La contribution des bases de données spécialisées à la recherche en histoire des théories linguistiques : deux exemples
p. 207-218
Texte intégral
Rappel historique : les conditions de production
1En 1987, le rapport de l’URA 381, ancêtre de l’UMR 7597, définissait ainsi la notion de « résultat » : « Par “résultat” en histoire des théories linguistiques, il faut entendre : soit l’établissement d’un fait jusque-là inconnu, soit la construction d’un modèle descriptif ou évolutif correspondant à une certaine classe de phénomènes, soit la confirmation ou la falsification d’un modèle connu, soit enfin la constitution de matériaux de base (éditions critiques, dépouillement d’archives, bibliographie, synthèses, etc.) » (1987, p. 4).
2Dans ses conclusions (p. 69), le rapport de 1991 rappelait cette définition, qui est une constante constamment réaffirmée par Sylvain Auroux, mais contenait aussi cette phrase, formulée à propos de la participation de l’équipe à la base de données bibliographiques Renaissance Linguistics Archive : « Les banques de données actives dans nos programmes doivent essentiellement être conçues comme des fichiers informatisés à usage interne, dont le rôle essentiel est – pour l’instant – de cumuler l’information. Le passage à une autre dimension n’est pas encore à l’ordre du jour, même s’il est éminemment souhaitable, et nous y réfléchissons constamment » (p. 70).
3Quelques 20 ou 25 ans plus tard, il est intéressant de revenir sur deux points : 1) en 1987, un résultat peut être apporté par une édition critique ; 2) en 1991, une base de données était conçue avant tout comme un instrument interne au service d’autre chose, mais, dans sa vision anticipatrice – qui a constamment modelé les structures du laboratoire –, Sylvain Auroux lui voyait déjà d’autres fonctions, encore difficiles à définir. De fait, les bases de données de textes ont acquis leur autonomie et constituent aujourd’hui une autre forme, reconnue, d’édition critique.
4Nous voudrions revenir sur deux d’entre elles, conçues dans le laboratoire, et issues d’un projet élaboré dans les années quatre-vingt-dix, celui du Dictionnaire de la terminologie linguistique. Le projet était bien celui d’un dictionnaire papier, mais l’idée de lui associer un « cédérom » était présente dans l’esprit de son concepteur. Ce dictionnaire devait associer l’expertise linguistique contemporaine, fournie par les plus éminents linguistes contemporains, au « noyau dur du long terme », selon une expression chère à Sylvain. D’où l’idée de choisir les textes les plus importants dans une sélection de traditions linguistiques, de les décrire dans une notice constituée de rubriques identiques pour chaque ouvrage et contraintes dans leur volume, cet ensemble constituant une partie du DTL. Le rapport de 1995 précisait déjà le rôle de ce Corpus représentatifde référence : « L’idéal serait qu’à terme ce corpus bénéficie d’une saisie informatique et d’une édition sur disque, connectée à une édition informatique du dictionnaire » (p. 100).
5C’est que, parallèlement, les outils informatiques ont évolué très rapidement, après des débuts difficiles : je revois encore Jocelyne Arpin ou Jacques Julien experts dans le maniement du pourtant bien rebutant « d-Base III Plus » – la première gérant le laboratoire et le fichier de la SHESL, le second imaginant une base de données pour étudier la terminologie des parties du discours – ou encore, un peu plus tard, Jacqueline Léon tentant d’apprivoiser « Omnis 7 » (rapport de 1995, p. 131-133) pour ce fameux corpus de référence. Par ailleurs, le support évoluait : les bases ont été sur « cédérom », puis sur « dévédérom », et ne sont maintenant plus guère qu’« en ligne ».
6Conçu pour être informatisé, le Corpus représentatif des grammaires et des traditions linguistiques (à l’avenir CRGTL) a néanmoins connu, pour sa première parution, une classique édition papier, dans deux numéros hors-série d’Histoire Épistémologie Langage (1998, 2000). C’est de là que sont parties les deux bases que nous évoquerons. Il y en a d’autres, comme le remarquable CGL, Corpus grammaticorum Latinorum, également conçu dans l’équipe sous la direction d’Alessandro Garcea, très bien connu des antiquisants et encore en cours de développement, ou encore le Centre de recherches en histoire et épistémologie comparée de la linguistique d’Europe centrale et orientale (CRECLECO) développé à Lausanne par Patrick Sériot et conçu pour rassembler des textes de linguistique slave.
