Version classiqueVersion mobile

Regards croisés sur les mots non simples

 | 
Barbara Kaltz

L’automatisation et les unités lexicales composées

Jacqueline Léon

Texte intégral

  • 1 Les termes abondent pour désigner les groupes de mots : certains, forgés par les auteurs eux-mêmes, (...)

1Avec l’automatisation du langage apparue dans les années 1950-1960, on assiste à un regain d’intérêt pour les unités lexicales composées (ULC)1. Toutefois cet intérêt prend des formes et une importance diverses selon les traditions linguistiques, américaine, britannique, russe ou française. Par ailleurs il est d’usage de distinguer deux courants dans le traitement automatique des unités lexicales composées, l’un guidé par le traitement linguistique, l’autre utilisant des méthodes statistiques. Habert et Jacquemin (1993) ont nommé ces courants respectivement « analyse structurelle » et « analyse statistique ».

2Dans cette contribution on tentera d’expliquer pourquoi l’intérêt pour les ULC s’est manifesté avec le traitement automatique du langage et, corrélativement, si tout traitement automatique du langage nécessite un traitement des ULC. À la lumière des premiers travaux des années 1950-1960 et de ceux de leurs successeurs directs, on se demandera si la division en deux courants, statistique et structurel, est légitime ou si la diversité des traditions, des hypothèses et des méthodes n’exigent pas de nuancer cette opposition.

3Nous tenterons de répondre à ces questions en examinant dans un premier temps les caractéristiques qui opposent les deux courants dits « structurel » et « statistique ». Dans un second temps, on examinera les premiers travaux qui, dès les années 1950-1960, ont traité les ULC, ou bien en sont directement issus, même si les réalisations sont plus tardives : l’analyse des collocations issue de l’école de Londres, les études statistiques du vocabulaire français, les travaux s’enracinant respectivement dans les structuralismes européen et américain, enfin une approche ayant pour origine les travaux russes sur la représentation sémantique en traduction automatique. On verra que ces approches dénotent en fait des positions très différentes par rapport à la lexicalisation, conçue comme plus ou moins dynamique.

Deux approches du traitement automatique des ULC

4Pour l’une des approches, la prise en compte des ULC est prioritaire et doit précéder tout traitement automatique ; pour l’autre, au contraire, elle est secondaire, voire non pertinente, et le statut des groupes de mots n’est parfois pris en considération que de surcroît.

5Dans la première approche, issue du structuralisme, on peut distinguer plusieurs courants qui partagent toutefois un certain nombre de points communs :

  • la nécessité d’identifier les ULC par rapport aux syntagmes libres. Cette identification constitue un a priori incontournable à tout traitement automatique ;

  • la nécessité de les classer ;

  • leur stockage dans des listes (ou des dictionnaires) en vue de la tâche à accomplir ;

  • la séparation entre repérage, classement et stockage des idiomes d’une part, et tâche envisagée d’autre part : traduction automatique, recherche d’informations dans les textes, etc. Ce qui aboutira dans les travaux plus récents à un prétraitement du texte.

6On constate que ce qui varie au sein de cette approche, peut se résumer de la façon suivante :

  • la plus ou moins grande importance donnée à l’analyse interne des groupes de mots, c’est-à-dire à la recherche de leurs règles de formation ou de construction ;

    • 2 Voir les travaux précurseurs de Darmesteter sur le mode de construction syntaxique : Arsène Darmest (...)

    la préférence accordée à un traitement soit morphologique soit syntaxique dans les règles de construction, bien qu’en général, la priorité soit donnée à la syntaxe 2 ;

  • le mode d’identification des groupes de mots considérés soit comme des données en langue et listés a priori, soit identifiés dans la chaîne écrite par des procédures de reconnaissance automatique. Selon les cas, on partira d’unités considérées comme déjà lexicalisées et constituant une liste fermée, les autres étant obligatoirement des syntagmes libres, ou bien on considérera que l’unité composée est définie pour un corpus ou un discours donné ;

  • la prise en compte ou non du groupe de mots en tant qu’unité signifiante. En traduction automatique et plus généralement dans le processus de génération de texte, il va s’agir de trouver un équivalent dans la langue cible et souvent de reconstruire le composé. Le problème de non compositionnalité du sens qui caractérise les idiomes se retrouve alors au premier plan.

7La seconde approche est intéressante à examiner par contraste dans la mesure où la question des idiomes, expressions figées, ou unités lexicales composées n’est pas posée a priori. Au contraire, les groupes de mots sont repérés au cours de l’analyse et on ne leur accordera, si besoin est, un statut qu’en dernière instance. Ce second courant s’attache à étudier le fonctionnement lexical d’un texte ou d’un corpus à l’aide de méthodes statistiques de comptage de vocabulaire et de recherche de cooccurrences ; l’objectif étant une étude stylistique ou discursive d’un texte, d’une œuvre, d’un auteur, et plus généralement d’un corpus.

