1L’ambition de cet ouvrage était de proposer une approche interdisciplinaire afin de croiser méthodes, réflexions et théories à propos de l’objet « corpus » dans différentes disciplines des sciences sociales et des humanités. En effet, dès lors qu’il s’agit d’appréhender le(s) discours, un support de travail est nécessaire, qu’il s’agisse de documentation écrite ou de transcriptions de dires oraux : la constitution d’un corpus apparaît alors comme un passage obligé pour de nombreuses sciences humaines. L’objet « corpus » est certes le même, mais les approches diffèrent ; cet obstacle n’est pas insurmontable et, au contraire, permet une réflexion fertile. Jusqu’à quel point les cloisonnements disciplinaires sont-ils nécessaires ? Comment les dépasser ? Les outils, les méthodes, les réflexions que chaque contributeur a élaborés ne sont pas forcément spécifiques à une discipline et, dans le cadre d’une réflexion large mais rigoureuse, le partage est possible, permettant d’échanger outils et analyses afin de contribuer à une nouvelle approche des corpus. Les disciplines se sont donc confrontées, chacune à sa manière et selon ses définitions, à des objets similaires et / ou partageant la même dénomination : le texte, matière brute et document sur lequel le travail a lieu ; le discours, consubstantiel au texte ou, en tous cas, innervant sa production, mais aussi, par sa nature plus labile, objet des recherches et des réflexions du chercheur ; et enfin, évidemment, le corpus, dont l’utilité pour la recherche l’empêche d’être une simple somme. Échantillon, support de recherche, il a forcément été constitué avec un objectif, et donc selon des procédés mûrement réfléchis par le chercheur, lequel l’a fait selon les préalables épistémologiques propres à sa discipline. Par ailleurs, les différents genres de discours ne sont pas répartis selon de stricts cloisonnements disciplinaires : les études à partir de discours médiatiques sont ici partagées par une approche de sciences politiques (Lise Jacquez et Audrey Arnoult), de géographie (Émeline Comby), de linguistique (Soufiane Lanseur) et une interdisciplinaire entre sciences de l’éducation et sciences de l’information et de la communication (Natacha Souillard et al.). De même, les romans ne sont pas qu’un terrain pour la littérature ou la linguistique, puisque l’histoire et l’architecture y trouvent des données, en témoigne la contribution de Nadia Zidelmal et Azeddine Belakehal. Par conséquent, des types de discours similaires sont utilisés (certes pour des visées parfois variées) par différentes disciplines, favorisant l’hybridation des pratiques.

2L’ouvrage cherche donc à confronter des réflexions de chercheurs lorsqu’ils ont eu affaire à un travail sur corpus, en réfléchissant à trois étapes essentielles, où la place du chercheur et les implications de ses choix sont sans cesse questionnées. Ces trois étapes, la composition, la mesure et l’interprétation des corpus, sont des processus qui s’imbriquent selon des logiques circulatoires et qui, bien que distinguées dans la réflexion, sont irrémédiablement liées. En premier lieu, chaque contribution précise sa position sur les enjeux que sont l’échantillonnage, la taille ou le moment de la clôture du corpus. Dans un second temps, la mesure des éléments du corpus est axée sur les mutations scientifiques dans l’approche par corpus du fait de nouvelles possibilités offertes par la numérisation, par l’essor de l’offre logicielle ou par l’amélioration technique des systèmes informatiques. Enfin, point d’orgue mais aussi continuation logique des aspects précédents, l’interprétation du corpus est évidemment forte d’enjeux épistémologiques et interdisciplinaires.

Comment composer son corpus ?

L’ère des corpus numériques ?

3Les corpus présentés dans cet ouvrage sont tous des corpus numériques : ce fait, loin d’être anodin, témoigne de l’essor bien connu de l’utilisation de l’informatique dans les humanités et sciences sociales mais, surtout, implique une nécessaire réflexion épistémologique et méthodologique. Les « sciences de la culture » trouveraient ainsi de quoi asseoir leur scientificité de manière plus stable et dégager de « nouveaux observables inaccessibles autrement », notamment en remplaçant l’opposition classique induction / déduction par un parcours cyclique qui part des hypothèses préalables pour y revenir in fine, dans un but de vérification, après que le corpus a été constitué et traité (Rastier 2011, p. 12-13).

