Quand la statistique rencontre l’opéra.

L’opéra français – ou tragédie en musique – apparaît grâce à Lully et Quinault en 1673, sous le régime de Louis XIV. À sa naissance, la tragédie en musique est soumise aux mêmes contraintes strictes que sa sœur au théâtre. Mais au-delà de l’esthétique baroque à laquelle l’opéra français se conforme, il est également un terrain propice aux explorations textométriques. S’inscrivant dans le prolongement de notre billet sur la formation TXM organisée en partie par le laboratoire ELLIADD1 de l’UFC, l’article2 de S. Jacquot et M. Kastberg Sjöblom est l’occasion de découvrir comment les chercheurs de ce laboratoire mobilisent les outils textométriques pour les mettre au service de travaux sur des genres textuels méconnus.

Un corpus patrimonial contraignant

Le corpus utilisé par S. Jacquot et M. Kastberg Sjöblom regroupe cinquante ans des productions de tragédies en musique. Il s’étend du 27 avril 1673 au 6 novembre 1732 et recouvre l’intégralité des opéras français donnés à l’Académie Royale. Les chercheurs ont répertorié 75 livrets par ordre chronologique, ce qui représente un total de 654 809 mots sur l’ensemble du corpus.

Un tel corpus pose d’importantes difficultés de constitution. En effet, la période à laquelle les chercheurs s’intéressent ne connaissait pas encore la stabilité orthographique que nous connaissons aujourd’hui : un mot pouvait s’écrire de plusieurs manières, rendant l’automatisation de la saisie et l’océrisation3 impossibles. Il en est de même pour la typographie présente dans les livrets d’opéra du corpus, tel que le « s » long qui ressemblait alors à ceci : « ſ ». Les logiciels d’océrisation, comme l’œil du lecteur étranger à cette graphie ancienne, y reconnaissent un « f » plutôt qu’un « s » (voir figure 1 ci-dessous).

Figure 1 : Exemple de graphie dans le corpus, dont le s long (ligne 9 : « Vous suivez »).

Puisque l’automatisation de la saisie et l’océrisation sont rendues impossibles par les contraintes liées à l’orthographe et à la typographie, les chercheurs sont passés par une saisie manuelle du corpus… et par une phase de normalisation.

Un corpus en deux étapes

S. Jacquot et M. Kastberg Sjöblom commencent par intégrer la version originale des livrets dans le logiciel Hyperbase4 – un logiciel de textométrie, cousin proche de TXM. L’objectif est ici d’avoir accès aux textes tels qu’ils ont volontairement été produits par leurs auteurs aux XVIIème et XVIIIème siècles, ainsi qu’aux évolutions orthographiques.

Un premier travail de normalisation est ainsi effectué par les chercheurs, afin de rendre le corpus plus stable dans ses formes : il s’agit de la lemmatisation. Ce processus consiste en fait à rendre sa forme infinitive à n’importe quel verbe conjugué. Par le même temps, les autres catégories grammaticales sont transformées en masculin singulier afin de rendre les corpus plus stables pour l’analyse, puisque dénués d’ambigüités5. Afin d’éviter un travail de lemmatisation manuelle fastidieux et coûteux, les chercheurs ont recours au logiciel Cordial6. S. Jacquot et M. Kastberg Sjöblom se sont assuré que le logiciel tienne compte des versifications présentes dans les textes, car les logiciels de textométrie comme Hyperbase traitent les textes comme des « blocs », ne tenant pas compte des paragraphes – et encore moins des vers. Cependant, le logiciel Cordial n’a pas rendu l’orthographe du corpus plus stable.

Une fois la lemmatisation du corpus effectuée, les chercheurs ont donc besoin de normaliser l’orthographe dans le corpus. Pour ce faire, ils utilisent le logiciel DiaTag7 afin de créer une nouvelle version du corpus répondant cette fois aux normes orthographiques contemporaines. Les éléments du corpus tels que « moy », « toy », « roy » sont transformés en « moi », « toi » et « roi ». Il en est de même pour « mesme » qui adopte sa forme contemporaine « même ».

