Science. 75 textes tirés du Soleil.

6. Textes littéraires : langue générale

Corpus non lemmatisé. Composition : 25 textes. Domaines : romans, chansons, essais, textes de poésie, pièces de théâtre, etc.

7. Textes environnementaux : langue générale

Corpus constitué par Steeve Tremblay. Corpus semi-lemmatisé. Composition : 107 textes. Domaines : textes divers du ministère de l’Environnement du Québec, journaux, périodiques et magazines spécialisés dans le domaine, etc.

8. Textes oraux : langue générale

Corpus constitué par Gérald Charland. Corpus lemmatisé. Composition : 20 enquêtes. Domaines : enquêtes sociolinguistiques effectuées dans la région des Bois-Francs.

Haut de page

Notes

1  Le nom d’André Clas est lié à cette entreprise.

2  Claude Poirier, responsable de la base QuébéText, a la charge du dictionnaire historique.

3  C’est l’un des onze corpus lexicaux que propose le réseau québécois, à l’adresse : http://www.spl.gouv.qc.ca/corpus/index.html

4  Pierre Martel, du temps qu’il était à la tête du Conseil de la langue française au Québec, recommandait dès 1990 la création d’un corpus original québécois. Libéré de sa charge administrative, il a mis en œuvre ce projet avec quelques collègues de Sherbrooke et de Laval.

5  On peut citer, parmi d’autres exemples, l’édition québécoise du Petit Robert. Ces tentatives ont reçu un accueil mitigé. Le temps de la colonisation linguistique est révolu. À l’image du Brésil pour le portugais et des États-Unis pour l’anglais, le Québec affirme son indépendance en matière de langue.

6  Comme le corpus littéraire n’est pas détaillé dans cette annexe, précisons qu’on y trouve un roman (L’ange exterminé de G. Bodin), des contes et nouvelles (Le cassé et autres nouvelles de J. Renaud, et Contes sur la pointe des pieds de G. Vigneault), une pièce de théâtre (La Dalle-des-Morts de F.-A. Savard) et un essai de critique littéraire (Écrire de la fiction de N. Aubert). L’exemple de yeule qui fait l’objet de la figure 1 est emprunté au corpus littéraire, d’où le « joual » n’est pas absent. Mais si le joual peut à l’occasion se rencontrer dans la documentation, il n’entre pas dans la nomenclature du québécois standard.

7  En cinq mots l’orthographe pittoresque et suggestive de la citation évoque le parler du pays, qui n’est pas sans rappeler celui des campagnes dans l’ouest de la France, où l’on observe pareillement l’allongement et l’épaississement du a précédé de r (fâme) et le relâchement articulatoire qui transforme en yod une occlusive initiale : gueule > yeule, dieu > yeu, queue > yeue. Ajoutons que pis pour puis s’entend encore en France en milieu rural.

8  Cela ne va pas sans quelque lourdeur, lorsqu’un mot a une certaine fréquence et qu’on ne dispose pas d’un haut débit. Le défilement des contextes se faisant pas à pas et exigeant à chaque citation l’intervention de l’utilisateur, le dialogue s’en trouve ralenti.

9  Loin d’être hostile aux méthodes lexicométriques, P. Martel a publié en 1992 un Dictionnaire de fréquence des mots du français parlé au Québec (avec Norman Beauchemin et Michel Théoret).

10  Les relations sémantiques ne sont pas seules en cause. La syntaxe explique la présence de certains éléments, comme du et au qu’impose l’accord avec le mot-pôle.

11  Cette lemmatisation, due au logiciel Cordial, est indépendante de celle dont certains textes du corpus ont pu bénéficier à l’université de Sherbrooke, comme indiqué en annexe.

12  Le coefficient de proximité qu’on obtient et qui évolue entre 0 et 1 n’a pas la vertu différentielle que son auteur lui alloue. C’est une mesure globale qui ne distingue pas, dans la distance observée, ce qui tient à l’écrivain, au genre, à l’époque et au sujet et qui ne permet en aucune façon de dire si Molière et Corneille sont un seul et même auteur.

13  La synthèse et la représentation du tableau des distances sont dues à Luong et Barthélémy, inventeurs de l’analyse arborée, que nous avons incorporée au logiciel hyperbase.

