1La relative nouveauté des recherches sur la communication médiée par ordinateur que l’on peut remonter au début des années quatre-vingt permet d’en tracer l’histoire théorique. Dans ce chapitre, nous montrerons comment la linguistique s’est emparée assez tardivement de cet objet d’étude, en particulier, par l’impulsion des recherches de Susan Herring dont les travaux outre-Atlantique font référence. De plus, devant la grande diversification des recherches sur le discours numérique en français et en espagnol, et devant la célérité avec laquelle les technologies évoluent, il semble nécessaire de faire un point sur les méthodes et les perspectives adoptées pour analyser le discours numérique en français et en espagnol, sans pour autant prétendre à l’exhaustivité.

2.1. CDMA : impulsion anglophone

2La Computer-Mediated Discourse Analysis (CDMA), analyse du discours médié par ordinateur, est une méthodologie proposée par Herring pour compléter la boîte à outils méthodologiques de la linguistique. Pour l’élaborer, elle se fonde sur ses travaux concernant l’étude de ce qu’elle appelle le Computer-Mediated Discourse (CMD), le discours médié par ordinateur. En 1992, elle parle de computer-mediated linguistic discourse puis, assez rapidement de Computer Mediated Communication ou CMC (Herring 1992, 1993).

3Quelques années plus tard, en 1996, elle publie un texte fondateur : Computer-Mediated Communication: Linguistic, Social and Cross-Cultural Perspectives où elle décrit pour la première fois la CMC comme un réel objet d’étude linguistique.

4À partir des années 2000, les recherches concernant la communication numérique commencent à se multiplier et on peut réellement parler d’un nouvel objet d’étude pour la linguistique. La notion de CMC est ainsi très largement reprise par la communauté des linguistes outre-Atlantique et celle de Computer-Mediated Discourse (CMD) commence à se mettre en place :

Le discours médié par ordinateur est la communication produite lorsque des êtres humains interagissent les uns avec les autres en transmettant des messages via des ordinateurs en réseau. (Herring, 2001 : 612)

5Herring définit ce concept car elle considère que le CMD se différencie de celle de la CMC par un objet d’étude plus restreint, plus spécifiquement linguistique, et qu’elle nécessite l’utilisation des méthodes relevant de l’analyse du discours. L’analyse du discours médié par ordinateur devient alors une spécialisation dans le cadre de l’étude interdisciplinaire plus large de la communication médiée par ordinateur (CMO) qui se distingue par l’accent mis sur le langage et son utilisation dans des environnements en réseau informatique et par l’utilisation de méthodes d’analyse du discours pour aborder ce thème (Herring, 2001).

6En 2004, elle en pose les fondements dans trois articles publiés la même année : Computer-Mediated-Discourse-Analysis: An Approach to Researching online Behavior, Online Communication: Through the Lens of Discourse et Content analysis for New Media: Rethinking the Paradigm. La CMDA devient alors une « boîte à outils méthodologiques » à disposition du linguiste.

7Quels sont ces outils ?

2.1.1. Les outils linguistiques

8Cette méthode est organisée autour de quatre niveaux linguistiques : structure, signification, gestion de l’interaction et comportement social, reflétant un élargissement progressif du niveau micro (structure) au niveau macro (social). Chaque niveau est alors associé à un ensemble d’enjeux, de phénomènes langagiers et de méthodes adaptées, pour la plupart, à partir de la linguistique.

9Le tableau ci-dessous résume les différentes approches :

10Au niveau des caractéristiques structurales, la CDMA s’attache au caractère hybride écrit/oral, à la variation par rapport au code écrit, à l’expressivité, aux questions de genre, au concept de cohésion et de cohérences textuelles, en étudiant les phénomènes langagiers tels que l’écriture caractéristique de cette langue de communication tant sur le plan typographique, phonétique, orthographique, syntaxique que sur le plan discursif et textuel avec la récurrence des schémas discursifs.

11Herring signale alors que les méthodes de la linguistique structurale, descriptive, de l’analyse du discours, de l’analyse textuelle, de la linguistique de corpus et de la stylistique pourront être alors mises à profit. Précisons que dans l’analyse du discours à l’anglophone, le discours est appréhendé davantage comme une interaction essentiellement orale. Ces disciplines démontrent que le discours numérique peut être affecté par le support technologique dont il est l’objet. La linguistique de corpus couplée à l’analyse du discours se focalisera davantage sur la recherche de modèles récurrents, répétés consciemment ou pas. C’est plus ce versant de la boîte à outils qui sera développé dans notre travail.

12Au niveau du sens des mots, des énoncés, la pragmatique et la sémantique pourront apporter quelques pistes d’analyse en étudiant les macro-actes et actes de langage et la construction des réseaux lexico-sémantiques, ce dernier aspect occupera également notre attention dans le chapitre consacré aux résultats.

13Pour la dimension interactionnelle de la co-construction des échanges virtuels, l’analyse conversationnelle et l’ethnométhodologie offrent les outils nécessaires afin d’étudier tout particulièrement les tours de parole.

14Enfin, la dynamique sociale de ces échanges, reflet de relations de pouvoir ou manifestions d’une langue culture, peut être exploitée par la sociolinguistique interactionnelle, l’analyse critique du discours et l’ethnographie de la communication.

15On le voit bien, la CDMA convoque plusieurs disciplines. Étant donné que la CMO des années 1990 était essentiellement textuelle, c’est-à-dire du texte dactylographié sur ordinateur, la CDM comprend des méthodes élaborées à l’origine pour l’analyse du texte, comme l’analyse textuelle et la linguistique de corpus ; mais étant donné qu’une grande partie de la CMO est dynamiquement interactive et comporte des fonctions « orales », la boîte à outils comprend également les méthodes traditionnellement appliquées au discours parlé, comme la conversation, et la sociolinguistique interactionnelle.

16Pour clore cette partie, on citera aussi Androutsopolous (2014 : 74) qui délimite le périmètre de ces approches :

• variation et changement de langue, en particulier en ce qui concerne la langue écrite,
• contraintes des médias numériques sur l’utilisation de la langue et l’interaction interpersonnelle,
• langue, identité et relations interpersonnelles en ligne,
• diversité linguistique, multilinguisme et changement de code,
• langues, mondialisation et mobilité.

2.1.2. Analyse de contenu

17La méthodologie première de la CMDA est celle de l’analyse de contenu, approche utilisée en sciences humaines, consistant en une analyse systématique et méthodique des éléments d’un corpus. Elle peut être qualitative ou quantitative mais généralement elle réunit les deux et fait souvent appel à des outils statistiques et mathématiques. Elle concerne l’analyse sémantique structurale qui s’intéresse aux structures sous-jacentes du discours et à son organisation générale ; l’analyse logico-esthétique, comme la stylistique, qui porte sur la forme du discours, sur le contenu manifeste des énoncés étudiés et peut rechercher les thèmes du discours, le positionnement du locuteur ou la fréquence thématique à l’intérieur d’un corpus. Notre travail se réclame aussi de cette approche.

18Herring considère que cette méthodologie d’analyse de contenu prend une nouvelle ampleur avec l’apparition et le développement des nouveaux supports numériques car elle permet l’analyse de masse.

2.1.3. De la CDMA anglophone à l’ADN francophone

19En France, la Computer-Mediated-Communication, traduite par communication médiée/médiatisée par ordinateur (CMO), fortement inspirée des recherches anglophones, est une communication électronique scripturale. Cette dernière renvoie aux

échanges dont les messages, affranchis des supports matériels habituels de l’écriture grâce à des codages numériques, sont véhiculés par des réseaux télématiques – mot-valise créé pour désigner l’alliance de l’informatique et des télécommunications […]. (Anis, 2002 : 57)

20Marcoccia (2016 : 50 sq) en trace les différentes étapes en France. L’analyse de la communication écrite numérique est apparue relativement assez tôt, dans les années quatre-vingt-quatre-vingt-dix avec les travaux pionniers de J. Anis (1998, 1999, 2002), de F. Debyser (1987, 1989, 1996) sur la télématique ou de Panckhurst (1998) sur le discours. Nous aborderons dans les chapitres suivants les principales analyses des écrits numériques menées sur le français.