8Les deux principaux courants de cette seconde approche, issus de traditions différentes (voir la section suivante), partagent ces options :

    • la priorité est donnée au texte : il s’agit d’étudier le fonctionnement lexical d’un texte ou d’un corpus. C’est l’analyse stylistique ou discursive qui est première ;

    • le mot est la seule unité d’analyse de base, à l’exclusion de toute autre, syntagme ou phrase ;

    • aucun intérêt n’est accordé à l’analyse interne des groupes de mots ;

    • les groupes de mots ne forment jamais d’unités lexicalisées en langue a priori. C’est leur fonctionnement dans le texte qui décidera de leur regroupement ;

    • la mise en œuvre de méthodes statistiques permet le calcul des cooccurrences ou des collocations, donc de la distance des mots par rapport à un mot pivot. Il faut signaler que l’utilisation de l’analyse factorielle est très précoce en ce qui concerne les Anglais (début des années 1960).

9Les courants vont varier selon l’existence ou non d’une théorie du sens des mots, selon la théorisation ou non de l’utilisation des statistiques pour l’étude du vocabulaire et le type d’applications.

Analyse des collocations et des cooccurrences

École de Londres et collocations

  • 3 Sur la genèse de la notion de meaning by collocation chez Firth et son utilisation en Corpus Lingui (...)

10L’analyse des collocations est issue de la théorie contextualiste de l’école de Londres. Elle se donne comme texte fondateur l’article « Modes of meaning » rédigé en 1951 par le linguiste anglais John Rupert Firth et publié dans ses Papers en 1957. Ce texte distingue un niveau d’analyse linguistique spécifique nommé meaning by collocation3 :

  • 4 « Meaning by collocation is an abstraction at the syntagmatic level and is not directly concerned w (...)

Le sens par collocation est une abstraction au niveau syntagmatique et n’est pas directement lié à une approche conceptuelle du sens des mots. Un des sens de nuit est sa collocabilité avec obscur, et un des sens d’obscur est bien sûr sa collocation avec nuit. (traduction de l’auteur)4

  • 5 Pour une présentation historique des travaux de l’école de Londres, voir Stubbs (1993) et sur son r (...)

11Ce que Firth nomme « collocations » désigne en fait des expressions, tournures, ou constructions constituées dans le texte à partir d’un mot clé ou pivot. Le critère de répétition n’est pas vraiment évoqué, pas plus que leur détection par des méthodes statistiques, contrairement à ce qu’avancent certains travaux actuels en linguistique de corpus qui se donnent Firth comme pionnier du domaine5. La recherche des collocations s’inscrit pour Firth dans le cadre d’études stylistiques comme celle du Roi Lear et des correspondances du xviiie siècle.

12La notion de meaning by collocation a été mise en œuvre dans des procédures automatiques dès le début des années 1960 par des élèves de Firth, notamment par Michael Halliday en traduction automatique (Halliday 1956) et par John Sinclair en lexicologie (Sinclair 1966, Jones et Sinclair 1974). Cette tradition de traitement automatique du lexique a fortement marqué les Britanniques, et actuellement, d’autres pionniers de la traduction automatique qui ont développé des systèmes de traitement du lexique largement inspirés de l’analyse des collocations (Wilks et al. 1996 entre autres).

Études statistiques du vocabulaire français et analyse des cooccurrences

13Les études statistiques du vocabulaire sont apparues en France dans les années 1950-1960, avec pour origine les travaux de Mario Roques et son Inventaire général de la langue française de 1936. Pour jalonner l’émergence de ce courant, on peut citer, outre un certain nombre de colloques, la création, en 1959 à Besançon, du Laboratoire d’analyse lexicologique et des deux revues Les cahiers de lexicologie et Les études de linguistique appliquée, et les travaux de Charles Muller qui avait pour ambition de promouvoir la statistique lexicale comme partie intégrante de la linguistique. Ces travaux trouveront un essor particulier avec la création du Laboratoire de lexicologie politique de l’ENS de Saint-Cloud à la fin des années 1960.

14Dans les travaux de lexicométrie, le statut des éléments en cooccurrence ne va poser question que dans un second temps. Ainsi, les premiers travaux utilisaient des méthodes probabilistes qui mélangeaient deux types d’associations de nature différente : des couples de formes fonctionnant à l’intérieur d’unités lexicales composées, et des couples de formes présentes dans les mêmes phrases mais à des distances variables.

