Version classiqueVersion mobile

Histoire de l'automatisation des sciences du langage

 | 
Jacqueline Léon

Chapitre 9

Le tournant empiriste de l’automatisation-mathématisation. Grands corpus, langages restreints, sous-langages

Texte intégral

1On peut identifier un second tournant de l’automatisation-mathématisation des sciences du langage avec la mise à disposition de très grands corpus au début des années 1990. Ce tournant se caractérise par les traits suivants :
– contrairement à l’émergence de la TA et de la linguistique computationnelle dans les années 1960, il n’y a pas rupture d’horizon de rétrospection ;
– le tournant se situe plus au niveau de l’automatisation que de la mathématisation. Les méthodes sont de nature statistique et probabiliste, dans la continuité des méthodes ébauchées dans les années 1950-1960 à partir de la théorie de l’information. La seule nouveauté, certes de taille, c’est qu’elles deviennent applicables sur des données de grande dimension. À l’heure actuelle, l’élaboration pour le TAL de méthodes mixtes, à la fois probabilistes et computationnelles, montre qu’il n’y a pas de discontinuité sur le plan de la mathématisation. Par ailleurs, certaines études probabilistes sur corpus s’inscrivent dans le cadre du connexionnisme, renouant ainsi avec la première cybernétique. C’est le cas notamment des modèles dynamiques ayant pour objectif l’étude de la polysémie (Fuchs et Victorri, 1996) ;
– ce qui constitue le plus grand changement pour les sciences du langage, c’est l’automatisation des données qui introduit un changement radical dans les pratiques des linguistes. C’est pourquoi ce qu’on appelle actuellement « linguistique de corpus », ou plutôt, d’ailleurs à raison, « linguistiques de corpus » (au pluriel) recouvre des champs extrêmement variés des sciences du langage (Habert et al. 1997). Les objectifs, les méthodes de traitement, voire la définition même de l’objet corpus sont divers. Il devient rare d’ailleurs qu’un linguiste, de quelque « obédience » qu’il soit, se passe totalement des possibilités offertes par les grands corpus.

2Il faut souligner que cette apparition des grands corpus a été rendue possible par des changements technologiques drastiques comme l’apparition des micro-ordinateurs individuels, puis l’utilisation généralisée de l’Internet qui ont changé assez fondamentalement les pratiques des linguistes par rapport aux données. Là encore, il s’agit d’un véritable renouveau de l’empiricité en linguistique. Toutefois, ce bouleversement, qui affecte bien d’autres domaines du savoir et de la société en général, ne justifie pas qu’on puisse en appeler à l’émergence d’une nouvelle discipline, d’une « nouvelle linguistique » comme le font certains (Leech 1992), à des fins souvent de légitimation.

3Dans ce chapitre, on examinera trois points : les sources britanniques de la « corpus linguistics », les débats entre chomskyens et empiristes britanniques sur l’utilisation de corpus, et les nouveaux objets apparus aux confins de l’approche empiriste et de l’automatisation.

1. Sources britanniques de la linguistique de corpus

1.1. Le « premier » corpus informatisé : plusieurs hypothèses

4Le débat sur le « premier » corpus informatisé présente un intérêt, celui de montrer que les méthodes fondées sur l’utilisation des corpus appartiennent à plusieurs traditions, et qu’elles n’opèrent pas de « rupture » lors de leur automatisation.

  • 1 Pour l’histoire du TLF, voir Cerquiglini (1998) et Chevalier (2006).

5Dans la vulgate partagée par les spécialistes de TAL, le premier corpus informatisé est le Brown Corpus, développé à l’université américaine Brown par Twadell, Kucera et Francis en 1963 et dont les premiers résultats sont publiés en 1967 (Kucera et al. 1967). Or on peut facilement montrer que le Brown Corpus a un prédécesseur, le Survey of English Usage (SEU), du britannique Randolph Quirk et son équipe, créé en 1960 (Quirk 1960). Le Brown Corpus est entièrement organisé selon les normes du SEU dont le projet initial était de compiler 200 textes (écrits et oraux) de différents genres de 5 000 mots chacun pour un total d’un million de mots. Le créateur du SEU, Quirk, a fait partie de l’équipe de Brown au moment de la mise en place des spécifications du corpus. Un deuxième candidat « précurseur » est le Trésor de la langue française dont la création fut décidée dès 1957 lors d’un colloque organisé par le CNRS à Strasbourg, sous la responsabilité de Paul Imbs, un élève de Mario Roques. Il s’agit d’un corpus essentiellement littéraire du français moderne (à partir de 1789) comportant quatre-vingts millions d’occurrences. Son informatisation décidée dès 1957 est due à Bernard Quemada, assistant de Imbs1.

6La vulgate attribuant l’antériorité au Brown Corpus fait apparaître plusieurs choses. Les corpus font partie depuis longtemps de l’appareil méthodologique de la linguistique anthropologique et structurale américaine. De plus, les Américains sont les pionniers de l’automatisation-mathématisation de la linguistique. Il n’est donc pas étonnant qu’ils aient été les premiers à produire un corpus complètement informatisé. Il n’est pas étonnant non plus que les Français, en retard dans tous les aspects de l’informatique en général et dans l’automatisation-mathématisation du langage – TA, linguistique computationnelle puis TAL – n’aient pas pu stabiliser et faire fructifier les méthodes ancrées dans leur propre tradition, telles que les méthodes statistiques de vocabulaire, dont le TLF est issu. Au moment de l’institutionnalisation des études sur corpus, ils ont d’ailleurs peiné à occuper une position sur la scène internationale et se sont retrouvés à la remorque des études britanniques.

7Quant aux Britanniques, leur conception des corpus, orientée vers des objectifs descriptifs, était tout à fait formatée pour l’automatisation. Outre que le Brown Corpus et, à sa suite, tous les corpus d’étude de la variation de l’anglais ont été pensés sur le modèle du corpus britannique SEU, il est indéniable que l’arrière-plan théorique de la notion même d’analyse linguistique de corpus est issu de cette tradition.

1.2. Sens en contexte, usage, lexique-grammaire, texte… corpus : la tradition empiriste britannique

8C’est dans la tradition britannique que le terme de « corpus linguistics » apparaît en 1984 comme titre de l’ouvrage collectif d’Aarts et Meijs, Corpus Linguistics : Recent Developments in the Use of Computer Corpora in English Language Research, qui regroupe des travaux britanniques, scandinaves et néerlandais sur des corpus informatisés de la langue anglaise. Depuis, la corpus linguistics a consolidé son institutionnalisation avec des revues et des colloques spécialisés. Toutefois, sous une homogénéité apparente, on peut distinguer deux courants, corpus-based et corpus-driven, correspondant à deux options différentes sur la constitution et l’analyse des corpus issues du même courant firthien. L’option corpus-driven privilégie les textes authentiques et intégraux alors que l’option corpus-based s’appuie sur des corpus échantillonnés, ce qui suppose des conceptions différentes du rapport entre langage et corpus (Léon 2008b).