4Tous les textes abordés dans l’ouvrage ne sont pas nativement sous format numérique. Des corpus oraux nécessitent une retranscription. Ainsi, la contribution d’Yves-François Le Lay et al. explique des choix faits en termes de transcription, en proposant un couplage conçu dès le commencement entre la numérisation et ses futures modalités de traitement. De même, Soufiane Lanseur évoque le traitement d’émissions de radios. En outre, des corpus sous format papier ont nécessité un travail sous des logiciels de reconnaissance optique de caractères (OCR). Konstantinos Delimitsos et Émeline Comby décrivent ce passage de l’archive papier vers une édition numérique des corpus. Par conséquent, si tous les corps sont numériques lors de la phase de traitement et d’interprétation, leur origine ne l’est pas toujours. Au sein des corpus numériques, là encore une diversité de supports apparaît. Les bases de données utilisées par Natacha Souillard et al. et par Lise Jacquez et Audrey Arnoult proposent des textes sous format numérique, mais qui reprennent les caractéristiques des articles de presse sous format papier. En revanche, des textes sont construits par et pour le numérique : Catherine Pinon travaille entre autres sur des articles de blogs publiés entre 2005 et 2011, en développant l’idée d’un « parlé-écrit » et d’un « écrit spontané ». Les billets de blogs seraient alors un hybride entre l’oral et l’écrit du fait de leur genre même, un texte écrit qui se rapprocherait de l’oral.

5Toutefois, cette affirmation du numérique comme modalité de constitution de corpus présente des objectifs différents. Elle est tantôt utile à la conservation des articles, comme l’évoque Émeline Comby au sujet des bases de données d’articles de presse du xix^e siècle, tantôt choisie pour la diffusion de données, ce que montre le recours aux bases de données comme Factiva par Natacha Souillard et al. ou comme Lexis Nexis par Lise Jacquez et Audrey Arnoult ; et enfin parfois dictée par les méthodes d’exploitation des textes visées. De plus, les entretiens proposés par Yves-François Le Lay et al. s’inscrivent dans une visée patrimoniale de valorisation autour du métier de pêcheur. Enfin, le croisement de deux corpus de thèses différentes par Lise Jacquez et Audrey Arnoult présente la réutilisation de corpus antérieurs dans une perspective comparée.

6Un corpus numérique est plus qu’un ensemble de textes. Il invite à allier les contenus avec des enrichissements numériques. La numérisation se double qu’un questionnement sur les métadonnées : qu’est-ce qui définit la donnée textuelle ? En quoi les métadonnées peuvent-elles devenir l’objet de traitement ? Où commence et où finit le texte ? D’un point de vue pratique, l’étiquetage du corpus permet l’exploitation des données, mais en les modifiant, ou en tous cas en altérant leur caractère brut, avant même l’exploration scientifique : ici aussi, chaque chercheur, chaque champ disciplinaire, pour trouver cet équilibre, a ses propres méthodes qu’il est intéressant de confronter.

L’échantillon et la taille du corpus : quelques convergences interdisciplinaires

7Le corpus ne peut être par définition qu’un échantillon : la totalité est impossible à atteindre et le chercheur doit se restreindre à ce qu’il peut appréhender. Immédiatement, la question de la constitution du corpus surgit. Cette interrogation est essentielle d’un point de vue épistémologique : l’échantillonnage doit être contrôlé pour rester pertinent au plan scientifique. En effet, selon Sylvie Mellet (2002), seules les monographies se prêtent à la création d’un corpus qui recueille tous les textes existants ; ainsi, dans notre ouvrage, seule la contribution d’Yves-François Le Lay et al. peut être identifiée comme un corpus clos : tous les pêcheurs ont été enquêtés pour évoquer leur métier. Dans le contexte d’études en corpus clos, l’existant et le corpus étudié se confondent. Mais face à l’exhaustivité généralement impossible, l’échantillonnage semble la pratique la plus partagée ; même si, contrairement à une idée reçue, l’aléatoire est parfois préférable pour limiter les biais (Lemercier et Zalc 2008), l’échantillonnage dépend la plupart du temps directement de la problématique ou des hypothèses émises par le chercheur. Ainsi, Lise Jacquez et Audrey Arnoult choisissent les principaux quotidiens nationaux pour faire émerger les représentations sociales sur différents problèmes publics. Mais l’enjeu de la constitution est aussi central dans le domaine empirique : la recherche se fait aussi en se confrontant à la réalité de situations matérielles précises et aux contraintes qu’elles impliquent. Ainsi, Catherine Pinon ne travaille que sur des corpus écrits, y compris pour aborder des formes orales, du fait des conditions matérielles et temporelles imposées par une thèse de doctorat.