Version originale du texte

Version normalisée du texte

L’ACADEMIE ROYALE DE MUSIQUE

AU ROY.

GRAND ROY, dont la valeur étonne l’Univers,

J’ay préparé pour vous mes plus charmans Concerts ;

Mais je viens vainement vous en offrir les charmes,

Vous ne tournez les yeux que du coté des Armes,

Vous suivez une voix plus aimable pour vous

Que les foibles appas de mes Chants les plus doux,

Vous courez où la Gloire aujourd’huy vous apelle,

Et dés qu’elle a parlé vous n’écoutez plus qu’elle.

Vous destinez icy mes chansons, & mes jeux,

Aux divertissements de vos Peuples. Heureux ;

L’ACADÉMIE ROYALE DE MUSIQUE

AU ROI.

GRAND ROI, dont la valeur étonne l’Univers,

J’ai préparé pour vous mes plus charmants Concerts ;

Mais je viens vainement vous en offrir les charmes,

Vous ne tournez les yeux que du coté des Armes,

Vous suivez une voix plus aimable pour vous

Que les faibles appas de mes Chants les plus doux,

Vous courez où la Gloire aujourd’huy vous appelle,

Et dés qu’elle a parlé vous n’écoutez plus qu’elle.

Vous destinez ici mes chansons, & mes jeux,

Aux divertissements de vos Peuples. Heureux ;

Figure 2 : Les deux états d’un texte du corpus (original et normalisé).

Certains noms relevant de la mythologie grecque posent tout de même problème dans la création de cette nouvelle version du corpus. En effet, les noms grecs n’étaient pas encore francisés aux XVIIème et XVIIIème siècles. Les chercheurs se retrouvent donc face à des disparités orthographiques difficiles à uniformiser.

Après ces deux étapes de lemmatisation et de normalisation, la nouvelle version du corpus de livrets d’opéra est quasiment prête à être exploitée. Il ne manque plus qu’une phase : l’encodage.

La dernière étape avant l’exploration : l’encodage.

Afin d’être plus efficacement exploitables par les logiciels de textométrie, les corpus qui y sont importés ont besoin d’être préalablement encodés. Pour faciliter et normaliser l’encodage, la TEI (Text Encoding Initiative)8 a été créée. Comme nous le précisons dans notre billet sur les Plans de Déplacements Urbains, cet encodage a recours à l’utilisation de balises que nous croisons parfois sur Internet et certains logiciels9. Il s’agit pour le chercheur de créer des découpages, des « divisions » dans les textes qui affineront par la suite les comparaisons à l’aide des logiciels de textométrie.
Dans le cadre de la recherche entreprise par S. Jacquot et M. Kastberg Sjöblom, le module TEI utilisé est le TEI-Drama, une norme adaptée à la structure du théâtre. Celle-ci prend par exemple en compte la présence de didascalies, de l’orateur, du numéro de l’acte et de la scène… Ainsi, le logiciel de textométrie sera ensuite dans la possibilité de séparer ce qui correspond aux didascalies ; aux orateurs, etc.

Les chercheurs ont également recours à un « parseur » – un outil permettant de convertir le HTML en langage XML-TEI, et plus particulièrement TEI-Drama. Ce parseur reconnaît automatiquement les différents éléments énoncés précédemment, tels que les didascalies, les actes, scènes et orateurs. Ainsi, le corpus final se présente sous cette forme :

Figure 3 : Encodage du corpus des livrets d’opéra

Une fois le corpus encodé de façon à ce qu’il réponde aux normes, il peut être exploité.

La textométrie en action : exploration du corpus de livrets d’opéra.

Reprenons les éléments que nous avons présentés jusqu’à présent, et qui constituent les différences étapes de création du corpus de S. Jacquot et M. Kastberg Sjöblom.