  • 2 Henry Sweet (1845-1912) était un phonéticien, chef de file de l’Association phonétique internation (...)

9Les deux courants de la corpus linguistics partagent un certain nombre de traits communs à la tradition britannique, héritée de Henry Sweet2 d’une part et de l’Oxford English Dictionary d’autre part à la fin du xixe siècle, jusqu’au tournant des corpus dans les années 1980-1990 : le rôle crucial de la phonétique et de la langue parlée ; l’importance de la notion de texte ; la formation des linguistes dans des langues non-européennes liées à l’Empire britannique puis à la décolonisation ou au multilinguisme interne à la Grande-Bretagne, une forte tradition empiriste centrée sur l’usage, un attachement à la « linguistique descriptive », où linguistique théorique et linguistique appliquée sont indissociables ; enfin le refus d’une discontinuité entre les différents niveaux du langage, en particulier entre la syntaxe et le lexique.

  • 3 De plus, certains linguistes ont participé aux deux groupes : c’est le cas de M.A.K. Halliday, qui (...)

10Il est intéressant de voir que l’on peut considérer la tradition linguistique britannique comme relativement homogène et continue dans le temps. Les différences apparaissent entre générations, souvent pour des raisons externes (guerre, décolonisation), plutôt qu’à l’intérieur d’une même génération (Brown et Law 2002). Ce qu’on appelle la London School regroupe ainsi, de façon plus ou moins floue, la plupart des linguistes britanniques de l’après-guerre autour des idées de John Rupert Firth (1890-1960). Cette homogénéité dépasse la linguistique et est une caractéristique de la tradition intellectuelle britannique de cette époque. Certains traits comme la détermination du sens des mots en contexte et par l’usage appartiennent à la tradition philosophique (Wittgenstein 1961 [1953]) ou anthropologique (Malinowski 1923, 1935) et ont fortement imprégné les sciences du langage et leur automatisation. On l’a vu avec le CLRU dirigé par la philosophe Margaret Masterman, élève de Wittgenstein3. Malinowski introduit le concept de situation en 1923 et Firth, qui a été son assistant dans les années 1930, y fait référence dès 1930 dans Speech. En 1935, ils publient chacun un texte dans lequel ils développent de façon distincte la notion de contexte de situation, centrale dans la tradition empiriste britannique. La notion de contexte de situation, développée par Malinowski dans Coral Gardens and their Magic, est ethnographique et inclut outre le contexte linguistique, les gestes, les regards, les mimiques et le contexte perceptif. Dans l’article « The technique of semantics », Firth introduit l’idée que le contexte de situation peut se définir en un ensemble de catégories linguistiques et pragmatiques. Celles-ci seront développées comme catégories des langages restreints (restricted languages) à partir de 1945 (voir § 2.1 ci-dessous).

11Bien que beaucoup aient effectué de nombreux séjours aux États-Unis, peu de linguistes britanniques sont devenus véritablement « chomskyens » ; ceux qui sont les plus proches de la théorie chomskyenne le sont de façon critique, comme John Lyons ou Peter Matthews. De fait, la formalisation du langage, à commencer par le débat Bar-Hillel/Masterman de la fin des années 1950 (voir chapitre 6), de même que les propositions de Chomsky ont fait l’objet de nombreux débats dès leur apparition. Plutôt que d’intégrer la linguistique computationnelle à base logico-mathématique issue du MIT, les Britanniques l’ont affrontée et discutée, ce qui a d’ailleurs abouti à conforter leur propre position empiriste.

12L’attachement au lexique, au sens lexical en contexte et au refus de discontinuité entre lexique et syntaxe (voir les travaux de Halliday, Sinclair et Quirk § 1.3 et § 1.4 ci-dessous) a abouti à un intérêt pour le rôle des probabilités dans le langage, dans le sillage de la théorie de l’information, plutôt que pour la logique mathématique. C’est pourquoi l’automatisation a vraiment pris son essor au moment de l’apparition des grands corpus, quand la mise en œuvre de ces hypothèses probabilistes sur des grandes masses de données est devenue possible.

1.3. Halliday, Sinclair et le courant corpus-driven

13Les notions de sens lexical et de texte, cruciales dans l’approche de Firth (1957), sont au cœur du courant corpus-driven dont le chef de file était, jusqu’à très récemment, John Sinclair (1933-2007). Dans l’approche polysystémique de Firth, opposée aux structuralismes européen et américain, le « meaning by collocation » est le sens lexical, correspondant à un des cinq niveaux inter-reliés de description des langues. Les quatre autres niveaux étant la phonétique, la morphologie, la syntaxe et la sémantique. À un certain niveau, le sens d’une unité est fonction du rôle que joue cette unité au niveau supérieur (Léon 2007c).

14La notion de collocation a évolué dans l’œuvre de Firth pour aboutir à un objet automatisable. Alors que dans les premiers textes, la notion de collocation désignait la cooccurrence de deux éléments linguistiques quelconques dans n’importe quelle étendue de texte, elle a ensuite été limitée aux mots en attente mutuelle (mutual expectation) : dans « nuit noire », le sens de « nuit » est qu’il peut entrer en collocation avec « noire » et inversement. Plusieurs contraintes méthodologiques sont apparues lorsque Firth donna des pistes pour l’étude des collocations à des fins pratiques : enseignement des langues, traduction, fabrication de dictionnaires. Outre celle limitant l’étude des collocations aux mots, la seconde contrainte concerne l’étude des collocations non dans le langage en général mais dans des langages restreints (voir § 2.1 ci-dessous). Une troisième contrainte concerne le texte : pour aborder le sens, il faut étudier des collocations de mots dans des textes authentiques. Suivant en cela Wittgenstein, Firth définit le sens d’un mot par l’usage, c’est-à-dire à partir de son occurrence dans un texte contextuellement situé.

15Lorsque Sinclair s’engage en 1963 dans l’automatisation de la recherche de patterns de collocations dans l’anglais écrit et parlé (projet OSTI – UK Government Office for Scientific and Technical Information), il s’inscrit totalement dans cette filiation firthienne (Sinclair et al. 2004). Halliday, élève de Firth et superviseur du projet, a déjà posé les premiers jalons de sa théorie probabiliste du langage dont un des éléments est l’hypothèse d’un continuum entre lexique et grammaire (lexicogrammar) qu’on peut analyser à partir de configurations particulières (collocation patterning) : un item noyau et une étendue de texte d’un nombre donné de mots à droite et à gauche (Halliday 1966). Conformément à l’approche firthienne, la recherche de collocations doit s’effectuer dans des textes intégraux et authentiques, et non à partir de corpus échantillonnés. Le sens est conçu comme un potentiel qui dépend des choix effectués dans le texte intégral et donc susceptible d’une étude probabiliste. N’importe quel texte (un poème par exemple) peut être considéré comme un échantillon d’une langue donnée et n’a de sens que par rapport à l’ensemble de cette langue :

  • 4 Traduction française (J. Léon) : Un texte littéraire n’a de sens que comparativement avec une lang (...)