8La composition du corpus, dans un premier temps, ne va pas sans problème ; sa taille n’est pas anodine. En termes de taille, aucun positionnement ferme ne se fait jour. Benoît Habert (2000) soulignait ce tiraillement entre le « gros c’est beau » et « l’insécurité des grands ensembles », tiraillement insoluble et source de compromis. Natacha Souillard et al. s’inscrivent dans ce qui est parfois appelé les « gros corpus » avec 208 187 dépêches pour un total de 7 562 733 occurrences. Mais cette définition du « gros corpus » n’est pas immuable, un « gros corpus » ne l’est qu’en fonction d’une référence : par exemple le traitement rendu possible par le logiciel IRaMuTeQ (Ratinaud et Marchand 2012). Ainsi, Catherine Pinon se fonde sur le seuil de saturation établi par Mark Van Mol (2003) qui recommande 200 000 mots pour cerner l’ensemble du vocabulaire et des structures. Ce nombre peut apparaître arbitraire mais semble se justifier empiriquement pour un corpus de linguistique. En quoi est-il transférable à d’autres disciplines ? Plus que d’un transfert d’une discipline à l’autre, la taille semble fonction des hypothèses : la taille du corpus ne peut être lue qu’à l’aune des objectifs de la recherche. « Plus il y en a, mieux c’est : cent mille mots, c’est forcément mieux que cinq mille, même si ces cinq mille-là devaient bouleverser la représentation d’un champ » (Cappeau et Gadet 2007, p. 101). Cette citation émet une première critique de cette course au toujours plus gros : le critère central n’est pas tant la taille que la représentativité du corpus. En effet, il semble toujours préférable de pouvoir lire de façon approfondie les textes qui composent un corpus. Celui-ci doit être appréhendable par le chercheur tout en restant pertinent, cohérent, représentatif, régulier, complet, homogène et de taille suffisante (Bommier-Pincemin 1999a), mais tous ces qualificatifs sont relatifs aux objectifs, aux hypothèses, aux sources ou aux contingences que le chercheur développe.

9Le corpus doit donc être représentatif : « Un corpus est représentatif si les conclusions basées sur l’analyse du corpus peuvent être généralisées » (Arbach et Ali 2013, p. 1), dans la mesure où le corpus doit être une « représentation fidèle » de ce qu’il faut décrire (Pincemin 1999b, p. 2). La représentativité se définit alors selon deux axes motivant l’échantillonnage : l’axe vertical de la taille du corpus (le corpus doit être suffisamment grand pour qu’il reflète statistiquement ce qu’est l’objet à étudier) et l’axe horizontal du choix de la nature des documents, censés rendre compte de la variété de l’objet à définir (par exemple, en linguistique, un corpus représentatif de la langue implique de prendre en compte les supports écrit / oral, les variations sociolinguistiques, dialectales, génériques, etc.) (Arbach et Ali 2013, p. 4). C’est surtout cet axe horizontal de la représentativité qui implique des choix concernant la nature et les caractéristiques des documents, qui ne seront pas les toujours mêmes selon les disciplines ou, même, selon l’objet de la recherche. L’approche interdisciplinaire n’est pas sans intérêt de ce point de vue : une discipline se définit par ce qu’elle considère ou non comme pertinent, mais peut évoluer en empruntant de nouveaux critères de pertinence à d’autres disciplines.

Quelle(s) mesure(s) appliquées au corpus ?

10En termes de recueil et de formalisation des corpus, les pratiques décrites interrogent le transfert de méthodes de traitement traditionnelles sur papier, auxquelles le chercheur a été formé lors de son parcours universitaire, vers des méthodes encore parfois peu stabilisées, ou vers l’émergence de stratégies complémentaires ou de techniques plus complètes.

Deux approches majeures de quantification : l’analyse de contenu et l’analyse de données textuelles

11Les différentes contributions témoignent de deux méthodes principales pour quantifier les textes : d’une part l’analyse de contenu et d’autre part l’analyse de données textuelles. Cela rejoint les propos d’Antoine Prost (1996, p. 258-259) :

Mais que prouve une citation ? Qu’une opinion ou un jugement donnés ont été formulés, dans des conditions déterminées, par un individu donné. Nullement que cette opinion ou ce jugement soient majoritaires, ou dominants, ou représentatifs. […] La citation illustre l’analyse et en établit la possibilité, voire la vraisemblance ; non la vérité. […] À cette impasse, un seul moyen d’échapper, semble-t-il : les méthodes quantitatives comme l’analyse de contenu ou la statistique lexicale.

