Version classiqueVersion mobile
OpenEdition Books

Corpus de textes : composer, mesurer, interpréter

 | 
Émeline Comby
, 
Yannick Mosset
, 
Stéphanie de Carrara

I. Corpus linguistiques

Critères de sélection des données pour un corpus d’arabe contemporain. Intégrer les variations génériques et diatopiques

Catherine Pinon

Texte intégral

1Afin d’établir une liste exhaustive des valeurs et des emplois du verbe kâna en arabe contemporain, nous avons constitué un corpus numérique regroupant des textes provenant de sept pays arabes et ressortissant à trois genres. D’une taille totale d’1,5 million de mots, ce corpus numérique nous a permis d’extraire plus de 15 000 occurrences de ce verbe dont l’étude a fourni une photographie précise de ses différentes valeurs.

2La constitution d’un corpus est toujours sujette à discussion car les critères de sélection des données varient en fonction de l’objet de la recherche. Dans cet article, nous voudrions revenir sur une expérience aboutie, en rappelant quels ont été les différents éléments qui ont présidé à la constitution de notre corpus et quelle pertinence on peut accorder aux différents critères choisis, au vu des résultats. Nous nous intéresserons plus précisément aux variations d’ordre diatopique et générique telles qu’elles apparaissent dans notre corpus, pour évaluer la nécessité d’introduire de tels critères dans un corpus d’arabe contemporain.

3En effet, pour travailler sur la syntaxe de l’arabe contemporain, il nous paraît évident de nous appuyer sur des textes authentiques et variés, provenant de différents pays du monde arabe et ressortissant à différents genres. Or, un bref regard sur les corpus d’arabe existants révèle que cette particularité n’a pas encore exactement servi de base à l’élaboration des corpus et à la sélection des données textuelles (Pinon 2012). Il convient alors de justifier notre point de vue et d’évaluer sa pertinence à partir des résultats d’une étude particulière.

L’objet d’étude : le verbe kâna

4Le verbe kâna est un verbe grammatical qui permet de mettre la relation de prédication d’une phrase tantôt au passé, tantôt au futur, ou de la revêtir de valeurs modales telles que la nécessité, la possibilité ou encore la généralité. Ce verbe est très courant en arabe littéral et dans les différents dialectes arabes. Dans notre corpus, l’ensemble des occurrences verbales et nominales de ce verbe représente 1,03 % des mots employés dans les textes et les discours, toutes catégories confondues. Chez Timothy Buckwalter et Dilworth Parkinson (2011), c’est le dixième mot le plus utilisé avec une fréquence, pour les occurrences verbales seules, de 0,94 % des mots du corpus constitué de 30 millions de mots. C’est le premier mot « lexical » le plus fréquemment employé, les neuf premiers étant l’article défini al- et les particules wa-, , min, li-, bi-, ʿalā, anna et ilā.

  • 1 Nous avons développé ailleurs ces questions (Pinon 2013b et à paraître).

5L’étude détaillée des emplois et des valeurs portées par ce verbe avait pour objet de tester une hypothèse, celle de l’inadéquation descriptive partielle des grammaires de l’arabe. En effet, dans ces dernières, le rôle du verbe kâna se réduit bien souvent à celui d’exposant temporel, sans qu’un simple usager des grammaires puisse présager du poids réel de cet emploi dans la langue ni accéder aux autres valeurs ou emplois. Pour tester cette hypothèse, il a fallu faire la synthèse des descriptions de kâna dans les grammaires arabes et arabisantes, puis procéder à la description de ses emplois dans la langue. Pour cela, nous avons constitué un corpus conçu comme un recueil d’échantillons de langue où les différentes valeurs du verbe pourraient être inventoriées. La comparaison entre les descriptions proposées dans les grammaires et les usages réels en langue avait finalement pour objet d’aboutir à un fragment de grammaire réaliste de l’arabe contemporain. Comparer la langue telle qu’elle est décrite dans les grammaires à la langue telle qu’elle est employée en réalité n’a de sens à nos yeux que s’il s’agit pour le chercheur de faire évoluer les livres de grammaire. Il nous semble évident que des grammaires élaborées depuis des siècles, véhiculant davantage une somme de connaissances sur la langue qu’une réelle description de ses emplois, ne peut servir de fondement à un travail portant sur la langue contemporaine1.