A literary text has meaning only by comparison with a particular language at a particular time. Any stretch of language has meaning only as a sample of an enormously large body of text ; it represents the results of a complicated selection process, and each selection has meaning by virtue of all the other selections which might have been made, but have been rejected [...]. So a poem is a sample of a language ; perhaps not a representative sample, but only carrying meaning because it can be referred to a description of a whole language. (Sinclair 1965, p. 76-77)4

16Cette approche probabiliste du sens n’est possible qu’à travers l’étude de grands corpus de textes. C’est pourquoi Sinclair s’oppose aux méthodes fondées sur un corpus échantillonné et sur des genres définis a priori. C’est pourquoi, aussi, cette étude resta à l’état de projet jusqu’à la fin des années 1980, étant donné l’incapacité technologique, dans les années 1960, de traiter des données textuelles en nombre. Sinclair reprendra ces travaux avec le projet COBUILD (Collins Birmingham University International Language Database), vaste base de données lexicales destinée à confectionner des dictionnaires à partir d’un ensemble de textes authentiques et intégraux, la Birmingham Collection of English Texts (BCE). L’interruption du projet Sinclair pendant une vingtaine d’années n’a pas modifié l’orientation théorique. Lorsque, en plein essor de la « corpus linguistics », Sinclair propose une typologie des corpus, il privilégie encore les corpus constitués de collections de textes intégraux (large text corpora).

1.4. Quirk, Leech et le courant corpus-based

  • 5 Après son doctorat en syntaxe à University College of London, Quirk effectue un séjour aux États-U (...)

17Le courant corpus-based, dont on peut dire que le chef de file est actuellement Gœffrey Leech, est directement issu du SEU de Quirk avec lequel il partage les principaux objectifs. Bien que son intérêt pour la grammaire l’écarte des préoccupations principales des néo-firthiens pour le sens, et en particulier le sens lexical en contexte, Quirk se rattache à la lignée de l’empirisme britannique par l’importance qu’il donne à la « lexicographical syntax » d’Henry Sweet (Sweet 1884, p. 585), à la recherche de patterns grammaticaux, et à la tradition des dictionnaires de l’anglais fondés sur l’usage de la fin du xixe siècle comme l’Oxford English Dictionary dirigé par James Murray, dont le titre original A New English Dictionary on Historical Principles ; Founded Mainly on the Materials Collected by the Philological Society signale l’utilisation d’une méthodologie corpus-based. Contrairement à Halliday et Sinclair, Quirk s’inscrit aussi dans la tradition néo-bloomfieldienne5. Il doit à Charles Fries l’idée d’utiliser des conversations enregistrées, idée qui s’avère totalement cohérente avec la tradition britannique de l’étude du langage parlé. Il collabore avec Freeman Twaddell lors de la constitution du Brown Corpus. Il emprunte à Harris et aux anthropologues linguistes américains les tests de substituabilité et le recours à des informateurs, et à Hockett son idée de grammaire de l’auditeur.

  • 6 Corpus attesté, corpus de données complètes et objectives, corpus abondant de données attestées en (...)

18L’objectif de Quirk (voir Léon 2013a) est de fabriquer des grammaires pour faire face à la demande d’enseignement de l’anglais comme langue étrangère dans les années d’après la seconde guerre mondiale. Il conçoit une grammaire fabriquée à partir d’un corpus d’usage, à savoir des données en nombre, attestées, enregistrées ou transcrites, qu’il appelle « a corpus of natural usage », « a body of full and objective data », « a copious body of actually recorded usage »6.

19Cette grammaire doit être à la fois descriptive et prescriptive. À partir de l’usage grammatical permettant d’obtenir des structures descriptives (descriptive patterns) aussi systématiques que possible, on peut élaborer des prescriptions nouvelles objectivement fondées. Pour Quirk, l’usage n’est pas une notion qui va de soi et il va s’attacher à distinguer l’usage observé dans les corpus, la norme prescrite par les grammaires et les dictionnaires, et la croyance des locuteurs. À l’époque, le débat est (déjà) vif sur les notions chomskyennes de grammaticalité, acceptabilité et intuition des locuteurs, et Quirk accorde beaucoup d’attention à l’écart entre l’intuition des locuteurs (et des linguistes) et l’usage, c’est-à-dire entre les formes qu’ils acceptent comme bien formées et celles qu’ils produisent vraiment. Cette fréquente inadéquation entre les croyances des locuteurs et l’usage réel conduit Quirk à mettre en œuvre des tests pour apprécier cet écart, et à considérer l’acceptabilité comme un phénomène multiface et continu qui ne peut se réduire à un jugement strict en oui ou non. Dans certains cas, il parlera d’ailleurs de préférence de l’usage pour telle et telle forme plutôt que de règles (Quirk et Svartvik 1966).

20Les tests ne sont qu’une partie du dispositif d’étude de l’usage. L’étude des variations est essentielle : il existe des variations par rapport à une norme, et il n’y a pas de variation sans cause linguistique ; toute variation, même apparemment mineure, doit être expliquée et apparaître dans la grammaire. Cet attachement à la variation est un autre point qui rattache Quirk au courant firthien. Sinclair pour sa part ne portait aucun intérêt à la variation, et considérait les corpus échantillonnés, qui étaient une façon d’en rendre compte, comme des corpus « spéciaux » déviants par rapport au langage normal, noyau central de la description.

21Quirk partage l’hypothèse d’un continuum entre lexique et grammaire, thématisée par Halliday. Toutefois, alors que Halliday oppose un modèle probabiliste du lexique (avec un choix ouvert de possibilités) à un modèle de grammaire déterministe (avec un choix fermé de possibilités), Quirk (voir Quirk et al. 1964, p. 149) parle de gradient y compris pour les classes grammaticales. Entre in spite of qui constitue une quasi-préposition et on the table near the door, complètement libre, il y a différentes réalisations, in spite of the hotel, at the sight of the hotel et in the lounge of the hotel qui se situent sur un continuum et qui conduisent à ranger, à partir d’une dizaine de traits distinctifs, une classe grammaticale, les prépositions, parmi les classes ouvertes en anglais. Le SEU doit être un corpus construit par le linguiste, systématique, échantillonné et représentatif, dont l’objectif est de rendre compte en synchronie du langage parlé et écrit de locuteurs britanniques éduqués adultes, et d’élaborer des expériences sélectives susceptibles d’établir les règles des variations et des usages rares, à des fins prescriptives. Les variations sont appréhendées au travers d’un certain nombre de genres : littérature, textes techniques, scientifiques, juridiques, politiques, religieux, journalistiques, mais ce qui intéresse particulièrement Quirk, ce sont les variations libres pour lesquelles l’examen d’un corpus (en l’occurrence le SEU) ne peut constituer la seule méthode. Il faut également mettre en œuvre des tests d’élicitation qu’il commence à implémenter en 1966 en collaboration avec Jan Svartvik (Quirk et al. 1966). En résumé, les données utilisées par Quirk en vue de la fabrication d’une grammaire ont diverses origines : des données artificielles produites en situation expérimentale, et des données attestées écrites ou orales.