12La statistique lexicale est ici comprise comme une forme d’analyse de données textuelles (ADT) comme la lexicométrie et la textométrie. Fenelon (1981) dénombre dix moments clés dans l’analyse de données textuelles (parfois abrégée ADT) : le dossier d’étude (qui semble proche du terme corpus tel qu’il est employé ici), l’extraction de la donnée, le codage des données, le tableau des données (pertinent, homogène et exhaustif), le choix des distances, le choix des nuages, la réduction des données, la synthèse des données, le retour sur le tableau et le retour sur le dossier. Ainsi, toutes ces difficultés sont partagées avec l’analyse de contenu et semblent inhérentes à toute création de corpus.

13L’analyse de contenu est apparue au début du xx^e siècle aux États-Unis, autour de l’école de journalisme de Columbia, pour analyser le discours journalistique par des mesures et des comptages (Bardin 1980). Les travaux de Lazarsfeld et de Lasswell, dans les États-Unis de l’entre-deux-guerres, posent les bases de l’analyse de contenu et de la théorie de la communication (Mayring 2000). Cette méthode est traditionnellement très répandue pour analyser les récits médiatiques. Daniel Riffe et Alan Freitag (1997, p. 875), en étudiant les articles scientifiques de la revue Journalism and Mass Communication Quarterly, soulignent que l’analyse de contenu est utilisée dans un quart des articles entre 1971 et 1995. Ainsi, Lise Jacquez et Audrey Arnoult s’inscrivent dans la continuité de cette quantification de discours médiatiques à travers le logiciel Modalisa, quand Nadia Zidelmal et Azeddine Belakehal l’utilisent pour aborder les espaces, les objets et les thèmes patrimoniaux, proposant alors une application à un autre type textuel, la littérature. Le premier manuel sur cette méthode est produit par Berelson (1952, p. 18) qui la considère comme « une technique de recherche pour la description objective, systématique et quantitative du contenu manifeste de la communication ». Si dans les années 1960, cette méthode devient interdisciplinaire, des critiques stigmatisent une approche trop superficielle qui ne prend pas en compte les contenus et les contextes latents (à travers la recherche du « manifeste ») et qui s’appuie sur des catégories jugées trop opaques. Par conséquent, l’analyse de contenu a pour objet la communication en tant que processus de la représentation sociale (Negura 2006), avec parfois un intérêt pour une entrée linguistique afin de cerner les caractéristiques propres à un message médiatique (McKay et Finlayson 1982). Le contenu manifeste d’un texte est perçu comme un réseau de relations entre des objets qui font sens et peuvent correspondre à des acteurs, des sources, des thématiques, des interrelations ou des points de vue… (Vasterman et al. 2008). L’analyse de contenu peut alimenter une démarche d’analyse statistique de données textuelles (Lebartet al. 1998) : par exemple les modalités codées peuvent devenir les métadonnées de chaque article implémenté dans le logiciel d’analyse de données textuelles. Ces deux démarches, si elles sont considérées comme indépendantes dans la majorité des textes présentés, peuvent aussi être vues comme complémentaires.