Syntaxe descriptive et grammaire de l’arabe contemporain

6Fonder la recherche en syntaxe de l’arabe sur un corpus varié est une démarche assez innovante, même si tout au long de l’histoire des grammaires arabes, des auteurs ont voulu pallier cette inadéquation descriptive plus ou moins importante selon les ouvrages (par exemple Périer 1911 ou Cantarino 1974). Mais ils sont encore trop peu à avoir fait un travail systématique de description à partir de textes ne provenant pas uniquement de la littérature classique. Il faut comprendre que pour l’arabe, les grammaires fonctionnent par accrétion : les grammaires arabes ont inspiré les premières grammaires arabisantes qui nourrissent jusqu’à aujourd’hui les grammaires les plus récentes. De fait, en mille trois cents ans de grammaires arabes, un savoir théorique s’est transmis parallèlement au développement de la langue réelle. C’est un peu le cas pour toutes les langues, où l’écart est patent entre le système décrit et la langue telle que les locuteurs l’emploient ; mais en arabe, ce phénomène est renforcé par une histoire où la religion et les mythes ont pris le pas sur la conception technique de la langue (Pinon 2011 et à paraître).

7Par ailleurs, vouloir décrire l’arabe mène à un questionnement fondamental : quel arabe ? Notre conception de la langue découle naturellement de notre relation à l’arabe : enseignant l’arabe comme langue vivante dans le secondaire ou à l’université, c’est l’arabe contemporain qu’il nous intéresse de décrire. Nous tenons à travailler sur de l’arabe réel, un arabe qui reflète une certaine réalité linguistique du monde arabe. La nécessité de travailler sur un panel de données langagières authentiques est d’autant plus impérieuse que les études linguistiques portant sur l’arabe littéral contemporain sont rares. Quelques grammaires récentes sont fondées sur corpus, mais à ce jour aucune étude d’envergure ne concerne la syntaxe de l’arabe contemporain, à l’inverse des lexiques qui foisonnent. Cette étude particulière, prenant pour objet le verbe kâna, se veut être un fragment de cette grammaire d’un genre nouveau, une grammaire descriptive et explicative partant surtout des textes, et non pas exclusivement de grammaires antérieures.

Les critères de sélection des données

8Le choix des critères pour sélectionner les données textuelles a constitué un point crucial de cette recherche. En voici une brève énumération commentée.

Support

9Pour des raisons pratiques, nous n’avons collecté que des textes directement accessibles au format numérique. Dans le temps imparti (les trois années contractuelles du doctorat), il était inenvisageable de traiter de corpus oraux dont les coûts matériels de retranscription sont trop élevés. Nous avons donc étudié de l’arabe écrit numérique.

Synchronie

10Pour travailler sur de l’arabe contemporain, nous avons recueilli des données récentes. Les textes constituant le corpus ont été composés entre 2002 et 2011. Nous les avons recueillis du plus récent au plus ancien, en nous arrêtant lorsque notre quota était atteint. De fait, la période n’est pas la même pour les différents genres : pour la presse, les textes ont été composés en 2010 et 2011, pour les blogs, entre 2005 et 2011, et pour la littérature, entre 2002 et 2011.

Variété de langue

11Nous pensons que la dichotomie arabe dialectal / arabe littéral est réductrice et ne permet pas une réelle description de la langue. En effet, ces deux variétés de l’arabe se mélangent bien souvent sans qu’il soit possible de distinguer ce qui ressortit proprement au dialectal ou au littéral. Plutôt que de parler d’arabe « standard » ou « littéral », nous parlons plus volontiers d’arabe « non exclusivement dialectal », choisissant ainsi une définition en négatif de la variété de langue ciblée. Il s’avère nécessaire de préciser ce que l’on entend par « exclusivement dialectal ». Disons qu’une transcription de discours spontané en vernaculaire peut être considérée comme exclusivement dialectale si aucune velléité d’employer des termes ou la phraséologie de l’arabe littéral ne surgit. À l’inverse, la présence de dialogues en dialecte dans une œuvre littéraire n’est pas considérée comme exclusivement dialectale, car souvent le discours y est standardisé. Il s’agit plus dans ce cas d’une mimesis des dialectes que de l’expression naturelle d’un locuteur. Selon cette perception, tout ce qui n’est pas exclusivement dialectal tombe dans ce domaine. L’arabe non exclusivement dialectal est donc plus ou moins empreint de dialectes arabes et inclut des textes produits dans plus de vingt pays membres de la Ligue arabe, ainsi que par des arabophones expatriés.

Variation diatopique

  • 2 Pour une description des principaux corpus d’arabe contemporain, voir Pinon 2012.

12Un état de la recherche sur les corpus d’arabe a clairement établi que les corpus nommés « corpus international d’arabe » ou « corpus d’arabe moderne », laissant par là supposer une certaine visée représentative de l’arabe, ne regroupaient que des données localisées dans la même région du monde arabe ou ne provenant même que d’un seul pays2. Le Maghreb et le Golfe sont quasi inexistants dans ces corpus. Nous avons donc voulu regrouper des textes provenant d’un échantillon plus large du monde arabe, faute de pouvoir recueillir des données provenant de tous les pays qui ont l’arabe comme langue officielle. Nous tenions à ce que le Maghreb, mais aussi la péninsule Arabique soient représentés, car la grande majorité des études actuelles se cantonne à l’Égypte ou au Proche-Orient.