22Bien que Quirk et ses collaborateurs aient fabriqué des procédures automatisées pour explorer les données du SEU dès les années 1960, la base de données elle-même n’a été informatisée qu’à la fin des années 1980, notamment avec la création de l’ICE (International Corpus of English) en 1990, corpus de textes organisé par genres pour les diverses variétés d’anglais dans le monde. Comme on l’a dit précédemment, on peut considérer que le Brown Corpus, estimé à plus ou moins juste titre comme le premier corpus informatisé, constitue en fait une des formes de l’informatisation du SEU. Dans les années 1970, c’est sur le modèle du SEU et du Brown Corpus, que se poursuivent les travaux de compilation des variations de l’anglais, avec les grands corpus développés essentiellement en Scandinavie par les élèves de Quirk. Geoffrey Leech de l’université de Lancaster, Svartvik de l’université Lund, et des Norvégiens d’Oslo et de Bergen entreprennent en 1975 la construction du London-Lund Corpus of Spoken English (LLC) et en 1978 celle du Lancaster-Oslo-Bergen Corpus of British English (LOB).

23Dans les années 1990, quand les corpus informatisés de très grande dimension deviendront disponibles, ces corpus vont être intégrés au TAL et considérés comme de grands ensembles de données permettant d’effectuer des explorations de toutes sortes, que ce soient des décomptes statistiques ou des recherches de structures selon des hypothèses linguistiques définies. Le courant corpus-based n’a pas de projet défini ; c’est plutôt un cadre général visant à une utilisation multiforme des corpus pour les projets de TAL.

2. Empirisme en linguistique et en TAL : nouveaux objets, nouveaux défis

  • 7 Voir Léon 2007b, 2008c.

24À des fins appliquées d’enseignement, de traduction ou de diffusion des sciences, les traditions empiristes ont produit des objets intermédiaires entre les données et la théorie. Les « restricted languages », ou langages restreints de John Rupert Firth en font partie, de même que les « sublanguages », ou sous-langages de Harris. Sous des appellations diverses (registres, langages restreints, langages de spécialité, sous-langages), ces objets sont devenus des objets du TAL, aux confins des méthodes probabilistes et computationnelles7.

2.1. Langages restreints et registres (Firth, Halliday)

  • 8 Dans ses Investigations philosophiques, Wittgenstein (Wittgenstein 1961 [1953] I, 2, p. 116) parle (...)

25Dans la théorie de Firth, les langages restreints appartiennent aux catégories situationnelles, c’est-à-dire aux catégories linguistiques permettant d’analyser le concept de contexte de situation. Les langages restreints réfèrent aussi à une fonction « technique » du langage, et l’inspiration est cette fois-ci wittgensteinienne8. De fait, la notion de langage restreint mêle deux aspects distincts qui vont d’ailleurs aboutir à deux notions, l’une développée par Firth lui-même, celle des langages restreints, et l’autre par ses disciples, dont Halliday, celle des registres.

26Deux exemples donnés simultanément par Firth, lorsqu’il commence à développer cette notion en 1950, permettent de distinguer ces deux aspects. Le premier exemple est l’analyse d’une phrase en cockney « Ahng gunna gi’ wun fer Ber » (I’m going to get one for Bert) (Firth 1957 [1950a], p. 182). Quand on prononce une telle phrase, il faut se poser un certain nombre de questions pour fournir un contexte de situation typique de l’action verbale (nommée également « événement linguistique ») : Combien y a t-il de participants ? Où se passe l’action ? Quels sont les objets pertinents ? Quel est l’effet de la phrase ? Par exemple, les participants sont dans un pub, le locuteur se lève et va chercher une pinte de bière pour Bert, etc. Le second exemple réfère à l’expérience de Firth d’enseignant du japonais pendant la seconde guerre mondiale. Son objectif est moins d’enseigner aux pilotes britanniques la façon de converser informelle, destinée à nouer des relations sociales, que le langage utilisé par les pilotes japonais, à savoir un langage technique et restreint. De ces deux aspects, Firth n’a mis en place de façon élaborée que les langages restreints, issus des langages techniques. Plus tard, les catégories situationnelles connaîtront un destin varié chez les Firthiens (les registres) et en ethnographie de la communication.

27La notion de langage restreint désigne au départ trois types de langages, au cœur de la linguistique descriptive : le langage de description, le langage sous description (the language under description) et le langage de traduction. Malgré l’apparente confusion manifestée par cette multiplicité de fonctions des langages restreints, la notion est cohérente avec la vision empiriste de Firth. C’est au moment où Firth se positionne en opposition au structuralisme post-saussurien et aux néo-bloomfieldiens, auxquels il reproche notamment l’abus d’un métalangage axiomatisé, qu’il propose les « restricted languages of linguistics », et plus généralement les « restricted languages of sciences », comme faisant office de métalangage. Quant aux langages sous description, ce sont des langages restreints définis comme des sous-ensembles d’une langue donnée, situés contextuellement : langages techniques, du sport, de l’industrie, de l’aviation, du commerce, de l’administration, etc. Le texte est l’espace empirique de matérialisation des langages restreints, pouvant être réduit à un seul, ou à l’œuvre d’un seul auteur. Firth donne comme exemples l’ensemble de l’œuvre du poète Swinburne, des textes uniques comme la Magna Carta du latin médiéval ou l’American Declaration of Independence. Cet aspect déterminera certains traits fondamentaux de l’approche corpus-driven de la corpus linguistics, telle l’option prise par Sinclair de considérer qu’un texte (un poème) peut être considéré comme représentatif de la langue dans sa totalité.

28Les langages restreints sont fondamentaux pour une linguistique descriptive qui définit pour chacun d’eux des micro-grammaires et des micro-glossaires. Enfin, ce sont les lieux privilégiés de recherche des collocations. On voit ici comment la linguistique descriptive firthienne est directement informatisable à l’aide de corpus et des méthodes probabilistes qui leur sont associées.

  • 9 « Le langage humain n’est pas autonome, ce n’est pas une sphère d’activité en soi et pour soi. Pou (...)

29Une caractéristique essentielle des langages restreints, liée au fait qu’ils sont situés contextuellement, est qu’ils sont les lieux privilégiés pour l’étude de la variation. Les « grandes » langues, comme le français ou l’anglais, du fait qu’elles sont utilisées dans des contextes variables géographiquement ou culturellement, sont soumises à des variations linguistiques. Ces langues, parlées en Afrique, Asie, Amérique ou Europe ne sont pas unifiées et ne peuvent être ni enseignées ni traduites comme des ensembles homogènes. Différents espaces de référence déterminent des langages restreints différents qui ne sont pas partagés par tous les locuteurs francophones ou anglophones. En ce sens, on pourrait dire que les langages restreints sont proches de la notion d’hyperlangue française, anglaise, portugaise… (voir Auroux 1997)9. De ce fait, les langages restreints ne peuvent pas être assimilés à des langues artificielles comme le Basic English, ou le français élémentaire, fondés par définition sur un lexique limité. Au contraire, les langages restreints comportent de riches microglossaires qui témoignent de la richesse du lexique en variation. De plus, la définition du lexique chez Ogden est fondée sur des catégories sémantiques a priori et située à l’opposé de la conception du sens de Firth.