14Si les approches statistiques du texte émergent dans les années 1950 en France sous le terme de statistique linguistique (Leblanc et Pérès 2011), les premiers travaux en analyse de données datent du début du xx^e siècle, notamment autour de la biométrie, de la génétique ou de la psychologie (Fenelon 1981). À l’échelle nationale, l’École française d’analyse de données textuelles a connu un réel essor grâce à l’informatisation qui renouvelle le champ des possibles. Classiquement, deux courants français sont identifiés : la statistique lexicale autour de Charles Muller et la statistique textuelle autour de Jean-Paul Benzécri (Beaudouin 2000). Différents calculs et protocoles ont été produits à l’ENS de Fontenay-Saint-Cloud au sein du laboratoire de Lexicologie et textes politiques, dès le milieu des années 1960 (Tournier 1969), puis mis au point et implémentés dans divers outils (Pistes, Lexico, Weblex), notamment à l’ENS de Fontenay-Saint-Cloud autour de la figure de Maurice Tournier (Le Lay 2013), puis à l’ENS de Lyon. Le logiciel Lexico, mobilisé par Catherine Pinon et Soufiane Lanseur, est emblématique de cette période. La textométrie, née dans les années 1980, s’inscrit dans l’évolution contemporaine de la lexicométrie (Lebart et Salem 1994) et propose des procédures pour appréhender des corpus de textes numérisés (Pincemin 2011). Elle se distingue de la lexicométrie par la diversité des unités textuelles prises en compte, qui dépasse le lexique au profit du texte dans toutes ses dimensions (Leblanc et Pérès 2011). Elle combine des analyses statistiques et une volonté de retour facilité au texte favorisant la contextualisation des résultats par une édition numérique du texte, car « le global détermine le local, si bien que l’analyse d’une phrase, pour être juste et complète, requiert la prise en compte de son contexte textuel, voire intertextuel » (Pincemin 2012). TXM est utilisé dans les contributions d’Yves-François Le Lay et al. et d’Émeline Comby. En outre, Natacha Souillard et al. et Émeline Comby utilisent le logiciel IRaMuTeQ qui repose sur la méthode du logiciel Alceste. Cette dernière est fondée essentiellement sur une segmentation des textes, l’analyse des formes dites « pleines » et une lemmatisation (Reinert 1990) dont elle est une nouvelle implémentation (Ratinaud et Marchand 2012) : les deux premières logiques (segmentation et formes pleines) la distinguent de TXM ou de Lexico. Enfin, Francis Chateauraynaud (2003, p. 185-186) propose quatre avantages de Prospéro qui semblent transposables à l’exploration et à l’étude des données à travers les trois logiciels mobilisés ici (Lexico, TXM et IRaMuTeQ) : des « actes de vérification », « un dispositif de veille », des « conditions pour rendre calculables des choses qui ne le sont pas a priori » et « une mémoire longue des connaissances ».

15Le recours ou non aux logiciels sous-entend une réflexion sur des postures ou des positionnements épistémologiques ; le choix même d’un logiciel parmi une gamme large mais parfois méconnue (notamment à cause de frontières disciplinaires) est déterminé par des éléments à la fois théoriques et pratiques. Bénédicte Garnier et France Guérin-Pace distinguent clairement des logiciels d’aide à l’analyse de contenu de logiciels de statistiques textuelles :

Les logiciels d’aide à la lecture d’entretiens (exemple : Nvivo) ou à la post-codification (exemple : Sphinx-Lexica) ne sont pas des logiciels de statistique textuelle. Si chaque logiciel possède une démarche qui lui est propre, ils ont en commun les procédures ou traitements suivants. (Garnier et Guérin-Pace 2010, p. 33)

16Peu de comparatifs de l’offre logicielle existent. Didier Demazière et al. (2006) ont dirigé Analyses textuelles en sociologie. Logiciels, méthodes, usages, dont l’enjeu est à la fois méthodologique (par le traitement du même corpus par quatre logiciels, Prospéro, Trideux, Alceste et Calliope) et épistémologique (par la définition de la sociologie contemporaine à travers les contributions au congrès de l’Association française de sociologie). La contribution proposée par Émeline Comby témoigne d’une convergence entre les méthodes de l’analyse factorielle des correspondances mises en place sous TXM et sous IRaMuTeQ, mettant en lumière une certaine robustesse de ces deux démarches différentes mais convergentes.

La complémentarité entre approches quantitatives et qualitatives

17Dans les années 1970, réfutant un néopositivisme, des chercheurs ont pu se positionner contre une démarche de recherche fondée sur la mesure et les statistiques au profit d’une recherche qualitative (Paillé 2006). Les méthodes quantitatives et qualitatives ont pu être opposées dans différentes disciplines. Par exemple, l’affirmation de géographies sociales ou culturelles passe souvent par « un ton anti-quantitatif » (Sheppard 2001, 548). Le quantitatif est généralement délimité par l’utilisation de nombres, des mathématiques (des statistiques ou des probabilités) ou des lois et théorèmes (Pavlovskaya 2006). Si la définition du quantitatif semble relativement aisée, celle du qualitatif ne va pas de soi : le qualitatif est souvent défini en creux, comme ce qui n’est pas quantitatif (Kwan et Ding 2008).