15Par exemple (voir Lafon 1981, p. 131), il n’y a aucune façon de se prononcer sur le statut du groupe « sociétés multinationales » dans un texte comprenant douze occurrences de « sociétés » dont cinq seulement sont suivies de « multinationales ». C’est pourquoi les auteurs ont élaboré une autre méthode appelée « inventaire des segments répétés » (Lafon et Salem 1983) qui repère des formes connexes. Mais là encore, parmi ces formes, on trouve à la fois des collocations (donner le coup de grâce), des syntagmes nominaux libres (la colère du Père Duchesne), mais aussi des suites sans autonomie de fonctionnement et difficilement interprétables, comme « n’y a pas de ». Quel statut donner à ces formes ? L’interprétation en est en fait laissée à l’analyste de discours travaillant sur le corpus.

  • 6 Il faut noter que, dès les années 1960, les deux traditions ne se sont pas développées de façon com (...)

16Pour conclure, on notera qu’en France le traitement automatique du langage commence par la mécanisation du lexique qui s’inscrit en droite ligne des préoccupations de nombreux linguistes de l’époque, à savoir l’étude du vocabulaire français et la stylistique, et qu’en Grande-Bretagne, les théories du sens des mots sont à l’origine des premiers travaux en traduction automatique et des études lexicographiques. Ces deux traditions seront souvent confondues lors du renouveau des études statistiques des années 1990, au profit souvent d’ailleurs de la seule référence à Firth6. Pourtant leurs implications dans les travaux structuralistes n’auront pas la même importance, en particulier, comme on va le voir, la distinction analyse structurale / analyse statistique ne tient pas complètement pour les premiers travaux.

Les approches issues du structuralisme

Les structuralistes français et la traduction automatique

  • 7 Mounin (1964), par exemple, rappelle que toutes les définitions des idiomes comme faits de langue é (...)

17Les projets de traduction automatique (TA), apparus en France au début des années 1960, ont conduit les linguistes à reconsidérer le mot comme unité d’analyse, alors que celui-ci était banni comme éminemment suspect par les structuralistes7. À partir du moment où on se donne comme unité de base d’analyse des textes le mot graphique, suite de lettres entre deux séparateurs, se pose la question du statut du groupe de mots : unité unique ou multiple ? L’héritage des études de vocabulaire, relayées par un intérêt pour la théorie mathématique de la communication de Shannon et Weaver d’une part, la spécificité du français comportant une puissance compositionnelle faible et nécessitant l’utilisation de plusieurs mots pour former des mots composés d’autre part, sont en partie responsables de cette mise en avant du mot graphique comme unité.

18On retiendra particulièrement les travaux de Bernard Pottier, parce qu’il est un des rares linguistes à s’être investis dans des travaux concrets de TA, et aussi parce qu’il a ouvert la voie à d’autres innovations concernant les groupes de mots, telles les synapsies d’Émile Benveniste et les synthèmes d’André Martinet (voir Léon 2004).

19Le fait de traduire un texte par la machine contraint Pottier à définir des unités qui soient des unités à la fois de segmentation du texte, de langue, de sens et de traduction. Il s’agit de faire coïncider forme graphique, unité syntaxique et unité sémantique. Pour répondre à ces contraintes multiples, Pottier propose une classification des mots et groupes de mots en lexies, qui sont des unités fonctionnelles définies en langue. Outre les lexies simples (chaise) et composées (sous-chef, cheval-vapeur), Pottier définit des lexies complexes (pomme de terre, prendre la mouche) qui vont poser un problème d’identification à la machine qui devra les distinguer des groupes de mots libres, ou syntagmes.

  • 8 Pottier s’intéresse aussi au mode de construction des lexies complexes. Il mentionne leur structure (...)

20Les critères d’identification sont essentiellement syntaxiques : ils signent l’impénétrabilité de l’unité par toute forme d’insertion ; ainsi les critères de non-séparabilité, de non-qualification et non-quantification (*il a pris la grosse mouche), auxquels il faut ajouter une contrainte logico-sémantique, à savoir le critère de non-prédicativité (*cette plaque est minéralogique)8.

21Toutefois un des critères retenus par Pottier est sémantique : l’identité du groupe de mots est sa référence à une désignation stable. Un autre critère, lié à l’objectif de traduction, vient de la comparaison inter- langues : une lexie complexe est susceptible de se traduire par une lexie simple dans une autre langue. C’est le cas de « cheval de course » et de son équivalent corcel en espagnol (critère possiblement inspiré de Bar-Hillel, comme on va le voir).

  • 9 Cette référence à un dépouillement sur corpus n’est pas sans faire penser au Français élémentaire d (...)