13Le critère diatopique est un bon exemple de l’aspect arbitraire de la sélection des données, car les critères de sélection des sept pays retenus sont tout à la fois réfléchis et totalement subjectifs. Le Maroc, la Tunisie, l’Égypte, le Liban, la Syrie, l’Arabie Saoudite et le Yémen : ce choix peut sembler arbitraire et les raisons en sont plus intuitives qu’argumentées. Le dialecte a été un élément majeur pour sélectionner les pays. Le Maroc et l’Égypte nous semblaient fondamentaux pour leur rapport au dialecte et pour la place que tiennent les écrits égyptiens dans le monde arabe. Nous voulions un second pays pour représenter le Maghreb et avons préféré la Tunisie à l’Algérie, d’abord parce que nous pensions y trouver une influence du français moins importante, ensuite parce que le tunisien est le dialecte que nous connaissons le mieux. Les différences entre la Syrie et le Liban semblaient assez riches pour que les deux pays figurent, de même que pour l’Arabie Saoudite et le Yémen. Nous avons exclu les pays du Golfe car la population arabe immigrée y est importante : la presse des Émirats, par exemple, emploie beaucoup de journalistes levantins ou égyptiens. Quant à la Mauritanie, la Libye, le Soudan et l’Irak, ces pays n’ont pas été retenus parce que l’accès aux sources paraissait plus difficile. L’ensemble de la collecte reposant sur Internet, l’accès aux sources a manqué de compromettre cette recherche plus d’une fois. Les principales difficultés concernaient le Maroc où les sites de presse étaient souvent bloqués, la Tunisie où, jusqu’au printemps 2011, nous n’avions quasiment rien pu collecter à cause de la censure, mais aussi le Yémen où les mises à jour étaient très irrégulières et où les archives disponibles étaient insuffisantes.

Variation générique

14Nous avons choisi, en donnant une définition très large au mot genre, de réunir des textes provenant de trois genres : la presse, la littérature et les blogs. Ce choix a d’abord été influencé par les études de Denise Malrieu et François Rastier (2001) sur les variations morphosyntaxiques inhérentes aux genres textuels, qui ont en partie montré que les caractéristiques internes des textes, telles qu’elles pouvaient être statistiquement étudiées, correspondaient en grande partie aux typologies classiques qui regroupent les textes a priori. Elles ont aussi fait émerger des regroupements de variations distinctives d’un genre à l’autre et montrent, d’une manière générale, que de nombreux facteurs se caractérisent d’un genre à l’autre. Ensuite, nous avons remarqué que la plupart des études actuelles sont fondées soit sur des corpus littéraires, soit sur des corpus de presse. En effet, l’immense majorité des grammaires classiques est fondée sur des corpus littéraires qui incluent aussi le corpus coranique ; plus récemment, c’est le cas de l’exemplier très complet de Ronald Buckley (2004). Dans certains cas, on y sous-entend que la littérature est la forme d’expression du « bon arabe » par excellence (Périer 1911). Plusieurs thèses en linguistique arabe reposent sur des corpus d’arabe de presse, notamment celles d’Alain Girod (2000) et de Marie Baize-Robache (2009) qui ont illustré une tendance au conservatisme linguistique de l’arabe de presse. Quant à la grammaire d’Elsaid Badawi, Michael Carter et Adrian Gully (2004), elle élargit considérablement son corpus, mais ne référence pas ses exemples.

15Rappelons que notre point de départ était de décrire la langue contemporaine réelle sans porter de jugement de type axiologique sur le niveau de langue des locuteurs. Nous voulions donc pouvoir atteindre un large panel d’usagers de la langue, qu’ils soient lettrés ou non. Pour répondre à cette volonté d’élargissement à tout type de locuteur, nous avons sélectionné trois genres en fonction de l’accessibilité des ressources textuelles.

16Nous avons choisi la presse parce qu’elle constitue le domaine de prédilection de l’arabe contemporain et que les ressources sont facilement accessibles. Nous avons de même opté pour la littérature, car la presse est souvent considérée comme le seul lieu des évolutions alors que la littérature serait encore « classique » ; nous pensons au contraire que les écrivains innovent aussi en matière de langue. Le troisième genre est représenté par les blogs, car nous voulions toucher à cette langue que tout un chacun emploie, sans forcément devoir être journaliste ou écrivain. Les blogs ressortissent à ce que l’on pourrait nommer de « l’écrit spontané » et contrastent en cela avec la littérature, où les écrits sont très travaillés, et la presse où, si l’urgence ne permet pas un tel travail, l’habitus et le caractère fortement stéréotypé n’en font pas à proprement parler un écrit spontané. De plus, les billets postés sur les blogs relèvent en quelque sorte du domaine oral : il s’agit souvent de « parlé-écrit », d’un discours qui serait plus naturellement produit à l’oral mais que l’on diffuse sur un support écrit. Ceci nous permet, sans avoir à étudier de données orales, de s’en approcher quelque peu. Il est vrai que l’évolution actuelle de la langue, du fait des médias et autres moyens de communication communs à tout le monde arabe, fait une place de plus en plus grande à ce que l’on pourrait nommer « l’arabe ordinaire », un arabe qui est davantage normé par l’intuition des locuteurs que par une réelle standardisation due à l’enseignement. C’est aussi atteindre cette norme intuitive par la description « froide » des énoncés qui nous intéressait.