Analyse linguistique

21Les auteurs représentatifs de ce courant sont issus de diverses branches de la linguistique : la sémiolinguistique de l’écrit avec les travaux fondateurs d’Anis (1994, 1998, 1999, 2000a, 2000b, 2001a, 2001b, 2002), la linguistique informatique avec l’analyse des courriels, de chats et de SMS de Panckhurst (1997, 2006, 2007, 2009, 2017), de Fairon et al. (2006), de Cougnon & François (2010, 2011) ou de Cougnon & Ledegen (2008).

22Les premiers travaux se sont basés essentiellement sur une analyse linguistique de la communication écrite numérique par chat et SMS, les écrits numériques les plus enclins aux modifications linguistiques en déterminant leurs caractéristiques formelles que sont l’oralité, l’iconicité et l’abréviation (Anis 2002). En outre, avec l’absence répétée de ponctuation et d’accents diacritiques (David & Goncalves 2007), l’écriture électronique des SMS peut être caractérisée par des néographies et des particularités morpho-lexicales (Anis 2002). Paveau (2009, 2017), en prenant en compte les paramètres technologiques, propose une linguistique symétrique comme nous le verrons. La linguistique interactionnelle s’intéresse également à ce type de communication (Mondada 1999) mais aussi la didactique (Mangenot 2007), la pragmatique interculturelle (Atifi 2003) ou la sociolinguistique (Cougnon & Francois 2010, 2011).

23Ces études portent pour n’en citer que quelques-unes, sur la description du cadre participatif, la décomposition de l’objet du discours, les notions de mise en écran, la mise en discours, les genres de discours, la prise de parole et les nouveaux genres émergents par les nouveaux outils.

Approches discursives

24L’analyse de la communication numérique emprunte les sentiers du discours, avec par exemple, les travaux en analyse du discours numérique de Mourlhon-Dallies & Colin (1995, 2004), ceux sur les genres numériques de Mourlhon-Dallies (2007), les forums de discussion (Marcoccia, 2010, 2012) ou encore les smileys (Marcoccia 2000, Marcoccia & Gauducheau 2007, Halté 2019).

25En 2004, le numéro 8 des Carnets du Cediscor de l’université de Paris 3, intitulé « Les discours de l’internet : nouveaux corpus, nouveaux modèles ? » s’appuie sur des corpus textuels numériques pour y appliquer un certain nombre d’« entrées en linguistique de discours qui ont déjà fait leurs preuves sur des supports plus traditionnels » (Mourlhon-Dallies et al., 2004 : 9).

26Avec le web social, les analystes du discours s’intéressent aux réseaux sociaux et mènent des recherches sur les discours numériques en ligne, considérés à la fois comme des « corpus sauvages » (Calabrese 2011) et un eldorado (Pierozak 2011). Il s’agit essentiellement de décrire de nouveaux objets d’étude à partir des théories et méthodologies traditionnelles en se servant des approches centrées sur le genre, l’énonciation ou l’argumentation (Amossy 2011, Maingueneau 2013).

Perspectives anthropologiques et interactionnistes

27Delevotte & Paveau (2017 : 201) font remarquer l’entrée de l’anthropologie dans la linguistique de discours numérique avec l’organisation du colloque « La communication électronique : approches linguistiques et anthropologiques » à la Maison des Sciences de l’Homme de Paris, en février 2004 où

l’anthropologie linguistique, la sémiolinguistique, la pragmatique, la sociolinguistique et l’analyse conversationnelle viennent éclairer des objets en cours d’élaboration scientifique comme le montre par exemple l’émergence de désignations telles que conversation électronique.

28Cette conversation électronique est justement étudiée sous l’angle de l’analyse conversationnelle d’inspiration ethnométhodologique par Mondada (1999), par exemple, qui s’est penchée sur l’interaction sur internet en prenant appui sur les différentes formes de séquentialité identifiables dans les courriels et les forums de discussion.

29Pour conclure cette partie, retenons que la communication médiée par ordinateur connaît en France un regain d’intérêt depuis ces dernières années, notamment grâce à l’impulsion de Liénard & Zlitni, organisateurs depuis 2010, tous les deux ans, d’un colloque international consacré à la communication électronique et qui fait l’objet de toute une série d’ouvrages et de numéros de revues sur le sujet1.

2.1.4. Analyses de la communication numérique en espagnol

30Le discours numérique en espagnol a suscité depuis les vingt dernières années un véritable engouement dans la communauté de chercheurs hispanophones de part et d’autre de l’Atlantique, comme en témoignent les nombreux projets consacrés à l’étude de la communication numérique depuis diverses perspectives (Pano Alamán, Moya Muñoz 2016, Robles Ávila, Moreno Ortiz 2019, etc.)2.

31Ces analyses dénommées análisis del discurso mediado por ordenador [Mancera Rueda & Pano Alamán (2014)], análisis del discurso digital (Vela Delfa & Cantamutto 2016) ou encore análisis del discurso electrónico (Yus 2010), bien que différentes dans leurs perspectives, se basent sur les enjeux linguistiques manifestes dans les messages numériques.

32L’analyse du discours numérique en espagnol, à ses débuts, est essentiellement centrée, comme pour l’anglais et le français, sur des réflexions linguistiques. Que ce soit à partir des interactions dans les chat, les messageries instantanées, les SMS, le courrier électronique ou le forum de discussion, les premières recherches sur le discours numérique coïncident sur le fait que ce type de communication met à mal la dichotomie écrit/oral (Yus 2001, 2010, Pano Alamán 2008a), d’où certaines dénominations du type texto escrito oralizado (Gómez Torrego 2001, Yus 2010) ou lengua oral tecleada (Laborda Gil 2003) pour indiquer le poids de l’oralité dans l’écriture des messages analysés.

33Plusieurs caractéristiques des SMS/chat/messageries instantanées ont été identifiées : rupture des paires adjacentes dans les tours de parole, changement fréquent d’interlocuteur, nombreux termes d’adresse, écriture simplifiée, procédés scripturaux de l’oralité, communication multimodale, etc.3.

34En outre, les études ont pris une tournure qui, à travers les syntagmes tels que conversación escrita (Sanmartín Saéz 2007) ou interacción digital escrita (Vela Delfa & Cantamutto 2016), se focalise sur l’idée d’interaction à travers l’écriture où le dialogisme est prégnant.

35Les travaux réalisés sur la communication écrite numérique en espagnol mettent en avant que le degré d’oralité ou de scripturalité dans le discours numérique est conditionné par les conditions de production et de réception des messages au-delà du canal graphique ou phonique. Le contexte situationnel, l’intention communicative des interlocuteurs, le type de leurs relations, leur degré d’intimité, la proximité des intervenants en relation avec le moi-ici-maintenant de l’énonciation, le degré de coopération et de dialogisme sont autant de facteurs pris en compte (Mancera Rueda & Pano Alamán 2013, Estrada Arráez & Benito Moreno 2016). Le caractère familier peut être observé au niveau de l’orthographe, du lexique et de la grammaire dans les chat (Sanmartín Sáez 2007), les courriers électroniques (Gómez Torrego 2001, López Alonso 2006), les blogs (Pano Alamán 2008a), les réseaux sociaux (Mancera Rueda & Pano Alamán 2013, Mancera Rueda 2015) ou sur WhatsApp (Vela Delfa & Cantamutto 2016, Cantamutto & Vela Delfa 2019). Les énoncés brefs et conversationnels sont alors analysés à travers les messages laissés sur Facebook, Twitter, Instagram ou Whatsapps.