7Revenons à l’histoire. Première étape : en 1999, Claude Blum, alors directeur éditorial de Champion et lui-même auteur d’un cédérom des œuvres de Montaigne, m’écrit à propos de ce qu’il appelle notre « bibliographie » (il désigne ainsi l’édition papier du CRGTL) et nous propose de faire un « cédérom » des grammaires françaises, projet qu’il a en tête depuis longtemps. Seconde étape : suite à ma nomination en 2001 à l’ENSLettres et Sciences Humaines (intégrée depuis dans l’ENS de Lyon), Arnaud Pelfrêne, responsable du CID (Centre d’ingénierie documentaire), me propose de créer une base de données des notices et de la bibliographie du CRGTL, en y associant les textes de certaines sections. Les deux projets s’élaborent alors parallèlement dans des structures différentes : d’un côté, une base payante, développée par un éditeur privé, concentrée sur les grammaires françaises (33 textes pour la période Renaissance/ xviie siècle) ; de l’autre, une base en libre accès, développée dans le cadre de l’ENS LSH à l’aide de projets subventionnés (CPER, 2002-2006 ; ANR-DETCOL, 2007-2011), et centrée sur les textes de linguistique générale (une centaine de textes, surtout des xixe et xxe siècles).
8Un peu plus d’une dizaine d’années plus tard, la première base, le Grand Corpus des grammaires françaises, des remarques et des traités sur la langue (xive-xviie siècles) est ouverte au public (en accès payant) en juillet 2011, et intègre une base de remarques sur la langue française, réalisée sous la direction de Wendy Ayres-Bennett ; la seconde, le Corpus de textes linguistiques fondamentaux (CTLF, en ligne : [http://ctlf.ens-lyon.fr/default.htm]) qui englobe le CRGTL, est ouverte en accès libre dès juillet 2004 (soit cinq ans avant le Grand Corpus), puis refondue en juillet 2007, avec l’ouverture de la base d’images à laquelle est venue s’associer en 2009 la base de textes. À partir de l’automne 2012 s’ouvre progressivement la base Frantext-CTLF qui permet de rechercher dans l’ensemble du corpus (voir infra).
Objectifs et conception
9Quel choix pour les ouvrages ? Les deux projets se caractérisent par une volonté de représentativité d’un champ donné, mais non d’exhaustivité. Le Grand Corpus contient les ouvrages qui nous ont paru principaux par rapport à l’ensemble des grammaires et des textes représentatifs des remarques et observations sur la langue française. Dans sa première livraison, il comprend des ouvrages de la Renaissance et du xviie siècle, mais il est appelé à intégrer des ouvrages du xviiie siècle (période particulièrement faste pour la grammaire française), puis du xixe siècle. Pour le CRGTL, la représentativité est encore plus éloignée de l’exhaustivité. Il s’agit d’une sélection internationale d’ouvrages, avec la difficulté de savoir quels sont réellement les ouvrages linguistiques majeurs d’une période aussi proche que l’est la première moitié du xxe siècle.
10Comment les textes ont-ils été traités ? Les méthodes ont été complètement différentes : pour le Grand Corpus, balisage par surlignage manuel sur papier, saisie (externalisée) en double aveugle par des opérateurs + compilation des saisies, puis correction et confection des index par les éditeurs scientifiques, les textes leur étant alors fournis sous deux formes : balisés et semi-balisés. Pour le CTLF, océrisation des textes, puis correction sur ordinateur, à l’aide notamment d’une « boîte à outils » contenant des macros facilitant une mise en forme des textes (exemple mise en forme italiques, petites/grandes majuscules, exposant, indice, tester le bloc, supprimer/ajuster les effets, bizarre pour les textes présentant des coquilles manifestes, etc.).