22Intervient aussi un critère statistique lié à la nécessité de classement et de stockage des expressions idiomatiques dans un dictionnaire comme préalable à tout traitement automatique. Pottier propose de les classer selon leur degré de lexicalisation déterminé statistiquement. Soit les deux groupes de mots « pousser une chaise » et « pousser un cri » (Pottier 1962). Comme il existe un nombre incalculable de verbes qui peuvent précéder « chaise », la probabilité que « chaise » soit précédée de « pousser » est faible. En revanche, il n’y a que quelques verbes qui peuvent précéder « cri » et la probabilité que « cri » soit précédé de « pousser » est beaucoup plus forte. On dira que « pousser un cri » a un fort degré de lexicalisation. Ce que ne précise pas Pottier, c’est à partir de quoi est établi ce degré de lexicalisation. Au vu de la citation ci-dessous, on peut comprendre que le degré de lexicalisation dépend de la fréquence d’usage, et que celle-ci doit être établie à partir d’études sur corpus (« les nombreux dépouillements-machine »)9 :

Pour mener à bien ce travail, il faut réaliser de nombreux dépouillements-machine afin de faire ressortir les associations lexicales de discours qui correspondent à des lexicalisations en langue. […] On ne saurait trop insister sur cet aspect du discours souvent considéré comme une simple juxtaposition de mots. (Pottier 1960, p. 205)

  • 10 Cette question était un élément de débat important dans les années 1960 et l’est encore pour la lin (...)

23Ce qui est essentiellement en jeu ici et qui pose problème, c’est le transfert, du corpus à la langue, de propriétés statistiques du lexique, sans que la légitimité de ce transfert soit explicitée10.

24Les travaux de Pottier montrent l’interpénétrabilité entre analyse structurale et analyse statistique qui a présidé aux recherches françaises dans le domaine automatique dans les années 1960. Ils permettent également d’observer une des difficultés liées aux travaux sur corpus et leur généralisation en langue.

Bar-Hillel : idioms et traduction automatique

  • 11 En France, c’est Greimas qui se fait l’écho des travaux de Bar-Hillel dans son article de 1960. Il (...)
  • 12 Les autres travaux menés aux États-Unis sur la composition lexicale concernent les problèmes d’iden (...)
  • 13 Bar-Hillel a été le premier chercheur à plein temps recruté en 1951 au MIT sur un projet de traduct (...)
  • 14 À noter que la grammaire générative ne s’est intéressée au lexique qu’après l’introduction d’un com (...)

25Bar-Hillel est le premier et le seul, aux États-Unis11, à s’intéresser dès 1951 au traitement automatique des idiomes12, considérant que leur classement et leur stockage dans un dictionnaire constituent un a priori incontournable dans une procédure de traduction automatique13. Sur ce point, Bar-Hillel se démarque nettement des structuralistes américains qui manifestent une totale absence d’intérêt pour les unités lexicales complexes. Ce désintérêt n’est d’ailleurs pas très étonnant quand on se souvient que c’est le morphème et non le mot qui constitue l’unité minimale et que l’unité de base est la phrase14.

26Bar-Hillel se démarque aussi de la position structuraliste en se défendant d’utiliser des procédures de découverte pour repérer des catégories linguistiques. Il refuse en effet de considérer les idiomes comme des catégories à part entière, et propose plutôt de leur affecter une définition variable en fonction des objectifs à atteindre. Se situant dans un objectif de traduction, Bar-Hillel met l’accent sur la non-traduisibilité des idiomes liée à leur caractère non compositionnel. Par exemple le sens de red herring, traduisible par Finte en allemand et « fausse piste » en français, n’est pas déductible de la traduction de red et de herring. En revanche, dit-il, il est toujours possible de trouver un usage littéral des idiomes : un hareng rouge dans les tableaux de Chagall par exemple. C’est ce qui montre qu’un idiome n’est pas une catégorie linguistique mais ressort aussi de l’ordre du discours. Cela dit, Bar-Hillel ne se pose pas la question de la lexicalisation, que ce soit en langue ou en discours. Il part d’unités lexicalisées que sont les idiomes et opte pour un stockage a priori.

Les travaux inspirés de Harris

27Alors que les structuralistes américains ne se sont pas intéressés aux ULC, c’est en France que l’analyse distributionnelle a été investie dans des travaux sur les groupes de mots, en particulier à partir des travaux de Harris. Toutefois la rencontre avec ces travaux a donné lieu à deux orientations différentes : les travaux de Jean Dubois et ceux de Maurice Gross.

28Jean Dubois, à l’inverse de Pottier, ne s’intéresse ni au mode de construction ni à la lexicalisation des groupes de mots. Il les appréhende comme unités sémantiques et le repérage des groupes nominaux complexes n’a qu’une fonction discursive pour un corpus donné. Dans une étude sur le vocabulaire politique et social en France de 1869 à 1872, Dubois (1960) examine des unités complexes comme « l’émancipation des travailleurs ». Le rôle que joue ce type d’unité dans le vocabulaire révolutionnaire leur fait perdre leur compositionnalité au profit d’un nouveau trait signifiant qui s’ajoute ou se substitue aux autres, tel que « établissement d’un nouvel ordre économique favorable aux travailleurs ». C’est par neutralisation, terme qu’il emprunte à la phonologie, que les unités composées se constituent comme unités sémantiques (on pourrait dire discursives) dans un texte. À partir du vocabulaire social de l’ époque considérée, il constitue une série d’unités sémantiques à l’aide de classes d’équivalence :