36Depuis l’angle de vue de la pragmatique, le phénomène de la courtoisie dans la communication numérique en langue espagnole sur internet a fait l’objet de nombreuses études : expression de la courtoisie dans le courrier électronique (Laborda Gil 2003), image et courtoisie dans les pages web, blogs et chat (Alcoba Rueda 2004), diminutifs de politesse dans le chat (Mariottini 2006), marqueurs discursifs bueno, pues et pero dans la conversation virtuelle (López Quero 2007) constituent quelques exemples. La cyber-impolitesse a été également analysée dans les avis des lecteurs de la presse numérique (Mancera Rueda 2009, Vigara Tauste & Hernández Toribio 2011) tout comme l’agression verbale déguisée sous forme d’ironie courtoise dans les interactions entre politiciens et citoyens sur Twitter (Pano Alamán 2015b).

37Ces phénomènes de politesse/impolitesse sont le reflet que les internautes sont des participants actifs et critiques, donnant leurs avis convergents et divergents, qu’ils adoptent différentes stratégies de négociation du pouvoir et des relations sociales. Parmi les stratégies figurent par exemple, l’atténuation souvent mise en exergue sur Facebook, TripAdvisor ou WhatsApp (Helfrich, Pano Alamán 2018, Moya Muñoz & Carrió Pastor 2018c), l’ironie dans les chat ou sur Twitter (Noblía 2004, Pano Alamán 2015b), l’agression verbale dans les commentaires d’informations (Mancera Rueda 2009).

38Il convient également de signaler que depuis 2010, certaines manifestations scientifiques ont grandement contribué à une dynamisation de l’analyse du discours numérique espagnol depuis des orientations linguistiques et interactionnelles. Citons par exemple, les colloques des organisatrices Vela Delfa & Cantamutto, sous l’égide de ReCoD (Red de estudios de Comunicación Digital) depuis 2014. Ce réseau avec son organe de diffusion REDD (Revista de Estudios Digitales) a été créé pour promouvoir un espace d’échanges pour tous les chercheurs sur la communication numérique dans l’aire hispanophone : interaction et discours numériques depuis des perspectives diverses et variées (linguistique, sociolinguistique, analyse du discours, analyse de la conversation, pragmatique, ethnographie, sociologie, anthropologie, selon une approche interdisciplinaire, qualitative et quantitative).

39Ces analyses linguistiques menées sur le français et sur l’espagnol ont donné naissance à différentes expressions pour désigner le code écrit utilisé dans ces interactions numériques, que le tableau ci-dessous résume.

40Pour notre part, nous adhérons à l’expression « écriture numérique » pour désigner cette langue particulière, caractérisable, modifiée par les supports et les modes de transmission électronique et numérique.

41Pour conclure cette partie, retenons que ce qui constitue l’intérêt de la CMO/CMT, c’est qu’elle cherche à repérer « les marques » linguistiques. Elle construit ces réflexions sur le lien entre langage et technologie, une médiation où le support vient modifier les formes de communication verbale. C’est dans ce sens que Panckhurst (2007 : 2) écrit :

Nous défendons l’hypothèse selon laquelle l’ordinateur est un « support » de médiation, et grâce, ou à cause de son utilisation, notre façon de communiquer avec autrui se modifie. Dans ce contexte, la CMO concerne toute forme de communication entre individus par ordinateurs interposés.

42Une définition similaire est donnée par Vela Delfa & Cantamutto (2015 : 135) qui conceptualisent le discours numérique comme

aquel producido en entornos de mediación tecnológica, principalmente a través de internet, que suele desarrollarse en plataformas que permiten los intercambios y que delimitan, de algún modo, las posibilidades y potencialidades comunicativas del usuario.

43Nous l’avons dit, de nouvelles méthodes d’analyse du discours en ligne ont vu le jour au cours des dernières années en réponse à l’évolution de la technologie de la CMO. Cela soulève la question de la pertinence des désignations telles que CMO/CMT et celles de leur analyse. Ne faudrait-il pas un nouveau paradigme globalisant qui tire ses hypothèses et ses méthodes des approches multimodales plutôt que de conserver l’approche de l’analyse du discours purement linguistique ? C’est la raison pour laquelle Paveau (2017) préfère parler d’Analyse du Discours Numérique (ADN).

2.2. ADN

44En effet, nous adopterons également pour notre objet d’étude, les concepts méthodologiques et les cadres théoriques de l’Analyse du Discours Numérique (ADN) élaborés par Paveau (2017 : 8) pour analyser ce qu’elle appelle les discours numériques natifs, c’est-à-dire l’« ensemble des productions verbales élaborées en ligne, quels que soient les appareils, les interfaces, les plateformes ou les outils d’écriture ».

2.2.1. Pour une linguistique symétrique

45L’ADN, contrairement à la CDMA et ses différentes déclinaisons françaises et espagnoles, repose sur un continuum homme-machine, générateur de messages de telle manière que l’analyse ne peut séparer technologie et langage. Paveau, à ce propos, situe cette ADN dans la droite lignée des réflexions de Doueihi (2011 : 4) :

[…] le numérique interroge nos objets premiers, ceux du savoir, comme ceux du politique et du social. Il le fait par un double jeu : d’une part, il semble s’approprier ces objets culturels tout en les faisant circuler dans un nouveau contexte et en modifiant leurs propriétés et, d’autre part, il introduit de nouveaux objets inédits.

46L’auteure place ainsi l’analyse du numérique dans le paradigme de la conversion plutôt que dans celui de la médiation où le numérique convertit les formes langagières et les discours existants sous l’effet du double jeu : l’appropriation-modification et l’invention (Paveau, 2017 : 62-63).

47D’où sa proposition d’une linguistique symétrique (Paveau 2009) intégrant dans les mêmes proportions les éléments langagiers et les éléments non langagiers du discours. Cette linguistique remet alors en cause la distinction entre linguistique et extralinguistique, rompant la vision logocentrée du langage, héritée du dualisme saussurien, en posant un continuum entre les matières langagières et leurs environnements de production (Paveau, 2017 : 28). Elle remanie alors plusieurs concepts de l’analyse du discours à l’aune de cette approche globalisante.

2.2.2. Adapter les outils de l’analyse du discours pour l’ADN

48Les traits spécifiques du discours numérique natif impliquent d’adapter les outils existants de l’analyse du discours (à la française) où les concepts de discours et de genre sont repris pour l’environnement numérique.

Discours, discours numérique natif et technologie du discours

49Dans le cadre de l’analyse du discours à la française, Chauraudeau & Maingueneau (2002 : 44) répertorient les idées forces définissant le discours que nous reprenons pour ce travail :

• le discours suppose une organisation transphrastique, c’est-à-dire qu’il mobilise des structures d’un autre ordre que celles de la phrase ;
• le discours est orienté car il est conçu en fonction d’une visée du locuteur, mais aussi parce qu’il se développe dans le temps ;
• le discours est interactif car toute énonciation est un échange, explicite ou implicite, avec d’autres énonciateurs, réels ou « virtuels » ;
• le discours est une forme d’action car toute énonciation constitue un acte ;
• le discours est contextualisé : un énoncé n’a véritablement de sens que pris dans un contexte ;
• le discours est pris en charge, c’est-à-dire que le locuteur se pose comme source des repérages personnels, temporels, spatiaux et indique quelle attitude il adopte à l’égard de ce qu’il dit et de son interlocuteur ;
• le discours est régi par des normes sociales ;
• le discours est pris dans un interdiscours, c’est-à-dire qu’il ne prend sens qu’à l’intérieur d’un univers d’autres discours.