11Comment se fait l’accès au texte ? Dans le Grand Corpus (comme dans les autres bases Classiques Garnier Numérique), l’écran est divisé en deux parties. La partie droite donne accès au texte par une présentation à trois états : l’internaute peut voir soit le texte numérisé, soit le fac-similé, soit les deux textes séparés par une barre horizontale mobile. La partie gauche donne l’accès à la table des matières à trois niveaux maximum. Dans le CTLF, l’accès au texte se fait par deux sites différents : l’un est chargé des images. Le texte est alors accessible par une table des matières « dépliable » selon le degré de finesse voulu pour entrer dans le détail du texte (jusqu’à 8 niveaux de profondeur). Le second site est chargé du texte numérisé, mais l’accès au fac-similé reste possible : un clic sur un numéro de page provoque l’ouverture d’une fenêtre où s’affiche la page fac-similée correspondante qui vient, bien entendu, de la base d’images. C’est évidemment une fonctionnalité indispensable lorsque la page contient des objets graphiques qui ont été remplacés par des balises, ou des caractères qui n’ont pu être transcrits. C’est également un outil de vérification.
12Le principe du respect des textes : dans un document sur leur site, les éditions Classiques Garnier Numérique posent comme principe la « reproduction à l’exact identique des œuvres, dans toutes leurs traces. L’éditeur numérique s’interdira le jugement, la sélection, la destruction de données présentes sur l’original. Tout signe est déclaré faire sens. L’édition numérique dédiée à l’édition patrimoniale sera réalisée selon les règles connues de “l’édition diplomatique”, dans le respect absolu de l’original ». Pour respecter le texte original, on garde toutes les erreurs manifestes de typographie, les « coquilles », mais on les met en note, leur substituant dans le texte original la forme correcte. Par contre on ne touche pas aux variantes orthographiques, très nombreuses, on le sait, dans le passé (voir par exemple singuler/singulier, pulier/puliere, vouyel/ voielx, etc. dans le Donait françois de John Barton).
13Même principe dans le CTLF : dans un premier temps, la correction est dite de niveau 1, c’est-à-dire qu’elle ne règle pas tous les problèmes de transcription. Mais là aussi, le principe est celui du respect absolu de la graphie présente dans l’ouvrage : même les erreurs typographiques, les fautes manifestes d’accord, etc., sont gardées, mais sont signalées par la balise spécifique « biz » (bizarre). Elles sont soigneusement répertoriées dans un fichier à part, appelé « Commentaires », qui retrace l’histoire complète de la correction, depuis l’extraction et la structuration des textes jusqu’à leur publication.
14Il y a cependant des limites dans la fidélité de la reproduction des textes. Le Grand Corpus utilise deux polices « maison » (Seize et Grec, à télécharger) et leur associe une police Doulos SIL : mais certains caractères spéciaux, dus aux exigences des auteurs et à l’ingéniosité des imprimeurs du xvie siècle, n’ont pu être reproduits ; les traiter comme des images rendait compliquées les recherches ; nous avons recouru à des tableaux de correspondance avec un caractère sinon équivalent, du moins proche, et ces tableaux sont donnés dans des Annexes sur la page d’accueil. Pour le CTLF, le principe retenu est celui de l’Unicode ; dans la mesure du possible, dans l’édition numérique, on évite les combinaisons de signes, mais certains doubles diacritiques (par exemple à la fois le signe de brève et de longue sur une voyelle) nous posent problème.
15Autre caractéristique importante : le multilinguisme. Les deux corpus examinés sont des corpus multilingues, pour des raisons différentes. Le Grand Corpus a pour langue cible le français, avec le cas particulier de quelques textes, dont la langue cible est le latin, et qui ne sont qu’indirectement des grammaires françaises, le français étant la langue connue de l’apprenant et lui permettant ainsi « d’apprendre son latin », comme le dit le début des Principalia grammaticalia de Martin Morin : « Par quantes manieres doit on commencher son latin a faire ? ». Mis à part ces cas spécifiques, la métalangue utilisée par les autres ouvrages n’est pas exclusivement le français : il s’agit d’abord du latin, amplement utilisé à la Renaissance pour l’apprentissage en général dans les pays germaniques (6 textes), mais aussi de l’anglais, métalangue de l’énorme ouvrage de Palsgrave, utilisé également par Mauger, de l’allemand, utilisé par Du Vivier, et du néerlandais, mis en correspondance avec le français par La Grue. Un texte, L’acheminement à la langue française, de Jean Masset, bilingue, est donné en deux colonnes : français, latin.
