Version classiqueVersion mobile
OpenEdition Books

Qu’est-ce que la Text Encoding Initiative ?

 | 
Lou Burnard

La corne d’abondance de la TEI, partie II

Texte intégral

Questions éditoriales

1Lorsqu’on entreprend la numérisation de sources primaires, la première priorité est généralement de produire des images numériques des documents source qui soient de bonne qualité. La transcription et l’encodage de ces images est une opération coûteuse et difficile, qui ne peut guère être automatisée, mais est un pas important vers la création d’une véritable « édition électronique ». Pour le lecteur averti, l’image numérique peut être tout ce qui est nécessaire pour rendre la source utile. Pour un public plus large en revanche, et pour toute recherche ou analyse automatique, une transcription encodée est un complément essentiel à l’image. La TEI propose un certain nombre de mécanismes pour faciliter la production d’éditions électroniques de tout type.

Image et transcription

2Nous avons mentionné plus haut l’élément <facsimile> qui peut être utilisé pour rassembler et organiser des images numériques en termes de surfaces physiques qu’ils représentent (en utilisant l’élément <zone>). Un <facsimile> peut être tout ce que contient un document TEI, ou bien il peut être complété par une transcription.

3Lorsque à la fois un facsimile et une transcription sont disponibles, un attribut global @facs peut être utilisé pour les lier, ou lier certaines de leurs parties, comme il convient. Supposons par exemple que nous ayons une feuille unique, avec des images de ses deux surfaces dans deux fichiers appelés page1r.png et page1v.png respectivement. Nous transcrivons les deux surfaces dans un élément <text> comme d’ordinaire, en utilisant <pb> pour marquer les points dans la transcription qui correspondent au début de chacune des nouvelles pages dans la source. Le document pourrait ressembler à ceci :

<facsimile>
	 <surface xml:id="s1">
		 <graphic url="page1r.png"/>
	 </surface>
	 <surface xml:id="s2">
		 <graphic url="page1v.png"/>
	 </surface>
</facsimile>
<text>
	 <body>
		 <pb facs="#s1"/>
		 <!-- ici la transcription du recto de la page 1 -->
		 <pb facs="#s2"/>
		 <!-- ici la transcription du verso de la page 1 -->
	 </body>
</text>

4Notez que l’association de la transcription avec une surface plutôt qu’avec le fichier image directement nous donne de la flexibilité, puisque nous pouvons ajouter d’autres fichiers image (de plus grande ou plus faible résolution, par exemple) sans perturber la structure.

5L’attribut @facs utilisé ci-dessus est global, et peut donc être utilisé pour associer toute partie de la transcription avec toute partie du <facsimile>. Nous pourrions par exemple lier certains mots de la transcription avec la partie de l’image où ils apparaissent.

Éditer une transcription

6Lorsqu’on transcrit une source, en particulier une source ancienne, il existe toujours une tension entre le désir de représenter fidèlement l’état du document, et le désir de rendre ce document compréhensible à un lecteur contemporain non-spécialiste. Le processus de transcription implique nécessairement une forme de normalisation, où l’on fait correspondre les différents symboles écrits (glyphes) d’un manuscrit ou d’un document imprimé ancien à un ensemble de caractères modernes. Un encodage qui tente de représenter les mots d’un document produit selon des normes différentes des nôtres, ou de corriger des erreurs « évidentes » de l’original, est donc presque inévitable. La TEI propose des moyens de signifier que des extraits de textes ont été normalisés ou corrigés par l’encodeur, que cela soit ou non considéré comme une « intervention éditoriale » au sens traditionnel.