14  La syntaxe explique la liaison forte qui s’établit entre le substantif et les déterminants. Elle ne justifie qu’en partie la relation substantif-préposition, car la préposition peut introduire aussi bien un pronom et un infinitif. De plus beaucoup de prépositions entrent dans la composition des subordonnants et annoncent une proposition subséquente, et donc un verbe.

15  Sous la direction de J. Chaurand , 1999, « Ce que disent les chiffres », Paris, Le Seuil, p. 673-727.

16  En réalité ce troisième larron était déjà dans la place, aux temps anciens. Il régnait dans le sabir des gens de loi, d’église ou de médecine. Mais il est vrai qu’il parlait latin et que l’honnête homme s’en tenait éloigné.

17  Il y a 40 occurrences de tabernacle dans le corpus, toutes observées à l’oral, sauf six exemples relevés dans la presse et une citation – allusive – dans un texte sociologique.

18  Mais dans ce cas la minuscule est vite adoptée, ce qu’on observe avec joule, ampère, watt, ohm, becquerel, bel, décibel, etc.

19  Curieusement c’est la liste des spécificités négatives (colonne de droite du tableau 9), qui fournit l’indice le plus clair. Quand on connait le sous-emploi au Québec de la négation ne, trouver ce mot en tête des déficits est un signe non trompeur.

20  Le calcul des spécificités est appliqué non seulement aux formes, aux lemmes, aux codes grammaticaux et aux structures syntaxiques mais aussi aux phrases caractéristiques.

Haut de page

Table des illustrations

Titre Figure 1
Légende Exemple de consultation de la base BDTS sur Internet
URL http://mots.revues.org/docannexe/image/16752/img-1.jpg
Fichier image/jpeg, 152k
Titre Figure 2
Légende Le menu principal de la base Québec
URL http://mots.revues.org/docannexe/image/16752/img-2.jpg
Fichier image/jpeg, 204k
Titre Figure 3
URL http://mots.revues.org/docannexe/image/16752/img-3.jpg
Fichier image/jpeg, 200k
Titre Figure 4
Légende L’environnement lexical du mot Québec (5 476 contextes relevés)
URL http://mots.revues.org/docannexe/image/16752/img-4.jpg
Fichier image/jpeg, 168k
Titre Figure 5
Légende Mise en relief des mots significatifs
URL http://mots.revues.org/docannexe/image/16752/img-5.jpg
Fichier image/jpeg, 196k
Titre Figure 6
Légende Analyse arborée de la distance (méthode Jaccard , en bas, Labbé, en haut)
URL http://mots.revues.org/docannexe/image/16752/img-6.png
Fichier image/png, 53k
Titre Figure 7
Légende Analyse factorielle de la distance intertextuelle
URL http://mots.revues.org/docannexe/image/16752/img-7.jpg
Fichier image/jpeg, 84k
Titre Figure 8
Légende Les parties du discours. Analyse factorielle
URL http://mots.revues.org/docannexe/image/16752/img-8.jpg
Fichier image/jpeg, 36k
Titre Figure 9
Légende Les spécificités de la BDTS par rapport à Frantext
URL http://mots.revues.org/docannexe/image/16752/img-9.jpg
Fichier image/jpeg, 140k
Titre Figure 10
Légende Le vocabulaire spécifique de quatre sous-ensembles (extrait)
URL http://mots.revues.org/docannexe/image/16752/img-10.jpg
Fichier image/jpeg, 96k
Titre Figure 11
Légende Courbes de l’adjectif antéposé et postposé
URL http://mots.revues.org/docannexe/image/16752/img-11.png
Fichier image/png, 31k
Titre Figure 12
Légende Analyse factorielle des thèmes
URL http://mots.revues.org/docannexe/image/16752/img-12.jpg
Fichier image/jpeg, 64k
Haut de page

Pour citer cet article

Référence électronique

Étienne Brunet, « L’exploration de la BDTS (Banque de données textuelles de Sherbrooke) au moyen d’Hyperbase », Mots. Les langages du politique [En ligne], 73 | 2003, mis en ligne le 09 octobre 2008, consulté le 25 juillet 2017. URL : http://mots.revues.org/16752

Haut de page

Auteur

Étienne Brunet

UMR 6039 « Bases, corpus et langage » – Faculté des Lettres 98, bd Herriot 06204 Nice – brunet@unice.fr

Haut de page

Droits

© ENS Éditions

Haut de page