16Le CTLF a choisi pour objet les ouvrages qui parlent du langage et des langues dans une optique de comparaison (tel est l’objet des compilations linguistiques). La part des langues dans les textes corrigés s’établit ainsi (juin 2012) :

17La domination du français s’explique par le fait que certains textes (notamment allemands) ont été traités dans leur traduction française, celle de l’anglais s’explique par la part importante de la linguistique anglo-saxonne. La sous-représentation relative de l’allemand (alors que la linguistique historico-comparative du xixe siècle a majoritairement été rédigée dans cette langue) s’explique en partie par le manque de germanistes engagés dans le projet, en partie aussi par la nature des textes traités : les textes relevant de ce domaine sont extrêmement longs et difficiles à traiter du fait de l’abondance des diacritiques utilisés, ce qui est également le cas pour les textes en français du même secteur (le Mémoire sur le système primitifdes voyelles dans les langues indoeuropéennes de Saussure a exigé 245h30 pour sa seule correction).
Données quantitatives
18Le Grand Corpus réunit trois bases de textes qui sont également accessibles séparément : le Corpus des grammaires de la Renaissance ; le Corpus des grammaires du xviie siècle ; le Corpus des remarques et observations sur la langue française.

19Fortement balisé pour permettre toutes sortes de recherches (voir infra), il est centré quasi exclusivement sur les textes (dont il distingue les avant- et les post-textes) ; il ne comprend en principe que les textes, montrés sous deux formes (texte numérisé et image), avec les outils et l’aide qui permet de les exploiter. Notamment des annexes sur la page d’accueil : correspondances images/caractères utilisés pour les graphies spécifiques aux auteurs du xvie siècle notamment ; fac-similés quand la mise en regard du texte et du fac-similé n’était pas possible.
20Le CTLF a un objet plus large. Il s’agit d’un portail à vocation encyclopédique permettant de décrire, selon des rubriques prédéfinies, 563 ouvrages fondamentaux de différentes traditions linguistiques et, pour une centaine d’entre eux, de les montrer, là aussi sous deux formes (images et textes numérisés). Il réunit 5 sites : notices descriptives (site vert) ; bibliographie afférente d’environ 3 000 titres (site bleu) ; images des textes (site rouge) ; textes numérisés (site jaune) ; articles en lien avec l’histoire des théories linguistiques et avec le développement du projet (site orange).
21À raison de 5 500 caractères par notice (la limite supérieure était fixée à 8 000 signes dans la version papier [2 vol. de 536 et 652 pages] ; de telles limites ont moins d’importance dans une version informatisée), la base des notices occupe environ trois millions de signes.
22La base d’images comprend 145 volumes, soit environ 70 000 images.
23La base la plus comparable à celle du Grand Corpus est celle des textes corrigés. Une nouvelle unité de référence apparaît : la notion de volume (objet matériel et éditorial correspondant à un fac-similé) de la base d’images est remplacée par celle de texte, ce qui a permis de mieux appréhender les auteurs, les dates et la cohérence des contenus. Outre la ou les préfaces et les éventuelles postfaces, dans les ouvrages collectifs, les différentes contributions ont été distinguées. C’est ainsi que nous avons abouti à une base de 713 textes correspondant à 100 volumes (données : juin 2013).


24Comme ces tableaux le montrent, les données dont nous disposons ne sont pas homogènes pour les deux bases. En nombre de pages, le site des textes du CTLF est presque deux fois plus gros que le Grand Corpus, mais, à la différence de ce dernier (pour les textes duquel les droits ont été éventuellement achetés par l’éditeur commercial), tous les textes ne sont pas libres de droits. Nous ne pouvons dans ce cas montrer que la table des matières, mais nous pourrons les exploiter dans un outil en cours de développement qui nous permet aussi d’en publier des extraits limités (voir infra, Frantext-CTLF).
25Les auteurs du Grand Corpus sont une quarantaine. Les auteurs principaux de la base de textes du CTLF sont environ 70, si l’on tient compte du fait que certains auteurs ont à leur crédit des ouvrages qui appartiennent à deux, voire trois catégories (voir Meillet, auteur d’une compilation, de plusieurs ouvrages de grammaire comparée et d’ouvrages relevant de la linguistique générale). Mais si l’on considère le nombre total des auteurs, y compris les auteurs de préfaces, de postfaces, les traducteurs, etc., il atteint 125, qui sont récapitulés dans une table et extractibles par la fonction « Liste des auteurs ».
