• Contenu principal
  • Menu
OpenEdition Books
  • Accueil
  • Catalogue de 15381 livres
  • Éditeurs
  • Auteurs
  • Facebook
  • X
  • Partager
    • Facebook

    • X

    • Accueil
    • Catalogue de 15381 livres
    • Éditeurs
    • Auteurs
  • Ressources numériques en sciences humaines et sociales

    • OpenEdition
  • Nos plateformes

    • OpenEdition Books
    • OpenEdition Journals
    • Hypothèses
    • Calenda
  • Bibliothèques

    • OpenEdition Freemium
  • Suivez-nous

  • Newsletter
OpenEdition Search

Redirection vers OpenEdition Search.

À quel endroit ?
  • Éditions de la Sorbonne
  • ›
  • Homme et société
  • ›
  • Histoires de mots
  • ›
  • Introduction
  • Éditions de la Sorbonne
  • Éditions de la Sorbonne
    Éditions de la Sorbonne
    Informations sur la couverture
    Table des matières
    Liens vers le livre
    Informations sur la couverture
    Table des matières
    Formats de lecture

    Plan

    Plan détaillé Texte intégral Des traditions multiples Le renouvellement des questions et méthodes de l’analyse des données textuelles en histoire Notes de bas de page Auteurs

    Histoires de mots

    Ce livre est recensé par

    Précédent Suivant
    Table des matières

    Introduction

    L’analyse des données textuelles en histoire

    Léo Dumont, Octave Julien et Stéphane Lamassé

    p. 5-28

    Texte intégral Des traditions multiples Les premiers développements de la lexicométrie en histoire Des méthodes à l’épreuve de la documentation antique et médiévale Un paradigme introuvable ? Diversité des approches sémantiques et lexicales des logiciels Le renouvellement des questions et méthodes de l’analyse des données textuelles en histoire De nouvelles réponses à des questions anciennes La diversité des langues et des modes d’écriture Les logiques du web Enrichir des corpus de dimensions nouvelles Les apports du machine learning Notes de bas de page Auteurs

    Texte intégral

    Des traditions multiples

    Les premiers développements de la lexicométrie en histoire

    1Les rapports qui se sont tissés entre l’histoire et la linguistique depuis la fin des années 1960 ont très tôt fait l’objet d’études et de réflexions. Dès 1973, le livre de Régine Robin Histoire et linguistique marque une étape importante et constitue une matrice des récits postérieurs1. L’ouvrage s’ouvre sur une perspective méthodologique très forte et se clôt par un ensemble d’études accompagnant le lecteur sur les chemins qu’elle présente. Régine Robin y montre comment émerge un nouveau rapport aux documents et au texte en histoire, à l’intersection de la linguistique, du mouvement marxiste et structuraliste et de la critique foucaldienne de l’histoire. Dans le panorama que ce livre permet de dresser, on peut dégager trois grandes tendances structurées dès les années 1970 qu’il est utile de rappeler2. L’analyse automatique des discours conduite à cette époque par Michel Pêcheux et Denise Maldidier3 est fondée sur l’approche du linguiste Zellig Harris. Il s’agit d’étudier les discours d’un corpus délimité sans se poser la question de leur sens a priori mais de le déduire après une formalisation reposant sur la transformation des énoncés initiaux dans un standard permettant leur analyse. Régine Robin évoque plus brièvement la sociolinguistique4, qui constitue pourtant un champ dynamique porté en France par Jean Dubois et ses élèves. Ces derniers favorisèrent la diffusion de l’analyse du discours dans la culture linguistique française5.

    2Le Centre de lexicologie politique de l’ENS Saint-Cloud, créé en 19646, s’inscrit quant à lui dans la voie ouverte par Charles Müller en matière d’analyse statistique du lexique7. En 1975, les fondateurs du centre, Robert-Léon Wagner et Maurice Tournier, publient l’ouvrage collectif, Des tracts en mai 68. Mesures de vocabulaire et de contenu8, dans lequel ils explorent un large spectre de méthodes statistiques appliquées à un corpus textuel delinéarisé.

    3Antoine Prost, contemporain de Régine Robin, amorce en parallèle une recherche sur le vocabulaire des proclamations des députés élus dans les années 18809. Cette étude du discours politique s’inscrit dans une démarche d’analyse systématique d’un corpus. Il y fait un usage abondant de l’analyse factorielle des correspondances, un outil nouveau à l’époque et développé par Jean-Paul Benzécri pour les analyses lexicales10. Ce bouillonnement trouve donc sa place autour de centres de recherche et d’individus proches des champs de l’histoire politique et de l’histoire sociale. La démarche qui se met en place est résolument interdisciplinaire, puisque collaborent très vite linguistes, philosophes, historiens, informaticiens, mathématiciens. De ce point de vue, les études de cas de l’ouvrage de Régine Robin attestent de la force des interactions entre ces groupes : on y retrouve notamment Jacques Guilhaumou, Michel Pêcheux ou encore Maurice Tournier. Dans cette génération d’historiens et d’historiennes on assiste à une remise en cause assez profonde du rapport au texte. Pourtant, au début des années 1980, c’est surtout l’héritage du Centre de lexicologie politique qui s’impose11, avec une méthodologie fondée sur l’analyse statistique d’un corpus12, des logiciels et le développement d’outillages reposant sur les fréquences, les spécificités, les segments répétés, l’analyse factorielle et s’intéressant aux occurrences comme aux cooccurrences13.

    Des méthodes à l’épreuve de la documentation antique et médiévale

    4L’influence exercée par le centre de l’ENS Saint-Cloud dans les années 1970-1980 a favorisé un développement de la lexicométrie autour des objets et des problématiques de l’histoire politique aux époques moderne et contemporaine. Mais il existe à la même époque, d’autres approches plus littéraires ou centrées sur d’autres périodes historiques. Depuis sa fondation à Liège en 1961, le Laboratoire d’analyse statistique des langues anciennes (Lasla) utilise l’ordinateur pour l’étude de la littérature classique latine ou grecque. Les recherches qui y sont menées privilégient l’analyse de l’œuvre d’un auteur, dans une perspective stylistique et historique, ce qui donne lieu à la publication régulière d’index et de relevés de fréquences par auteur. Le Lasla développe bases de données textuelles et logiciels (comme le programme Petra, destiné au traitement des sources épigraphiques)14, et la réflexion sur l’usage de l’informatique pour l’étude des langues est au cœur de la revue Informatique et statistiques dans les sciences humaines15, publiée par le laboratoire de 1965 à 2003.

    5Pour les sources anciennes, écrites dans des langues fortement fléchies (grec, latin) où les formes d’un même mot varient fréquemment en fonction des déclinaisons, l’adoption de méthodes lexicométriques suppose au préalable la lemmatisation, voire l’étiquetage morphosyntaxique des formes graphiques d’un texte. Il s’agit de leur associer, respectivement, la forme vedette présente dans un dictionnaire (sans marque de nombre, de genre, de conjugaison ou de déclinaison, ni élision) et sa catégorie grammaticale. Cette remarque ne peut faire que figure de rappel, tant la discussion entre « formalistes » et « lemmatiseurs » remonte aux premiers temps de l’histoire de la méthode16. Si, comme aime à le rappeler Étienne Brunet, « qui lemmatise dilemme attise », pour les historiens et historiennes la question n’en est bien souvent pas une, tant la variabilité des formes d’écriture des lexiques étudiés est importante. C’est ainsi au Lasla que sont développés les premiers programmes capables de lemmatiser et d’étiqueter le latin et le grec classiques, en identifiant dans chaque forme son radical et sa désinence.

    6Les médiévistes devaient également recourir à la lemmatisation en raison non seulement des multiples flexions du latin médiéval, mais aussi de la grande variabilité des langues vernaculaires et de leur mise par écrit. Grâce aux outils adéquats (Aline17 et Hyperbase pour ne citer que les premiers), ils ont pu s’approprier la démarche lexicométrique, en particulier à l’université Paris 1 autour de Jean-Philippe Genet, dans un contexte favorable à l’usage de l’informatique et des statistiques en histoire18. La lexicométrie s’est ainsi ouverte à des types documentaires différents de ceux privilégiés à l’ENS Saint-Cloud et qui, bien qu’ils conservent une dimension politique, relèvent plus des actes de la pratique19 ou, plus récemment, de la littérature20.

    7L’autre promoteur des méthodes lexicométriques en histoire médiévale est Alain Guerreau. L’enjeu fondamental de cette approche est selon lui de contribuer à une sémantique historique qui ne vise pas tant à éclairer le sens d’un mot qu’à révéler, plus profondément, les logiques intrinsèques de la société médiévale21. Dans une telle perspective, ce sont des termes plus communs, qui ne sont transparents qu’en apparence comme domus, vinea, terra, aqua, Freundschaft, etc.22, qui fonctionnent comme révélateurs de fonctionnements anthropologiques. La méthode privilégiée par les chercheurs engagés dans cette voie consiste, en partant de corpus importants et ouverts tels que la Patrologie latine ou, aujourd’hui, les corpus CBMA et CEMA23, à démêler grâce à l’analyse factorielle les différents réseaux de cooccurrents dans lesquels un lemme s’inscrit, afin d’établir son sens au sein du système de la langue en un temps et en un lieu donnés.

    8Jusqu’à aujourd’hui Alain Guerreau assume une position critique sur les méthodes lexicométriques promues par l’école de Saint-Cloud. Selon lui, leur utilisation des cooccurrences serait notamment à généraliser, car l’emploi des unités isolées que sont les formes empêcherait de reconstituer les « grappes » de cooccurrents qui seules permettraient d’établir leur sens. Cette démarche aurait selon l’auteur d’autant plus de sens qu’il émet de sérieuses réserves sur certains indicateurs statistiques employés en textométrie, comme l’indice de spécificité24.

    Un paradigme introuvable ?

    9Jean-Philippe Genet et Pierre Lafon ont souligné que le moment des années 1990 était marqué par un recul de la lexicométrie25, ce que la chronologie des publications citées ici atteste. Ils l’expliquent par un certain reflux de l’interdisciplinarité, un repli vers des démarches plus subjectivistes, et un manque de formation des historiens, qui compliquait la réception de ces travaux. Les usages historiens de la lexicométrie ont pu se retrouver en porte-à-faux par rapport à certains développements majeurs de la discipline dans les dernières décennies, écartés entre le linguistic turn (tournant langagier) et le tournant documentaire. Le premier a favorisé une histoire des concepts assez rétive aux méthodes quantitatives26, même si l’on a vu que la textométrie, depuis la fondation du Centre de lexicologie politique de l’ENS Saint-Cloud et encore aujourd’hui, a apporté de grandes contributions en la matière. L’évolution des recherches de Jacques Guilhaumou est par exemple très représentative de ces changements, celui-ci passant d’une méthode de travail fondée sur la statistique lexicale27 à une approche plus conceptuelle des faits de langue28. Le tournant documentaire a attiré l’attention des historiens, en particulier en histoire médiévale, sur la matérialité de leurs sources, leurs aspects formels, leurs conditions de production et d’utilisation29. Cette approche du document comme objet enrichit la compréhension de son contenu et de sa signification historique mais elle a de fait, semble-t-il, écarté par là même d’autres modes de lecture de ce contenu.