17Il a ensuite fallu définir, à l’intérieur de ces trois domaines, des caractéristiques plus précises. Habert et al. (2000, p. 25-26) insistent sur la qualité des typologies lorsqu’ils disent que

les classifications en termes de sujets et de domaines sont sujettes à caution. Trop raffinées, elles se trouvent vite battues en brèche par l’évolution des sociétés, des techniques et des mentalités. Grossières, elles sont trop floues pour être utiles. Il faut alors s’en servir comme d’un débroussaillage imparfait mais commode.

18Pour nous guider dans ce « débroussaillage », nous avons suivi les conseils de François Rastier (2005, p. 32) qui recommande de référencer les textes à au moins trois niveaux, celui des discours, du champ générique et du genre proprement dit. La typologie n’étant pas tant développée dans les discours non littéraires, nous avons déterminé des champs thématiques en fonction des objectifs de notre recherche. Pour la presse, nous avons choisi la presse quotidienne, et plus précisément des articles provenant de la page des informations locales. Nous voulions ainsi éviter de tomber sur des articles traduits de langues étrangères ou écrits à partir de dépêches reçues en langues étrangères, ce qui aurait pu considérablement influencer les résultats de notre recherche. En effet, nous pensons que l’influence de langues comme l’anglais et le français joue un certain rôle dans l’évolution des emplois du verbe kâna (Lecomte 1968). Le choix des informations dites « locales » devait nous garantir une production sans arrière-pensées ni influences linguistiques étrangères. En revanche, elles ne présentent pas d’unité thématique : on y traite aussi bien de politique locale que d’accidents de la route, d’inaugurations et de manifestations que du suicide d’un enseignant, etc. Pour la littérature, nous avons choisi la prose, et plus précisément la fiction. Quels que soient leur taille ou leur sujet, des romans et des nouvelles ont été sélectionnés. Même si Benoît Habert, Adeline Nazarenko et André Salem (1997, p. 124-125) estiment que l’on est « plus représentatif d’un genre quand on utilise des extraits courts mais nombreux que quand on utilise des textes entiers de peu de locuteurs », comme nous avons rencontré des difficultés importantes pour collecter des textes littéraires sous format électronique, nous avons composé avec ce que nous avons pu nous procurer. Ces mêmes auteurs posent aussi « la question des rôles respectifs de la manipulation stylistique de la langue, de l’idiolecte et de l’usage du moment » (ibid.), mais d’autres chercheurs comme Émile Brunet et Charles Müller (1988) ont montré que la variable d’auteur était hiérarchiquement inférieure à la variable de genre. Nous avons donc veillé, pour chaque pays, à avoir au moins cinq écrivains dont au moins une femme. Pour les blogs, nous n’avons pas choisi de thématique particulière, mais avons privilégié les contenus de type « journal intime » ou « carnet de bord ». Les billets postés sur les blogs ressortissent à un genre naissant pour lequel une typologie n’a pas encore été clairement établie, même si différentes études se sont penchées sur la question (Soubrié 2006).

Taille du corpus et questions de représentativité

19Pour déterminer un nombre de mots minimal, deux facteurs ont été déterminants. Tout d’abord, nous nous étions fixé la limite basse d’un million de mots sur les conseils des linguistes arabisants Jean-Patrick Guillaume et Djamel Eddine Kouloughli qui estimaient que, pour pouvoir prétendre faire de la linguistique de corpus, il fallait recueillir au moins un million de mots. Ensuite, il fallait se donner les moyens de la représentativité visée dans la recherche. La taille n’est pas le seul élément à déterminer, il faut aussi expliciter ce que l’on entend par représentativité et quel type d’échantillonnage l’on va opérer. On peut en effet choisir de représenter les productions langagières en fonction du poids qu’elles ont dans la vie réelle ou choisir des échantillons de même taille pour toutes les catégories préétablies. C’est la seconde solution que nous avons adoptée, à l’inverse des chercheurs de la Bibliotheca Alexandrina (Al-Ansari et al. 2008) qui, pour élaborer leur corpus international d’arabe, ont prêté attention à la fréquence d’emploi de chaque genre.