30Les langages restreints, au cœur de la linguistique descriptive britannique, ont un statut double. Ils sont à la fois au cœur de l’étude de la variation, et constituent des zones de stabilité pour l’enseignement et la traduction, dans la mesure où ils permettent de limiter les problèmes de compréhension. Enfin, ils deviennent des outils importants pour le TAL dès lors qu’ils permettent de définir des micro-grammaires et des micro-glossaires. Lieux privilégiés de recherche des collocations, ils sont tout à fait adaptés aux recherches sur les corpus. Les registres, quant à eux, sont particulièrement appréhendables à l’aide de méthodes probabilistes. Halliday les définit comme des phénomènes continus qui ne peuvent être distingués d’un locuteur à l’autre, et qui ne peuvent pas être traités par des catégories ni des méthodes discrètes. Ce ne sont pas des règles, mais des patterns d’usage, obtenus par généralisation à partir de grands corpus, qui permettent de les appréhender.

2.2. Sous-langages (Harris)

31Les sous-langages de Harris sont des objets qui permettent de mettre en œuvre une linguistique descriptive empirique et de définir des grammaires partielles. Ils sont aussi des objets privilégiés pour le TAL. Il est intéressant de voir que, malgré des différences importantes, dues notamment à leurs origines théoriques souvent incompatibles, sous-langages, langages restreints et registres se sont retrouvés confondus dans les projets de TAL.

32En 1968, les sous-langages sont conçus par Harris comme des systèmes mathématiques, définis par des opérations – les transformations – et sans détermination empirique. Plus tard, ils deviennent des structures de discours concrètes, applicables à des textes scientifiques réels, contextuellement situés et susceptibles d’un traitement automatique. Ils sont à la base de l’analyse en chaîne de Naomi Sager, du projet de traduction automatique Taum-Meteo, et du projet de sous-langage des sciences élaboré par Harris lui-même et son équipe, notamment dans le domaine de l’immunologie (Harris 1988, 1991).

  • 10 Dans l’édition des œuvres complètes de Sapir, Swiggers (2008) souligne l’engagement de Sapir dans (...)

33Une des sources du projet de Harris est son implication dans les langues internationales. À la suite de Sapir (voir Harris 1951b), dont l’objectif était de construire une langue auxiliaire scientifique10, et de Carnap et de son projet de syntaxe logique, Harris rédigea en 1962 un projet de langage international des sciences. Contrairement à Carnap, ce langage ne devait pas être fondé sur la logique mathématique, mais être un sous-langage du langage naturel (Harris 1962b).

  • 11 TAUM pour Traduction automatique à l’université de Montréal.

34Contrairement à Firth, que les langues universelles n’ont jamais séduit, et dont les langages restreints sont des lieux irréductibles de variation, Harris considère que le sous-langage des sciences est universel, identique pour toutes les langues. L’exemple des bulletins météo illustre la différence entre les deux approches. Alors que Firth les tient, au même titre que tout autre « texte », pour soumis à variation d’une langue à l’autre, voire à l’intérieur d’une même langue parlée dans des espaces distincts (de l’hyperlangue anglaise), Harris considère au contraire qu’ils présentent une structure semblable dans toutes les langues. Les premiers exemples de traduction automatique utilisant les sous-langages sont la traduction au Canada des bulletins météo (considérés comme sous-langages) dans le cadre du projet Taum-Meteo11.

35Concernant le statut du métalangage, les deux auteurs ont une position distincte. Firth (1968 [1955], p. 46-47) préconise l’établissement d’un métalangage (un langage restreint) pour faire face à l’indétermination des langues naturelles qui mettent en collocation des termes techniques avec des termes du langage ordinaire. Harris considère au contraire que, comme chaque langue contient son propre métalangage, la construction d’un métalangage artificiel n’est pas nécessaire.

36Malgré une coïncidence de termes entre lexicogrammar et lexique-grammaire (développé en particulier par Maurice Gross), leur conception du lexique est aussi très différente. Pour Harris, les restrictions de sélection sur le lexique s’effectuent en termes syntaxiques à l’aide d’opérateurs et d’arguments ; pour Firth, le sens par collocation est dans l’usage, et Halliday prône l’idée d’un continuum entre lexique et grammaire, accessible seulement par des méthodes probabilistes.

37Pour Firth, chaque langage restreint a sa propre micro-grammaire. Harris a une conception plus élaborée : les grammaires des sous-langages ne sont pas des sous-ensembles de la grammaire d’une langue dans sa totalité, ce sont des intersections. Les sous-langages sont le lieu où le sens est produit, comme par exemple les synonymes et les homonymes qui ne sont pas les mêmes dans les sous-langages et dans la langue dans sa totalité. Par exemple, « cells have multiplied » et « cells have divided » sont synonymes dans le langage de la biologie, alors qu’ils ne le sont pas dans la langue générale. De même, les non-sens n’existent pas dans les sous-langages : un non-sens est tout simplement hors du sous-langage.

38Des différences théoriques notoires, notamment concernant le texte, le contexte, le sens et la variation existent et restent irréductibles. De plus Firth a toujours exprimé une position très critique à l’égard des méthodes distributionnelles, et celles de Harris tout particulièrement (Firth 1968 [1955], [1956], [1957]). Il critique la méthode distributionnelle, en citant en note Methods in Structural Linguistics (Harris 1951a), qui, dit-il, n’a jamais produit aucun résultat :

  • 12 Traduction française (J. Léon) : La principale critique qu’on peut faire de la linguistique struct (...)

The main criticism to be offered of American structuralist linguistics based on phonemic procedures is that, having attempted just that, it has not furnished any valid grammatical analysis of any language by means of which renewal of connection in experience can be made with systematic certainty. (Firth 1968 [1957], p. 191)12

39Toutefois, on peut avancer que les langages restreints et les sous-langages partagent un certain nombre de traits qui les rattachent à un certain empirisme dans les sciences du langage : méthode inductive et niveaux intermédiaires entre données et descriptions linguistiques, permettant l’abstraction. De plus, une utilisation de ces langages dans des applications pratiques tend à en réduire les divergences. En TAL, certains auteurs utilisent les registres et les sous-langages dans un même projet, les sous-langages étant limités aux langages techniques et les registres et genres aux formes plus générales ou plus littéraires, contes pour enfants ou critique littéraire. Les termes de « langages spécialisés » ou « langages de spécialité », de plus en plus utilisés, ont tendance à neutraliser les différences. À l’heure actuelle, on trouve des descendants des sous-langages et des langages restreints – la différence n’a plus guère de sens – dans des domaines variés. À partir des années 1980, des langages opérationnels spécialisés ont été développés dans le domaine des communications aériennes (Airspeak), maritimes (Seaspeak) et de la police (Policespeak) au sein de l’espace Schengen. Ces projets intègrent des langages spécialisés, des technologies de la communication, des procédures informatiques et des interfaces multilingues. De façon générale, on peut se demander si des objectifs pratiques, dont le TAL fait partie indéniablement, n’ont pas tendance à minimiser les différences théoriques, voire à les considérer comme négligeables.