    10L’articulation entre lexicométrie historique et sociolinguistique est quant à elle restée limitée : ses promoteurs en histoire ne se sont pas appuyés sur des méthodes d’analyse statistique du texte, ou ils s’en sont détournés. Serge Lusignan n’y a pas recours dans ses travaux les plus récents sur le français picard30, alors qu’il était très impliqué dans la réflexion sur les méthodes lexicométriques dans les années 198031. De même Benoît Grévin n’a pas usé de ces outils dans son analyse du multilinguisme médiéval32.

    11On observe depuis le tournant des années 1990-2000 un regain d’intérêt pour les méthodes d’analyse des données textuelles et, comme dans les années 1970-1980, il emprunte des voies multiples et dépasse largement les frontières disciplinaires33. À la diversité des approches et des positionnements épistémologiques quant à l’étude informatisée des textes, qu’on a simplement esquissée dans les pages précédentes, correspond une multiplicité de termes. Le changement de dénomination du laboratoire de Saint-Cloud, « Centre de lexicologie politique » devenu « Laboratoire de lexicométrie », actait le passage à une démarche plus quantitative. La lexicométrie était alors définie comme une « statistique des emplois » des formes lexicales34. Elle s’inscrivait dans un processus, formalisé par exemple par Étienne Brunet, allant de la construction d’un objet d’étude (problématique et corpus) à la numérisation, la segmentation et la partition des textes, chacune de ces étapes appelant à un retour réflexif du chercheur35.

    12Comme le rappelle Damon Mayaffre36, une certaine profusion de termes a été utilisée pour qualifier cette approche scientifique. Retenons « textométrie37 », terme qui s’est imposé et qui vise à souligner une approche davantage centrée sur le texte comme trame, dans toute sa diversité de formes (papier, web, retranscription d’entretiens), et dans toute sa profondeur, grâce à l’étiquetage de ses unités. Le terme « logométrie » revendique également une compréhension du texte dans toutes ses dimensions, grâce à la prise en compte simultanée des différents angles d’observation.

    13L’expression text mining, que l’on rencontre souvent, ne doit pas être entendue comme une simple traduction des appellations francophones. Si son développement est contemporain des approches lexicométriques en France, les objectifs assignés à ce champ de recherche étaient de nature différente. Cette approche désigne plutôt une démarche méthodologique privilégiée dans le champ du traitement automatique du langage cherchant davantage à caractériser des protocoles d’analyse textuelle permettant d’extraire des informations dans de vaste corpus de documents : entités nommées spatialisées ou non, analyse de sentiments, data mining, thématiques documentaires.Les travaux dans ce domaine ne se limitent donc pas uniquement à une analyse des contenus, mais s’orientent dès leurs débuts vers la production informatique de connaissances. Dès 1958 des protocoles permettant de générer automatiquement des résumés d’articles scientifiques étaient ainsi publiés38.

    Diversité des approches sémantiques et lexicales des logiciels

    14Quoique les principaux logiciels de textométrie offrent dans l’ensemble les mêmes méthodes d’analyse (calcul des fréquences, des spécificités, concordances, analyse factorielle des correspondances, recherche de cooccurrences), chacun d’entre eux présente des particularismes qui tiennent à leur origine respective et qui répondent encore aujourd’hui aux intérêts et aux besoins de communautés d’utilisateurs distinctes. Bien entendu, le panorama qui suit ne se veut pas exhaustif, que ce soit du point de vue des logiciels, des méthodes ou des usages évoqués, et ne saurait être interprété comme la description d’un paysage figé et fragmenté en communautés hermétiques39.

    15Les fonctionnalités et les algorithmes qui distinguent Lexico, dès les premières versions de ce logiciel, illustrent les partis pris théoriques et méthodologiques du Centre de lexicologie politique de l’ENS Saint-Cloud. Les traitements lexicométriques offerts par ce logiciel, s’ils n’incluent pas des fonctions de lemmatisation et d’étiquetage morphosyntaxique40, ouvrent sur un large panel de statistiques appliquées aux formes lexicales, telles que les analyses factorielles, les spécificités, ou bien encore les concordances. Le repérage des segments répétés et la possibilité de les dénombrer ou de les utiliser comme unité lexicale aident à mieux appréhender le sens d’un terme à travers ses différents usages. Parallèlement à ces méthodes devenues classiques de la lexicométrie, les auteurs du logiciel proposent différents outils adaptés à l’étude des corpus diachroniques. Les spécificités chronologiques et, dans les dernières versions du logiciel, les tresses chronologiques permettent ainsi de repérer quand apparaissent ou disparaissent certains termes clés41. Les cartes des sections permettent aussi une approche plus topologique, non chronologique, faisant ainsi émerger des séquences et rafales d’unités lexicales.

    16Lexico dont les premières versions remontent aux années 1980, est toujours au cœur d'une communauté scientifique très active rassemblée autour de l'équipe SYLED de l'Université Sorbonne-Nouvelle. Les travaux de plusieurs de ses membres ont ainsi abouti à la mise à disposition de nouveaux logiciels comme Coocs de William Martinez qui a longtemps permis d'étudier les réseaux de cooccurrences au sein d'un corpus. On pensera également aux développements de Serge Fleury comme mkAlign centré sur l'analyse de corpus alignés au sein desquels plusieurs textes sont mis en regard, pour étudier les équivalences ou les glissements de sens de l'un à l'autre. Ou bien encore Le Trameur dont le fonctionnement est étroitement lié à la notion de trame textométrique proposée par ses auteurs42. Aux côtés de Lexico, figure parmi les logiciels pionniers dans le champ de la lexicométrie Hyperbase, dont la première version a été publiée en 1989 par Étienne Brunet. Conçu initialement pour l’étude de corpus de textes littéraires, les domaines d’utilisation du logiciel se sont progressivement diversifiés, notamment dans la perspective de l’histoire des discours. Proposé aujourd'hui sous la forme d'un service web, ses développeurs ont intégré au fil des versions des méthodes nouvelles : mesures de distances lexicales et cooccurrences hier43, intelligence artificielle aujourd’hui44 — et un accès facilité à des corpus de référence à des fins de comparaison (Google Books45 et plus récemment Gallica46). Les chercheurs intéressés en priorité par l’édition et l’exploration d’une œuvre ou d’un corpus de textes disposent d’autres logiciels en ligne permettant de les rendre accessibles sur le Web avec des outils d’interrogation ou d’analyse, tels que Philologic47 ou TXM. Ces logiciels s’appuient sur un encodage des textes en XML et notamment sur la grammaire TEI (Text Encoding Initiative) qui permet une description fine et standardisée de textes édités. Cela ouvre la voie à l’annotation des textes et à leur édition synoptique qui peut être collaborative. Ces corpus enrichis peuvent ensuite être interrogés sur les plans lexicologique, sémantique et syntaxique grâce à l’intégration du moteur CQP et du langage de requête CQL. Si cet aspect est susceptible d’intéresser en premier lieu littéraires et linguistes, il participe à la réintroduction de ces dimensions dans les analyses historiques.

    17La linguistique de corpus peut aussi s’appuyer sur des méthodes d’analyse de la langue computationnelles mais où la dimension statistique est secondaire, comme celles implémentées dans le logiciel Nooj de Max Silberztein. Celles-ci permettent d’analyser des phénomènes linguistiques du niveau orthographique ou typographique jusqu’aux niveaux syntagmatique et sémantique, grâce notamment à des grammaires formelles. Dans cette logique, la forme ou le lemme ne jouent plus le rôle d’unité d’analyse de base : les structures étudiées peuvent être plus larges ou plus réduites, et l’analyse peut porter sur des synonymes ou des champs lexicaux entiers. La communauté des utilisateurs de Nooj se consolide aussi par le partage des ressources et des modèles de langue qu’ils peuvent créer. Le logiciel, orienté vers une compréhension de la grammaire et du fonctionnement d’une langue, intéresse aujourd’hui au-delà du champ du traitement automatique des langues.

    18Le lien étroit entre réflexion scientifique et implémentation logicielle se manifeste de manière particulièrement saillante dans le cas des travaux de Max Reinert sur la méthode Alceste (Analyse des lexèmes cooccurrents dans les énoncés simples d’un texte)48. Travaillant initialement à partir de récits de cauchemar, ce dernier a développé une procédure qui permet de classer les segments de texte composant un corpus en fonction des mots qui les composent, cette démarche permettant in fine d’extraire les thématiques présentes dans un corpus. Pour son auteur, cette approche permet de reconstituer des « mondes lexicaux49 » qui témoignent des représentations du locuteur et qui, à défaut d’un langage formel précis, peuvent aider les sciences humaines et sociales à mettre en ordre leur matériau d’analyse et à y observer des phénomènes significatifs. Implémentée dans le logiciel éponyme, la méthode Alceste est également présente dans le logiciel libre Iramuteq développé notamment par Pierre Ratinaud et Pascal Marchand. Très utilisée tant par des sociologues, des politistes que des historiens, la méthode Alceste est appliquée à des corpus de natures très hétérogènes permettant à la fois l’étude de textes courts comme des réponses ouvertes à des enquêtes qualitatives50, des avis clients ou bien encore des tweets, mais aussi à des documents plus longs et homogènes afin d’en identifier les principales thématiques indépendamment de tout partitionnement a priori.

    Le renouvellement des questions et méthodes de l’analyse des données textuelles en histoire

    19La textométrie apparaît ainsi comme un des domaines des sciences humaines et sociales où la réflexion théorique est indissociable de la construction d’un outillage logiciel51 permettant de la mettre en pratique. Cette synergie se poursuit aujourd’hui au gré des évolutions scientifiques, sociales et techniques qui traversent le champ de l’histoire et qui transforment notre rapport aux sources.

    De nouvelles réponses à des questions anciennes

    20Les historiens et historiennes ne peuvent évidemment se désintéresser de la dimension temporelle de l’analyse textométrique lorsqu’ils travaillent sur des corpus diachroniques52. André Salem a depuis longtemps proposé des outils conceptuels et logiciels pour saisir le « temps lexical53 » qui transparaît dans les variations de fréquences de certains mots dans le temps d’un corpus. Pour repérer de telles évolutions au niveau plus général des thématiques, Pierre Ratinaud et Pascal Marchand ont plus récemment proposé une méthode de visualisation s’appuyant sur les groupes de mots identifiés par la méthode Alceste54.