7Nous avons mentionné plus haut que la TEI se place délibérément dans la longue tradition de la philologie occidentale qui s’intéresse à l’identification et à la restauration du texte à partir de témoins documentaires dispersés. Il n’est donc guère surprenant de constater qu’elle propose aussi des moyens pour représenter des phénomènes tels que les corrections ou les altérations effectuées par les scribes lorsqu’elles sont manifestes dans un document particulier, ou pour la représentation de la collation de différentes variantes. Alors que les éditeurs de textes de l’ère pré-numérique devaient nécessairement concentrer toute leur attention sur la production d’une seule version imprimée du texte, minutieusement préparée et corroborée, le modèle économique de la production numérique a grandement facilité la production d’éditions électroniques « diplomatiques » ou documentaires, qui veulent présenter objectivement la réalité d’une collection donnée de documents de telle façon que le lecteur puisse déterminer la vraisemblance de toute version « éditée », ou même créer une telle édition pour lui-même.

8Lorsqu’on transcrit un texte source, l’élément <corr> peut être utilisé pour entourer une partie qui a été corrigée et l’élément <reg> une partie qui a été normalisée. Pour le cas opposé, l’élément <sic> peut être utilisé lorsqu’une chose aurait dû être corrigée mais ne l’a pas été ; et l’élément <orig> pour les cas où l’orthographe d’origine a été conservée bien qu’elle paraisse étrange. Par exemple, une version modernisée du sonnet de Shakespeare vu plus haut commencerait probablement ainsi :

<l>My Mistress’ eyes are nothing like the sun,</l>
<l>Coral is far more red than her lips red,</l>
<l>If snow be white, why then her breasts are dun:</l>
<l>If hairs be wires, black wires grow on her head:</l>

9Même dans une telle version modernisée, un encodeur consciencieux désirant montrer les endroits où il s’est écarté de la source peut simplement entourer les mots « Mistress’ », « sun », etc. avec l’élément <reg>. Mais plus fréquemment, un encodeur souhaitera conserver l’orthographe originelle en même temps que la version modernisée, pour que les deux puissent être affichées. L’élément <choice> répond à ce besoin :

<l>My <choice>
	 <reg>Mistress’</reg>
	 <orig>Mistres</orig>
</choice> eyes are nothing like the<choice>
	 <reg>sun</reg>
	 <orig>Sunne</orig>
</choice>,</l>
<l><choice>
	 <reg>Coral</reg>
	 <orig>Curral</orig>
</choice> is far more red<choice>
	 <reg>than</reg>
	 <orig>then</orig>
</choice> her lips red,</l>

10L’élément <choice> peut être utilisé à chaque fois que plusieurs encodages sont possibles mais qu’un seul peut être choisi pour un usage particulier. Il est moins indiqué dans les cas où il y a de nombreux témoins possibles, fournissant de multiples variantes qui doivent toutes être prises en considération. La TEI propose un ensemble de balises plus puissant et plus complexe pour baliser un apparat critique traditionnel de ce type. L’élément <app> (apparatus) est utilisé pour marquer le point où une variante est considérée ; à l’intérieur de cet élément, l’encodeur peut ajouter une série d’éléments <rdg> (reading, lecture), un pour chaque lecture variante identifiée. Si les règles éditoriales le permettent, l’une de ces lectures peut être considérée comme la lecture « primaire » ou « correcte », et dans ce cas elle sera balisée en utilisant l’élement <lem> plutôt qu’un <rdg> parmi les autres. L’élément <rdg> a un attribut @wit qui peut être utilisé pour identifier le ou les témoins dans lesquels la lecture en question est attestée. Par exemple, la première ligne du Wife of Bath’s Tale (Conte de la femme de Bath) de Chaucer commence ainsi : « Experience though noon Auctoritee… », mais son premier mot est orthographié très différemment dans trois des manuscrits survivants. Considérées dans leur ensemble, de telles variations orthographiques fournissent des données utiles pour la reconstruction de l’histoire de la tradition manuscrite en question, et notre encodage devra donc les préserver. Nous pourrions procéder ainsi :

<l n="1">
	 <app>
		 <rdg wit="#El #Hg">Experience</rdg>
		 <rdg wit="#La">Experiment</rdg>
		 <rdg wit="#Ra2">Eryment</rdg>
	 </app> though noon Auctoritee… 
</l>

11Ici les valeurs de l’attribut @wit identifient les manuscrits en question : comme l’indique le signe dièse, ce sont en fait des liens vers les entrées d’une liste des manuscrits qui ont été collationnés pour produire cet apparat.