50Quant au discours numérique natif, Paveau (2017 : 28-30) en présente six caractéristiques :

• la composition : les discours numériques natifs sont composites, c’est-à-dire constitués d’éléments langagiers mais aussi technologiques de nature informatique (hashtag, par exemple) et plurimodale, alliant texte, son, image, vidéo ;
• la délinéarisation : les discours numériques natifs ne se présentent pas forcément sur l’axe syntagmatique comme c’est le cas des discours non numériques. Ils peuvent être délinéarisés par des liens hypertextes ou une autre fenêtre du navigateur ;
• l’augmentation : les discours numériques natifs sont souvent glosés, augmentés, du fait du web social : un billet est augmenté d’un commentaire, par exemple, ou encore dans le cas de l’écriture collaborative collective avec plusieurs énonciateurs ;
• la relationalité : les discours numériques natifs sont tous en lien avec les autres discours, du fait de la réticularité du web. Ils sont également en relation avec les appareils de coproduction et en relation avec les scripteurs et les lecteurs ;
• l’investigabilité : les discours numériques natifs sont investigables, c’est-à-dire trouvables, collectables. Cette investigabilité est due au fait que les métadonnées sont à l’intérieur même des discours ;
• l’imprévisibilité : dans la mesure où les discours natifs numériques sont en partie produits et/ou mis en forme par des programmes et des algorithmes, ils sont imprévisibles pour les énonciateurs humains tant sur la forme que dans le contenu.

51L’autre autre concept-clé de cette ADN est la technologie du discours qui renvoie, à

l’ensemble des processus de mise en discours de la langue dans un environnement technologique. C’est un dispositif au sein duquel la production langagière et discursive est intrinsèquement liée à des outils technologiques en ligne ou hors ligne (ordinateurs, téléphones, tablettes, logiciels, applications, sites, blogs, réseaux, plateformes…). La technologie discursive implique une nature composite des productions langagières.

Genres en discours prénumérique et numérique

52La notion de genre en sciences du langage occupe une place prépondérante dans les travaux des chercheurs, même si leurs points de vue sont partagés, parfois même très divergents.

53Ainsi, selon la discipline et l’auteur, parlera-t-on de « genre(s) du discours » ou de « genre discursif » ; de « genre(s) de discours » ; de « genre(s) de texte(s) » ou tout simplement de « genre(s) ».

54Venant de la Rhétorique d’Aristote, ses réflexions sur le genre ont donné naissance à la division tripartite traditionnelle des pratiques discursives institutionnalisées de l’époque : le genre juridique, le genre délibératif (politique) et le genre épidictique (ou délibératif), et plus tard à la question des genres littéraires.

55Ce fut Bakhtine (1984 : 265-308) qui intègre dans le syntagme « genre(s) du discours » la variété de l’utilisation du langage rattachée aux domaines de l’activité humaine : « Tout énoncé pris isolément est, bien entendu, individuel, mais chaque sphère d’utilisation de la langue élabore ses types relativement stables d’énoncés, et c’est ce que nous appelons les genres du discours4 », allant des genres primaires de la communication orale et spontanée jusqu’aux genres secondaires des différentes sphères de l’activité humaine (politique, littérature, sciences, etc.).

56Selon la linguistique textuelle d’Adam (1999 : 94-95), le genre peut être défini en catégories

[…] - pratiques empiriques indispensables tant à la production qu’à la réception interprétation ;
- régulatrices des énoncés en discours et des pratiques sociodiscursives des sujets (depuis les places qu’ils occupent jusqu’aux textes qu’ils produisent) ;
- prototypiques stéréotypiques, c’est-à-dire définissables par des tendances ou gradients de typicalité, par des faisceaux de régularités et des dominantes plutôt que par des critères très stricts5.

57Il soutient que les genres possèdent un noyau normatif relativement stable qu’il nomme architextualité et qui serait la relation entre un texte et les catégories génériques auquel il appartient, concept qu’il distingue de l’intertextualité, c’est-à-dire « écho libre d’un ou de plusieurs textes dans un autre texte » (Adam, 1999 : 85) et de celui de l’interdiscursivité (Foucault 1969), c’est-à-dire la présence de différents genres dans une formation sociodiscursive.

58En outre, Adam sépare clairement le concept de genre de celui de typologie textuelle qui sont parfois confondus. D’après lui, « l’unité texte est trop complexe et trop hétérogène pour présenter des régularités linguistiquement observables et codifiables » (Adam, 1999 : 82) tandis que le genre définit le texte dans sa totalité et en relation avec la situation sociocommunicative. Les catégories textuelles typologiques (description, narration, argumentation, etc.) se situent à un niveau d’unité plus petite que le texte : la séquence. En effet, le fait de « typologiser » les textes dans leur globalité en gomme la complexité spécifique.

59En analyse du discours, Maingueneau distingue le type discursif et le genre discursif, différenciation que nous adoptons. On parlera de « type de discours » pour une catégorisation élémentaire et instable, mais inévitable qui permet de distinguer des pratiques discursives associées « à de vastes secteurs d´activité sociale6 » tels que le journalisme pour le discours journalistique, la publicité pour le discours publicitaire, la littérature pour le discours littéraire. La définition des types de discours est donnée pour une époque et une société déterminées. Les types de discours impliquent des situations et des conditions d´énonciation précises. Ce découpage en activités sociales prescrit à l’auditeur ou au lecteur le comportement qu’il doit avoir à l’égard des énoncés. Étudier un type de discours revient à rechercher, décrire et étudier ses caractéristiques propres pour pouvoir le différencier des autres : le discours sous sa forme textuelle est considéré linguistiquement. Les genres de discours spécifient ces types de discours. Ils sont des

dispositifs de communication qui ne peuvent apparaître que si certaines conditions sociohistoriques sont réunies. Le genre du rapport de stage, par exemple, suppose l’existence d’entreprises, d´étudiants qui ont besoin d’expérience professionnelle, de professeurs pour imposer et évaluer ces travaux écrits.

60Le genre se focalise sur les relations externes du discours, sur des critères situationnels, comme le reconnaît Alvarado Jiménez (1991 : 86) :

Los géneros del discurso no son solamente instancias de organización y estructuración intratextuales, sino desempeñan básicamente una función reguladora de los usos sociales del lenguaje en una comunidad histórica y socialmente específica. Por usos del lenguaje entendemos fundamentalmente, los procesos de elaboración e interpretación, la producción y recepción discursivas.

61Ainsi, les commentaires sur TripAdvisor appartiennent à un type discursif lui-même inscrit dans le genre « discours touristique ».

62Le genre dans le discours numérique a été abordé par Maingueneau comme un genre dégradé dont la manifestation textuelle est subvertie (2013 : 80-81). Beaudoin (2018 : 34-35) s’interroge sur la manière dont se constituent les genres dans les univers numériques à partir des environnements numériques natifs et distinguent trois grands espaces de communication numérique :

63- des espaces de présentation de soi (site perso, blog, profil sur les réseaux sociaux etc.) ;
- des espaces collectifs, qui se distinguent en deux grandes catégories : des lieux de transmission et de constitution du savoir (forums, listes de discussion, groupe Facebook, Twitter) et des lieux vitrines du collectif (site web, page Facebook)7 ;
- des espaces d’échanges interpersonnels, centrés sur la relation à deux (mail, messagerie instantanée…).

64Marcoccia (2016 : 66-67) considère que le genre numérique est une adaptation/variation d’un genre qui lui préexiste, par exemple le courrier électronique serait une version numérique du genre épistolaire, de même que les forums de discussion correspondent à la réalisation sur support numérique d’un genre nommé « discussion asynchrone par écrit en groupe restreint » dont le courrier des lecteurs d’une revue spécialisée pourrait être une autre réalisation. Ou encore l’exemple du chat où il s’agit de la réalisation numérique d’une « conversation simultanée à plusieurs » qui existe déjà avec les supports du téléphone, de la radio, etc.

65Paveau (2017 : 300) appréhende les genres numériques à partir de leurs environnements discursifs et textuels tout en les considérant dans leur milieu numérique natif. C’est dans cette perspective écologique qu’elle propose le concept de « technogenre de discours » qu’elle définit comme « un genre de discours doté d’une dimension composite, issue d’une coconstitution du langagier et du technologique » et précise qu’

il peut appartenir à un genre relevant du monde prénumérique mais que les environnements numériques natifs dotent de caractéristiques spécifiques (comme le commentaire en ligne) ou constituer un genre numérique natif et donc nouveau (comme la twittérature ou l’article de presse en ligne sous forme d’anthologie de liens et de tweets). Le technogenre de discours est donc marqué par ou issu de la dimension technologique du discours, ce qui implique un fonctionnement et des propriétés particuliers.