    21Ces méthodes rendent bien compte des phénomènes de substitution lexicale, mais d’autres sont nécessaires pour saisir les transformations sémantiques d’un lemme donné. La méthode d’analyse des cooccurrents initiée par Alain Guerreau peut atteindre ce but, en reconstituant de telles évolutions par la comparaison de clichés successifs55. Ces solutions ne répondent qu’à certains des enjeux de l’analyse de la temporalité, qui est aussi un phénomène structurant des corpus eux-mêmes : comment en effet traiter les séries textuelles discontinues ? Comment analyser les corpus contemporains ouverts, qui continuent de s’enrichir au jour le jour ?

    22Parallèlement à la détection de la temporalité, et à la croisée de l’histoire et de la philologie, la textométrie offre de nouveaux outils efficaces pour définir le style d’un auteur. Contrairement aux travaux précurseurs de Pierre Guiraud, Charles Müller ou Cyril et Dominique Labbé, l’analyse stylométrique peut aujourd’hui porter non seulement sur les lemmes et formes pleines, mais également sur les catégories morphosyntaxiques (POS), la disposition des rimes, voire des n-grams correspondant à des affixes ou à des syntagmes récurrents56. Ces méthodes offrent de nouveaux indices pour attribuer des œuvres ou éclairer leur généalogie, et elles peuvent être adaptées à des corpus constitués grâce à la reconnaissance automatique d’écritures manuscrites57.

    La diversité des langues et des modes d’écriture

    23L’amplitude du champ historique conduit les historiens et historiennes à être confrontés à une très grande diversité de langues et de modes d’écriture. Le cas de l’histoire ancienne est particulièrement représentatif de cet état de fait où, en plus du latin classique et du grec ancien, il n’est par exemple pas rare d’être confronté à des corpus en égyptien hiéroglyphique ou bien en akkadien58. Le cas des langues sémitiques dépasse d’ailleurs les limites temporelles de l’histoire ancienne, en concernant potentiellement des études portant sur des périodes plus récentes à partir de sources écrites en arabe ou en hébreu. C’est un fait dont il faut tenir compte dans les études historiques : les langues humaines s’inscrivent sur des durées longues, se superposent, s’hybrident comme dans les phénomènes de créolisation.

    24Les lents processus de stabilisation des orthographes, les relations entre langues vernaculaires et véhiculaires, ou bien encore les nouvelles formes d’expression en ligne, font que des enjeux sociolinguistiques doivent constamment être pris en compte par les historiens et historiennes textomètres. L’une des conséquences communes à cet état de fait réside dans l’impérative nécessité de travailler à partir de corpus correctement segmentés, lemmatisés et étiquetés.

    25Pour cela, le logiciel TreeTagger59 développé par Helmut Schmid à l’université d’Hambourg et sa capacité à fonctionner sur un modèle probabiliste d’usages grammaticaux a été très régulièrement utilisé par la communauté historienne. L’étiqueteur Cordial développé par la société Synapse développement et s’appuyant sur des règles grammaticales codées est aussi fréquemment utilisé pour les corpus en langue française, notamment pour ses capacités d’étiquetage très fines. Des projets comme Universal Dependencies60 visant à constituer des schémas d’annotation syntaxique standardisés et en libre accès offrent de riches perspectives pour l’annotation de corpus en langues contemporaines. Dans le domaine des langues anciennes, la lemmatisation du latin ou du grec peut se faire grâce au dictionnaire de lemmes Omnia et aux logiciels Collatinus et Eulexis61. Il faut également mentionner le développement de solutions spécialisées comme la plateforme en ligne PALM62 dont l’objectif consiste à rendre possible le traitement de textes politiques en français, anglais ou latin médiéval entre le xiie et le début du xvie siècle. Le but d’un tel logiciel construit par des experts de langues anciennes consiste à obtenir des corpus dont les contenus lexicaux une fois traités possèdent suffisamment d’homogénéité pour être comparés et se prêter à une exploitation quantitative. Dans une perspective similaire, on peut également évoquer la plateforme Deucalion développée à l’école nationale des Chartes63. Du côté de l’égyptologie, les logiciels Tkeshs et JSesh64 constituent pour leur part un véritable environnement de travail philologique permettant l’édition, la manipulation et l’analyse des textes hiéroglyphiques. Ces processus d’étiquetage s’appliquent aujourd’hui à des phénomènes linguistiques très contemporains comme l’écriture SMS65 qui peuvent intéresser une histoire ouverte vers l’analyse de sentiments. Comme les messages sur les réseaux de téléphonie, le web devient également un terrain d’enquête pour les historiens66 où la question des néologismes, du multilinguisme, des nouvelles graphies représente des défis importants67.

    Les logiques du web

    26La Toile est depuis de nombreuses années le véhicule d’une très grosse offre de documents en même temps qu’elle fait un usage abondant de méthodes d’analyse lexicale pour son utilisation. Ainsi, la place de la linguistique dans les algorithmes des moteurs de recherche est au cœur de la mise en ordre et de l’interrogation du web68. Face à cette documentation faiblement structurée, les historiens ont quant à eux cherché dans différentes disciplines de nouvelles méthodes d’interrogation ou de structuration de cette masse documentaire. Du champ de la recherche d’information (RI) au traitement automatique des langues (TAL) en passant par l’informatique documentaire, les historiens et historiennes ont été amenés à s’approprier et parfois à développer des outils à même de leur permettre de manipuler les nouveaux volumes documentaires mis à leur disposition. Rolando Minuti souligne ainsi dès 2002 la façon dont « un riche système de codes de marquage qui permettent d’interroger le document selon des stratégies élaborées (comme cela est permis par la syntaxe SGML appliquée aux documents littéraires, développée par le projet TEI)69 » a permis d’enrichir des corpus destinés au web. Le balisage des données textuelles, qu’il soit ou non effectué à l’aide d’une grammaire XML, constitue l’étape préalable à toute exploitation textométrique en permettant l’ajout de métadonnées décrivant les données textuelles à traiter.

    27L’ambition des technologies du web sémantique est d’aller plus loin en formalisant les connaissances contenues dans les documents. Ceci est possible grâce à des ontologies standardisées permettant l’identification et la mise en relation d’entités (événements, œuvres, individus, lieux, etc.) à travers des « triplets ». Cet alignement des données permet leur interrogation à travers de multiples corpus interopérables. Il est possible par exemple de croiser les informations bibliographiques de data.bnf.fr avec celles concernant la vie des auteurs mises à disposition sur WikiData, ouvrant ainsi la voie à la constitution automatisée de corpus enrichis par tout un jeu de métadonnées.

    28Ces technologies font cependant l’objet d’interrogations et de critiques. François Rastier met ainsi en garde contre les risques de la décontextualisation des documents et des informations qu’ils contiennent. Il ne faut pas selon lui confondre le web sémantique tel qu’il est défendu par ses promoteurs avec une approche proprement sémantique du web qui viserait à constituer un corpus à visée heuristique pour le chercheur70. Ces enjeux s’inscrivent plus largement dans toute réflexion sur l’utilisation du web comme corpus. On peut en effet s’interroger sur le passage de ces ressources au statut de « sources », ou d’archives71. Malgré les efforts de certaines institutions patrimoniales engagées dans leur conservation et leur valorisation, elles restent caractérisées par une assez grande complexité d’écriture, un faible degré de structuration, et par leur nature fréquemment hétérogène et multimédia.

    29Il n’en reste pas moins que de nombreux corpus cohérents et structurés sont mis à disposition sur le web. Aujourd’hui, il est aisé d’explorer un corpus72, de consulter un dictionnaire de langue riche en informations lexicographiques et textométriques73, de construire des intuitions sur l’évolution de termes74 ou encore d’accéder à des productions scientifiques portant sur l’analyse lexicale ou linguistique75. Il faut ajouter, à cela, les moyens en ligne permettant de faire des analyses rapides, de tester des hypothèses76, mais aussi de se former77, un enjeu relevé depuis longtemps par l’historiographie78. Ces dernières années, l’attention s’est davantage portée sur le volume des données textuelles disponibles sur le web.

    Enrichir des corpus de dimensions nouvelles

    30La croissance des données circulant sur le web a participé largement à l’introduction du concept de big data dans le champ de la recherche historique79, sans d’ailleurs que cette démarche pose un certain nombre de questions, notamment du point de vue de l’échelle des données disponibles. Certes, un projet comme celui de la mise en ligne des comptes rendus des procès jugés par la Cour centrale de la Couronne britannique au Old Bailey80, avec ses 120 millions de mots décrivant près de 200 000 procès entre les xviie et xixe siècles, constitue sans aucun doute un exemple de données massives pour l’historien. Un tel volume est pourtant bien loin des 4 pétaoctets de données générées quotidiennement par Facebook en 201481 ou bien des 165 millions d’heures de vidéos regardées sur Netflix quotidiennement dans le monde82. Si l’on applique la règle des « 3V » (volume, vélocité, variété) définie par Doug Laney en 200183, les données historiques semblent donc être en dehors des critères de définition les plus couramment retenus pour définir les big data, notamment en matière de volumétrie et de vélocité – soit la fréquence à laquelle les données sont produites. Toujours est-il qu’il serait impossible de traiter sans l’aide d’un ordinateur les procès-verbaux de ces 200 000 procès londoniens, les 9 millions de documents numérisés sur Gallica84 ou bien encore les 20 millions de pages de journaux numérisés au sein du projet Europeana Newspapers85. Le critère du volume n’est donc que peu pertinent et la masse de documents disponibles ne cesse de toute façon de s’accroître à mesure que les projets de numérisation se multiplient et que les territoires de l’historien se renouvellent. Les 705 milliards de pages web archivées par la Wayback Machine d’Internet Archive sont dans cette perspective un indice saisissant tant du volume que de la variabilité des données auxquelles les historiennes et historiens du web sont de plus en plus confrontés. L’histoire orale est elle aussi traversée par un renouvellement massif lié aux possibilités ouvertes par les technologies de reconnaissance automatique de la parole. Les transcriptions automatiques de sources audiovisuelles, d’entretiens et de témoignages constituent autant de nouvelles sources textuelles. Mais il ne faut pas restreindre la hausse de la dimension des corpus à l’histoire la plus contemporaine, les spécialistes des périodes plus anciennes sont également confrontés à ce phénomène. Les progrès en matière de reconnaissance optique des écritures manuscrites86 permettent l’émergence de projet de numérisation de grands corpus comme le Trésor des Chartes de la couronne de France mené par l’équipe Himanis87 ou bien la mise à disposition de données d’entraînement réutilisables sur d’autres sources manuscrites88.

