Enjeux des corpus multilingues en diachronie longue : l’exemple du projet MICLE
Résumé
Intervention en linguistique outillée sur la façon dont les corpus multilingues présentent des problématiques spécifiques quant à la constitution des corpus. Nous nous servons de l’exemple du projet MICLE pour illustrer ces difficultés et présenter les solutions adoptées. Nous terminons par quelques réflexions générales sur les avantages de ces types de corpus pour l’avancée des connaissances en grammaire générale.
OU
Les « Très Grands Corpus » se sont multipliés ces dernières années, et leur outillage a permis d’accéder à des données inédites sur les langues et les phénomènes de variation, en français par exemple (Abeillé et al., 2021, Marchello-Nizia et al., 2020). Néanmoins, ces corpus s’appuient généralement sur des données littéraires et se consacrent à une langue donnée, même si parfois au long de plusieurs siècles d’évolution diachronique, ce qui limite nécessairement les résultats accessibles (Gries & Hilpert, 2008, Prévost, 2015, Larrivée & Goux, 2021). Il est cependant possible d’exploiter les avancées de la linguistique de corpus et du TAL pour conduire des recherches dans des corpus multilingues, qu’ils soient constitués de langues génétiquement proches ou issues de familles distinctes, pour faire progresser nos connaissances en grammaire générale.
En prenant l’exemple de l’ANR-DFG MICLE1, qui se consacre à l’évolution de la structure V2 dans les langues romanes du 13e au 17e siècle via l’exemple de l’anglo-normand, de l’ancien et du moyen français, et de l’italien vénitien (Poletto, 2020, Wolfe, 2020), nous souhaitons interroger les enjeux de ces corpus plurilingues pour la recherche en linguistique historique.
Notamment, notre contribution souhaite revenir sur :
• les enjeux d’étiquetages, tant morpho-syntaxiques en parties du discours, que syntaxiques concernant l’analyse de la « phrase », ou de la proposition. Comment évaluer la pertinence des jeux d’étiquettes au regard de ces corpus plurilingues ?
• la chaîne de traitement permettant d’aller du manuscrit à la base de données (Pica, à paraître). Quels logiciels d’analyse peut-on exploiter, quelles précautions méthodologiques faut-il observer et quelles informations pertinentes doit-on conserver pour traiter un grand nombre de données et assurer leur qualité et leur exploitation linguistique ?
• l’exploitation des données et leur visualisation, corrélativement aux formats choisis pour l’encodage et aux logiciels accessibles à la communauté universitaire internationale. Comment assurer la collaboration scientifique et le partage des données ?
En ce sens, notre perspective sera à la croisée des problématiques de recherche et de l’ingénierie. Les deux enjeux sont intimement reliés : les contraintes des bases de données, leur préparation et leur enrichissement déterminent les résultats accessibles, alors que les questions de recherche et la formulation des requêtes influencent en retour la façon dont le corpus sera préparé (Reppen, 2010). Notre contribution sera l’occasion de faire un bilan des possibilités offertes aujourd’hui pour la constitution de corpus multilingues, les avantages et les limites de ces approches, et les enjeux pour la recherche fondamentale en diachronie en prenant l’exemple de la recherche contemporaine en romanistique.
OU
Les « Très Grands Corpus » se sont multipliés ces dernières années, et leur outillage a permis d’accéder à des données inédites sur les langues et les phénomènes de variation, en français par exemple (Abeillé et al., 2021, Marchello-Nizia et al., 2020). Néanmoins, ces corpus s’appuient généralement sur des données littéraires et se consacrent à une langue donnée, même si parfois au long de plusieurs siècles d’évolution diachronique, ce qui limite nécessairement les résultats accessibles (Gries & Hilpert, 2008, Prévost, 2015, Larrivée & Goux, 2021). Il est cependant possible d’exploiter les avancées de la linguistique de corpus et du TAL pour conduire des recherches dans des corpus multilingues, qu’ils soient constitués de langues génétiquement proches ou issues de familles distinctes, pour faire progresser nos connaissances en grammaire générale.
En prenant l’exemple de l’ANR-DFG MICLE1, qui se consacre à l’évolution de la structure V2 dans les langues romanes du 13e au 17e siècle via l’exemple de l’anglo-normand, de l’ancien et du moyen français, et de l’italien vénitien (Poletto, 2020, Wolfe, 2020), nous souhaitons interroger les enjeux de ces corpus plurilingues pour la recherche en linguistique historique.
Notamment, notre contribution souhaite revenir sur :
• les enjeux d’étiquetages, tant morpho-syntaxiques en parties du discours, que syntaxiques concernant l’analyse de la « phrase », ou de la proposition. Comment évaluer la pertinence des jeux d’étiquettes au regard de ces corpus plurilingues ?
• la chaîne de traitement permettant d’aller du manuscrit à la base de données (Pica, à paraître). Quels logiciels d’analyse peut-on exploiter, quelles précautions méthodologiques faut-il observer et quelles informations pertinentes doit-on conserver pour traiter un grand nombre de données et assurer leur qualité et leur exploitation linguistique ?
• l’exploitation des données et leur visualisation, corrélativement aux formats choisis pour l’encodage et aux logiciels accessibles à la communauté universitaire internationale. Comment assurer la collaboration scientifique et le partage des données ?
En ce sens, notre perspective sera à la croisée des problématiques de recherche et de l’ingénierie. Les deux enjeux sont intimement reliés : les contraintes des bases de données, leur préparation et leur enrichissement déterminent les résultats accessibles, alors que les questions de recherche et la formulation des requêtes influencent en retour la façon dont le corpus sera préparé (Reppen, 2010). Notre contribution sera l’occasion de faire un bilan des possibilités offertes aujourd’hui pour la constitution de corpus multilingues, les avantages et les limites de ces approches, et les enjeux pour la recherche fondamentale en diachronie en prenant l’exemple de la recherche contemporaine en romanistique.