20Réfléchir à une représentation générique et diatopique n’a pas de sens si la multiplication des critères amène à ne collecter qu’un court texte dans chaque catégorie. La question de la taille du corpus illustre tout à fait ce paradoxe voulant qu’en multipliant les critères de sélection des données pour représenter au mieux la langue, on multiplie de manière exponentielle le poids des données. De fait, si l’on souhaite conserver ces critères en limitant la taille du corpus, on perd alors considérablement en représentativité. Compte tenu de notre volonté de représenter trois genres et sept pays, la multiplication des paramètres de sélection des données amenait soit à l’augmentation quasi exponentielle de la taille du corpus, soit à une baisse de la représentativité de chaque échantillon. Le principe de saturation énoncé par Mark Van Mol (2003) nous a permis de déterminer une taille minimale pour chaque échantillon : il estime qu’au-delà de 200 000 mots, l’augmentation en vocabulaire ou en structures nouvelles est négligeable. Aussi ne semblait-il pas utile, dans le cadre de notre recherche, de viser de gigantesques échantillons de la langue. Par ailleurs, l’essentiel était d’accéder à des occurrences pour pouvoir décrire le verbe kâna qui, rappelons-le, est couramment employé en arabe. Nous avons donc décidé de collecter 70 000 mots par pays et par genre, ce qui nous a permis d’approcher 1,5 million de mots au total. Ainsi, pour chaque genre, nous avions 500 000 mots et pour chaque pays 210 000 mots, ce qui nous plaçait dans les deux cas au-dessus du seuil de saturation. Cette taille n’est pas considérable, au regard d’autres corpus d’étude, mais s’est avérée bien suffisante dans le cadre de la présente recherche.

Autres critères

21Les informations propres aux auteurs des textes constituant notre corpus n’ont été recherchées que superficiellement pour opérer une première sélection. Pour la littérature, il est relativement aisé de trouver des informations d’ordre biographique sur les auteurs. Pour les blogs, nous avons consulté la fiche auteur attachée au blog, qui n’était pas toujours remplie. Dans ce cas, nous ne prélevions aucune donnée. Pour la presse, vu que les journaux sélectionnés étaient des journaux nationaux ou locaux, nous sommes partie du principe que les journalistes étaient natifs des pays concernés. Les auteurs vivant en dehors du monde arabe ont été rejetés pour ne conserver que des textes produits par des Arabes vivant dans le monde arabe et écrivant principalement en langue arabe. Il aurait été intéressant de recueillir pour chacun un minimum d’informations d’ordre démographique et socio-culturel (âge, formation, profession, statut, etc.), mais cela s’est avéré irréalisable. L’essentiel est que nous touchons, entre les écrivains, les journalistes et les blogueurs, un large panel d’individus : hommes et femmes, jeunes et moins jeunes, appartenant à différentes classes sociales. Tous les textes sont signés par leurs auteurs.

Extraction et étude des occurrences : quelques résultats

22Le corpus a été exploité à l’aide du logiciel de statistique textuelleLexico3. Nous l’avions balisé pour pouvoir savoir à quel genre chaque occurrence appartenait et de quel pays elle provenait ; d’autres balises plus précises nous permettaient de replacer l’occurrence dans son contexte (auteur et roman pour la littérature, journal et article pour la presse, blog et post pour les blogs). De plus, des délimiteurs de séquences ont été insérés dans le corpus. Précisément, 15 113 occurrences du verbe kâna ont été extraites de notre corpus puis reclassées. Nous avons pour cela procédé à différents tris : tri des formes des occurrences en fonction du paradigme de conjugaison ; tri en fonction du contexte avant pour voir si l’occurrence entrait dans le champ d’une particule ; tri en fonction du contexte après. La description systématique des occurrences en contexte a permis d’établir une liste d’emplois particuliers et de valeurs portées par ce verbe (Pinon 2012 et 2013b). Nous avons systématiquement observé l’impact des facteurs genre et pays sur les résultats. Les statistiques ne permettent évidemment pas d’établir des règles absolues, mais il s’en dégage parfois des phénomènes généralisables ou des absences de congruence notables. Voici la répartition générale de l’ensemble des occurrences par genre et par pays (tableau 1) :

Tableau 1. Pourcentage des occurrences du verbe kâna par genre et par pays.