    31Face à ces masses de données non structurées, la tendance actuelle est à la multiplication des métadonnées qui dépassent aujourd’hui les traditionnelles catégories que constituent les auteurs, les dates, les cotes ou bien encore les titres des textes analysés. Il est par exemple possible de notablement enrichir le traitement du lexique de la presse ancienne numérisée à travers l’utilisation des métadonnées décrivant la mise en pages des périodiques produites par les traitements de numérisation dits OLR (Optical Layout Recognition)89. Mais c’est sans doute dans le domaine de la reconnaissance d’entités nommées que réside la tentative d’enrichissement la plus aboutie. La possibilité d’extraire automatiquement les segments de texte se rapportant à des noms de personnes, d’organisations, de lieux géographiques ou bien encore à des marqueurs temporels90 ouvre des pistes d’exploitation très fécondes pour la recherche historique comme en attestent des réalisations telles que le projet Biblissima ou bien le projet Lectaurep. Qu’il s’agisse de faciliter l’accès aux données issues du patrimoine écrit du Moyen Âge et de la Renaissance en Occident ou bien de celles des répertoires de notaires conservés au Département du minutier central, ces deux projets reposent notamment sur des algorithmes permettant d’annoter automatiquement des documents à partir d’alignements entre les entités textuelles repérées et des bases de connaissances faisant office de référentiels telles que les autorités BnF, Wikidata ou bien encore GeoNames. Si ces méthodes sont encore pour le moment majoritairement investies dans une perspective documentaire91, il n’en demeure pas moins qu’elles ouvrent des possibilités nouvelles pour l’historien faisant usage de la textométrie aux côtés d’autres outils développés dans le domaine de la fouille de textes.

    Les apports du machine learning

    32Avec l’élargissement des volumes de données textuelles, la recherche d’outils et de méthodes capables de traiter avec rapidité et efficacité de tels documents connaît en effet une activité très intense. Celle-ci se manifeste en particulier à travers la popularité de notions comme celles de fouille de textes (text mining), de fouille de données textuelles (text data mining) ou bien encore de text analytics. Ces différents termes s’inscrivent dans un champ plus large qualifié de data science qui constitue le domaine d’application des algorithmes dits de machine learning. Ce terme renvoie à un domaine de l’informatique visant à développer des capacités d’apprentissage logiciel sans que l’ordinateur chargé de les mettre en œuvre ait été explicitement programmé en ce sens. Si les prémices de ce champ d’étude remontent aux années 1950 avec les travaux d’Arthur Samuel92 et les premières réflexions sur l’intelligence artificielle93, les innovations s’y sont multipliées depuis une trentaine d’années à mesure que les débouchés industriels et commerciaux de celles-ci se sont manifestés. Sans entreprendre une synthèse exhaustive de ces travaux, il semble possible de les ramener à quelques grands axes. Les méthodes de text mining ont d’une part en commun d’être rendues possible par une façon de structurer l’information textuelle qui repose sur les théories du calcul vectoriel. Et d’autre part de reposer sur des traitements algorithmiques probabilistes dont les topic models constituent l’archétype.

    33La modélisation mathématique de documents textuels sous forme de vecteurs remonte aux travaux de Gerald Salton en 197594. Cette démarche conduit classiquement à constituer ce que l’on appelle des « sacs de mots » consistant à représenter chaque document du corpus sous la forme d’un vecteur correspondant à son dictionnaire des fréquences. Ces différents vecteurs sont ensuite rassemblés au sein d’une matrice où les lignes correspondent aux documents et les colonnes, à l’unité lexicale traitée (formes graphiques, lemmes, n-grammes…). Souvent ces matrices termes-documents sont pondérées selon la métrique tf-idf95 afin d’attribuer un poids plus important aux unités lexicales fréquentes dans un document, mais rares à l’échelle globale du corpus. Cette façon de structurer l’information textuelle va de pair avec la théorie du corpus telle qu’elle a été définie dans le cadre des modélisations de type topic modeling. L’idée est en effet qu’un corpus est constitué d’une collection de documents, qu’un document est une collection de thématiques et qu’une thématique est elle-même une collection de mots. L’objectif in fine étant d’indexer les grandes collections documentaires en identifiant les thématiques présentes au sein des documents et en triant ces derniers en fonction de leurs similarités selon les dites thématiques. Cette finalité explique que c’est au sein des équipes de recherche et de développement des grands acteurs de la recherche d’information en ligne – à commencer bien évidemment par Google – que ces dispositifs ont connu le plus de succès. Elles sont également très présentes chez les chercheurs se rattachant au champ des humanités numériques, en particulier anglo-américains96. Il faut à cet égard souligner l’influence des travaux en histoire littéraire menés par Franco Moretti qui, en invitant à adopter une approche instrumentée – les fameux graphes, cartes et arbres97 – et plus abstraite des œuvres littéraires, a popularisé la notion de « lecture de loin » (distang reading)98. Si l’analyse quantitative du lexique n’est pas directement présente dans cette approche, il n’en demeure pas moins qu’en popularisant la notion de « grand non-lu » (great unread) initialement proposée par Margaret Cohen, la méthodologie de Moretti constitue une référence épistémologique omniprésente dans les recherches historiques mobilisant des méthodes de text mining sur de grands volumes de textes numérisés.

    34La comparaison avec la recherche française en analyse textuelle est de ce point de vue saisissante : si la logique des tableaux lexicaux entiers est en définitive très proche de celle des matrices tf-idf d’un point de vue mathématique, les conceptions derrière ces deux approches demeurent différentes. Derrière la construction d’une table lexicale il y a systématiquement la définition d’une hypothèse de travail via la définition d’un critère permettant la ventilation des mots du corpus dans un certain nombre de sous-parties. Le traitement d’un tel tableau est ensuite traditionnellement réalisé par les historiens ou historiennes à l’aide des méthodes multidimensionnelles de l’école française de l’analyse de données fondée par Jean-Paul Benzécri, tandis qu’avec l’élaboration d’une matrice documents-termes, la démarche consiste davantage à considérer le corpus comme un ensemble de documents à partir duquel une modélisation thématique est préalablement réalisée avant d’éventuelles recherches de corrélation avec différentes métadonnées de description des documents.

    35Il existe toutefois d’importantes convergences entre ces différentes approches, notamment à travers les obstacles théoriques communs auxquels elles sont confrontées à l’image de l’enjeu de la délinéarisation du lexique. Les méthodes multidimensionnelles et celles reposant sur des approches stochastiques ont en effet initialement99 le point commun de faire fi de la contextualisation du lexique dont on connaît pourtant bien l’importance cruciale pour comprendre le sens des mots. La prise en compte de la logique cooccurrencielle, à la fois par les techniques de plongement de mots (word embedding) et celles de construction et d’exploitation des matrices de cooccurrences généralisées, illustre bien ce phénomène. Au cœur de ces travaux réside en effet l’enjeu consistant à représenter un mot pôle au sein d’un espace tenant compte des autres mots qui lui sont proches. La thèse de William Martinez sur ces questions soutenue en 2003100 et la publication de l’algorithme word2vec en 2013101 semblent bien marquer une décennie de recherches cooccurrentielles dont les possibilités sont loin d’avoir été épuisées102. De plus récents algorithmes comme LDA2vec publié en 2016103 intègrent à la fois les méthodes de plongement de mots et celles de topic modeling, ouvrant ainsi la voie à des détections de thématiques plus proches des réalités syntagmatiques des corpus étudiés.

    36Ces dernières années, une ouverture à d’autres approches centrées sur la question des mots en contexte semble par ailleurs s’être intensifiée. L’intégration au sein des dernières versions d’un logiciel historique de la textométrie française comme l’est Hyperbase104 d’un module de deep learning est de ce point de vue l’indéniable signe d’une inflexion. Ces méthodes dites d’« apprentissage profond » désignent un sous-domaine du machine learning consacré à l’utilisation d’algorithmes reposant sur le système des réseaux de neurones profonds. Popularisés par l’ouverture de leurs codes sources et le développement de plateformes spécialisées105, ces technologies sont au cœur du domaine de l’intelligence artificielle au sein duquel le traitement des langues naturelles est un enjeu essentiel. Initialement mise en œuvre dans le contexte de la traduction automatique, la possibilité de développer des modèles de langue s’impose aujourd’hui comme un front pionnier majeur de l’analyse de données textuelles.

    37Le principe de fonctionnement de ces modèles consiste d’abord à accomplir une phase d’entraînement, c’est-à-dire à fournir des données initiales à un algorithme à partir desquels celui-ci va en modéliser les paramètres mathématiques afin d’en bâtir une représentation probabiliste. Dans un second temps, ces modélisations peuvent être utilisées pour accomplir de multiples tâches sur d’autres corpus. C’est cette capacité à généraliser de manière automatique des observations faites sur des corpus d’entraînement à des données nouvelles qui fait que l’on rattache parfois ces modèles au domaine de l’intelligence artificielle. Récemment, parmi les réalisations les plus emblématiques figure sans doute le modèle de langue GPT-4 développé par la société Open-AI qui repose sur la prise en compte de 170 000 milliards de paramètres, ou bien encore Bert lancé par Google en 2018 dont les innovations algorithmiques permettent d’excellentes performances à partir de gigantesques corpus d’entraînement constitués de plusieurs milliards de mots. Dans le cas des données textuelles106 ces méthodes cherchent concrètement à faire émerger des motifs textuels fondés sur les relations que les mots entretiennent entre eux au sein du corpus à un premier niveau – combinaison de certaines unités textuelles récurrentes, usages successifs d’étiquettes morphosyntaxiques particulières, etc. –, mais également à des niveaux supérieurs afin de faire émerger des structures plus profondes des textes, de nouveaux observables qui n’auraient pas nécessairement pu être repérés avec des approches computationnelles plus classiques. Ces nouvelles unités textuelles détectées par les algorithmes d’apprentissage profond peuvent donner lieu à de multiples utilisations : de l’authentification des textes107 à la complétion de mots manquants108 en passant par la correction orthographique, la détection d’événement, ou bien encore à l’analyse de sentiments ou de la classification de textes, les possibilités sont très nombreuses et ne cessent de se multiplier. Autant d’invitations pour les historiens et historiennes à s’emparer de ces possibilités pour à la fois traiter des corpus de sources textuelles toujours plus nombreux et volumineux et repenser les approches méthodologiques pour les aborder.

    38Les différentes contributions de ce volume109 s’inscrivent dans cette longue évolution de la textométrie. Elles offrent un panorama des usages qu’en font historiens et historiennes et des développements méthodologiques et épistémologiques de cette approche depuis les années 1970. Une première partie montre comment la textométrie constitue un outil de dépouillement d’un corpus textuel pour en révéler les grandes caractéristiques. Anne-Sophie Anglaret met ainsi en lumière le discours de la presse de l’organisation combattante du régime de Vichy, un matériau dont l’approche textométrique permet de comprendre la compatibilité entre une partie des contenus des publications de l’entre-deux-guerres et la propagande de la révolution nationale. Dans le cas des débats à l’Assemblée nationale entre 1789 et 1794, analysés par Pascal Marchand et Pierre Ratinaud, c’est la taille même du corpus qui justifie d’utiliser les méthodes de la classification de la textométrie pour dégager les grands thèmes des discours et leur chronologie. Une telle entreprise de dépouillement peut se faire dans un cadre conceptuel précis. Dans l’étude du magazine Signal proposée par Claire Aslangul, Anatole Lucet et Adrien Barbaresi, l’analyse textométrique est orientée par le paradigme de la Lingua Tertii Imperii, la langue du Troisième Reich décrite par Victor Klemperer dès 1947.