26Des données quantitatives d’une tout autre nature concernent le temps passé à la correction des textes. Pour le Grand Corpus, nous ne disposons d’aucun chiffre, mais le temps passé à la préparation des textes (balisage par surlignage sur papier), à leur correction, à la création puis à l’homogénéisation des index a été considérable, tant pour les éditeurs scientifiques que pour l’équipe technique de Garnier. Nous donnerons l’exemple suivant : la fabrication et la normalisation des entrées concernant les auteurs cités selon le principe : <N>{nom d’auteur}</N>, <E>{occurrences trouvées dans les textes}</E>. Parmi les « auteurs sources d’exemples, de citation ou d’opinion », figure Octovien de Saint-Gelais, auteur souvent utilisé par Palsgrave. L’index correspondant à la requête « Saint-Gelais, Octovien de » produit 29 résultats :
the bysshoppe of Angolesme, Levesque Danguillesme, Levesque, Levesque Danguellesme, the bysshoppe, Levesque Dangullesme, the Bysshoppe of Anguyllesme, the bisshope of Anguillesme, Idem, the Bysshoppe, Leuesque Dangoullesme, Leuesque, the bysshop, the same auctour, etc.
27Autant de variantes qu’il a fallu rassembler sous un même chapeau dans un thesaurus des auteurs dont on imagine la complexité, plus grande encore pour les titres, où les possibilités de variantes sont plus nombreuses.
28Pour le CTLF, nous disposons de données chiffrées précises concernant la version texte :

29Rapportée aux 100 volumes et aux 713 textes, la correction et la normalisation représentent une moyenne de 79 heures par ouvrage ou de 11h 20 par texte. C’est évidemment considérable.
Fonctionnalités : quelles recherches ?
30Il serait trop long d’énumérer ici toutes les recherches possibles dans les deux bases, qui fournissent toutes les deux des aides à la recherche.
31Le Grand Corpus, fortement outillé, notamment pour la recherche des auteurs et des titres, propose les éléments suivants :
32Recherche simple
33On peut chercher :
34Dans les trois bases, ou une ou deux d’entre elles
35Dans le texte, les avant-textes, les post-textes, la base bibliographique
36Affichage de 4 index de recherche par défaut, mais on peut en ajouter d’autres.
37Ex. nombre de pages
38Ex. date de composition (déconseillé, sauf manuscrit)
39Ex. date d’édition/d’impression (recommandé)
40Ex. éditeur/imprimeur
41Ex. format (l’in-octavo et l’in-12 dominent)
42Recherche avancée
43Auteurs et titres
44Auteur source d’exemple, de citation ou d’opinion
45Auteur sans exemple
46Autorité sur la langue sans citation
47Personnage historique ou mythologique
48Titre d’ouvrage source d’exemple, de citation ou d’opinion
49Titre d’ouvrage cité sans matériel textuel
50Mots du métatexte
51Exemples
52Liste des exemples
53Mots des exemples
54Auteur source d’exemple explicite ou adapté
55Titre source des exemples
56Exemples en « phonétique » et en différentes langues
57Citations
58Liste des citations
59Mots des citations
60Autorité sur la langue source de citation explicite ou d’opinion
61Titre d’ouvrage source de citation explicite ou d’opinion
62Opérateurs de recherche
63Recherche sans accent, troncature (*)
64Opérateurs de recherche (respect de la casse, recherche floue, etc.)
65Le CTLF, moins chargé (au moins pour le moment) en balisage, permet néanmoins des recherches intéressantes dont on donnera quelques exemples.
Recherche dans les notices : une rubrique « Recherche dans n’importe quel champ » permet de rechercher n’importe que terme ou fragment de terme qui apparaît en rouge dans le texte des notices. Quelques exemples : gramma ramène 528 notices, grammatica 389, grammaire 492 ; prédicat ramène 80 notices ; monème ramène 2 notices.
Recherche dans la bibliographie (traitée sous Refworks) : dissimilation ramène 4 titres (Brugmann, Meillet, Paris, Tobler).