  Blogs Littérature Presse Total
Liban 6,01 % 7,08 % 3,53 % 16,63 %
Maroc 5,92 % 8,32 % 2,37 % 16,59 %
Arabie Saoudite 6,08 % 5,72 % 2,90 % 14,70 %
Yémen 5,97 % 5,39 % 2,30 % 13,67 %
Tunisie 4,74 % 6,35 % 1,93 % 13,03 %
Égypte 6,68 % 4,54 % 1,61 % 12,80 %
Syrie 4,69 % 5,93 % 1,96 % 12,58 %
Total 40,12 % 43,28 % 16,60 % 100 %

La variation générique dans notre corpus

23On repère aisément une fracture générique entre la presse (2 510 occurrences, soit 16,60 %) et la littérature et les blogs (avec respectivement 6 541 occurrences, soit 43,28 %, et 6 062 occurrences, soit 40,12 %). Ces chiffres s’expliquent naturellement quand on sait que les trois quarts des emplois du verbe kâna servent d’exposant temporel du passé, temps par excellence du récit. Le récit est aussi présent dans les articles de presse, mais ne constitue pas nécessairement l’essence même de ces derniers. Ils peuvent être mis en relation avec d’autres évidences génériques, comme le sur-emploi de la forme de l’accompli dans la littérature et l’utilisation importante de l’inaccompli dans la presse (figure 1). Kâna à l’accompli sert majoritairement d’exposant du passé ; à l’inaccompli, il convient de distinguer trois modes : l’indicatif, le subjonctif et l’apocopé. Pour ce dernier, plus de 90 % des occurrences surviennent après la particule lam servant essentiellement à nier le passé.

Figure 1. Répartition de l’accompli et de l’inaccompli par genre.

Figure 1. Répartition de l’accompli et de l’inaccompli par genre.

24Pour ce qui est de la distribution de l’accompli et de l’inaccompli, on note en effet que l’accompli domine dans la littérature où il est employé près de quatre fois plus que l’inaccompli, dans les blogs, où il figure deux fois plus, et dans la presse où il représente un peu moins du double. C’est dans les blogs que l’on trouve le plus d’occurrences de l’inaccompli (46 %), suivi de la littérature (33 %) et de la presse (21 %). Il convient de noter que la répartition entre les différents types d’inaccompli est relativement équilibrée, puisque nous avons 1 469 occurrences de l’indicatif (37 %), 1 438 du subjonctif (36 %) et 1 067 de l’apocopé (27 %). Il est intéressant d’observer les tendances de la répartition générique en fonction du type d’inaccompli car la répartition des trois types d’inaccompli par genre montre que l’indicatif domine dans les blogs et la littérature, alors qu’il s’agit du subjonctif pour la presse (figure 2).

Figure 2. Répartition des types d’inaccompli par genre.

Figure 2. Répartition des types d’inaccompli par genre.

25On observe aussi la rareté de l’apocopé dans la presse. Rappelons que 92,8 % des emplois de l’apocopé surviennent après la particule lam qui sert essentiellement à nier le passé. On comprend alors pourquoi c’est dans la littérature que l’inaccompli apocopé est le plus employé (54 %) ainsi que dans les blogs (37 %), et qu’il l’est le moins dans la presse (9 %).

Un exemple de variation syntaxique inhérente au genre

26Ces différents chiffres corroborent l’hypothèse du lien fort entre récit et emplois de kâna à l’accompli comme marqueur temporel du passé. Ils laissent aussi présupposer différents liens entre genres et structures syntaxiques, liens qu’il serait intéressant d’interroger plus précisément. En effet, on repère que certains schémas syntaxiques s’emploient préférentiellement dans un genre plutôt que dans l’autre. C’est notamment le cas de la distribution générique des structures du type kāna faʿala et kāna qad faʿala (les deux structures peuvent être traduites par le plus-que-parfait), schéma syntaxique permettant de situer l’action exprimée par le verbe comme antérieure à un autre événement survenu dans le passé (tableau 2).

Tableau 2. Répartition des structures kāna faʿala et kāna qad faʿala par genre.

  Kāna faʿala Kāna qad faʿala
Blogs 21,8 % 78,2 %
Littérature 9 % 91 %
Presse 36,5 % 63,5 %

27La répartition des deux types de structure laisse clairement apparaître qu’en littérature, la forme en qad est largement préférée, ce qui est aussi le cas dans les blogs, mais en proportion moindre, ainsi que dans la presse, mais dans des proportions de l’ordre de deux tiers à un tiers seulement.

28C’est dans la presse que la structure sans qad est la plus employée, et dans la littérature qu’on la retrouve le moins souvent. À l’inverse, c’est en littérature que la structure avec qad domine, et dans les blogs qu’elle est moins représentée (tableau 3).

Tableau 3. Comparaison générique des occurrences de kāna faʿala et kāna qad faʿala.

 

Blogs

Littérature

Presse

Kāna faʿala

20,8 %

17,6 %

61,6 %

Kāna qad faʿala

20,6 %

49,7 %

29,7 %

29Concernant le genre, on a pu constater que les résultats statistiques ont souvent démontré un sur-emploi ou un sous-emploi d’une forme dans un genre par rapport à un autre. C’est un facteur pertinent qu’il convient d’étudier davantage et plus finement, de manière à alimenter la description des caractéristiques morpho-syntaxiques des différents genres en arabe, travail qui s’avère utile selon certaines perspectives de recherche, notamment dans le profilage de textes, selon Benoît Habert et al. (2000).