    39Parce qu’elle substitue le dénombrement et le calcul à la lecture, et qu’elle délinéarise le texte, il est tentant de penser que la textométrie est incapable d’appréhender le sens complexe des mots et qu’à ce titre, elle ne peut remplacer une histoire plus traditionnelle des concepts110. Les contributions de la deuxième partie de l’ouvrage montrent le contraire. Avec des méthodes différentes, Hugo Bonin étude le concept de democracy, Ewan Jones celui de knowledge, tandis que Nicolas Perreaux explore le champ lexical de la paternité médiévale, et qu’Evgeniya Shelina étudie les expressions du pouvoir de la papauté à la même époque. En s’appuyant non sur un canon restreint d’œuvres emblématiques, mais au contraire sur de larges corpus, ces quatre auteurs peuvent situer les termes qu’ils étudient dans le réseau sémantique de leurs cooccurrents et observer comment celui-ci évolue. La textométrie offre ainsi les outils nécessaires pour saisir le caractère systémique de la langue, et ainsi y situer un mot et en percevoir le sens précis et ses possibles évolutions.

    40La troisième partie s’attache à montrer la place de la textométrie dans la pratique concrète des historiennes et des historiens. Edgar Lejeune revient sur les premiers développements logiciels entrepris par des chercheurs intéressés par cette approche des textes, en les replaçant dans le contexte historiographique, institutionnel et technique des années 1970. Margot Ferrand utilise quant à elle la textométrie en association avec la recherche d’entités nommées pour saisir l’appréhension de l’espace dans la documentation urbaine d’Avignon à la fin du Moyen Âge. Max Beligné, Sabine Loudcher et Isabelle Lefort lèvent le voile sur la nécessaire critique documentaire des sources numériques afin de constituer un corpus à partir de la plateforme Persée, et ainsi d’offrir un regard réflexif aux chercheurs en sciences humaines et sociales sur leur discipline, grâce à la textométrie. Les transformations induites par le développement du web et des sources nativement numériques sont quant à elles illustrées par Frédéric Clavert qui, à travers l’exemple de l’analyse des tweets sur les commémorations de la Première Guerre mondiale, montre comment l’historien doit repenser ses protocoles d’analyse face à ces nouveaux types de source.

    41La dernière partie de l’ouvrage propose un aperçu de méthodes d’analyse des données textuelles moins connues en histoire car plus jeunes ou plus complexes techniquement. La première est celle des topic models, que Thomas Soubiran utilise pour étudier le corpus des délibérations de la Commission nationale informatique et libertés. La seconde relève de l’apprentissage profond (deep learning) qui permet, comme le montre Magali Guaresi, de renouveler l’étude désormais traditionnelle des discours politiques.

    42À travers leurs articles, chaque auteur et autrice apporte une contribution à son champ de recherche respectif, et ils font la démonstration que, avec le cadre conceptuel et les outils adaptés, l’analyse des données textuelles ouvre la voie à une autre lecture des sources.

    Notes de bas de page

    1Régine Robin, Histoire et linguistique, Paris, Armand Colin, 1973.

    2Ce panorama est mis en avant et explicité dans Jean-Philippe Genet, « Langue et histoire : des rapports nouveaux », dans Jean-Marie Bertrand, Pierre Boilley, Jean-Philippe Genet, Pauline Schmitt-Pantel (dir.), Langue et histoire, Paris, Publications de la Sorbonne, 2011, p. 13-32, ici p. 18-20.

    3Voir Michel Pêcheux, Analyse automatique du discours, Paris, Dunod, 1969 ; Niels Helsloot, Tony Hak, « La contribution de Michel Pêcheux à l’analyse de discours », Langage et société, 91/1, 2000, p. 5-33, DOI : 10.3917/ls.091.0005 ; Denise Maldidier, Analyse linguistique du vocabulaire politique de la guerre d’Algérie d’après six quotidiens parisiens, thèse de 3e cycle sous la direction de Jean Dubois, université Paris Nanterre, 1968.

    4La sociolinguistique a eu une plus grande importance dans la suite de sa carrière. Voir Jean-Philippe Genet, « Langue et histoire : des rapports nouveaux », art. cité, p. 20.

    5Voir Dominique Maingueneau, « Jean Dubois et les débuts de l’analyse du discours en France : quelques réflexions », Linx, 34-35, 1996, p. 27-33, DOI : 10.3406/linx.1996.1412.

    6Maurice Tournier, « Le centre de recherche de lexicologie politique de l’ENS de Saint-Cloud », Langue française, 2, 1969, p. 82-86, DOI : 10.3406/lfr.1969.5424.

    7Charles Muller, Essai de statistique lexicale. L’Illusion comique de Pierre Corneille, Paris, Klincksieck, 1964.

    8Michel Demonet, Annie Geffroy, Jean Gouazé, Pierre Lafon, Maurice Mouillaud, Michel Tournier, Des tracts en mai 68. Mesures de vocabulaire et de contenu, Paris, Armand Colin/Presses de la Fondation nationale des sciences politiques, 1975. Il faut ajouter la création de la revue Mots explorant à la fois les usages de l’analyse assistée par ordinateur mais aussi des approches moins liées à la lexicométrie mais couvrant d’autres domaines plus traditionnels de la linguistique.

    9Antoine Prost, Vocabulaire des proclamations électorales de 1881, 1885 et 1889, Paris, Presses universitaires de France, 1974. Un peu avant ce livre le même auteur avait déjà appliqué l’analyse factorielle des correspondances dans Antoine Prost, Christian Rosenzveig, « La Chambre des députés (1881-1885). Analyse factorielle des scrutins », Revue française de science politique, 21/1, 1971, p. 5-50.

    10Sur ce point, voir Jean-Paul Benzécri, Histoire et préhistoire de l’analyse des données, Paris, Dunod, 1982, et Jean-Paul Benzécri (dir.), Pratique de l’analyse des données, t. 3, Linguistique et lexicologie, Paris, Dunod, 1981.

    11Voir Sylvain Loiseau, « Lexicométrie: A Linguistic School in France in the 1960s-1980s. History, Theories and Methods », dans Jacqueline Léon, Sylvain Loiseau (dir.), Quantitative Linguistics in France, Lüdenscheid, RAM (Studies in Quantitative Linguistics, 24), 2016, p. 69-93. Cette influence se perçoit très bien dans Mark Olsen, Louis-Georges Harvey, « Computers in Intellectual History: Lexical Statistics and the Analysis of Political Discourse », The Journal of Interdisciplinary History, 18/3, 1988, p. 449-464.

    12Voir Antoine Prost, « Les mots », dans René Rémond (dir.), Pour une histoire politique, Paris, Seuil, 1988, p. 255-287. Dans cet article il propose lui aussi un panorama du développement de la lexicométrie en histoire, mais surtout il fait un point sur les méthodes statistiques mises en place à Saint-Cloud. Il y positionne aussi l’historien dans son rapport au corpus lexical. Plus récemment Jacques Guilhaumou a proposé une réflexion sur ce rapport au corpus : Jacques Guilhaumou, « Le corpus en analyse de discours : perspective historique », Corpus, 1, 2002, DOI : 10.4000/corpus.8.

    13Le manuel de Ludovic Lebart et André Salem (Statistique textuelle, Paris, Dunod, 1994) fait un point sur l’état de ces méthodes dans les années 1990 en mettant l’accent sur leurs fondements mathématiques.

    14Marie-Anne Polo de Beaulieu, « Panorama de la lexicométrie », Histoire & mesure, 2/3-4, 1987, p. 173-197, ici p. 195 ; Joseph Denooz, « Le traitement des textes latins, grecs et français au Lasla », Revista de la Universidad Complutense, 25/108, mars-avril 1976.

    15Voir https://www.rissh.uliege.be, consulté le 11 avril 2023.

    16Charles Muller défendait la lemmatisation : Charles Muller, « Le mot, unité de texte et unité de lexique en statistique lexicologique », Travaux de linguistique et de littérature, 1, 1963, p. 165-175 ; Id., « De la lemmatisation », préface à Pierre Lafon, Dépouillements et statistiques en lexicométrie, Genève/Paris, Slatkine/Champion, 1984. Le laboratoire de Saint-Cloud a lui longtemps privilégié l’analyse par formes graphiques : Annie Geffroy, Pierre Lafon, Maurice Tournier, « L’indexation minimale, plaidoyer pour une non-lemmatisation », dans Colloque sur l’analyse des corpus linguistiques. Problèmes et méthodes de l’indexation minimale, Strasbourg, 21-23 mai 1973 ; Michel Tournier, « Sur quoi pouvons-nous compter ? Réponse à Charles Muller », Verbum, numéro spécial, Études de philologie et de linguistique offertes à Hélène Nais, 1986, p. 481-492. Des travaux plus récents ont souligné l’équivalence ou la complémentarité des deux approches : Étienne Brunet, « Qui lemmatise dilemme attise », dans Laurence José, Anne Theissen (dir.), Scolia, 13, 11e rencontres linguistiques en pays rhénan, 2000, p. 7-32, https://hal.archives-ouvertes.fr/hal-01575442, consulté le 11 avril 2023 ; Damon Mayaffre, « De la lexicométrie à la logométrie », Astrolabe, 2005, p. 1-11, https://hal.archives-ouvertes.fr/hal-00551921, consulté le 11 avril 2023.

    17Voir la contribution d’Edgard Lejeune dans ce volume.

    18Jean-Philippe Genet, « Automatic Text Processing and Factorial Analysis : A Method for Determining the Lexicographical Horizon of Expectation », dans Anne Gimour-Bryson (dir.), Computer Applications to Medieval Studies, Kalamazoo, Western Michigan University (Studies in medieval Culture, 17), 1984, p. 174-175 ; Léo Dumont, Octave Julien, Stéphane Lamassé, « Articuler histoire et informatique : le Pôle informatique de recherche et d’enseignement en histoire (PIREH) de l’université Panthéon-Sorbonne », Humanités numériques, 1, 2020, DOI : 10.4000/revuehn.284.