18La pure description quantitative d’un corpus est un garde-fou rassurant pour la scientificité de l’approche ; cependant, toute plus-value intellectuelle implique une analyse qui, pour approfondir les niveaux de réflexion, devra sans doute faire appel à des critères d’ordre qualitatifs, dans la mesure où le discours, en tant qu’objet langagier et vivant, échappe en partie à la quantification. La plupart du temps, le projet de recherche sur corpus est motivé par des hypothèses préalables, qui ont bien dû être émises sur des critères qualitatifs : ce sera alors au critère quantitatif d’étayer l’intuition initiale. Ensuite, la simple discrimination entre les données mesurables intéressantes et celles qui seront laissées de côté est un premier choix qualitatif ; mais l’on voit que la définition de ce qui relève de l’intéressant, du pertinent, nécessite une réflexion stricte du chercheur et un choix dans le positionnement de son approche au sein d’un continuum allant du quantitatif pur au qualitatif pur. Au chercheur de gérer l’équilibre entre la prétendue objectivité des nombres et la subjectivité nécessaire à leur description et à leur exploitation. En cela, les approches quantitatives et qualitatives apparaissent comme complémentaires (puisque le plus fréquent n’est pas forcément le plus intéressant, que le plus rare peut être significatif, et que des éléments peuvent échapper, tout simplement, à la quantification), et leur articulation permet de faire émerger de nouveaux faits dont on ne pourra rendre compte que par une interprétation : le recours au logiciel ne permet pas l’interprétation, il est permis par elle (Rastier 2011, p. 49-51).

19Les travaux publiés ici présentent tous une composante quantitative, mais assurément aussi les moments et les choix qualitatifs inhérents à toute recherche sur et à partir de corpus : en effet, dès lors qu’il s’agit d’interpréter le corpus, le critère qualitatif est incontournable.

Lire et interpréter : du texte au corpus

20L’ouvrage a abordé la question des contrastes (au sens de différences jugées significatives) entre corpus et au sein des corpus. Les discours varient d’un locuteur à l’autre selon des valeurs, des intérêts ou des pratiques largement influencés par le contexte historique, social, économique ou culturel. Cette question du contraste est parfois en interaction avec celle du contexte.

Corpus et contrastes

21Les méthodes mises en œuvre en analyse de données textuelles, que ce soient les méthodes factorielles ou les classifications, mettent en lumière des distances ou des proximités : les représentations graphiques permettent alors de visualiser des similitudes (Lebart et Salem 1994). Les mêmes calculs peuvent mettre en lumière des contrastes variés.

22Les termes utilisés au quotidien évoluent : les textes se prêtent alors aux approches diachroniques. L’approche menée par Soufiane Lanseur sur les néologismes est fondée sur ce renouvellement constant de la langue. Mais les contrastes temporels peuvent aussi être liés à une évolution dans le contexte socio-historique (Moirand 2006). De même, Émeline Comby montre comment les discours portés sur des polluants témoignent d’un avant et d’un après 2007. Le corpus permet alors de cerner la manière dont un événement ponctuel bouscule des systèmes de représentations, ou comment ceux-ci évoluent progressivement de manière sous-jacente.

23L’espace semble facteur de contrastes discursifs, notamment dans les approches synchroniques. Catherine Pinon souligne, dans son étude du verbe kâna, que les pays sélectionnés sont choisis en fonction de leur dialecte : la variation diatopique est une des hypothèses testées. Cette approche spatiale du contraste ne justifie pas la constitution du corpus, mais l’explication des classes dans la contribution de Natacha Souillard et al. : les discours médiatiques rassemblés sous les termes de « révolutions » ou de « Printemps arabe » permettent de voir apparaître des logiques spatio-temporelles. De même, Yves-François Le Lay et al. proposent des écarts entre les toponymes évoqués à l’ouest et à l’est du Léman.

La diversité langagière est étroitement liée à la nature des groupes et des catégories qui existent dans une société donnée. Après avoir étudié la variation spatiale et les dialectes géographiques, les linguistes étudient la variation sociale et les dialectes sociaux ou sociolectes. (Baylon 1996, 75-76)

24Justifiant l’intérêt de la sociolinguistique, ce propos permet d’aborder deux causes de contrastes, celle – déjà considérée – liée à l’espace et celle due à la structuration sociale. Ainsi, Yves-François Le Lay et al. étudient un groupe social, les pêcheurs du Léman. Au sein de cette catégorie qui apparaît comme cohérente, ils parviennent à identifier des facteurs pour expliquer certaines différences lexicales, comme l’âge de l’enquêté. En revanche, Konstantinos Delimitsos témoigne d’une certaine homogénéité discursive autour du champ lexical de la bataille chez les « nouveaux experts en sécurité urbaine ».