La variation diatopique à la lumière des résultats

30D’après le tableau 1, on constate que l’écart de fréquence des occurrences n’est que de quatre points entre le pays fournissant le moins d’attestations de kâna (la Syrie avec 12,58 %) et celui qui en compte le plus (le Liban avec 16,63 %). L’étude de la variation diatopique n’a pas été prégnante au cours de notre recherche. Cependant, il est intéressant de noter que jamais, lors de l’étude détaillée de ce corpus, nous n’avons fait apparaître de regroupements par aires géographiques (Maroc-Tunisie, Syrie-Liban, Arabie Saoudite-Yémen). Souvent, plusieurs pays montraient des statistiques particulières, mais jamais en fonction de facteurs géographiques à proprement parler. Est-ce à dire que l’arabe contemporain est un arabe « mondialisé », une langue qui tend à s’homogénéiser en ne révélant que sporadiquement l’origine géographique de son usager ? Les résultats de notre recherche sont trop éclectiques et trop peu fournis pour pouvoir le dire. Ce phénomène est peut-être valable pour la syntaxe et moins vérifiable pour le lexique. Quoi qu’il en soit, l’absence de congruence diatopique est tout de même un phénomène notable autour duquel la recherche pourrait être affinée.

*

31Lors de la constitution d’un corpus, le chercheur se pose de multiples questions en rapport avec la sélection des données textuelles. Les critères doivent-ils être très précis ou plutôt minimalistes ? En justifiant les critères que nous avons définis pour recueillir nos données, nous avons mis en avant un paradoxe voulant que plus l’on cherche à être représentatif, plus on est contraint à faire des choix qui s’avèrent être totalement subjectifs. Ce phénomène est inhérent au corpus : plus on diversifie les données en imposant des critères géographiques et génériques, plus le corpus requiert un nombre de mots important pour garder un semblant de représentativité. Ce qui venait contrebalancer ce paradoxe dans le cas précis de notre recherche, c’était le fait que le mot étudié était un marqueur grammatical, l’un des mots les plus fréquents de la langue. Il était donc peu probable qu’en élargissant la taille du corpus, si l’on conservait les mêmes genres, l’on trouve de nouvelles valeurs pour ce verbe. Il faut tout de même reconnaître que les critères doivent être définis avec précision et pertinence, de manière à économiser les efforts du chercheur.

32La multiplication des critères de sélection des données, notamment l’intégration de facteurs de variation générique et diatopique, a-t-elle été pertinente dans le cadre précis de cette recherche ? Nous avons montré que la variation générique était importante et qu’elle pouvait déboucher sur des exploitations intéressantes. Affiné, ce facteur mériterait d’être systématiquement intégré aux corpus servant à documenter les connaissances sur une langue. En revanche, la variation diatopique, certainement intéressante, n’a pas fourni de résultats évidents, si ce n’est l’absence de similitudes liées à l’origine géographique. Ce type de variation, sans doute plus appréhendable lors d’un travail sur le lexique, devrait être repensé en d’autres termes pour produire des résultats. La mise en résonance des résultats avec un corpus dialectal fournirait très probablement des éclairages sur différentes questions d’ordre syntaxique. Quoi qu’il en soit, l’intégration de variations génériques ou diatopiques semble désormais inévitable lorsqu’il s’agit de travailler sur l’arabe contemporain.

Bibliographie

Al-Ansary Sameh, Nagi Magdy et Adly Noha, 2008, « Building an International Corpus of Arabic (ICA) : progress of compilation stage », Bibliotheca Alexandrina. En ligne : [http://www.bibalex.org/isis/UploadedFiles/Publications/Building%20an%20Intl%20corpus%20of%20arabic.pdf] (consulté le 29 novembre 2009).

Badawi Elsaid, Carter Michael et Gully Adrian, 2004, Modern Written Arabic. A Comprehensive Grammar, Londres / New York, Routledge (Comprehensive Grammars), 812 p.

Baize-Robache Marie, 2009, Les formes augmentées de l’arabe littéraire moderne de presse : une étude statistique et syntaxico-sémantique à travers un corpus de presse, thèse de doctorat de l’Université d’Aix-Marseille, 485 p. (sans les annexes).

Brunet Émile et Müller Charles, 1988, « La statistique résout-elle les problèmes d’attribution ? », Strumenti critici, nº 3, p. 367-387.

Buckwalter Timothy et Parkinson Dilworth, 2011, A Frequency Dictionary Of Arabic. Core Vocabulary For Learners, Londres / New York, Routledge, 580 p.