3. Les corpus et les données, enjeu des débats entre empiristes et chomskyens

  • 13 « Philosophy of linguistics is the philosophy of science as applied to linguistics. This different (...)

40Les linguistes britanniques, au lieu de rejeter ou d’intégrer en bloc la théorie chomskyenne, n’ont cessé de mener avec elle une discussion approfondie et sur le long terme, à partir de points qui les concernaient directement. Cette posture, ouverte mais sans concession, est caractéristique de la façon dont a été appréhendée l’automatisation-mathématisation de la linguistique dans l’empirisme britannique. On peut distinguer trois moments distincts du débat entre empiristes britanniques et chomskyens. Le premier moment correspond à l’émergence de la grammaire générative et aux nouveaux défis qu’elle suscite, y compris chez les empiristes qui discutent les couples de notions de grammaticalité/acceptabilité et gradience, et de compétence/performance. Le second temps correspond à l’apparition des grands corpus qui conduit les empiristes comme Sampson (2001) à contester les positions générativistes. Le courant corpus-driven questionne la notion chomskyenne de créativité linguistique, dont le caractère innéiste est mis en cause par les grands corpus. Quant aux tenants du courant corpus-based, ils revisitent les arguments de Chomsky sur la validité des corpus et des méthodes probabilistes pour l’analyse linguistique. Dans un troisième temps, ce sont les Chomskyens et post-chomskyens qui, avec l’apparition des grands corpus, révisent leur position à l’égard des données, par intuition, par attestation ou par expérimentation au sein d’un mouvement récent de la Philosophy of linguistics13.

3.1. Dans les années 1960 : acceptabilité, lexicalité et nature probabiliste du langage14

  • 14 Voir Léon 2010b.

41Dans les années 1960, les Britanniques s’approprient de façon tout à fait originale le nouvel horizon de rétrospection introduit par la TA et la linguistique computationnelle. On a vu que les premières expériences de TA ont été menées en Grande-Bretagne, au Birkbeck College de Londres, indépendamment de tout cadre théorique (voir chapitre 6). Sans ancrage théorique spécifique, ces expériences mettaient en jeu les mêmes intuitions que celles de l’ingénieur russe Trojanskij, à savoir une langue intermédiaire fondée sur l’espéranto. En revanche, le CLRU, bénéficiant d’un environnement solidement ancré dans la logique mathématique et la philosophie du langage, a mené des expériences fondées sur la tradition britannique du sens en usage et en contexte, tout en menant de front une mathématisation originale et une discussion sur la formalisation.

42La théorie chomskyenne est accueillie dans le même esprit. Loin de la réception externe et décalée des Français, les Britanniques sont prêts à débattre « à égalité » des avantages et inconvénients de cette nouvelle théorie, d’en accepter certaines propositions ou de lui en opposer certaines autres jugées plus performantes. On pourrait parler d’intégration « par confrontation ». L’objectif de Randolph Quirk et de ses collègues, sans rejeter d’emblée l’idée de compétence, est de mettre à l’épreuve la performance et l’acceptabilité qu’ils proposent de tester expérimentalement, à partir du constat de l’écart entre le jugement des locuteurs et leurs propres productions. Ils proposent une conception gradiente de l’acceptabilité, à partir d’une approche empiriste de la performance fondée sur l’usage, usage cognitivement sollicité par des tests, ou usage étudié à partir de méthodes inductives et de corpus. Il est à noter que seul ce dernier aspect subsistera dans la suite des travaux de Quirk et dans le courant corpus-based qui en est issu. La position de Halliday est plus nettement empiriste, et c’est la notion même de compétence qu’il discute notamment lors du débat ayant suivi la communication de Chomsky au IXe congrès des linguistes en 1962 (Chomsky 1964). Comme notion complémentaire de la notion chomskyenne de grammaticalité, par nature discrète et non gradiente, il propose celle de lexicalité (lexicalness) non discrète et interprétable en termes de degrés. De plus, il conteste l’opposition entre possible et impossible (de langue) : ce qui est possible l’est de façon prédictive, en termes de degré de probabilité et non de façon absolue. Halliday ne cède en rien sur sa conception du langage comme objet social et en action. Dans le sillage de Firth et des ethnographes de la communication, il développe une socio-sémiotique qui constitue un des courants les plus actifs du fonctionnalisme.

3.2. Dans les années 1990 : la grammaire générative et transformationnelle revisitée

43Le débat sur l’utilisation des corpus et des méthodes probabilistes trouve un regain de vitalité au moment de l’apparition des grands corpus dans les années 1990. On s’aperçoit que ces arguments, qui paraissent anachroniques puisqu’ils ravivent un débat ayant eu lieu trente ans auparavant, sont en fait discutés à des fins de légitimation par les tenants du courant corpus-based (Leech 1992). Ce courant, plutôt orienté vers le TAL, et dont les objectifs prioritaires sont plus pratiques que théoriques, revendique l’idée de créer une nouvelle linguistique, en rupture avec le courant chomskyen. On ne peut s’empêcher de penser que ces arguments semblent vouloir reprendre l’histoire à zéro. On revient au milieu des années 1960, au moment où l’ALPAC érige la linguistique computationnelle en « nouvelle linguistique », en s’appuyant théoriquement sur la toute nouvelle grammaire générative et transformationnelle contre les distributionnalistes et leurs méthodes sur corpus. En inversant les arguments, il s’agit de montrer qu’une linguistique empirique fondée sur les corpus, anéantie autrefois par les chomskyens, s’avère en fait théoriquement beaucoup plus performante.

44Le débat ravivé par les tenants du courant corpus-based est celui qui opposait, dans les années 1960, Chomsky et les distributionnalistes sur la conception du langage et de la grammaire. Le langage, infini pour Chomsky, est fini en tant qu’ensemble d’énoncés dans un corpus pour les néo-bloomfieldiens. Cette conception des corpus des néo-bloomfieldiens ne peut être imputée aux néo-firthiens, pour lesquels un corpus peut s’étendre à l’infini, en particulier dans la version Sinclair. Par ailleurs, les premiers corpus du courant corpus-based, en particulier le Brown Corpus, sont utilisés à des fins statistiques de comptages de vocabulaire. Or Chomsky ne s’intéresse pas aux modèles statistiques de vocabulaire ; comme ils ne remettent pas en cause sa théorie, il lui est même arrivé de les approuver (Chomsky et Miller 1963). Ce que critique Chomsky, c’est l’utilisation des chaînes de Markov pour la syntaxe. Celles-ci, incapables de récursivité, ne peuvent générer toutes les phrases grammaticales, et elles seulement. Selon lui, la grammaticalité ne peut être probabiliste (Chomsky 1957). De sorte que le débat ravivé par les tenants du courant corpus-based semble monté de toutes pièces à des fins plus politiques que scientifiques. On peut avancer l’hypothèse suivante. Conscients des enjeux que constituent les études sur corpus, ils veulent l’ériger en « nouvelle linguistique ». Toutefois, ayant peu à peu abandonné ses fondements théoriques au profit d’objectifs pratiques propres au TAL, le courant corpus-based a besoin de se relégitimer. À cette fin, il s’est forgé un précurseur qui est en fait un anti-précurseur, Chomsky, et un pionnier qui est un objet TAL, le Brown Corpus.