Encoder le processus d’écriture

12Notre dernier exemple des méthodes offertes par la TEI pour travailler à la transcription détaillée de sources primaires permet d’introduire quelques-uns des éléments nécessaires pour représenter le processus d’écriture lui-même, par exemple pour encoder des passages qui ont été effacés, ajoutés, corrigés, etc., que ce soit par l’auteur d’un texte littéraire ou par le scribe copiant un manuscrit. Une analyse de telles modifications documentaires peut être essentielle avant qu’un texte puisse être donné à lire, et elle est clairement importante dans le processus éditorial.

13Cet exemple est tiré du manuscrit d’auteur d’un poème composé par l’écrivain anglais Wilfred Owen, dont une partie est montrée ici :

Figure 6. Détail du manuscrit autographe de Dulce et decorum est, conservé à la English Faculty Library, université d’Oxford.

Figure 6. Détail du manuscrit autographe de Dulce et decorum est, conservé à la English Faculty Library, université d’Oxford.

14Owen a d’abord écrit « Helping the worst amongst us », mais l’a ensuite effacé, ajoutant « Dragging the worst amongt us » au-dessus. De la même façon, il a révisé l’expression « half-blind » en effaçant « half » et en ajoutant « all » au-dessus. À la dernière ligne, il a commencé un mot débutant par « fif » avant de l’effacer et d’écrire le mot « five-nines ». Nous pouvons encoder tout ceci de cette façon :

<l>And towards our distant rest began to trudge,</l>
<l>
	 <subst>
		 <del>Helping the worst amongst us</del>
		 <add>Dragging the worst amongt us</add>
	 </subst>, who’d no boots 
</l>
<l>But limped on, blood-shod. All went lame; 
	 <subst>
		 <del status="shortEnd">half</del>
		 <add>all</add>
	 </subst> -blind;
</l>
<l>Drunk with fatigue ; deaf even to the hoots</l>
<l>Of tired, outstripped <del>fif</del> five-nines that dropped behind.</l>

15Les éléments <add> (addition, ajout) et <del> (deletion, effacement) sont utilisés pour entourer les passages respectivement ajoutés ou effacés. Des attributs additionels sont disponibles, tels que @resp pour indiquer qui porte la responsabilité de la modification, ou @place pour indiquer où dans le texte (par exemple, au-dessus ou en-dessous de la ligne) la modification a été faite. Lorsque l’encodeur souhaite affirmer que l’ajout et l’effacement constituent un seul et unique acte éditorial de substitution, ces éléments peuvent être combinés dans un élément <subst> comme ci-dessus.

16Un examen très attentif de la deuxième modification d’Owen montre qu’il a en fait écrit « amongt » plutôt que « amongst », probablement par erreur. Un éditeur tout aussi attentif souhaitant rétablir le « s » manquant pourrait utiliser l’élément <supplied> pour indiquer ce qu’il a fait :

<add>Dragging the worst among<supplied resp="#ED">s</supplied>t us</add>

17Ici l’attribut @resp a été utilisé pour indiquer que le « s » n’a pas été écrit par Owen mais par quelqu’un d’autre, plus précisément la personne décrite ailleurs dans un élément dont l’identifiant est « ED ».

Transcription du discours oral

18Le support numérique stocke et représente le son ou la vidéo avec autant de facilité et d’efficacité que l’image. Les transcriptions d’enregistrements sonores ou vidéo peuvent être utilisés pour les compléter, de la même façon qu’elles sont utilisées pour compléter les images des pages. Qu’elles soient produites automatiquement ou manuellement, les transcriptions de discours oraux présentent un intérêt particulier pour de nombreuses branches de la linguistique, comme par exemple dans les études sur l’acquisition du langage, sur les variations du langage, ou sur la relation entre discours oral et écrit, qu’elles s’intéressent à des sociétés de culture écrite et orale, ou strictement orale. L’étude du discours transcrit est aussi une composante essentielle des études sociologiques comme l’histoire orale.