66Ces observations l’amènent d’ailleurs à classer les technogenres en trois catégories (Paveau, 2017 : 301-304) en fonction des contraintes technologiques (algorithmes, CMS8, API9) :

• les technogenres prescrits (blog, tweet, les messages éphémères de Snapchat) qui dictent des formats de production discursive (oral ou écrit, ordre antéchronologique des billets, limitation du nombre de caractères pour le tweet) ;
• les technogenres négociés sont des genres de discours préexistants dans l’univers prénumérique mais qui en entrant dans le monde numérique adoptent des caractéristiques technolangières et technodiscursives. Ils circulent ainsi dans les deux univers, en ligne et hors-ligne. C’est le cas des top listes (listes numérotées) du meilleur ou du pire, du plus lu, du plus consulté ou du plus commenté, à partir d’algorithmes ;
• les technogenres produsés10 regroupent des genres de discours numériques natifs d’internet produits par les internautes hors des contraintes des technogenres prescrits et négociés : commentaires, article de presse avec liens, mèmes, etc.

67En espagnol, certains chercheurs estiment que le genre dans l’univers numérique est une adaptation/variation de genres analogiques comme le courrier électronique en tant que version numérique de la lettre traditionnelle (López Alonso 2006) ou les commentaires en ligne, adaptation du courrier des lecteurs (Moya Muñoz 2014). Quoi qu’il en soit, la question du genre a permis d’explorer de nouvelles pratiques discursives dans les langues de spécialité en espagnol comme le tourisme (Sanmartín & González 2013, Calvi 2016a, 2016b), le journalisme (Mancera Rueda 2011) ou la politique (Mancera Rueda & Pano Alamán 2013).

2.3. Travailler sur corpus numérique

68Travailler sur le discours numérique permet au chercheur d’accéder facilement à des corpus en ligne. La collecte facile à réaliser suppose néanmoins plusieurs questionnements. Qu’entend-on par corpus numérique ? Quels sont les critères retenus pour la constitution d’un corpus numérique ? Quels outils méthodologiques utilisés pour son exploitation ?

2.3.1. La linguistique de corpus

69Après avoir esquissé brièvement dans quel contexte épistémologique est née la linguistique de corpus (LC), nous en donnerons les préceptes et les principales approches tout en rappelant ce qu’elle entend par corpus.

Bref historique de la linguistique de corpus

70Les premiers travaux basés sur des approches de linguistique de corpus remontent au xix^e siècle. Dans les années 1950, est apparu The Survey of English Usage (Étude sur l’usage de l’anglais), premier groupe de recherche consacré au travail sur corpus dans lequel Quirk commence la création d’un corpus d’anglais britannique parlé avec les transcriptions correspondantes, connu sous le nom de Survey of English Usage (SEU), composé d’un million de mots. Entre-temps, Firth commençait à introduire le terme collocation pour se référer à

unidades fraseológicas formadas por dos unidades léxicas en relación sintáctica, que no constituyen, por si mismas actos de habla ni enunciados; y que, debido a su fijación en la norma, presentan restricciones de combinación establecidas por el uso. (Corpas Pastor, 1996 : 66).

71Cependant, en 1950, un nouveau paradigme émerge de la voix de Chomsky dans le domaine du langage : le générativisme. Ce mouvement linguistique a occulté la naissance des études sur corpus et a diminué l’impact de ces recherches, comme l’indique Parodi (2008 : 99).

[…] diversos investigadores coinciden en apuntar que la lingüística generativa constituyó una influencia decisiva y hegemónica en el devenir científico de las ciencias del lenguaje, diluyendo o debilitando el desarrollo de posturas que abordaban el estudio del lenguaje desde ópticas diversas; en particular, desde opciones que no coincidían en una definición idealizada del lenguaje ni de metodologías de índole hipotético deductivo […].

72Le générativisme considère le langage comme une faculté innée de l’être humain et l’étudie donc dans une perspective mentaliste, en se concentrant sur la compétence (connaissance de la langue) et non sur la performance du locuteur (l’usage qu’il en fait en fonction de facteurs sociaux et culturels). Un des principes du générativisme est la créativité linguistique qui consiste à créer des énoncés infinis à partir d’un nombre d’éléments finis :

L’aspect créateur de l’utilisation du langage reflète les possibilités infinies de la pensée et de l’imagination. Le langage offre des moyens finis mais des possibilités d’expression infinies, qui ne subissent d’autres règles que celles de la formation du concept et de la phrase, règles qui sont en partie spécifiques et idiosyncratiques, mais en partie aussi universelles, et telles que l’humanité tout entière en soit dotée. (Chomsky, 1966 : 56)

73Cette vision du langage fait que les générativistes écartent de leur objet d’étude la langue en usage à partir de corpus qu’ils jugent partiels, finis et non représentatifs. Cependant avec l’arrivée des ordinateurs dans les années soixante, la création de certains corpus s’est poursuivie, comme le SEU et le Corpus Brown, qui, grâce à la technologie de l’époque, étaient stockés sur des fiches perforées dont beaucoup pouvaient être lues sur de nouveaux ordinateurs et permettaient de travailler avec de grandes quantités de données : un million de mots, ce qui, à l’époque relevait de l’exploit.

74Les années soixante-dix ont été une période décisive pour la linguistique de corpus. La linguistique fonctionnelle centrée sur l’usage empirique de la langue et sur des fondements contextualistes est une réaction critique au générativisme et fait valoir que ce paradigme était idéaliste et n’offrait pas d’outils pour comprendre la réalité du langage. Le fonctionnalisme préconise l’étude du langage en usage : comment est-il produit ? Comment est-il communiqué ? Comment est-il compris ? Qui sont les participants ? Comment l’acte communicatif est-il mené ?

75Outre la linguistique fonctionnelle, les progrès en matière de logiciels et de matériel ont renforcé le développement et l’utilisation de la linguistique de corpus. Les technologies de l’informatique ont offert la possibilité de construire et de stocker des corpus de millions et de milliards de mots pour effectuer des opérations informatiques sur de grandes quantités de données et de les analyser au moyen d’outils tels que des marqueurs morphosyntaxiques et des programmes semi-automatiques. À partir de ce moment, le corpus a été conçu numériquement.

76Au fil des années, les corpus grossissent pour atteindre plusieurs millions de mots11. Ils se diversifient (corpus de spécialité, corpus diachroniques, corpus ouverts, corpus bilingues ou multilingues, corpus d’autres langues que l’anglais, etc.) et sont utilisés dans diverses disciplines (sémantique, morphologie et syntaxe, dialectologie et sociolinguistique, grammaire, lexicographie, stylométrie et littérature, analyse du discours, psycholinguistique et linguistique clinique, traduction, phonétique et phonologie, traitement automatique des langues, didactique des langues, etc.).

77La linguistique du corpus fait vivre des associations consacrées au travail sur corpus telles que l’Association Espagnole de Linguistique du corpus (AELINCO), l’Association américaine de linguistique du corpus (AACL), l’Association internationale de linguistique quantitative (IQLA).

78Plusieurs laboratoires universitaires placent au cœur de leurs recherches la linguistique de corpus. En France, citons, par exemple, l’axe Sens, discours, corpus, TAL du laboratoire SYLED (Systèmes Linguistiques, Enonciation et Discours) de l’université Paris Sorbonne nouvelle, BSL12 (Bases, Corpus et Langage) sous la double tutelle du CNRS et de l’Université Sophia Antipolis, ICAR13 (Interactions, Corpus, Apprentissages, Représentations), rattaché au CNRS, à l’ENS de Lyon et à l’Université Lyon 2, MoDyCo14 (Modèles, Dynamiques, Corpus) de l’Université de Paris Nanterre ou encore le laboratoire CLILLAC-ARP15 (Centre de Linguistique Inter-langues, de Lexicologie, de Linguistique Anglaise et de Corpus-Atelier de Recherche sur la Parole) d’Université Paris Cité.