Corpus et contextes

25La dialectique entre corpus et contexte, considéré ici comme les éléments extérieurs au texte que le chercheur peut être amené à incorporer dans son analyse, permet de mieux comprendre la réflexion sur les contrastes dans une perspective discursive. De ce point de vue, la question de la variabilité, tant spatiale que temporelle, des discours ne peut être appréhendée que par l’intégration, justement, d’éléments contextuels dans l’analyse. Ces éléments doivent être pris en compte dès la constitution du corpus ; l’ouvrage a apporté des réflexions sur des innovations et des comparaisons entre différentes solutions d’intégration de ces éléments contextuels lors de l’utilisation de certains logiciels.

26La question contextuelle est, par beaucoup d’aspects, la raison d’être du corpus, quelle que soit d’ailleurs la définition du contexte. On peut ainsi partir des quatre aspects du contexte dégagés par Sylvie Moirand (2006). Qu’il s’agisse, au plan linguistique, du cotexte (la séquence linguistique plus large à laquelle appartient l’occurrence) ou de la situation d’énonciation (au cours de laquelle l’occurrence a été émise), on trouve là la justification de la linguistique de corpus : même si l’on n’étudie que l’occurrence en tant que telle, elle trouve sa légitimité dans ces deux niveaux contextuels qui font de l’énoncé un vrai morceau de parole, et non un exemple construit. Mais, évidemment, le linguiste peut aussi prendre en compte l’influence du co(n)texte dans son analyse, que ce soit pour vérifier la valeur de l’occurrence (comme le fait Catherine Pinon pour l’étude des occurrences du verbe kâna en arabe) ou pour étudier, dans une perspective par exemple pragmatique ou conversationnelle, l’influence du contexte sur l’énoncé linguistique, puisque le contexte influence à la fois la production et l’interprétation de l’énoncé (Kerbrat-Orecchioni 2012). Natacha Souillard et al. affirment qu’une des limites des dépêches AFP réside dans l’absence d’information sur la localisation du correspondant ; ce qui souligne le rôle joué dans l’interprétation par la situation d’énonciation et par le contexte spatial où s’exprime le locuteur. Un troisième aspect du contexte, celui de série générique, a une pertinence linguistique (au vu de l’importance de l’influence du genre sur la forme de l’énoncé) et ouvre à l’intertextualité, nécessaire à l’appréhension littéraire du texte ou à l’approche philologique-herméneutique revendiquée par François Rastier (2011). Nadia Zidelmal et Azeddine Belakehal proposent un corpus dont l’homogénéité repose certes sur différents romans, mais tous écrits par des auteurs qui ont vécu dans la maison kabyle traditionnelle, s’inscrivant alors dans le même genre.

27Le quatrième aspect du contexte, le contexte socio-historique, peut être appréhendé sous son aspect linguistique : le contexte géographique et générique fait partie des critères comparatifs essentiels à l’appréhension de la variation de la langue (Catherine Pinon ). L’étude de Soufiane Lanseur, fondée sur un critère thématique net (l’économie), implique de sélectionner un corpus avec un contexte d’énonciation homogène (situations de vulgarisation économique) et trouve son origine dans une considération socio-historique plus large (la nécessité d’un lexique d’économie spécifique au français d’Algérie, au vu de l’histoire économique particulière du pays). Mais c’est sans doute surtout par le contexte que le corpus cesse d’être une somme linguistique pour pouvoir être exploité par l’analyse de discours et les sciences sociales : tout discours dépend d’un contexte d’énonciation et, surtout, tout discours porte des traces de ce contexte, qui sont souvent l’objectif du chercheur. Ainsi, Yves-François Le Lay et al. affirment que la description du métier de pêcheur est fortement influencée par le contexte économique de cette profession au moment de l’enquête, à l’origine d’une modernisation, d’une nécessaire rentabilité, d’une diversification, de la mise en place d’une filière, de l’exigence de durabilité et d’une certaine patrimonialisation. Le contexte a donc des conséquences directes sur les productions discursives et devient une des clés de lecture pour parvenir à des explications satisfaisantes. Dès lors, le contexte n’est plus un élément parmi tous ceux qui permettent de circonscrire et étiqueter un corpus, mais il est l’enjeu même de la constitution et de l’investigation du corpus.