Recherche dans les tables de la base d’images : consonantique ramène 6 volumes, sonantique ramène les mêmes, ce qui montre que le terme sonantique n’est pas utilisé dans les tables.
Recherche dans les textes pris isolément : « sonantique » dans le Mémoire de Saussure ramène 20 occurrences de consonantique(s), 18 de sonantique(s), outre les 177 occurrences de sonante(s).
Recherche dans l’ensemble des textes : ouvert officiellement le 31 janvier 2014, le site Frantext-CTLF, élaboré dans le cadre de la base Frantext à laquelle il a apporté de nouvelles fonctionnalités, permet de rechercher dans les textes du corpus défini (en totalité ou dans un sous-corpus), de calculer des fréquences, de conduire des études de voisinage, d’établir des listes de mots et de constituer des « grammaires » capables d’engendrer, par la combinaison de leurs règles, un certain « langage » dont les occurrences seront recherchées par Frantext dans les textes étudiés. La base permet notamment de fléchir un nom ou un verbe. À titre d’exemple, la recherche de composer associé à l’option « flexion d’un verbe » permet de trouver 48 occurrences dans le Cours de linguistique générale de Saussure (sous les formes se compose, composent, composée, etc.), et celle de régir donne 12 résultats (régissent, régi, régis, régit, régies, etc.). Dans le même texte, sonantique ne ramène que deux occurrences, alors que acoustique, associé à l’option « flexion d’un substantif ou d’un adjectif », en ramène 58.
Exemples de recherches à propos du métalangage
66Les deux bases permettent de faire des recherches intéressantes sur les termes du métalangage. Supposons qu’on s’intéresse à l’apparition des notions de (voix/verbe) réfléchi, à celle de transitivité ou encore à celle d’auxiliaire.
67Dans le CTLF, la recherche de réfléchi dans le site vert ramène 25 notices (dans les textes desquelles on trouve par exemple voix réfléchie, propositions à valeur objective et réfléchie, verbe réfléchi, formes réfléchies, etc.), et 3 volumes dans les tables des images (verbes réfléchis, pronoms réfléchis, et, dans la table des Éléments de syntaxe structurale de Tesnière, diathèse réfléchie, adjectifpossessif réfléchi, causatif et réfléchi, diathèse récessive à marquant réfléchi). Une recherche transiti ramène 74 notices, 5 volumes dans les tables des images. Une recherche auxili ramène 67 notices dans la base des notices, 3 titres dans la base bibliographique, 7 volumes dans les tables des images.
68Passons au Grand Corpus. Pour y traquer le métalangage, il existe plusieurs stratégies qu’il est conseillé de combiner :
- chercher un terme dans le texte intégral, en utilisant les opérateurs de recherche ;
- chercher un terme par la liste « Métalangage » qui donne un aperçu de la terminologie mise en œuvre par l’auteur ;
- chercher un terme par l’option de recherche avancée « mots du métatexte » qui donne un accès à tous les mots du texte, hors noms propres, titres, exemples et citations.
69En texte intégral, une recherche sur réfléch* (la troncation étant indiquée par l’astérisque) ramène 24 résultats, tous dans les grammaires du xviie siècle, aucun dans les grammaire de la Renaissance : si l’on utilise des jokers pour neutraliser les accents (r?fl?chi*), on obtient 76 résultats. Dans la liste des résultats obtenus, le lecteur voit aussi que le terme réfléchi est souvent associé au terme réciproque, terme qui correspond au latin reciprocus (réfléchi). Il est alors possible de voir comment s’installe le nouveau terme par rapport à l’ancien par dédoublement (« <Le verbe actif> est de trois sortes, Transitif, Réfléchi, & Réciproque », « Les Réfléchis & les Réciproques se conjuguent par le moïen du Verbe Etre »), puis par substitution, avec concurrence possible d’un doublon (« Des Verbes Reflechis ou Reflexifs »). L’index des Mots du métatexte permet de retrouver tous ces termes et leurs variantes (« Les Verbes Reciproques, sont ceux qui refleschissent et reciproquent l’Action signifiée par le Verbe »).
70Une recherche sur transiti* permet de trouver – outre les attendus verbe transitif ou verbes actifs transitifs – (actio) transitiua à différents cas, signification transitive, force agissante ou actiue transitiue, par force de transition, mais aussi l’adverbe transitiuè, et les séquences toute preposition est transitive, la ou il a transition il i a motion, autant de jalons pour cerner l’évolution de la notion de transition (le terme est attesté), c’est-à-dire de transitivité (le terme ne l’est pas encore).