79En Espagne, nous pouvons citer GALE16 (Grupo de Análisis de Lengua de especialidad) de l’Université polytechnique de Valence, LACELL17 (Lingüística Aplicada Computacional, Enseñanza de Lenguas y Lexicografía) de l’Université de Murcie, LDC18 (Lingüística, Discurso Corpus: Aplicaciones tecnológicas y didácticas) de l’Université de Madrid Complutense.

Linguistique empirique et outillée

80La linguistique de corpus, de nature fonctionnaliste par opposition au formalisme, vise à analyser les données linguistiques empiriques provenant de la langue « authentique », mises à jour dans et par le contexte, grâce aux outils informatiques afin de décrire systématiquement la langue en discours, au sens saussurien, d’une communauté linguistique donnée. En ce sens, elle est une linguistique outillée :

Avec l’apparition des ordinateurs, la linguistique de corpus s’est outillée, c’est-à-dire que la méthodologie de gestion des données langagières s’est informatisée, et s’appuie donc sur des outils informatiques. Ces outils sont multiples : outils permettant l’annotation manuelle de textes ou d’enregistrements oraux ; outils pour la visualisation des données annotées ; outils d’interrogation de corpus, permettant l’expression de requêtes d’exploration et l’affichage des résultats obtenus de manière ergonomique ; outils de traitement automatique des langues, permettant d’ajouter automatiquement certaines annotations à un corpus ; outils d’importation et d’exportation de corpus dans des formats divers ; outils d’analyse de données ; outils de calculs statistiques […]. (Poudat & Langradin, 2017 : 14)

81Ces outils cherchent par la systématisation à identifier, classer et comptabiliser les items textuels les plus saillants qui servent à décrire des usages observés dans les textes numériques compilés.

82Nous utilisons, pour ce travail, la plateforme de textométrie TXM (Heiden, Magué & Pincemin 2010), d’accès libre19.

83Selon Pincemin et al. (2008 : 87-88), l’une des instigatrices du projet ANR dont est issu TXM,

la textométrie développe les possibilités de consultation et d’analyse de corpus textuels en faisant appel à des décomptes et des modélisations statistiques et en combinant aux possibilités de repérage d’occurrences, des calculs de tri, de sélection et de réorganisation statistique. Ces méthodes sont mobilisables pour toute la gamme des paliers de description linguistique (tels que mot, phrase, texte), tant pour les motifs étudiés que pour les contextes mobilisés.

84Appelée également, logométrie20 par d’autres, elle est la forme actuelle de la lexicométrie ou de la statistique textuelle (Lebart & Salem 1994).

85Le choix de cet outil textométrique correspond à plusieurs motivations à la fois pratiques et scientifiques. En plus des informations statistiques textuelles traditionnelles telles que les concordances, les index de fréquence et les cooccurrences21, il permet, entre autres,

• la gestion de gros corpus dont la taille est supérieure à 500 000 occurrences,
• la construction de sous-corpus à partir des métadonnées des textes (propriétés textuelles, auteurs, date, lieu, etc.) ;
• l’édition des propriétés statistiques des sous-corpus, partitions et textes traités, utiles pour une première caractérisation statistique ;
• la construction d’index statistiques de fréquence des items dans le corpus ou une partie du corpus ;
• la construction de partitions sur la base des propriétés pour calculer les calculs statistiques et comparer les textes et sous-corpus entre eux ;
• la production de concordances à partir d’items textuels choisis grâce au langage CQL et aux requêtes CQP22. À ce propos, le module de concordance de TXM est particulièrement complet et offre de nombreux paramétrages qui permettent de cibler l’item recherché dans son cotexte, dans le corpus ou dans une partie du corpus ;
• le calcul des spécificités statistiques basé sur le modèle de Lafon (1980) qui permet de détecter les items textuels suremployés (spécificité positive) ou sous-employés (spécificité négative) dans une partie du corpus ;
• le calcul des cooccurrences statistiques23 qui donne, entre autres, la distance moyenne entre le pivot et son cooccurrent, la co-fréquence et son indice de spécificité de cooccurrence ;
• la visualisation des résultats statistiques sous forme de graphiques et de tableaux,
• l’étiquetage morphosyntaxique des textes au moyen du module intégré Tree Tagger, permettant de comptabiliser et d’analyser la distribution des catégories grammaticales,
• et la lemmatisation des textes24.

86Quant aux raisons pratiques, TXM présente plusieurs avantages. Il est d’accès gratuit, téléchargeable depuis le site qui lui est consacré. Il dispose d’une documentation importante et également accessible sur le site comprenant un manuel d’utilisation, des vidéos explicatives, des tutoriels pour l’installation, une foire aux questions ainsi qu’un wiki des utilisateurs. L’équipe responsable de la création et du développement du logiciel TXM propose des formations, dispensées pour apprendre à manier cet outil. De plus, il permet l’export des tableaux sous format excel et des figures en plusieurs formats images zoomables, sans avoir besoin de faire des captures d’écran.

87Quelles approches pour analyser ces données textuelles ?

88En textométrie, le parcours interprétatif de la linguistique de corpus s’opère en double lecture. En effet, comme l’indiquent, par exemple, Rastier (2011) et Mayaffre (2014), l’approche quantitative doit être complétée par le retour au qualitatif via le co-texte.

Nous posons en effet que la description-interprétation d’un corpus ne peut pas plus faire l’économie de l’établissement des unités du discours – c’est-à-dire d’une réflexion qualitative sur les objets traités – que l’économie d’une prise en compte de leur représentativité – c’est-à-dire d’une réflexion quantitative sur la régularité/irrégularité des phénomènes, leur absence/rareté/redondance dans le corpus. (Mayaffre, 2014 : 1)

89Il s’agit alors d’un va-et-vient entre une lecture réticulaire (Viprey, 2005) et une lecture linéaire, ou pour reprendre l’expression de Rastier (2011 : 52), entre « la mesure et le grain » où le grain renvoie aux différentes granularités des unités textuelles à prendre en considération, et la mesure au « déchiffrement » de l’approche statistique.

Théorie linguistique ou méthodologie ?

90Décider si la linguistique de corpus est une théorie ou une méthodologie a été débattu et a nourri toute une littérature sur ce sujet (Svartvik 1992, McEnery & Wilson 1996, Kennedy 1998, Stubbs 1996, 2001, Tognini-Bonelli 2001).

91Ces débats s’inscrivent dans deux courants qui envisagent deux modes distincts d’accès au corpus.

Le premier courant, appelé corpus-based et principalement représenté par Leech (1991 : 105), considère que la linguistique de corpus « ne se réfère pas à un domaine d’étude, mais plutôt à une base méthodologique ». Dans ce sens, Kennedy (1998 : 7) écrit qu’il serait erroné de supposer que la linguistique de corpus est une théorie linguistique au même titre que la linguistique transformationnelle, ou qu’elle serait une nouvelle branche de la linguistique.

92C’est dans ce courant que se situe, par exemple, Parodi (2008 : 95) :

La LC constituye un conjunto o colección de principios metodológicos para estudiar cualquier dominio lingüístico y que se caracteriza por brindar sustento a la investigación de la lengua en uso a partir de corpus lingüísticos con sustrato en tecnología computacional y programas informáticos ad hoc. […]

En este sentido, en mi opinión, la LC no se entiende como una rama o un área de la lingüística tal como son la fonología, la semántica, la sintaxis, sino que como un método de investigación que puede ser empleado en todas las ramas o áreas de la lingüística, en todos los niveles de la lengua y desde enfoques teóricos diferentes.

93Cette approche renvoie à une démarche hypothético-déductive, à partir de catégories prédéfinies permettant l’exemplification du fonctionnement de la langue. Elle constituerait ce que Mayaffre (2005) appelle une linguistique sur corpus où le corpus est un support pour corroborer ou infirmer des hypothèses de départ.