    19Par exemple, Claude Gauvard, « Ordonnance de réforme et pouvoir législatif en France au xive siècle (1303-1413) », dans André Gouron, Albert Rigaudière (dir.), Renaissance du pouvoir législatif et genèse de l’État, Montpellier/Perpignan, Société d’histoire du droit et des institutions des anciens pays de droit écrit/Socapress (Publications de la Société d’histoire du droit et des institutions des anciens pays de droit écrit, 3) 1988, p. 89-98 ; François Foronda, « Les lettres de Louis XI : en quête de la formule », Mémoire vive. Bulletin de l’association française pour l’histoire et l’informatique, 12/13, 1994-1995, p. 57-65 ; Id., « Le roi se trouve un cousin : les lettres de Louis XI à Antoine de Chabannes », Médiévales, 35, 1998, p. 141-150 ; et Id., Privauté, gouvernement et souveraineté. Castille, xiiie-xive siècles, Madrid, Casa de Velázquez, 2020.

    20Par exemple Flaminia Pichiorri, « L’autobiographie de Charles IV », Histoire & mesure, 18/3-4, 2003, p. 335-374 ; Aude Mairey, Une Angleterre entre rêve et réalité. Littérature et société dans l’Angleterre du xive siècle, Paris, Publications de la Sorbonne, 2007 ; Christopher Fletcher, « Masculinity », dans Stephen H. Rigby, Siân Echard (dir.), Historians on John Gower, Cambridge, D. S. Brewer, 2019, p. 351-378.

    21Alain Guerreau, « Pourquoi (et comment) l’historien doit-il compter les mots ? », Histoire & mesure, 4/1-2, 1989, p. 81-105 ; Id., L’avenir d’un passé incertain. Quelle histoire du Moyen Âge au xxie siècle ?, Paris, Seuil, 2001. La même idée est au cœur de nombreux travaux d'Anita Guerreau-Jalabert, qui adopte quant à elle une démarche plus lexicographique que lexicométrique.

    22Notamment dans Joseph Morsel, La noblesse contre le prince. L’espace social des Thüngen à la fin du Moyen Âge (Franconie, v. 1250-1525), Stuttgart, Thorbecke, 2000, p. 45-71 ; Nicolas Perreaux, « Mesurer un système de représentation ? Approche statistique du champ lexical de l’eau dans la Patrologie latine », Mesure et histoire médiévale. XLIIIe Congrès de la SHMESP (Tours, 31 mai-2 juin 2012), Paris, Publications de la Sorbonne, 2013, p. 365-374 ; Patrice Hamel, « Le discours sur le temps au sein de l’œuvre de Bède le Vénérable : un point tournant de la connaissance altomédiévale ? Une étude statistique du vocable tempus dans les textes de la Patrologia latina », Circé. Histoire, savoirs, sociétés, 10, 2018, http://www.revue-circe.uvsq.fr/frigault-hamel-le-discours-sur-le-temps-au-sein-de-l-oeuvre-de-bede-le-venerable/, consulté le 11 avril 2023.

    23Projet CBMA (Corpus Burgundiae Medii Aevi, http://www.cbma-project.eu, consulté le 11 décembre 2022) ; CEMA (Cartae Europae Medii Aevi, https://cema.lamop.fr/, consulté le 11 décembre 2022).

    24Alain Guerreau, « Lafon, Pierre. Dépouillements et statistiques en lexicométrie », Histoire & mesure, 1/1, 1986, p. 105-110. Plus largement, on pourra renvoyer à son manuel Statistiques pour historiens, École nationale des Chartes, 2004, http://elec.enc.sorbonne.fr/statistiques/stat2004.pdf, consulté le 11 avril 2023.

    25Jean-Philippe Genet, Pierre Lafon, « Des chiffres et des lettres : quelques pistes pour l’historien », Histoire & mesure, 23/3-4, 2003, p. 215-223, ici p. 216. Pour un état des lieux des usages historiens de la lexicométrie dans les années 1980, voir Marie-Anne Polo de Beaulieu, « Panorama de la lexicométrie », art. cité.

    26Jacques Guillhaumou, « De l’histoire des concepts à l’histoire linguistique des usages conceptuels », Genèses, 38, 2000, p. 105-118, DOI : 10.3406/genes.2000.1611 ; Jean-Philippe Genet, « Langue et histoire : des rapports nouveaux », art. cité, p. 21-24 ; Sabina Loriga, Jacques Revel, Une histoire inquiète. Les historiens et le tournant linguistique, Paris, Éditions de l'EHESS, 2022.

    27Jacques Guillhaumou, « L’historien du discours et la lexicométrie [Étude d’une série chronologique : le « Père Duchesne » d’Hébert (juillet 1793-mars 1794)] », Histoire & mesure, 1/3-4, 1986, p. 27-46.

    28Id., Discours et événement. L’histoire langagière des concepts, Besançon, Presses universitaires de Franche-Comté, 2006.

    29Olivier Guyotjeannin, « L’érudition transfigurée », dans Jean Boutier, Dominique Julia (dir.), Passés recomposés. Champs et chantiers de l’histoire, Paris, Autrement, 1995, p. 152-162 ; et, pour la période médiévale, Pierre Chastang, « L’archéologie du texte médiéval. Autour de travaux récents sur l’écrit au Moyen Âge », Annales. Histoire, sciences sociales, 63/2, 2008, p. 245-269.

    30Serge Lusignan, La langue des rois du Moyen Âge. Le français en France et en Angleterre, Paris, Presses universitaires de France, 2004 ; Id., Essai d’histoire sociolinguistique. Le français picard au Moyen Âge, Paris, Garnier, 2012.

    31Id., « Quelques réflexions sur le statut épistémologique du texte électronique », Computers and the Humanities, 19, 1985, p. 209-212 ; Id., « Textes, corpus et modèle probabiliste », Informatique et sciences humaines, 61-62, 1984, p. 21-25.

    32Benoit Grévin, Le parchemin des cieux. Essai sur le Moyen Âge du langage, Paris, Seuil, 2012.

    33En témoignent par exemple la publication de la thèse de Damon Mayaffre, Le poids des mots. Le discours de gauche et de droite dans l’entre-deux-guerres. Maurice Thorez, Léon Blum, Pierre-Étienne Flandin et André Tardieu, 1928-1939, Paris, Champion, 2000 ; ainsi que le numéro thématique Mesurer le texte de la revue Histoire & mesure (18/3-4, 2003).

    34Régine Robin, Histoire et linguistique, op. cit., p. 124, n. 6.

    35Marie-Anne Polo de Beaulieu, « Panorama de la lexicométrie », art. cité, p. 183.

    36Damon Mayaffre, Vers une herméneutique matérielle numérique. Corpus textuels, logométrie et langage politique, habilitation à diriger des recherches, université Nice-Sophia Antipolis, 2010, p. 22.

    37Serge Heiden, Jean-Philippe Magué, Bénédicte Pincemin, « TXM : une plateforme logicielle open-source pour la textométrie. Conception et développement », dans 10e JADT, 2010, Rome (https://shs.hal.science/halshs-00549779/, consulté le 11 avril 2023). Dans le cadre de cette introduction, nous utiliserons dorénavant le terme « textométrie » ou, plus largement, l’expression « analyse des données textuelles », mais nous avons laissé à chaque auteur et autrice la liberté d’emploi du terme à sa convenance.

    38H. P. Luhn, « The Automatic Creation of Literature Abstracts », IBM Journal of Research and Development, 1958, vol. 2, no 2, p. 159‑165. Sur la question de l’histoire du text mining on pourra plus largement se référer à : Gary Miner, « The History of Text Mining », dans Id., Practical Text Mining and Statistical Analysis for Non-structured Text Data Applications, Waltham, MA, Academic Press, 2012, p. 3-27.

    39Pour une présentation plus complète des logiciels de textométrie, voir Bénédicte Pincemin, Sept logiciels de textométrie, 2018, https://halshs.archives-ouvertes.fr/halshs-01843695, consulté le 11 avril 2023.

    40Voir p. 16, « La diversité des langues et des modes d’écriture ».

    41Voir le numéro Histoire & mesure, 36/2, Textométrie et temporalité, 2021.

    42Serge Fleury, Maria Zimina, « Trameur : A Framework for Annotated Text Corpora Exploration » dans Proceedings of COLING 2014, the 25th International Conference on Computational Linguistics : System Demonstrations, August 2014, Dublin, p. 57-61.

    43Étienne Brunet, « Nouveau traitement des cooccurrences dans Hyperbase », Corpus, 11, 2012, p. 219-246.

    44Laurent Vanni, Marco Corneli, Dominique Longrée, Damon Mayaffre, Frédéric Precioso, « Hyperdeep : deep learning descriptif pour l'analyse de données textuelles », dans 15e JADT, 2020, Toulouse, http://lexicometrica.univ-paris3.fr/jadt/JADT2020/jadt2020_pdf/VANNI_CORNELI_LONGREE_MAYAFFRE_PRECIOSO_JADT2020.pdf, consulté le 11 avril 2023.

    45Étienne Brunet, « La lexicométrie française : naissance, évolution et perspectives », Revue de l’Université de Moncton, 2017, vol. 45, no 1‑2, p. 13‑33, DOI : 10.7202/1038899ar.

    46Benoît de Courson, Benjamin Azoulay, Clara de Courson, Laurent Vanni et Étienne Brunet, « Gallicagram : les archives de presse sous les rotatives de la statistique textuelle », Corpus, 24, 2023, DOI : https://doi.org/10.4000/corpus.7944, consulté le 14 avril 2023.

    47Il est par exemple utilisé pour l’interrogation en ligne de l’Encyclopédie de Diderot et d’Alembert ou de la base Frantext dans le cadre du Project for American and French Research on the Treasury of the French Language (Laboratoire ATILF, CNRS, université de Chicago ; http://encyclopedie.uchicago.edu/, http://artfl-project.uchicago.edu/content/artfl-frantext, consultés le 12 mai 2021).

    48Max Reinert, « Une méthode de classification descendante hiérarchique : application à l’analyse lexicale par contexte », Cahiers de l’analyse des données, 8/2, 1983, p. 187-198.

    49Max Reinert, « Les “mondes lexicaux” et leur “logique” à travers l’analyse statistique d’un corpus de récits de cauchemars », Langage et société, 66, 1993, p. 5-39. 

    50Sur les usages par les sociologues, voir Marc Glady, François Leimdorfer, « Usages de la lexicométrie et interprétation sociologique », Bulletin de méthodologie sociologique, 127, 2015, p. 5-25.

    51Aux côtés des logiciels évoqués précédemment, il faut également mentionner les nombreuses ressources disponibles sous la forme de librairies d’analyse de données textuelles dans les langages de programmation R et Python permettant d’accéder aux algorithmes les plus récents, notamment en termes d’apprentissage automatique. On pensera par exemple à Quanteda, tidytext, ou bien encore tm du côté de R, tandis qu’en Python NLTK, Spacy, Gensim et Scikit-learn se sont imposés comme des références.