  • émancipation des travailleurs

  • des masses

  • des ouvriers

  • du prolétariat

  • de la classe ouvrière

29Dans ces expressions, le deuxième élément joue le rôle d’une variable que l’on peut commuter sans que rien ne soit changé au contenu sémantique de l’unité totale. Ce sont les éléments en position de déterminants qui jouent le rôle de variables ; étant commutables, ils sont neutralisés. Dubois insiste sur le caractère discursif de ces classes d’équivalence. En effet, à la même époque et dans d’autres contextes, les locuteurs n’emploient pas indifféremment « classe ouvrière », « les travailleurs », « les masses », et il n’est pas possible de faire commuter « prolétariat » avec « les travailleurs ».

30On notera le caractère dynamique des unités complexes proposées par Dubois. C’est dans le discours que les unités complexes prendront une signification spécifique par rapport au syntagme libre correspondant, soit par ajout, soit par commutation et neutralisation. On assiste ici au début de l’analyse de discours à la française, inspirée des travaux de Harris et dont l’automatisation sera mise en œuvre avec les travaux de Michel Pêcheux (1969).

31Par leur héritage éminemment harrissien, les travaux de Maurice Gross et du LADL (Laboratoire d’automatique documentaire linguistique) sur les phrases figées – dont le traitement automatique ne deviendra vraiment effectif que dans les années 1980 (Gross 1982, 1988, 1990, 1993) – s’ancrent également dans le structuralisme américain. Dans une perspective théorique qui privilégie l’empirisme, Maurice Gross considère que seul l’examen systématique de tous les éléments permet de découvrir d’éventuelles propriétés générales. C’est pourquoi il vise un inventaire le plus exhaustif possible des phrases figées, concrétisé dans la constitution d’un lexique-grammaire à la base de dictionnaires électroniques. Concernant cet inventaire des phrases figées, l’héritage harrissien est manifeste sous plusieurs aspects :

    • le souci de classification et la construction de classes d’équivalence sémantiques par des procédures syntaxiques ;

    • l’utilisation du terme « phrase figée », reflètant la priorité donnée à la phrase simple comme unité et non au mot, est caractéristique de la démarche harrissienne ;

    • la priorité donnée à la syntaxe ; les critères de définition des phrases figées sont exclusivement syntaxiques et les tests sur la possibilité d’appliquer des transformations concernent essentiellement le domaine verbal. Gross (1982) distingue trois types de phrases élémentaires, selon qu’elles sont fondées sur les verbes usuels, les verbes entrant dans des expressions figées, et les verbes supports.

  • 15 Voir sur ce point l’article de Nunberg et al. (1993) qui montre que certaines manipulations syntaxi (...)
  • 16 L’acceptabilité de ces phrases reste cependant discutable.

32Par ailleurs on retrouve la position (défendue par Bar-Hillel et Greimas) selon laquelle les expressions figées ne constituent pas une catégorie linguistique à part entière. Pour Maurice Gross, il y a un continuum entre formes libres et formes figées. Les phrases figées témoignent souvent d’une plus grande cohésion syntaxique que les formes libres mais il est toujours possible de les modifier15. Par exemple, dans le cas de « Max a cassé sa pipe », il n’existe pas de forme passive *la pipe est cassée par Max, mais une forme passive est tout de même possible : « une fois sa pipe cassée, nous serons libres d’agir »16.

33Ainsi Gross revendique de stocker comme figées aussi bien des phrases présentant ce qu’il appelle des particularités grammaticales (Luc rend hommage à Léa) que des phrases proprement idiomatiques (Luc met la charrue avant les bœufs). De fait, on en arrive à ce que les expressions figées soient plus nombreuses que les formes libres ; d’où la nécessité de les lister systématiquement dans un dictionnaire avant tout traitement automatique.

34Il faut souligner que Gross ne travaille que sur des expressions déjà lexicalisées non sensibles aux variations du discours. En particulier, s’il est toujours possible de redécomposer un idiome en un syntagme libre, le contraire n’est pas vrai : un syntagme libre, s’il n’a pas été stocké au préalable, ne peut être considéré comme une expression figée.

L’approche sémantique d’Igor Mel’cuk

  • 17 Voir Archaimbault et Léon (1997).