94Le second courant, appelé corpus-driven, s’est constitué autour de Sinclair (1991) pour qui la linguistique de corpus constitue, au contraire, un domaine à part entière et non une simple méthodologie de travail.

95Tognini-Bonelli (2001 : 205), en ce sens, affirme que « la linguistique de corpus va beaucoup plus loin qu’un rôle exclusivement méthodologique ». En effet, sur le plan théorique, l’option corpus-driven postule qu’aucune position théorique a priori ne doit présider aux observations sur corpus. À ce propos, Williams décrit dans l’introduction de sa thèse (1999, en ligne) la démarche comme suit :

L’approche adoptée ici est celle de la corpus-driven research, une recherche dirigée par le corpus. Autrement dit, au lieu de partir de théories toutes faites et de les tester sur le corpus, nous explorons le corpus pour identifier des régularités que nous pourrions exploiter par la suite. […] nous laissons parler les mots à travers le corpus.

96C’est aussi, en quelque sorte, le postulat de Williams (2005 : 13) qui considère la LC comme une discipline à part entière :

La linguistique de corpus est une discipline qui s’est développée à partir des années dix-neuf cent quatre-vingts mais qui a vraiment pris son essor avec l’arrivée sur le marché d’ordinateurs personnels. Largement issue de l’école contextualiste, la discipline s’intéresse à la langue en contexte sous la forme de grands ensembles de textes, les corpus. C’est une discipline qui est très liée à l’utilisation de l’informatique, mais qui reste une discipline des sciences humaines et non de l’informatique.

97Il s’agit, dans cette approche, d’une démarche inductive ou empirico-descriptive, sans catégories prédéfinies. Les catégories de la langue émergent des données analysées où le corpus est plus appréhendé comme un apport, c’est la position que nous adoptons ici, car comme le fait remarquer Mayaffre (2007 : 65-66) :

Le propos de la linguistique de corpus stricto senso semble assez différent et nous insisterons plus sur […] une démarche plus bottom up que top-down, plus inductive que déductive. […]. Le corpus mène l’analyse. Il est l’objet même de la recherche pour la simple raison qu’il est une matrice du sens plus qu’un réceptacle. Il ne révèle pas un monde déjà-là, mais en crée de nouveaux toujours renouvelés. Les corpus sont, en soi, dignes d’intérêt car ils sont pour nous, en eux-mêmes, une quête vers le sens qu’ils construisent.

98Quoi qu’il en soit, les deux approches peuvent être complémentaires comme le rappelle Charaudeau (2009 : 56) :

Dans les sciences humaines et sociales la démarche est double : « empirico-descriptive » et « hypothético-déductive ». L’une ne va pas sans l’autre : la première est davantage dépendante d’outils méthodologiques, la seconde, de concepts fondateurs et de catégories explicatives.

Corpus et linguistique de corpus

99Comme le fait remarquer Schaeffer-Lacroix (2009 : 19), « l’apparition des corpus dans des domaines variés entraîne une hétérogénéisation et complexification du terme de corpus. Il est donc évident qu’il n’y a pas de consensus sur la définition du terme.

100La diversité des définitions provient certainement des linguistiques de corpus pour reprendre le titre au pluriel de Habert et al. (1997) où chaque définition contiendra les visions théoriques et plurielles des auteurs. Mayaffre (2005, en ligne) explique :

[…] tout le monde utilise le terme corpus et se revendique de lui : « corpus textuel », « corpus sémantique », « corpus en phonologie », « corpus en traductologie », « corpus électronique », « corpus diachronique », « corpus littéraire », « corpus de sciences sociales », « corpus bilingues », « corpus en langues anciennes » pour ne reprendre ici qu’un échantillon des syntagmes trouvés dans la littérature actuelle ou les appels à communication immédiats.

101Charaudeau (2009 : 37) écrit également à ce propos :

Les problèmes que pose la notion de corpus sont relativement bien connus pour avoir été longuement discutés dans le champ des sciences du langage, mais ils n’ont toujours pas donné lieu à un consensus qui aurait permis de s’en remettre à une définition faisant autorité et à laquelle on se référerait chaque fois que l’on aurait à justifier un corpus d’analyse. Cela est peut-être le symptôme de ce que le corpus n’existe pas en soi mais dépend […] du positionnement théorique à partir duquel on l’envisage.

102Nous ne proposerons donc pas une définition du corpus mais à partir de certaines présentes dans la littérature, nous retiendrons les caractéristiques qui nous semblent incontournables.

103Les caractéristiques qui définissent un corpus et le différencient de tout autre ensemble de textes (archives, bases de données textuelles) interagissent et permettent de connaître les possibilités que la linguistique de corpus apporte à la recherche. Nous en retenons les principales.

• Le corpus est une collection. La définition canonique de Sinclair (1991 : 171) place ce critère au premier chef et implique l’intervention du linguiste dans la constitution du corpus car, selon lui, le corpus est « une collection de données langagières qui sont sélectionnées et organisées selon des critères linguistiques explicites pour servir d’échantillon de langage ».
• Le corpus répond à une structure interne cohérente (Sinclair 1991, Garric & Longhi 2012 : 4)25.
• Le corpus est un échantillon représentatif d’une population langagière donnée (langue générale, langue de spécialité, etc.) à décrire (Sinclair 1991, Bommier-Pincemin 1999, Parodi 2008, McEnery & Wilson 2012). À ce propos, Habert (2000, en ligne) écrit : « D’un point de vue statistique, on peut considérer un corpus comme un échantillon d’une population d’événements langagiers. Comme tout échantillon, un corpus est passible de deux types d’erreurs statistiques qui menacent les généralisations à partir de lui (Biber, 1993, P. 219-220) : l’incertitude (random error) et la déformation (bias error). L’incertitude survient quand un échantillon est trop petit pour représenter avec précision la population réelle. Une déformation se produit quand les caractéristiques d’un échantillon sont systématiquement différentes de celles de la population que cet échantillon a pour objectif de refléter. »
• Le corpus prend sa matérialité dans le texte. Rastier (2011 : 33) considère que « le texte est pour une linguistique évoluée l’unité minimale, et le corpus l’ensemble dans lequel cette unité prend son sens » et affirme même qu’« un texte ne peut se lire que dans un corpus, qu’il soit implicite, comme en général dans les études littéraires, ou explicite, comme en linguistique de corpus. » (Rastier, 2011 : 64).
• Ce qui implique, alors, qu’il crée sa propre norme d’emplois : « Tout texte placé dans un corpus en reçoit les déterminations sémantiques et modifie potentiellement le sens de chacun des textes qui le composent » (Rastier, 2001 : 92). La norme d’usage est alors endogène au corpus.
• Pour décrire un fait de langue naturelle dans une situation de communication authentique et précise, le corpus prend appui sur des productions langagières attestées (Habert et al. 1997, Biber et al. 1998, Mayaffre 2007, Parodi 2008, McEnery & Hardie 2012, Poudat & Langradin 2017, etc.). Comme le remarque Mayaffre (2007 : 63-64), l’attestation est double : données attestées car émises effectivement par des locuteurs authentiques reçus par un auditeur authentique, puis des données attestées par l’analyste qui les sélectionne, les saisit, les structure. Cette perspective empirique, puisant sa source dans le fonctionnalisme linguistique, à contre-courant du générativisme, fait la part belle à la fonction communicative et sociale du langage, et ne se focalise pas, comme le faisait le générativisme, sur un seul aspect (syntaxe, structures et principes de l’acquisition individuelle du langage).
• Le corpus se présente sous un format numérique qui compile des données langagières pour leur traitement systématique (Sinclair 1996, McEnery & Wilson 2012, Parodi 2010, etc.).
• Le corpus est un objet heuristique : le corpus participe ainsi d’une démarche heuristique, en ce sens que celle-ci propose un certain cheminement intellectuel à partir d’hypothèses de base pour découvrir « des faits et des idées » (Charaudeau, 2009 : 55-56).