19Cependant, les unités dans lesquelles une telle analyse est menée – en termes TEI, les éléments composant un élément <text> qui contient un discours transcrit – ne font pas l’objet d’un consensus universel, et peuvent même être l’objet de controverses. Un autre facteur de complication est que le processus de transcription du discours est techniquement difficile, et est souvent mené à l’aide de logiciels dédiés. C’est une complication car la plupart de ces logiciels sont enclins à utiliser leur propre format interne plutôt qu’un format défini extérieurement.

20Néanmoins, la TEI propose un ensemble d’éléments qui peuvent être utiles pour l’encodage détaillé de transcriptions du discours, et qui peuvent être utilisés comme une sorte d’interlangue pour des méthodes alternatives d’encodage déjà existantes.

21Le modèle TEI s’intéresse au discours comme à un système de communication. Il propose donc l’étiquetage explicite de toute partie d’un son enregistré qui a une fonction ou un effet de communication. Des événements tels que le son d’une cloche ou le passage d’un avion sont donc explicitement notés en utilisant l’élément <incident>. La communication orale s’effectue au moyen de la voix, mais tous les effets de voix ne sont pas considérés comme lexicaux, et toute communication n’est pas vocale. La TEI propose donc un élément <vocal> pour des phénomènes non-lexicaux tels qu’un bruit de toux ou un rire, et un élément <kinesic> pour des phénomènes non-lexicaux et non-vocaux tels que des gestes ou des expressions faciales. Ces éléments sont complétés par quelques autres destinés à ce qui pourrait être appelé le « rendu » du discours : ce sont en particulier <pause> et <shift> (changement), ce dernier étant utilisé pour indiquer des changements dans la qualité de la voix (par exemple dans son volume, sa hauteur, ou sa vitesse). Ces éléments fonctionnent d’une manière très similaire aux éléments bornes présentés plus haut.

22L’une des notions les plus controversées de la recherche sur le discours est celle de « tour de parole » ou d’« énoncé » : la TEI propose un élément <u> qui peut être utilisé pour délimiter un passage de discours prononcée par un seul intervenant, sans rien présumer quant au statut ou à la fonction discursive de ce passage. L’élément porte un attribut @who (qui), qui peut être utilisé pour le lier à un autre élément qui fournit des informations sur la personne qui parle, de la même façon que nous l’avons vu pour l’attribut @ref.

23Pour beaucoup d’analyses linguistiques, l’élément <s> mentionné plus haut peut être un moyen plus utile d’organiser une transcription, puisqu’il permet à l’encodeur de catégoriser chaque segment indépendamment de l’énoncé qui le contient, surtout dans la mesure où les énoncés peuvent être bien plus longs (ou bien plus courts) que les unités d’analyse habituelles.

24Voici un exemple simplifié tiré du British National Corpus (BNC) dans lequel <s> et <u> ont tous deux été utilisés pour segmenter le discours transcrit :

<u who="#PS6P0">
	 <s n="3">There ain’t</s>
</u>
<u who="#PS6NY">
	 <s n="4">
		 <shift new="laughing"/>There is<shift/>
	 </s>
</u>
<u who="#PS6P0">
	 <s n="5">Oh shut up</s>
</u>
<u who="#PS6NY">
	 <s n="6">Ach you do get corners on boats</s>
</u>
<u who="#PS6P0">
	 <s n="7">No</s>
	 <s n="8">Boats are shaped like a bloody rugby ball shape type</s>
</u>
<u who="#PS6NY">
	 <s n="9">No they ain’t</s>
	 <s n="10">One end is and the other one ain’t <pause/> and it was a yacht<pause/> and a yacht they got little rooms in or something cos <unclear/> innit</s>
</u>
<u who="#PS6P0">
	 <s n="11">Oh that<pause/> th the rooms are shaped ni <pause/> like to the size of the boat<pause/> you nonce <vocal desc="tut"/></s>
</u>
<u who="#PS6NY">
	 <s n="12">Let’s ask your Mum if there’s <pause/> if there’s any corners on a boat</s>
</u>
<u who="#PS6P0">
	 <s n="13">Of course there ain’t</s>
</u>
<u who="#PS6NY">
	 <s n="14">Just ask your Mum that</s>
</u>
<u who="#PS6P0">
	 <s n="15">Yeah</s>
</u>
<u who="#PS6NY">
	 <unclear/>
</u>
<u who="#PS6P0">
	 <s n="16">I bet she’ll probably side with you</s>
</u>