    52Sur cette question, voir le numéro de la revue Histoire & mesure, 36/2, Textométrie et temporalité, 2021.

    53André Salem, « Approches du temps lexical », Mots. Les langages du politique, 17/1, 1988, p. 105‑143 ; Id., « Les séries textuelles chronologiques », Histoire & mesure, 6/1-2, 1991, p. 149-175.

    54Pierre Ratinaud, « Visualisation chronologique des analyses Alceste : application à Twitter avec l’exemple du hashtag #mariagepourtous », Actes des 12e Journées internationales d’analyse statistique des données textuelles, Paris, Inalco/Sorbonne nouvelle, 2014, p. 553-565 ; Pierre Ratinaud, Pascal Marchand, « Des mondes lexicaux aux représentations sociales. Une première approche des thématiques dans les débats à l’Assemblée nationale (1998-2014) », Mots. Les langages du politique, 108, 2015, p. 57-77.

    55Elle est appliquée sur le lemme tempus justement dans Patrice F. Hamel, « Le discours sur le temps au sein de l’œuvre de Bède le Vénérable », art. cité.

    56Mike Kestemont, Walter Daelemans, Dominiek Sandra, « Robust Rhymes ? The Stability of Authorial Style in Medieval Narratives », Journal of Quantitative Linguistics, 19, 2012, p. 54-76 ; Mike Kestemont, « Function Words in Authorship Attribution. From Black Magic to Theory ? », Proceedings of the 3rd Workshop on Computational Linguistics for Literature (CLFL), Association for Computational Linguistics, 2014, p. 59-66.

    57Voir un exemple d’application Jean-Baptiste Camps, Thibault Clérice, Ariane Pinche, « Noisy medieval data, from digitized manuscript to stylometric analysis : Evaluating Paul Meyer’s hagiographic hypothesis », Digital Scholarship in the Humanities, 36/2, 2021, p. 1149-1171, DOI : 10.1093/llc/fqab033.

    58Sur le traitement automatique des langues anciennes, voir la journée Atala organisée par Remo Mugnaioni et Serge Rosmorduc en 2005 (https://www.atala.org/content/traitement-automatique-des-langues-et-langues-anciennes-0, consulté le 11 avril 2023), et Joseph Denooz, Serge Rosmorduc (dir.), Traitement automatique des langues, 50/2, Traitement automatique des langues et langues anciennes, 2009.

    59Helmut Schmid, « Probabilistic Part-of-Speech Tagging Using Decision Trees », Proceedings of International Conference on New Methods in Language Processing, Manchester, 1994, et Id., « Improvements in Part-of-Speech Tagging with an Application to German », Proceedings of the ACL SIGDAT-Workshop, Dublin, 1995.

    60Marie-Catherine de Marneffe, Christopher D. Manning, Joakim Nivre, Daniel Zeman, « Universal Dependencies », Computational Linguistics, 47, 2021, p. 255-308, DOI : 10.1162/coli_a_00402.

    61Bruno Bon, « OMNIA, Outils et méthodes numériques pour l’interrogation et l’analyse des textes médiolatins », Bulletin du centre d’études médiévales d’Auxerre, 13-15, 2009-2011, DOI : 10.4000/cem.11086 ; Yves Ouvrard, Philippe Verkerk, « Collatinus & Eulexis : Latin & Greek Dictionaries in the Digital Ages », Classics@, 20, 2022, https://classics-at.chs.harvard.edu/collatinus-eulexis-latin-greek-dictionaries-in-the-digital-ages/, consulté le 12 décembre 2021 ; Philippe Verkerk et al., « Lasla and Collatinus : A Convergence in Lexica », Studi e Saggi Linguistici, 58/1, 2020, p. 95-120.

    62Aude Mairey, Mourad Aouini, « PALM : Un modèle neuronal pour l’étiquetage morphosyntaxique des textes médiévaux », dans 15e JADT, 2020, Toulouse, http://lexicometrica.univ-paris3.fr/jadt/JADT2020/jadt2020_pdf/MAIREY_AOUINI_JADT2020.pdf, consulté le 11 avril 2023.

    63Deucalion, service de lemmatisation de l'École nationale des Chartes, https://dh.chartes.psl.eu/deucalion/, consulté le 11 avril 2023. Thibault Clérice, Pie Extended. An extension for Pie with pre-processing and post-processing, 2020, Zenodo DOI : 10.5281/zenodo.3883589 ; Enrique Manjavacas, Ákos Kádár, Mike Kestemont, « Improving Lemmatization of Non-Standard Languages with Joint Learning », dans Proceedings of the 2019 Conference of the North American Chapter of the Association for Computational Linguistics : Human Language Technologies, Minneapolis, Association for Computational Linguistics, 2019, p. 1493-1503.

    64Serge Rosmorduc, JSesh Documentation, 2014, http://jseshdoc.qenherkhopeshef.org ; Id., « Codage informatique des langues anciennes », Document numérique, 6/3, 2002, p. 211-224.

    65C. Fairon, J. Klein, S. Paumier, « Le corpus SMS pour la science. Base de données de 30 000 SMS et logiciels de consultation », Louvain-la-Neuve, Presses universitaires de Louvain, 2006, CD-Rom, http://www.sms4science.org/, consulté le 11 avril 2023.

    66Sur le développement de ce champ historiographique, voir Niels Brügger, Ian Milligan (dir.), The SAGE Handbook of Web History, Los Angeles, Sage, 2019 ; Stéphane Lamassé, Gaëtan Bonnot (dir.), Dans les dédales du web. Historiens en territoires numériques, Paris, Éditions de la Sorbonne, 2019.

    67Pierre Halté, « Enjeux pragmatiques et sémiotiques de l’étude des émoticônes », Réseaux, 197-198, 2016, p. 227-252.

    68Frédéric Kaplan, « Vers le capitalisme linguistique : quand les mots valent de l’or », Le Monde diplomatique, novembre 2011, p. 28. Voir aussi les travaux de Marie-Anne Paveau ou de Marc Jahjah.

    69Rolando Minuti, Internet et le métier d’historien, Paris, Presses universitaires de France, 2002, p. 80-81.

    70François Rastier, « Sémantique du web versus Semantic Web ? Le problème de la pertinence », Syntaxe et sémantique, 9/1, 2008, p. 15-36.

    71Philippe Rygiel, « De quoi le Web est-il l’archive ? », dans Id., Historien à l’âge numérique, Lyon, Enssib, 2017, p. 129-150.

    72Par exemple, la presse ouvrière lyonnaise des années 1830 avec l’édition de l’Écho de la fabrique et d’autres journaux sous Philologic : http://echo-fabrique.ens-lyon.fr/, consulté le 11 avril 2023.

    73C’est toute la richesse des dictionnaires du Centre national de ressources textuelles et lexicales et de l’ATILF, héritiers des travaux menés au CNRS et à l’université de Nancy depuis 1960. Voir William Del Mancino, Jean-Marie Pierrel, « Du trésor de la langue française à l’ATILF et au CNRTL. 50 ans au service de l’étude et de la connaissance de la langue française », La revue pour l’histoire du CNRS, 24, 2009, DOI : 10.4000/histoire-cnrs.9133, et Gilles Souvay, « Informatisation de dictionnaires : exemples des pratiques dans l’équipe linguistique historique de l'ATILF », Éla. Études de linguistique appliquée, 156/4, 2009, p. 405-415, DOI : 10.3917/ela.156.0405.

    74On notera un usage assez fréquent du service Ngram Viewer qui repose sur l’ensemble des textes conservés par Google Books, https://books.google.com/ngrams, consulté le 11 avril 2023. Sur les limites à l’utilisation de cet outil, voir par exemple Michael Pettit, « Historical Time in the Age of Big Data : Cultural Psychology, Historical Change, and the Google Books Ngram Viewer », History of Psychology, 19/2, 2016, p. 141-153.

    75La production scientifique prend par exemple la forme d’une expérimentation offerte à tous sur le site http://mesure-du-discours.unice.fr/ (consulté le 11 avril 2023), qui permet d’interroger et d’analyser les discours présidentiels sous la Ve République.

    76Grâce notamment à l’interface en ligne d’Hyperbase (http://hyperbase.unice.fr/hyperbase/, consulté le 11 avril 2023), aux portails web de TXM (https://groupes.renater.fr/wiki/txm-users/public/references_portails, consulté le 11 avril 2023 ou, pour la lemmatisation des textes médiévaux, au logiciel en ligne PALM (http://palm.huma-num.fr/, consulté le 11 avril 2023).

    77Là encore la liste est potentiellement longue, on peut renvoyer au module de formation en ligne à Hyperbase : https://ecampus.unicaen.fr/pluginfile.php/345931/mod_resource/content/1/co/UOH_web.html, consulté le 11 avril 2023.

    78Aude Mairey, « Quelles perspectives pour la textométrie ? », dans Jean-Philippe Genet, Andrea Zorzi, Les historiens et l’informatique. Un métier à réinventer, Rome, École française de Rome, 2011, p. 157-170.

    79Patrick Mannin, Big Data in History, Basingstoke, Palgrave Macmillan, 2013 ; Shawn Graham, Ian Milligan, Scott Weingart, Exploring Big Historical Data : The Historian’s Macroscope, Londres, Imperial College Press, 2016.

    80Voir https://www.oldbaileyonline.org/static/GettingStarted.jsp, consulté le 11 avril 2023.

    81Janet Wiener, Nathan Bronson, « Facebook’s Top Open Data Problems », 22 octobre 2014, https://research.fb.com/blog/2014/10/facebook-s-top-open-data-problems/, consulté le 12 décembre 2021.

    82Austin Meadows, « Netflix Users Collectively Stream 164.8 Million Hours of Video Using Nearly 500 Million GB of Data Every Day », 2 avril 2019, https://www.streamingobserver.com/netflix-users-stream-164-million-hours-per-day/, consulté le 11 avril 2023.

    83Voir https://web.archive.org/web/20181212081310/https://blogs.gartner.com/doug-laney/files/2012/01/ad949-3D-Data-Management-Controlling-Data-Volume-Velocity-and-Variety.pdf, consulté le 11 avril 2023.

    84Ces chiffres, comme ceux qui suivent, sont ceux de juillet 2022.

    85Marieke Willems, Rossitza Atanassova, « Europeana Newspapers : Searching Digitized Historical Newspapers from 23 European Countries », Insights, 28/1, 2015, p. 51-56, https://insights.uksg.org/articles/10.1629/uksg.218/, consulté le 11 avril 2023.

    86À l’image des plateformes Transkribus et eScriptorium : Guenter Muehlberger et al., « Transforming Scholarship in the Archives through Handwritten Text Recognition : Transkribus as a Case Study », Journal of Documentation, 75/5, 2019, p. 954-976, DOI : 10.1108/JD-07-2018-0114 ; B. Kiessling, R. Tissot, D. Stökl Ben Ezra, P. Stokes, eScriptorium : An Open Source Platform for Historical Document Analysis, OST@ICDAR 2019, 2019.