35Nous terminerons par l’approche d’Igor Mel’cuk (1995) qui présente l’intérêt de prendre le relais, pour les ULC, de travaux qu’il a engagés dans les années 1950 sur la traduction automatique en URSS, poursuivis dans les années 1970 avec l’élaboration de son modèle sens-texte et plus récemment avec la mise au point de son Dictionnaire explicatif et combinatoire du français contemporain. L’approche de Mel’cuk se distingue radicalement des approches précédentes par une focalisation sur la production des ULC plutôt que sur leur reconnaissance et sur leurs caractéristiques sémantiques internes. Dès les années 1950, Mel’cuk s’intéresse davantage à la synthèse en langue cible de la traduction automatique qu’à l’analyse de la langue source et il jette les bases d’une langue intermédiaire fondée sur une représentation sémantique commune à toutes les langues17. De même pour les ULC qu’il nomme « phrasèmes », Mel’cuk met l’accent sur leur production en recherchant les traits linguistiques pertinents qui justifient leur sélection par les locuteurs.

36En nommant « phrasèmes » les unités lexicales composées, Mel’cuk opte pour le syntagme et non pour le mot comme unité de base. Il considère en effet que les phrasèmes sont plus nombreux en langue que les syntagmes libres et que les locuteurs parlent en phrasèmes plus qu’en mots. On retrouve ici la position de Maurice Gross avec lequel Mel’cuk partage aussi l’idée que les locuteurs doivent apprendre par cœur les expressions figées et que cet apprentissage relève d’hypothèses cognitives plus que linguistiques. Comme Gross encore, Mel’cuk considère que tout traitement automatique est conditionné par la constitution d’un dictionnaire a priori des phrasèmes le plus exhaustif possible (Mel’cuk et al. 1984). Toutefois, la ressemblance entre les deux approches s’arrête là. Mel’cuk ne postule pas comme Gross une continuité entre syntagmes libres et phrasèmes. De plus, l’analyse et le classement des phrasèmes est sémantique et non syntaxique. Ainsi Mel’cuk distingue quatre types de phrasèmes en fonction du degré de compositionnalité du sens des différents composants :

    • les pragmatemes (best before / à consommer avant, date limite de vente) dont le sens est transparent et compositionnel, mais qui présentent selon les langues des formes conventionnelles non remplaçables ;

    • les full phrasemes ou idiomes (shoot the breeze, spill the beans) caractérisés par la non compositionnalité et la non traductibilité ;

    • les semiphrasemes ou collocations (to do a favor, to launch an attack) ou expressions lexicales fonctionnelles. Le sens est compositionnel et le mot clé est suivi d’un élément prédictible ;

    • les quasi-phrasemes ou quasi-idiomes (to start a family, shopping center) caractérisés par la compositionnalité du sens et la prédictibilité de l’élément additionnel.

*

37Cette présentation des premiers traitements automatiques des ULC a permis de montrer que l’opposition généralement admise aujourd’hui entre analyse structurale et analyse statistique n’est pas tout à fait satisfaisante. On a vu par exemple que Pottier utilisait un critère statistique pour établir le degré de lexicalisation sans d’ailleurs lever l’ambiguïté entre langue et corpus, et que Dubois rendait compte de collocations dans un corpus sans faire appel aux statistiques mais sur des critères exclusivement discursifs. Des critères purement sémantiques peuvent être utilisés pour classer et stocker les ULC.

38Il apparaît également que l’opposition analyse structurelle / analyse statistique ne recouvre pas l’opposition langue / discours ou langue / corpus. Certains travaux récents (David 1993) se sont d’ailleurs donné pour tâche, en distinguant mode de construction et lexicalisation, de repérer les ULC à l’aide d’un analyseur syntaxique et de les considérer comme potentiellement figées pour un corpus donné. Enfin on notera que les travaux les plus récents explorent les processus de reconnaissance de productions des idiomes à partir d’hypothèses cognitives en psycholinguistique ( Everaert et al. 1995).

Bibliographie

Références

Archaimbault Sylvie et Léon Jacqueline, 1997, « La langue intermédiaire dans la traduction automatique en URSS (1954-1960). Filiations et modèles », Histoire Épistémologie Langage, n° 19-2, p. 105-132.

Aronoff Mark, 1976, Word formation in Generative Grammar, Linguistic Inquiry Monographs 1, Cambridge (Mass), MIT Press.

Bar-Hillel Yehoshua, 1955, « Idioms », Machine Translation of Languages, 14 essays, William N. Locke et Andrew D. Booth éd., New York, MIT et John Wiley, p. 183-193.

David Sophie, 1993, « Remarques à propos du mode de construction des unités de forme NN », TAL, n° 34-2, p. 59-74.

Dubois Jean, 1960, « Les notions d’unité sémantique complexe et de neutralisation dans le lexique », Cahiers de lexicologie, n° 2, p. 62-66.

Everaert Martin, Van Der Linden Erik-Jan, Schenk André et Schreuder Rob éd., 1995, Idioms : Structural and Psychological Perspectives, Hillsdale, Lawrence Erlbaum Associates.