  • 15 Pour une étude critique de la linguistique de corpus voir Cori et David 2008.

45Concernant les applications TAL, on peut dire qu’un certain nombre d’arguments chomskyens restent pertinents. Peut-on ériger en dogme le primat de l’attesté, au moment où l’ensemble de la toile est considéré par certains comme « le » corpus. Est-ce que toutes les formes rencontrées dans un tel corpus sont nécessairement bien formées ? Un corpus, si gros soit-il, peut-il comporter l’ensemble des formes grammaticales ? Chomsky (1962, p. 180) soutient qu’il y a peu de chance de trouver dans un corpus, y compris dit-il dans la Library of Congress, la phrase « John ate a sandwich » bien qu’elle soit absolument bien formée. De façon générale, des données nouvelles et attestées ne constituent pas nécessairement de nouveaux faits en linguistique15.

46Le débat, qui était essentiellement orienté dans le sens des empiristes vers les chomskyens dans les années 1990 comme dans les années 1960, s’est généralisé dans le domaine du TAL dans les années 2000. Toutefois sa mise en pratique dans le TAL en a neutralisé ou émoussé les enjeux. Certains optent pour la réconciliation et la complémentarité entre TAL à base computationnelle et TAL à base probabiliste (Pereira 2002). Beaucoup utilisent des méthodes mixtes. Quant aux bailleurs de fonds, ils favorisent alternativement les deux types de méthodes, au gré des résultats, au gré des modes…

3.3. Créativité linguistique et lexique : un débat en cours

47Un autre aspect de la théorie chomskyenne est mis en question par l’usage des grands corpus. Il s’agit de la créativité linguistique, liée au caractère infini et inné du langage. Le débat, ouvert par Sinclair, a pour enjeu la créativité du lexique et l’implication de la mémoire dans l’apprentissage et l’usage des langues.

48Sinclair (1991) propose deux principes complémentaires d’interprétation du sens dans un texte : l’open choice principle, selon lequel le locuteur dispose d’un grand choix de possibilités lexicales, uniquement restreintes par des contraintes grammaticales ; et l’idiom principle, selon lequel le locuteur ne dispose souvent que d’un choix limité de syntagmes en partie préfabriqués. L’idiom principle et l’existence dans le langage d’éléments préfabriqués permettent de réhabiliter le rôle de la mémoire dans l’apprentissage et la production du langage. De plus, l’utilisation d’éléments partiellement lexicalisés ne met pas nécessairement en cause le caractère innovateur du langage. Selon Joseph (2003), Chomsky rejette tout modèle « collocationnel » du langage au nom de la créativité linguistique infinie, alors que pour Sinclair et ses disciples, le phénomène des collocations, appréhendable dans les corpus, n’implique pas une absence de créativité. De plus, l’existence de segments préfabriqués contribue à réfuter une séparation nette entre lexique et règles de grammaire.

3.4. Le débat sur le statut des données (data evidence) dans la linguistique théorique post-chomskyenne

49Avec la possibilité de traitement de grandes masses de données, de nouvelles questions se sont posées pour les chomskyens. À la fin des années 1990, le débat s’est généralisé au sein d’un courant de la philosophie de la linguistique, avec pour objectif de discuter les notions de grammaticalité et d’intuition et plus généralement du statut des données comme preuves (data evidence), d’en évaluer les enjeux pour la linguistique théorique et d’approfondir la réflexion sur l’empiricité dans la linguistique post-chomskyenne (voir notamment Schütze 1996, Sternefeld éd. 2007, Pullum 2007, Riemer 2009, Kertész et Rákosi 2012).

50Kertész et Rákosi (2012) tentent de faire le point sur ces débats. Méconnaissant les travaux des distributionnalistes utilisant l’élicitation, ou ceux de Quirk utilisant des données expérimentales en plus des données attestées dans les corpus, ils se situent dans une perspective exclusivement post-chomskyenne. Ils décrivent une nouvelle ère générativiste, selon laquelle on ne peut plus se contenter des données par introspection. Il faut aussi utiliser les résultats de recherches fondées sur les corpus et les expériences. Ceux qui s’attachent à identifier les principes de la grammaire universelle utilisent les résultats de recherches en typologie, en neuro et en psycholinguistique. Les erreurs et les lapsus, tenus (depuis Chomsky 1955) comme non grammaticaux, peuvent maintenant être utilisés comme evidence faible pour l’étude de la grammaticalité. Des données s’avèrent avoir un statut mixte (intuition/attestation dans des corpus) : selon Schütze (1996), le web, parce qu’il est très étendu, est le meilleur corpus, mais il doit être contrôlé par l’intuition linguistique du chercheur. Les questionnaires, les études du mouvement des yeux, les mesures neuro-anatomiques, etc. sont des expériences fondées sur les réponses de participants à des stimuli, qui ne sont ni des données par corpus ni des données par introspection. Ainsi, la compétence linguistique n’est plus le seul facteur pertinent pour les jugements d’acceptabilité.

51Le statut des contre-exemples s’en trouve modifié. Les générativistes adoptent une stratégie inédite (pour eux) consistant à ignorer provisoirement les contre-exemples, en faisant l’hypothèse qu’à une étape ultérieure de développement de la théorie, les outils deviendront disponibles pour résoudre les incohérences (Chomsky 2002). Les données « découvertes » ne satisfont plus le critère d’empiricité. Les données par corpus, moins susceptibles de manipulation, sont tenues pour plus objectives que les données par intuition. Enfin le mode d’argumentation doit être cyclique et non linéaire. Pour trouver une solution adéquate, il faut revenir en arrière et essayer un autre chemin. À chaque cycle, la perspective change et la théorisation linguistique obéit à un processus heuristique par l’application de stratégies de résolution de problèmes (problem-solving).

4. Conclusion

52Il est intéressant de voir que la linguistique descriptive britannique contient en elle-même des potentialités de développement devenues réalisables grâce à l’automatisation. Depuis Henry Sweet, elle comprend aussi bien les aspects théoriques que tous les aspects pratiques, comme l’enseignement des langues, la traduction, puis l’automatisation de la traduction, la recherche automatique des collocations, etc. L’automatisation n’a pas fait rupture ; elle s’est au contraire inscrite dans la continuité des méthodes d’application de la linguistique. Ce qui a véritablement introduit un bouleversement, c’est la mise à disposition de masses de données considérables. L’outil linguistique que constituent les corpus était disponible depuis les années 1960. Leur mise en œuvre est devenue possible avec la technologie des ordinateurs des années 1990, accroissant leurs potentialités de façon inédite.