Buckley Ronald, 2004, Modern Literary Arabic. A Reference Grammar, Beyrouth, Librairie du Liban, 1031 p.

Cantarino Vicente, 1974-1975, Syntax Of Modern Arabic Prose, Bloomington / Londres, Indiana University Press, 3 vol.

Cresti Emanuela et Scarano Antonietta, 2000, « Sur la notion de parlé spontané », Corpus. Méthodologie et applications linguistiques, M. Bilger dir., Paris / Perpignan, Champion / Presses universitaires de Perpignan (Les Français parlés), p. 340-349.

Girod Alain, 2000, Faits d’évolution récents en arabe moderne à travers un corpus de presse égyptien, thèse de doctorat de l’Université de Provence, 451 p.

Habert Benoît, Nazarenko Adeline et Salem André, 1997, Les linguistiques de corpus, Paris, Armand Colin, 240 p.

Habert Benoît, Fabre Cécile et Isaac Fabrice, 1998, De l’écrit au numérique. Constituer, normaliser et exploiter les corpus électroniques. Paris, InterEditions, Masson, 320 p.

Habert Benoît et al., 2000, « Profilage de textes : cadre de travail et expériences », JADT : 5e Journées internationales d’analyse statistique des données textuelles. En ligne : [http://lexicometrica.univ-paris3.fr/jadt/jadt2000/tocJADT2000.htm] (consulté le 29 janvier 2014).

Lecomte Gérard, 1968, Grammaire de l’arabe, Paris, Presses universitaires de France (Que sais-je ?), 125 p.

Malrieu Denise et Rastier François, 2001, « Genres et variations morphosyntaxiques », Texto !, vol. 42, nº 2, p. 548-577. En ligne : [http://www.revue-texto.net/Inedits/Malrieu_Rastier/Malrieu-Rastier_Genres.html] (consulté le 25 novembre 2009).

Périer Auguste, 1911, Nouvelle grammaire arabe, Paris, Ernest Leroux, 294 p.

Pinon Catherine, 2011, « La grammaire arabe : entre théories linguistiques et applications didactiques », Essais de linguistique arabe, nº 7 de Synergies-Monde arabe, p. 75-86. En ligne : [http://ressources-cla.univ-fcomte.fr/gerflint/Mondearabe7/mondearabe7.html] (consulté le 29 janvier 2014).

—, 2012, La nébuleuse de kān : classification des différents emplois de kāna / yakūnu à partir d’un corpus d’arabe contemporain, thèse de doctorat de l’Université d’Aix-Marseille, 534 p.

—, 2013a, « Quel corpus peut aider à fonder la grammaire d’une langue pluriglossique ? Exemple de l’arabe contemporain », Corpus, données, modèles, nº 54-55 de Cahiers de praxématique, p. 39-58.

—, 2013b, « Les valeurs de kâna en arabe contemporain », Romano-Arabica XIII, Arab Linguistic, Literary And Cultural Studies, Bucarest, University of Bucharest, p. 305-322.

—, à paraître, « Corpus et langue arabe : un changement de paradigme », Dossiers HEL.

Rastier François, 2005, « Enjeux épistémologiques de la linguistique de corpus », La linguistique de corpus, G. Williams éd., Rennes, Presses universitaires de Rennes (Rivages linguistiques), p. 31-45.

Soubrié Thierry, 2006, « Le blog : retour en force de la “fonction auteur” », communication lors du colloque JOCAIR’06, Premières journées communication et apprentissage instrumentés en réseaux, Amiens, 6-7 juillet 2006. En ligne : [http://edutice.archives-ouvertes.fr/docs/00/13/84/62/PDF/16-_Soubrie.pdf] (consulté le 25 novembre 2009).

Van Mol Mark, 2003, Variation In Modern Standard Arabic In Radio News Broadcasts. A Synchronic Descriptive Investigation In The Use Of Complementary Particles, Louvain, Peeters (Orientalia Lovaniensia Analecta), 324 p.

Notes

1 Nous avons développé ailleurs ces questions (Pinon 2013b et à paraître).

2 Pour une description des principaux corpus d’arabe contemporain, voir Pinon 2012.

Table des illustrations

Titre Figure 1. Répartition de l’accompli et de l’inaccompli par genre.
URL http://books.openedition.org/enseditions/docannexe/image/7346/img-1.jpg
Fichier image/jpeg, 171k
Titre Figure 2. Répartition des types d’inaccompli par genre.
URL http://books.openedition.org/enseditions/docannexe/image/7346/img-2.jpg
Fichier image/jpeg, 199k

© ENS Éditions, 2016

Conditions d’utilisation : http://www.openedition.org/6540

Lire

Freemium

open access

Offert par L’éditeur de ce site