Firth John Rupert, 1957 [1951], « Modes of meaning », Papers in Linguistics (1934-1951), Oxford, Oxford University Press, p. 190-215.

Gougenheim Georges, Michea Robert, Rivenc Paul et Sauvageot Aurélien, 1954, L’élaboration du français élémentaire, Paris, Didier.

Greimas Algirdas Julien, 1960, « Idiotismes, proverbes, dictons », Cahiers de lexicologie, n° 2, p. 41-61.

Gross Maurice, 1982, « Une classification des phrases figées du français », Revue québécoise de linguistique, n° 11-2, p. 151-185.

—, 1988, « Les limites de la phrase figée », Langages, n° 90, p. 7-22.

—, 1990, « Le programme d’extension des lexiques électroniques », Langue française, n° 87, p. 123-127.

, 1993, « Les phrases figées en français », L’information grammaticale, n° 59, p. 36-41.

Habert Benoît et Jacquemin Christian, 1993, « Noms composés, termes, dénominations complexes : problématiques linguistiques et traitements automatiques », TAL, n° 34-2, p. 5-43.

Halliday Michael A. K., 1956, « Linguistic basis of the thesaurus-type mechanical dictionary and its application to English-preposition classification », Mechanical Translation, n° 3-2, p. 36-37.

Jones Susan et Sinclair John M., 1974, « English lexical collocations. A study in computational Linguistics », Cahiers de lexicologie, n° 24, p. 15-61.

Lafon Pierre, 1981, « Analyse lexicométrique et recherche des cooccurrences », Mots, n° 3, p. 95-147.

Lafon Pierre et Salem André, 1983, « L’inventaire des segments répétés d’un texte », Mots, n° 6, p. 161-177.

Léon Jacqueline, 2001, « Conceptions du mot et débuts de la traduction automatique », Histoire Épistémologie Langage, n° 23-1, p. 81-106.

—, 2004, « Lexies, synapsies, synthèmes : le renouveau des études lexicales en France au début des années 1960 », History of Linguistics in Texts and Concepts. Geschichte der Sprachwissenschaft in Texten und Konzeptionen, Gerda Hassler éd., Münster, Nodus Publikationen, p. 405-418.

—, 2007, « Meaning by collocation. The Firthian filiation of Corpus Linguistics », Papers from the tenth International Conference on the History of the Language Sciences (ICHoLS X), Urbana, Illinois (1-5 Sept. 2005), Douglas Kibbee éd., Amsterdam, Benjamins, p. 404-415.

—, « Aux sources de la “Corpus Linguistics” : Firth et la London School », Langages (à paraître).

Mel’cuk Igor A., 1995, « Phrasemes in language and phraseology in linguistics », Idioms : Structural and Psychological Perspectives, Martin Everaert, Erik-Jan Van Der Linden, André Schenk et Rob Schreuder éd., Hillsdale, Lawrence Erlbaum Associates, p. 167-232.

Mel’cuk Igor A., Arbatchewsky-Jumarie Nadia, Elnitsky Léo, Iordanskaja Lidija et Lessard Adèle, 1984, Dictionnaire explicatif et combinatoire du français contemporain, Montréal, Les Presses de l’université de Montréal.

Mounin Georges, 1964, La machine à traduire. Histoire des problèmes linguistiques. La Haye, Mouton.

Muller Charles, 1968, Initiation à la linguistique statistique, Paris, Larousse.

Nunberg Geoffrey, SAG Ivan A. et Wasow Thomas, 1994, « Idioms », Language, n° 70-3, p. 491-538.

Pêcheux Michel, 1969, Analyse automatique du discours, Paris, Dunod.

Pottier Bernard, 1960, « Les travaux lexicologiques préparatoires à la traduction automatique », Cahiers de lexicologie, vol. 2, p. 200-206.

Reifler Erwin, 1955, « The mechanical determination of meaning », William N. Locke et Andrew D. Booth éd., Machine Translation of Languages, 14 essays, New York, MIT et John Wiley, p. 136-164.

Sinclair John M., 1966, « Beginning the study of lexis », In Memory of J. R. Firth, Charles E. Bazell, John C. Catford, Michael A. K. Halliday et Robert H. Robins éd., Londres, Longmans, p. 410-430.

Stubbs Michael, 1993, « British traditions in text analysis – from Firth to Sinclair », Text and Technology. In Honour of John Sinclair, Mona Baker, Gill Francis et Elena Tognini-Bonelli éd., Amsterdam, John Benjamins, p. 1-36.

Tournier Maurice, 1980, « D’où viennent les fréquences de vocabulaire ? », Mots, n° 1, p. 189-209.

Wilks Yorick A., Slator Brian M. et Guthrie Louise, 1996, Electric Words : Dictionaries, Computers and Meanings, Cambridge, MA, Londres, MIT Press.