  • 16 Traduction française (J. Léon) : À partir de là il devrait être possible dans 10 ou 20 ans de déch (...)

53Cet aspect est souligné par Halliday (2002) lui-même. Jusqu’aux années 1990, dit-il, la linguistique avait très peu de données à sa disposition et était dans la situation de la physique à la fin du xve siècle avant que la technologie ne lui permette d’expérimenter. Pour Halliday, et une partie des linguistes empiristes, la linguistique est une science expérimentale qui a connu deux développements majeurs au xxe siècle grâce aux avancées technologiques : (i) l’apparition des magnétophones et des ordinateurs dans les années 1950, qui lui a permis de rattraper la phonétique déjà constituée dès les années 1920 comme science de laboratoire ; (ii) l’évolution des ordinateurs dans les années 1990 qui ont permis de mettre à disposition des linguistes des masses de données inédites : « From all this it should be possible in the next decade or two to crack the semiotic code, in the sense of coming fully to understand the relationship between observed instances of language behaviour and the underlying system of language » (Halliday 2002, p. 8)16. Sampson (2001) argumente dans le même sens pour critiquer l’opposition possible/impossible interne à la notion chomskyenne de grammaticalité. Cette opposition, dit-il, suppose une « negative evidence » qui n’est pas observable et ne peut relever de l’intuition. Dans les années 1950-1960, on remplaçait la mise en évidence empirique par l’intuition, faute de données suffisantes. Or, grâce aux grands corpus, rien n’interdit actuellement à la linguistique d’être une science empirique au même titre que les autres sciences. Au-delà d’une conception empirico-positiviste, il est indéniable que les corpus sont devenus une source d’appoint de données pour tous les linguistes. Rares sont ceux qui n’y ont pas recours pour construire leurs faits en linguistique. Il existe même des domaines, comme la prosodie ou la morphologie, où il est impossible, même en adoptant une démarche formaliste et/ou réaliste, de ne pas les utiliser. Les débats au sein du courant de la linguistique post-chomskyenne (ci-dessus § 3.4) témoignent de cette évolution et incitent les linguistes générativistes à utiliser les corpus et les expérimentations.

54De façon générale, il s’agit de savoir en quoi les corpus constituent de nouveaux instruments (une « linguistique instrumentée », Habert 2005), voire un nouvel observatoire pour la linguistique (voir Auroux 1998, Cori et David 2008, Girault et Victorri 2009, entre autres), ou bien si leur utilisation n’est qu’un des moyens pour la linguistique d’éprouver son empiricité.

Notes

1 Pour l’histoire du TLF, voir Cerquiglini (1998) et Chevalier (2006).

2 Henry Sweet (1845-1912) était un phonéticien, chef de file de l’Association phonétique internationale et du Mouvement de la Réforme. Ce mouvement, créé à la fin du xixe siècle par les plus grands phonéticiens de la période, se donna pour tâche de réformer l’enseignement des langues à partir de trois grands principes : la primauté de la parole ; la centralité du texte et l’enseignement des langues par l’oral (voir Howatt 2004, chapitre 14) et ici même chapitre 3, § 1.

3 De plus, certains linguistes ont participé aux deux groupes : c’est le cas de M.A.K. Halliday, qui a été élève de Firth et un membre pionnier du CLRU.

4 Traduction française (J. Léon) : Un texte littéraire n’a de sens que comparativement avec une langue particulière à un moment particulier. Toute étendue de langage n’a de sens que comme échantillon d’un énorme corpus de texte ; elle représente le résultat d’un processus de sélection complexe, et chaque sélection a un sens en vertu de toutes les autres sélections qui ont été faites, mais ont été rejetées […]. Ainsi un poème est un échantillon d’une langue ; peut-être un échantillon non représentatif, mais porteur de sens seulement parce qu’il peut être référé à une description de la langue dans son ensemble.

5 Après son doctorat en syntaxe à University College of London, Quirk effectue un séjour aux États-Unis en 1951-1952 où il rencontre plusieurs néo-bloomfieldiens.

6 Corpus attesté, corpus de données complètes et objectives, corpus abondant de données attestées enregistrées.

7 Voir Léon 2007b, 2008c.

8 Dans ses Investigations philosophiques, Wittgenstein (Wittgenstein 1961 [1953] I, 2, p. 116) parle des fonctions du langage en tant qu’outils. Il donne l’exemple d’un langage primitif constitué de seulement quelques mots, « blocs », « dalles », « poutres » qui pourraient s’avérer suffire à deux ouvriers du bâtiment pour communiquer. Firth s’inspire directement de cette idée lorsqu’il préconise un langage restreint permettant aux pilotes d’avion de communiquer entre eux en japonais (voir son exemple 2 ci-dessous).

9 « Le langage humain n’est pas autonome, ce n’est pas une sphère d’activité en soi et pour soi. Pour fonctionner comme moyen de communication, il doit être situé dans un monde donné et parmi d’autres habitudes sociales. Il n’y a pas de langage humain possible sans hyperlangue […]. Un Québécois (ou un Brésilien) utilise bien la même expression que le Français (ou le Portugais) quand il parle d’un “grand arbre”. Pourtant, à bien des indices textuels on remarquera que les expressions n’ont pas le même sens : la langue grammaticale n’a pas changé, c’est le monde qui a changé, provoquant un changement de l’hyperlangue » (Auroux 1997, p. 114-115).

10 Dans l’édition des œuvres complètes de Sapir, Swiggers (2008) souligne l’engagement de Sapir dans les langues auxiliaires internationales. Sapir y a consacré quatre articles entre 1925 et 1933.

11 TAUM pour Traduction automatique à l’université de Montréal.

12 Traduction française (J. Léon) : La principale critique qu’on peut faire de la linguistique structuraliste américaine fondée sur des procédures d’analyse phonémique, est que, s’étant limitée à ce type d’étude, elle n’a fourni aucune analyse grammaticale valide d’aucune langue, qui aurait pu renouveler l’analyse empirique de façon systématique.

13 « Philosophy of linguistics is the philosophy of science as applied to linguistics. This differentiates it sharply from the philosophy of language, traditionally concerned with matters of meaning and reference. » (Scholz Barbara C., Pelletier Francis Jeffry et Pullum Geoffrey K., « Philosophy of Linguistics », The Stanford Encyclopedia of Philosophy (Winter 2011 Edition), Edward N. Zalta éd. [], consulté le 26 janvier 2015.

14 Voir Léon 2010b.

15 Pour une étude critique de la linguistique de corpus voir Cori et David 2008.

16 Traduction française (J. Léon) : À partir de là il devrait être possible dans 10 ou 20 ans de déchiffrer le code sémiotique, c’est-à-dire de parvenir à comprendre la relation entre les instances observées du comportement langagier et le système sous-jacent du langage.

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