1) La lemmatisation. Une étude textométrique en tant qu’étude du fonctionnement des formes entre elles est compliquée dans le cas de ce corpus. Comme l’expliquent les chercheurs, les livrets d’opéra sur la période concernée sont difficilement lemmatisables à cause de leurs orthographes instables. Mais en plus de ce paramètre, il faut également tenir compte du principe-même de la lemmatisation : transformer en masculin singulier tous les éléments du texte qui s’y prêtent. Or, les chercheurs ont notamment repéré l’importance de conservé le pluriel dans « plaisirs » et « amours », qui désignaient à l’époque des sens dérivés de la mythologie contrairement à leurs cousins au singulier. C’est pourquoi la phase de normalisation est obligatoire dans le cas de ce corpus : là où la lemmatisation pourrait brouiller certaines pistes, la normalisation, quant à elle, donne accès aux thématiques des textes.

2) La normalisation. En réalisant une exploration thématique du corpus normalisé, S. Jacquot et M. Kastberg Sjöblom s’aperçoivent que la violence est omniprésente dans les textes. Cette violence est repérable à travers l’emploi particulièrement important du nom commun « sang », que les chercheurs retrouvent 504 fois dans le corpus. De plus, ils observent une tendance à l’augmentation de l’utilisation de cette violence à partir de 1712 dans les documents – augmentation qui correspond au climat politique de l’époque. Ainsi, le corpus présente des tendances à l’utilisation des termes « périr », « victime », « frapper », « dévorer », « poignard », « tomber », « trembler », « effroi », « trépas », « sacrifice » ou encore « cruel ».

3) L’encodage. L’exploration du corpus après encodage permet aux chercheurs de se rendre compte que le contenu des didascalies est instable en fonction des librettistes. En effet, les didascalies présentes dans le corpus ne sont pas toutes utilisées pour arriver aux mêmes fins. Cet élément n’aurait peut-être pas pu être observé sans recours à l’outil textométrique, et encore moins sans encodage préalable des livrets !

Toutes les étapes présentées par les chercheurs dans leur article nous donnent un aperçu des phases nécessaires à la constitution d’un corpus. Les résultats présentés permettent également de se rendre compte de l’impact que chaque étape peut avoir sur l’interprétation et l’exploration finale. Autrement dit, les études textométriques passent par un corpus fiable, mais aussi par de bonnes connaissances pour utiliser les logiciels d’exploration – d’où l’intérêt de participer aux formations co-organisées par la plate-forme technologique et le laboratoire de recherche ELLIADD, auquel sont rattachés S. Jacquot et M. Kastberg Sjöblom.

1 Laboratoire ELLIADD « Editions, Langages, Littératures, Informatique, Arts, Didactiques, Discours », UFC.

2 Jacquot S., Kastberg Sjöblom M. (2016). « Le livret d’opéra : établissement et exploration textométrique d’un corpus patrimonial de l’époque classique ». JATD 2016 : 13ème Journées internationales d’Analyse statistique des Données Textuelles.

Reconnaissance optique des caractères.

4 Brunet E., Manuel d’Hyperbase, version 9.0, Université de Nice-Sophia Antipolis, 2014.

Nous donnons ici l’exemple de l’énoncé « je suis l’homme » qui peut, après lemmatisation, devenir « je être le homme » ou « je suivre le homme ». Ici, le doute porté par le verbe conjugué « suis » disparaît.

6 Logiciel édité par la société toulousaine Synapse Développement

Outil élaboré par Jean-Marie Viprey au sein du laboratoire ELLIADD, Université de Franche-Comté. Cf. V. Lethier, J.-M. Viprey, « Annotation linguistique de corpus : vers l’exhaustivité par la convivialité », in S. Heiden et B. Pincemin (éds.), JADT’09, 9èmes Journées internationales d’Analyse statistique des Données Textuelles, Lyon, Presses Universitaires de Lyon, 2008.

8 http://www.tei-c.org/index.xml. La TEI (Text Encoding Initiative) est un consortium qui vise à fixer des normes pour la représentation des textes sous forme digitale.

Par exemple : <front>, <body>, <text>, etc.


Laisser un commentaire

Votre adresse de messagerie ne sera pas publiée. Les champs obligatoires sont indiqués avec *

Ce site utilise Akismet pour réduire les indésirables. En savoir plus sur comment les données de vos commentaires sont utilisées.