25En transcrivant ce discours, le transcripteur doit aussi prendre des décisions quant à la façon de représenter les sons non standards ou semi-lexicalisés que font les locuteurs, tels que « hmmm », « ach » ou « tsk tsk » dans l’exemple ci-dessus (dans ce cas la décision a été de traiter « ach » comme un mot et « tsk tsk » comme un élément <vocal>). Même lorsqu’il est clair que le son est lexical, la façon dont il doit être orthographié n’est pas toujours évidente. Par exemple, le son représenté ci-dessus comme « yeah » pourrait aussi bien être écrit « yeh » ou « yuh » ou même « yes ».

26Dans les corpus linguistiques de ce type, une pratique courante consiste à marquer chaque mot explicitement, souvent en utilisant l’élément <w> (word, mot). Décider comment la segmentation doit être faite n’est pas toujours évident : dans le BNC, par exemple, les élisions comme « ain’t » et « there’s » sont balisées comme deux éléments <w> et des balises additionnelles sont utilisées pour distinguer les faux départs ou les formes tronquées comme « th » et « ni » dans l’exemple ci-dessus. Le principal usage d’un tel balisage est cependant de porter des informations additionnelles comme l’analyse morphosyntaxique ou des parties du discours, telle qu’elle est décrite dans la section « Annotation linguistique » ci-dessous.

27Le modèle TEI propose une autre fonctionnalité importante pour la transcription du discours : l’alignement. Alors que dans une image la transcription doit être alignée dans un espace de coordonnées à deux dimensions, avec un medium basé sur le temps comme le son les différentes parties d’une transcription doivent être placées dans le temps. Les locuteurs s’interrompent régulièrement les uns les autres, ou parlent en même temps ; il est impossible de comprendre un dialogue sans informations sur la séquence des événements transcrits. La TEI propose une manière d’enregistrer explicitement une sorte d’échelle temporelle en utilisant l’élément <timeline>, qui contient des définitions de points dans le temps, représentés par des éléments <when>. Les événements dans une transcription prenant place à un point donné dans le temps peuvent être alignés avec les éléments <when> appropriés, en utilisant des attributs tels que @sync (synchronous, synchrone). L’avantage de cette méthode est qu’elle permet à une transcription de représenter le minimum d’information nécessaire à l’alignement de ses composants, sans nécessiter un horodatage précis pour chacun des items ; cependant un tel horodatage est généralement fourni par un système de transcription automatique et il peut donc être plus simple de l’utiliser.

Dictionnaires

28La TEI propose des éléments pour l’encodage détaillé d’un petit nombre seulement de types de documents particuliers, préférant généralement définir des éléments spécifiques à des types d’analyse ou d’approche. Cependant, elle propose un ensemble de balises pour encoder les dictionnaires et les lexiques, peut-être parce que, historiquement, ceux-ci ont été parmi les premiers types de travaux de référence majeurs dont il a été démontré qu’ils pouvaient être mieux gérés sous forme numérique qu’imprimée.

29Les dictionnaires, en particulier sous forme imprimée, sont différents de la plupart des autres types de documents dans la mesure où ils ne sont pas composés de texte courant, mais plutôt d’entrées distinctes au sein desquelles peuvent être facilement reconnus des sous-composants individuels et signifiants sur le plan sémantique, même s’ils ne sont pas forcément présentés aussi systématiquement qu’un architecte de base de données pourrait le souhaiter. Une entrée de dictionnaire a toujours un mot vedette, typiquement suivi par des informations linguistiques telles que sa catégorie grammaticale, et par une série de définitions de ses sens, souvent arrangées de manière hiérarchique. Les informations étymologiques, les exemples d’utilisation, les références à des homonymes, etc., peuvent également être présents.