Notes

1 Les termes abondent pour désigner les groupes de mots : certains, forgés par les auteurs eux-mêmes, comme lexie, synapsie, synthème ou phrasème ; d’autres révélant un des traits qui les caractérisent, comme expressions figées. Le terme en usage depuis le début des années 1990 dans la littérature anglo-américaine est idioms, peut-être hérité de Bar-Hillel (1955). Cette dénomination n’est pas sans poser question. En effet on peut se demander pourquoi l’unité la plus « figée » et la plus opaque sémantiquement est choisie actuellement pour désigner l’ensemble du domaine.

2 Voir les travaux précurseurs de Darmesteter sur le mode de construction syntaxique : Arsène Darmesteter, Traité de la formation des mots composés dans la langue française comparée aux autres langues romanes et au latin, 1875 (2e édition 1893), Paris, Honoré Champion, 1967.

3 Sur la genèse de la notion de meaning by collocation chez Firth et son utilisation en Corpus Linguistics, voir Léon (2007).

4 « Meaning by collocation is an abstraction at the syntagmatic level and is not directly concerned with the conceptual or idea approach to the meaning of words. One of the meanings of night is its collocability with dark, and of dark, of course, collocation with night » (Firth 1951 [1957], p.196).

5 Pour une présentation historique des travaux de l’école de Londres, voir Stubbs (1993) et sur son rôle dans la Corpus Linguistics, voir Léon (à paraître).

6 Il faut noter que, dès les années 1960, les deux traditions ne se sont pas développées de façon complètement indépendante. Des élèves de Firth, notamment Halliday et Sinclair, ont participé aux travaux du Centre de lexicologie de Besançon dès 1962.

7 Mounin (1964), par exemple, rappelle que toutes les définitions des idiomes comme faits de langue étaient constituées de traits purement négatifs et comme reliquat des analyses formelles.

8 Pottier s’intéresse aussi au mode de construction des lexies complexes. Il mentionne leur structure interne en termes de catégories (subst., adj. ou V) où l’on voit émerger un début de traitement syntaxique. Il introduit une catégorisation qui s’apparente à la notion de tête en grammaire syntagmatique : « plaque tournante » est catégorisée comme substantif, parce que c’est la catégorie hiérarchiquement supérieure. Ainsi subst. + adj. = subst.

9 Cette référence à un dépouillement sur corpus n’est pas sans faire penser au Français élémentaire de Gougenheim, Rivenc, Michea et Sauvageot, paru en 1954 et très certainement connu de Pottier. Le Français élémentaire se voulait une méthode d’apprentissage du français comme langue étrangère, fondée sur la fréquence d’usage et la disponibilité du vocabulaire. Constitué à partir d’un corpus oral de différentes variétés de français, il peut être considéré comme un pionnier dans le domaine. Il comprenait une liste de 1 350 mots fréquents ou disponibles – c’est-à-dire pas souvent prononcés mais constamment à notre disposition dans la conversation – établie à partir de 163 conversations enregistrées auprès de 75 locuteurs.

10 Cette question était un élément de débat important dans les années 1960 et l’est encore pour la linguistique de corpus actuelle. Ainsi Muller (1968, p. 136) distingue le « vocabulaire », de l’ordre du texte, et le « lexique », de l’ordre de la langue : « Il y a intérêt à distinguer entre lexique et vocabulaire, et à réserver le premier de ces termes à la langue, le second au discours. » Voir aussi Tournier (1980) qui explicite ce point de façon détaillée.

11 En France, c’est Greimas qui se fait l’écho des travaux de Bar-Hillel dans son article de 1960. Il expose la difficulté à classer les idiomes entre propriétés lexicales et syntaxiques, et multiplie les types d’idiomes.

12 Les autres travaux menés aux États-Unis sur la composition lexicale concernent les problèmes d’identification des différentes unités dans les formes composées notamment en allemand : Wachtraum décomposable en Wacht/raum ou Wach/traum (Reifler 1955).

13 Bar-Hillel a été le premier chercheur à plein temps recruté en 1951 au MIT sur un projet de traduction automatique.

14 À noter que la grammaire générative ne s’est intéressée au lexique qu’après l’introduction d’un composant de morphologie dérivationnelle (Aronoff 1976).

15 Voir sur ce point l’article de Nunberg et al. (1993) qui montre que certaines manipulations syntaxiques sont possibles sur de nombreux idiomes, notamment les modifications et le mouvement. Voir également plusieurs études de l’ouvrage d’Everaert et al. (1995).

16 L’acceptabilité de ces phrases reste cependant discutable.

17 Voir Archaimbault et Léon (1997).

Le texte et les autres éléments (illustrations, fichiers annexes importés) sont sous Licence OpenEdition Books, sauf mention contraire.

Rechercher dans OpenEdition Search

Vous allez être redirigé vers OpenEdition Search