71La recherche {verb* “et 3” auxili*} ramène 341 résultats. Beaucoup pour « verbe(s) auxiliaire(s) », mais elle permet de trouver aussi les séquences latines auxilarij verbi, auxiliaris verbi, verbis auxiliarijs, auxiliaria, verbo auxiliari, verbum auxiliare, auxiliarium verbum, etc. qui nous rappellent que c’est dans le texte latin de Pillot qu’on trouve pour la première fois la notion de verbe auxiliaire (Præmittemus verba auxiliaria, quæ ideo sic voco, quòd in aliis omnibus inflectendis necessariò auxilientur, Pillot, Gallicae linguae institutio, 1561 [1550], p. 73).
Conclusion
72Des bases outillées pour quoi faire ? On peut se demander si le coût en temps (et en fatigue !) dans la vie d’un chercheur n’est pas excessif, surtout quand les progrès techniques permettent des recherches automatiques de plus en plus performantes et parce qu’on peut supposer qu’à terme tous les textes linguistiques deviendront un jour disponibles.
73En fait, ce genre de travail est fait pour durer. On peut espérer qu’il rendra service à plusieurs générations de chercheurs, au moins pour deux raisons :
- il met à la disposition de la communauté scientifique des textes fiables : en ce sens, on peut parler d’éditions critiques d’un nouveau genre, mais aussi fiables que les éditions papier, car la rigueur du traitement numérique oblige à un examen des textes aussi minutieux que l’édition classique. Il y a des différences entre une base outillée et corrigée et une base sommaire utilisant un OCR localisé. Par exemple, la recherche de « sonantique » (dans « coefficient » et « nature sonantique ») dans le Mémoire sur le système primitifdes voyelles dans les langues indo-européennes de Ferdinand de Saussure permet de trouver dans le texte numérisé sur le CTLF 18 occurrences, alors que la même recherche sur le texte numérisé par Google Books avec son OCR localisé n’en ramenait que quatre1 ;
- il propose des outils sophistiqués pour exploiter ces textes. Là aussi, l’outil peut être conçu et perfectionné indépendamment du contenu des textes (traitement lexicométrique par exemple), mais l’expertise du concepteur peut permettre des recherches ciblées (distinction entre exemples et citations, recherche de la ponctuation traitée en tant qu’exemple, recherche sur les mots du métatexte, etc.). C’est sans doute là la réelle valeur ajoutée de ces bases spécifiques.
74Néanmoins, il ne faut pas se faire d’illusion : au-delà des progrès techniques, mais aussi, justement, à cause de ces progrès techniques, il est probable qu’il y aura des évolutions majeures non seulement dans la réalisation, mais aussi dans la conception même de ces bases, qui sont donc sans cesse… à réinventer. Il y a vingt ans, Sylvain Auroux l’avait déjà bien pressenti.
Notes de bas de page
1 Le texte ne semble plus disponible dans sa version intégrale sur Google Recherche de livres, peut-être à cause des rééditions récentes (Bibliolife, 2009 ; Cambridge University Press, 2009 ; Kessinger Publishing, LLC, 2010).
Auteur
Université Paris Diderot, HTL, PRES Sorbonne Paris-Cité
Le texte seul est utilisable sous licence Licence OpenEdition Books. Les autres éléments (illustrations, fichiers annexes importés) sont « Tous droits réservés », sauf mention contraire.
Un dialogue atlantique
Production des sciences du langage au Brésil
Eni Puccinelli Orlandi et Eduardo Guimarães (dir.)
2007
Des sons et des sens
La physionomie acoustique des mots
Frederico Albano Leoni Philippe-Marie Théveny (trad.)
2014
Entre expression et expressivité : l’école linguistique de Genève de 1900 à 1940
Charles Bally, Albert Sechehaye, Henri Frei
Anamaria Curea
2015
Voix et marqueurs du discours : des connecteurs à l'argument d'autorité
Jean-Claude Anscombre, Amalia Rodríguez Somolinos et Sonia Gómez-Jordana Ferary (dir.)
2012