30Dans un encodage selon le style de la TEI, toutes ces parties d’une entrée et bien d’autres seront distinguées aussi clairement que possible, que le but soit de produire un nouveau dictionnaire (dans lequel ces éléments doivent tous être affichés d’une façon cohérente), ou de représenter un dictionnaire existant (pour lequel la distinction de ces éléments permettra d’améliorer les possibilités de recherche intelligente).

31Considérons l’image suivante comme premier exemple :

Figure 7. « Apple » d’après Johnson, Dictionary of the English Language (1755)

Figure 7. « Apple » d’après Johnson, Dictionary of the English Language (1755)

32Un encodage TEI minimal pour cette entrée distinguerait la forme du mot utilisée comme lemme, son orthographe et son code grammatical, l’étymologie fournie, et les deux sens :

<entry>
	 <form type="lemma">
		 <orth rend="ALLCAPS">A’PPLE</orth>. <gramGrp><pos norm="noun">n.s.</pos> </gramGrp>
	 </form>
	 <etym>[<foreign xml:lang="ang">æppel</foreign>, <lang>Saxon</lang>.] </etym>
	 <sense n="1">
		 <def>The fruit of the apple tree.</def>
		 <cit>
			 <quote type="verse">
				 <l>Tall thriving trees confess’d the fruitful mold;</l>
				 <l>The red’ning <hi>apple</hi> ripens here to gold.</l>
			 </quote>
			 <bibl>Pope’s <title>Odyssey</title>.</bibl>
		 </cit>
	 </sense>
	 <sense n="2">
		 <def>The pupil of the eye.</def>
		 <cit>
			 <quote> He instructed him; he kept him as the apple of his eye.</quote>
			 <bibl>Deut. xxxii. 10.</bibl>
		 </cit>
	 </sense>
</entry>

Notes

33Les textes, particulièrement les plus anciens, sont souvent accompagnés par de nombreux commentaires et annotations, fournis par l’auteur originel ou plus communément par un éditeur ou commentateur ultérieur. Tous les types d’écrits académiques sont caractérisés par des notes de bas de page, des notes marginales, des gloses, des références bibliographiques, etc. Le moyen le plus naturel de baliser toutes ces caractéristiques est d’utiliser un élément <note> pour contenir l’annotation elle-même, et pour l’inclure dans le texte qui est annoté au « point d’insertion », c’est-à-dire l’endroit où un appel de note ou une autre marque apparaît typiquement dans un texte imprimé. Les attributs de l’élément <note> peuvent être utilisés pour catégoriser le contenu, pour indiquer son emplacement approximatif, et pour indiquer qui est responsable de cette note.

34Dans la pratique contemporaine, les annotations explicatives sont fréquemment déplacées à la fin du livre. Nous trouvons par exemple le commentaire suivant dans une discussion des attitudes contemporaines face aux linguistes publiée en 1995 :

Figure 8. Extrait de Deborah Cameron, Verbal Hygiene (p 229)

Figure 8. Extrait de Deborah Cameron, Verbal Hygiene (p 229)

35Le chiffre 6 suscrit est ici une indication que l’auteur a proposé un commentaire plus approfondi, qui apparaît dûment rassemblé avec d’autres dix-huit pages plus loin :

Figure 9. Extrait de Deborah Cameron, Verbal Hygiene (p 247)

Figure 9. Extrait de Deborah Cameron, Verbal Hygiene (p 247)

36Une façon simple d’encoder ceci pourrait être :

<div>
	 <head>Beyond ‘anything goes’</head>
	 <p> Why does the language-maven in the street (or the senior common-room, or the bar at the Groucho Club <note>An establishment patronized by media folk in London (provided the club will have them as members).</note>) have such a low opinion of linguists? Because…</p>
</div>