2.3.2. Le corpus TripAdvisor

104Le corpus choisi pour notre travail est constitué des commentaires en ligne issus de la plateforme TripAdvisor26. Ce chapitre explique les modalités de constitution de ce type de corpus.

Sa nature numériquée

105Le corpus d’étude TripAdvisor est un corpus numériqué, c’est-à-dire constitué des données nativement numériques. En plus de répondre aux caractéristiques énoncées dans le chapitre précédent, il présente, selon Emerit (2016, en ligne), trois traits définitoires :

1. l’instabilité du corpus par l’ajout continuel de données (nouveaux commentaires, nouvelles fonctionnalités du site) ainsi que par la possible disparation d’une partie des données (par exemple lors de la fermeture d’un compte, etc.) ;
2. la mixité des données nativement numériques qui peuvent être multimodales (textes, images, etc.), poly-sémiotiques (typographies, couleurs, etc.), technolangières (technosignes, technomots, hypertextes), etc. ;
3. l’incomplétude, c’est-à-dire la part inaccessible à la recherche d’une partie des données numériques que Emérit appelle « corpus idionumérique », autrement dit, les données de l’environnement numérique dont une partie est personnalisée en fonction des traces numériques laissées par l’utilisateur lors de ses consultations antérieures ou générées par l’environnement technologique matériel par lequel l’utilisateur accède au numérique : consulter TripAdvisor depuis une application mobile ou un navigateur internet modifie l’environnement d’apparition des données.

106Pourtant, la clôture du corpus numériqué, du moins momentanée et « essentielle pour la rigueur de la démarche scientifique – va de pair avec la prétention de l’exhaustivité du traitement. Clos, délimité, le corpus numérique sera soumis dans sa totalité au même traitement systématique et exhaustif ». (Mayaffre, 2006, en ligne)

Représentation arborescente

107Selon la définition de Sinclair (1991) ou celle de Garric & Longhi (2012), le corpus est un ensemble structuré et organisé. Son organisation correspond à une démarche contextualiste et doit être représentative des objectifs visés pour que l’interprétation des résultats soit pertinente.

108Le contexte, comme le soulignent Rastier & Pincemin (1999 : 85), est « l’extériorité qui dessine le texte ». Comment représenter cette extériorité ? Car analyser un corpus c’est avant tout le représenter de ces diverses structures contextuelles d’apparition. Pour répondre à cette question nous nous sommes basés sur les propositions de Bommier-Pincemint (1999) et Emerit (2016, en ligne).

109Bommier-Pincemin (1999 : 145), dans une perspective (re)contextualiste, propose de procéder à un « emboîtement » des corpus par extractions et spécifications où s’enchâsseraient quatre catégories de corpus :

(i) un corpus existant, correspondant aux textes accessibles […], (ii) un corpus de référence, constituant le contexte global de l’analyse, ayant le statut de référentiel représentatif, et par rapport auquel se calcule la valeur de paramètres (pondérations…) et se construit l’interprétation des résultats, (iii) un corpus de travail, ensemble des textes pour lesquels on veut obtenir une caractérisation, et le cas échéant (iv) un corpus d’élection, sous-corpus du corpus de travail, contrasté par rapport à celui-ci.

110Cette même idée de hiérarchisation des corpus est reprise par Emerit (2016, en ligne) qui en se basant sur la typologie des écrits numériques présentée par Paveau (2014) propose une représentation arborescente des différents environnements numériques que constitue le « lieu du corpus »27 sur plusieurs niveaux et avec des degrés de figement de plus en plus importants.

111Le premier niveau est celui du lieu de corpus, ici, la plateforme TripAdvisor qui rassemble les données numériquées au sens de Paveau (2014)28. Ce niveau de corpus est consultable uniquement en ligne, dans son environnement numérique d’apparition. Il est poly-sémiotique, délinéaire, évolutif et gigantesque, ce qui rend impossible son analyse dans sa totalité.

112Le corpus numérique constitue le deuxième niveau, composé d’un instantané du niveau numériqué, pris à une période temporelle précise, ici, de janvier 2010 à décembre 2019, centré sur un type de commentaires précis : les commentaires en espagnol et en français sur les deux musées, le Louvre et le Prado29. À partir de cette représentation figée du corpus qui permet de le restreindre et de stabiliser les données, on peut extraire différents corpus et différentes partitions. En se basant sur le niveau 1, nous avons donc créé deux corpus, résultat de la variable langue Fr/Es. Puis, nous avons partitionné chacun de ces deux sous-corpus selon la catégorie de notes attribuée par les commentateurs (de 1 à 5, du pire à l’excellent)30. Ce niveau 2 présente encore des éléments environnementaux, poly-sémiotiques, comme on a pu le constater dans le chapitre consacré à la structure externe : le pseudonyme du profil d’utilisateur avec éventuellement sa photo, des mentions fixes (« escribió una opinión », « Esta opinión es la opinión subjetiva de un miembro de TripAdvisor, no de TripAdvisor LLC », etc.), la date du commentaire, la ville et le pays du contributeur, le nombre de contributions antérieures, le nombre de votes utiles, les points remplis ou non pour l’évaluation, le commentaire, la date de l’expérience, le type d’expérience, puis des éléments cliquables, pour suivre ou signaler l’utilisateur, pour voter ou envoyer un courrier électronique au commentateur, copier le lien ou reposter sur TripAdvisor31 :

113C’est à partir du troisième niveau que s’opèrent les extractions possibles et que se réalise la transcription brute des données du deuxième niveau. Ces données, extraites, sont essentiellement de nature textuelle. Elles concernent une première partition en deux grands sous-corpus en fonction de la langue. Chaque corpus de second niveau ne peut correspondre qu’une seule entrée au troisième niveau. Certaines métadonnées sont conservées à ce stade (musées, catégorie de notation, unité de commentaire, mois et année). Au vu de ces caractéristiques constitutives, le corpus est un corpus comparable bilingue que Corpas Pastor (2001 : 158) définit de la manière suivante :

Corpus que, en relación a otro u otros corpus de lenguas distintas, incluyen tipos similares de textos originales. Al haber sido compilados de acuerdo con los mismos criterios de diseño, dichos corpus permiten la equiparación interlingüística de sus elementos integrantes. […] se habla de corpus comparable bilingüe cuando se incluyen dos lenguas.

114Le quatrième niveau est une émanation du troisième : il regroupe les commentaires en français sur le Louvre et le Prado, respectivement, FrLouvre et FrPrado et les commentaires en espagnol sur le Prado et le Louvre, respectivement, EsPrado, EsLouvre selon la catégorie de notation à laquelle le commentaire appartient. Les 20 sous-corpus sont désignés de la façon suivante :

115Le cinquième niveau correspond aux transcriptions enrichies par le traitement informatique des logiciels d’analyses de données textuelles. En ce qui nous concerne, le corpus a reçu un étiquetage morphosyntaxique par Tree Tagger incorporé à TXM, ce qui fait de lui un corpus annoté, c’est-à-dire que pour chaque mot est affectée sa catégorie grammaticale.

116Enfin, le sixième niveau relève des extractions possibles réalisées par le programme informatique (concordanciers, index, diagrammes, etc.) qui constituent des données reconfigurées.

117Cette matrice proposée par Emerit (2016, en ligne) a l’avantage de matérialiser la traçabilité des données et de

mettre en lien la matière « brute », telle qu’elle apparaît dans l’environnement numérique, avec les différents niveaux d’extractions réalisés. Cette présentation vise également à rendre visibles et accessibles les différents filtres nécessaires à l’établissement d’un outil de travail stable.

118Les différents niveaux sont repris et schématisés dans la figure suivante :

Figure . Représentation arborescente du corpus TripAdvisor, inspirée de Emerit (2006)

119Une fois le corpus constitué et l’outil textométrique choisi, l’analyse procède à l’exploration du corpus afin d’interpréter les sorties statistiques.