37Ici la note est encodée « en ligne », bien que le texte de la source imprimée sépare les notes du texte. Cela rend plus facile la présentation de la note de différentes façons (par exemple, sous forme de pop up dans une version en ligne) et simplifie aussi son encodage. Cependant, il est aussi parfaitement possible de traiter les notes comme des sections séparées du document, et de placer explicitement des liens dans le texte au point d’insertion, en utilisant l’élément <ptr> :

<div>
	 <head>Beyond ‘anything goes’</head>
	 <p> Why does the language-maven in the street (or the senior common-room, or the bar at the Groucho Club <ptr target="#note6"/>) have such a low opinion of linguists? Because…</p>
</div>
<back> 
	 <head>Notes</head>
	 <!-- ici d’autres notes -->
	 <note xml:id="note6">An establishment patronized by media folk in London (provided the club will have them as members).</note>
	 <!-- et ici aussi -->
</back>

38Pour représenter le lien entre le texte et la note, nous donnons d’abord un identifiant unique à l’élément <note> (note6), et ensuite nous plaçons un élément <ptr> au point dans le texte auquel nous voulons faire référence à la note (le « point d’insertion »). Cet élément pointeur représente le 6 suscrit dans la source originale, et indique également que sa fonction est de pointer vers la note dont l’identifiant est donné par son attribut @target (cible). De manière alternative, si nous tenions à enregistrer la façon dont le point d’insertion apparaît dans le texte, nous pourrions utiliser l’élément <ref> :

 … the Groucho Club <ref target="#note6">6</ref>) have …

Annotation linguistique

39Lors de la préparation d’un texte encodé, il existe une tendance naturelle pour l’encodeur à vouloir ajouter ses propres annotations. Bien sûr dans un sens chaque élément de balisage ajouté à un texte représente le résultat d’une analyse, qu’elle soit humaine ou automatique, et il est donc naturel d’envisager de représenter de telles annotations de manière incrémentale au moyen du balisage d’un texte numérique. L’élément <note> peut être utilisé dans ce but. Cependant, pour beaucoup de gens, les analyses linguistiques (comme « ceci est un verbe », ou « cette séquence de mots a telle fonction syntaxique », ou même « ceci est une métaphore ») sont un type d’annotation différent de celles présentées ailleurs dans ce livre (comme « ceci est un titre », « ceci est un nom propre », etc.). En particulier, le consensus est plus faible sur les catégories impliquées : la plupart des gens s’accorderont sur le fait que les « noms de lieux » sont un concept utile et définissable, mais les concepts qui sous-tendent l’analyse linguistique sont beaucoup plus divers. La TEI ne propose donc pas de balises telles que <nom> ou <complément> ou <métaphore>, mais au lieu de cela elle propose des éléments d’utilisation générique pour segmenter les textes en plus petites unités, dont chacune peut porter les étiquettes définies par le projet.

40Cette méthode est particulièrement utile lorsqu’un texte numérique est automatiquement analysé par un programme informatique (par exemple un analyseur morphosyntaxique) puisque le format utilisé pour les sorties de tels systèmes automatisés diffère considérablement. La TEI offre un moyen simple de segmenter explicitement un texte en unités de type « mot », et d’associer des codes linguistiques à chaque segment. Par exemple, comme beaucoup d’autres corpus linguistiques, le BNC fournit des codes identifiant la catégorie grammaticale (nom, adjectif, verbe, etc.) de chaque mot ainsi que sa base ou forme ni déclinée ni conjuguée. Nous pourrions donc représenter comme ceci en TEI la phrase citée ci-dessus :

<u who="PS6NY">
	 <s n="12">
		 <w ana="#VM0" lemma="lets">Lets</w>
		 <w ana="#VVI" lemma="ask">ask </w>
		 <w ana="#DPS" lemma="you">your </w>
		 <w ana="#NN1" lemma="mum">Mum </w>
		 <w ana="#CJS" lemma="if">if </w>
		 <w ana="#EX0" lemma="there">there</w>
		 <w ana="#VBZ" lemma="be">’s</w>
		 <w ana="#DT0" lemma="any">any </w>
		 <w ana="#NN2" lemma="corner">corners </w>
		 <w ana="#PRP" lemma="on">on </w>
		 <w ana="#AT0" lemma="a">a </w>
		 <w ana="#NN1" lemma="boat">boat</w>
		 <pc>. </pc>
	 </s>
</u>

41Dans cet encodage (dont la production est bien sûr largement automatisée), l’élément <w> a été utilisé pour délimiter chaque item lexical. Pour chacune de ces unités, l’attribut @ana est utilisé pour pointer vers la définition d’une catégorie grammaticale, et l’attribut @lemma pour fournir une forme de base.

42Les analyses linguistiques de ce type sont utilisées depuis des décennies et sont essentielles pour la plupart des systèmes actuels utilisés pour le traitement automatique du langage naturel (TAL). En conséquence, les techniques utilisées tout comme les catégories représentées sont en cours de standardisation, au moins pour les principaux langages d’Europe occidentale. L’approche de la TEI permet à l’encodeur de choisir à quel point il souhaite rendre explicite la signification de l’analyse vers laquelle pointe l’attribut @ana, c’est-à-dire comment définir ce que VBZ ou NN1 signifient.

43Une méthode consiste à fournir une définition plus précise de la catégorie, typiquement dans l’en-tête TEI, en utilisant l’élément <taxonomy>. Une telle définition n’aura de sens que pour un être humain, mais elle peut néanmoins être utile.

44À l’opposé, les catégories peuvent être définies formellement en utilisant les recommandations communes TEI/ISO pour la représentation des analyses linguistiques en termes de structures de traits (feature structures en anglais. Pour plus de détails, voir chapitre 18 des Guidelines de la TEI). De telles analyses sont aujourd’hui très largement utilisées dans la communauté TAL, par exemple comme un moyen de faire correspondre l’information entre différents lexiques informatiques.

45Une solution intermédiaire consiste à réaliser la catégorisation linguistique en référence à un standard existant, comme celui fourni par l’ISO Data Category Registry (pour plus de détails, voir Ide et Romary 2009.). Cette approche a beaucoup en commun avec de nombreux autres efforts d’harmonisation des données du web : elle facilite l’interopérabilité du système, de la même façon que les documents TEI en général sont interopérables.

46Il faut aussi noter que le même mécanisme peut être utilisé pour tout type d’analyse, pas uniquement linguistique ; les analyses stylistiques (qui caractérisent typiquement des portions de texte plus longues qu’un seul mot) peuvent aussi être encodées de la même façon, en attachant un attribut @ana à tout élément qui sera choisi pour entourer la portion de texte en question, par exemple un élément <p>, <div>, <s>, etc.

47Bien entendu, les unités textuelles analysées ne coïncident pas nécessairement avec les unités textuelles directement représentées dans le texte. Nous avons mentionné plus haut une façon de gérer ce fréquent « problème de chevauchement » dans la section « Les bornes » du chapitre précédent. Une autre façon consiste à utiliser un balisage « stand off », dans lequel les unités analysées sont représentées non par des éléments XML mais par des pointeurs. Le chapitre 20 des Guidelines de la TEI présente de manière plus détaillée ces techniques et d’autres encore.

Table des illustrations

Titre Figure 6. Détail du manuscrit autographe de Dulce et decorum est, conservé à la English Faculty Library, université d’Oxford.
URL http://books.openedition.org/oep/docannexe/image/1310/img-1.jpg
Fichier image/jpeg, 45k
Titre Figure 7. « Apple » d’après Johnson, Dictionary of the English Language (1755)
URL http://books.openedition.org/oep/docannexe/image/1310/img-2.jpg
Fichier image/jpeg, 37k
Titre Figure 8. Extrait de Deborah Cameron, Verbal Hygiene (p 229)
URL http://books.openedition.org/oep/docannexe/image/1310/img-3.jpg
Fichier image/jpeg, 68k
Titre Figure 9. Extrait de Deborah Cameron, Verbal Hygiene (p 247)
URL http://books.openedition.org/oep/docannexe/image/1310/img-4.jpg
Fichier image/jpeg, 44k