    87Dominique Stutzmann, Jean-François Moufflet, Sébastien Hamel, « La recherche en plein texte dans les sources manuscrites médiévales : enjeux et perspectives du projet Himanis pour l’édition électronique », Médiévales, 73, 2017, p. 67-96, DOI : 10.4000/medievales.8198.

    88Alix Chagué, Thibault Clérice, Sharing HTR datasets with standardized metadata : the HTR-United initiative. Documents anciens et reconnaissance automatique des écritures manuscrites, CREMMALab, Juin 2022, Paris, France.

    89Jean-Philippe Moreux, « Approches innovantes pour la presse ancienne numérisée : fouille et visualisation de données », Carnet de la recherche à la Bibliothèque nationale de France, 30 décembre 2016, https://bnf.hypotheses.org/208, consulté le 14 janvier 2020.

    90Il s’agit avec les valeurs chiffrées des domaines initialement couverts : Ralph Grishman, Beth Sundheim, « Message Understanding Conference 6 : A Brief History », Proceedings of the 16th Conference on Computational Linguistics – Volume 1, Stroudsburg, Association for Computational Linguistics, 1996, p. 466-471. Sur la recherche d’entités nommée, plus généralement, voir Damien Nouvel, Maud Ehrmann, Sophie Rosset, Les entités nommées pour le traitement automatique des langues, Londres, ISTE, 2015.

    91Max de Wilde, Simon Hengchen, « Semantic Enrichment of a Multilingual Archive with Linked Open Data », Digital Humanites Quarterly, 11/4, 2017, http://www.digitalhumanities.org/dhq/vol/11/4/000328/000328.html.

    92Arthur Samuel, « Some Studies in Machine Learning using the Game of Checkers », IBM Journal of Research and Development, 3/3, 1959, p. 210-229, https://ieeexplore.ieee.org/document/5392560, consulté le 11 décembre 2022.

    93John McCarthy propose cette expression pour la première fois en 1956 lors de la conférence de Dartmouth.

    94Gerald Salton, « A Vector Space Model for Automatic Indexing », Communications of the ACM, 18/11, 1975, p. 613-620.

    95Term-Frequency – Inverse Document Frequency.

    96Par exemple, l’étude menée par David J. Newman et Sharon Block sur les 80 000 articles de la Pennsylvania Gazette, l’un des principaux journaux publiés dans les Treize Colonies avant la Révolution américaine : « Probabilistic Topic Decomposition of an Eighteenth-Century American Newspaper », Journal of the American Society for Information Science and Technology, 57/6, 2006, p. 753‑767.

    97Franco Moretti, Graphes, cartes et arbres. Modèles abstraits pour une autre histoire de la littérature, trad. par Étienne Dobenesque, Paris, Les Prairies ordinaires, 2008.

    98Id., « Conjectures on World Literature », New Left Review, 1, 2000, p. 54‑68.

    99Cette affirmation étant à nuancer par la possibilité de travailler à partir de segments répétés ou de n-grammes.

    100William Martinez, Contribution à une méthodologie de l'analyse des cooccurrences lexicales multiples dans les corpus textuels, thèse de doctorat dirigée par André Salem, université Sorbonne nouvelle, 2003.

    101Tomas Mikolov et al., « Efficient Estimation of Word Representations in Vector Space », CoRR, abs/1301.3781, 2013 ; Tomas Mikolov et al., « Distributed Representations of Words and Phrases and their Compositionality », dans Chris Burges et al. (dir.), Advances in Neural Information Processing Systems, 26, 2013, p. 3111-3119.

    102Pour un bilan d’étape et des études de cas on pourra se référer au numéro spécial : Corpus, 11, Damon Mayaffre et Jean-Marie Viprey (dir.), « La cooccurrence, du fait statistique au fait textuel », 2012.

    103Chris Moody, « Introducing our Hybrid lda2vec Algorithm », 27 mai 2016, https://multithreaded.stitchfix.com/blog/2016/05/27/lda2vec/, consulté le 11 avril 2023.

    104Voir http://deeptext.unice.fr/, consulté le 11 avril 2023.

    105On pensera notamment à l’environnement TensorFlow dont le code source a été ouvert par Google en 2015 et à la plateforme Hugging Face sur laquelle les utilisateurs ont la possibilité de partager différents modèles entraînés et des jeux de données afin de permettre leur réutilisation par la communauté : https://huggingface.co/, consulté le 11 avril 2023.

    106Damon Mayaffre, Laurent Vanni (dir.), L’intelligence artificielle des textes. Des algorithmes à l'interprétation, Paris, Champion, 2021.

    107Étienne Brunet, Laurent Vanni, « Deep learning et authentification des textes », Texto, 24/1, 2019, http://www.revue-texto.net/index.php/http:/www.revue-texto.net/1996-2007/Parutions/index.php ?id=4194, consulté le 12 décembre 2021.

    108C’est l’une des fonctions du réseau de neurones Ithaca, qui propose des restitutions de textes à partir de fragments épigraphiques : Yannis Assael, Thea Sommerschield, Brendan Shillingford et al., « Restoring and Attributing Ancient Texts using Deep Neural Networks », Nature, 603, 2022, p. 280-283.

    109Le présent ouvrage est issu du colloque international Histoire, langues, textométrie organisé à l’université Paris 1 Panthéon-Sorbonne du 16 au 18 janvier 2019 avec le soutien du Lamop et du master Mimo.

    110Sur la tension entre ces deux approches, voir Jean-Philippe Genet, « Langue et histoire », art. cité, p. 22-24.

    Auteurs

    Léo Dumont

    Centre d’histoire du xixe siècle – université Paris 1 Panthéon-Sorbonne

    Octave Julien

    LaMOP, UMR 8589 – université Paris 1 Panthéon-Sorbonne

    Stéphane Lamassé

    LaMOP, UMR 8589 – université Paris 1 Panthéon-Sorbonne

    Précédent Suivant
    Table des matières

    Creative Commons - Attribution - Pas d'Utilisation Commerciale - Pas de Modification 4.0 International - CC BY-NC-ND 4.0

    Le texte seul est utilisable sous licence Creative Commons - Attribution - Pas d'Utilisation Commerciale - Pas de Modification 4.0 International - CC BY-NC-ND 4.0. Les autres éléments (illustrations, fichiers annexes importés) sont « Tous droits réservés », sauf mention contraire.

    Voir plus de livres
    Être Parisien

    Être Parisien

    Claude Gauvard et Jean-Louis Robert (dir.)

    2004

    Les historiens croient-ils aux mythes ?

    Les historiens croient-ils aux mythes ?

    Kalifa Dominique (dir.)

    2016

    Enfermements. Volume II

    Enfermements. Volume II

    Règles et dérèglements en milieu clos (ive-xixe siècle)

    Heullant-Donat Isabelle, Claustre Julie, Bretschneider Falk et al. (dir.)

    2015

    Une histoire environnementale de la nation

    Une histoire environnementale de la nation

    Regards croisés sur les parcs nationaux du Canada, d’Éthiopie et de France

    Blanc Guillaume

    2015

    Temps de travail et travail du temps

    Temps de travail et travail du temps

    Monchatre Sylvie et Woehl Bernard (dir.)

    2014

    Enfermements. Volume III

    Enfermements. Volume III

    Le genre enfermé. Hommes et femmes en milieux clos (xiiie-xxe siècle)

    Isabelle Heullant-Donat, Julie Claustre, Élisabeth Lusset et al. (dir.)

    2017

    Se faire contemporain

    Se faire contemporain

    Les danseurs africains à l’épreuve de la mondialisation culturelle

    Altaïr Despres

    2016

    La vengeance en Europe

    La vengeance en Europe

    xiie au xviiie siècle

    Claude Gauvard et Andrea Zorzi (dir.)

    2015

    Couples en justice ive-xixe

    Couples en justice ive-xixe

    Allessandro Stella Claude Gauvard (dir.)

    2013

    La décapitation de Saint Jean en marge des Évangiles

    La décapitation de Saint Jean en marge des Évangiles

    Essai d’anthropologie historique et sociale

    Claudine Gauthier

    2012

    Enfermements. Volume I

    Enfermements. Volume I

    Le cloître et la prison (vie-xviiie siècle)

    Julie Claustre, Isabelle Heullant-Donat et Élisabeth Lusset (dir.)

    2011

    Du papier à l’archive, du privé au public

    Du papier à l’archive, du privé au public

    France et îles Britanniques, deux mémoires

    Jean-Philippe Genet et François-Joseph Ruggiu (dir.)

    2011

    Voir plus de livres
    1 / 12
    Être Parisien

    Être Parisien

    Claude Gauvard et Jean-Louis Robert (dir.)

    2004

    Les historiens croient-ils aux mythes ?

    Les historiens croient-ils aux mythes ?

    Kalifa Dominique (dir.)

    2016

    Enfermements. Volume II

    Enfermements. Volume II

    Règles et dérèglements en milieu clos (ive-xixe siècle)

    Heullant-Donat Isabelle, Claustre Julie, Bretschneider Falk et al. (dir.)

    2015

    Une histoire environnementale de la nation

    Une histoire environnementale de la nation

    Regards croisés sur les parcs nationaux du Canada, d’Éthiopie et de France

    Blanc Guillaume

    2015

    Temps de travail et travail du temps

    Temps de travail et travail du temps

    Monchatre Sylvie et Woehl Bernard (dir.)

    2014

    Enfermements. Volume III

    Enfermements. Volume III

    Le genre enfermé. Hommes et femmes en milieux clos (xiiie-xxe siècle)

    Isabelle Heullant-Donat, Julie Claustre, Élisabeth Lusset et al. (dir.)

    2017

    Se faire contemporain

    Se faire contemporain

    Les danseurs africains à l’épreuve de la mondialisation culturelle

    Altaïr Despres

    2016

    La vengeance en Europe

    La vengeance en Europe

    xiie au xviiie siècle

    Claude Gauvard et Andrea Zorzi (dir.)

    2015

    Couples en justice ive-xixe

    Couples en justice ive-xixe

    Allessandro Stella Claude Gauvard (dir.)

    2013

    La décapitation de Saint Jean en marge des Évangiles

    La décapitation de Saint Jean en marge des Évangiles

    Essai d’anthropologie historique et sociale

    Claudine Gauthier

    2012

    Enfermements. Volume I

    Enfermements. Volume I

    Le cloître et la prison (vie-xviiie siècle)

    Julie Claustre, Isabelle Heullant-Donat et Élisabeth Lusset (dir.)

    2011

    Du papier à l’archive, du privé au public

    Du papier à l’archive, du privé au public

    France et îles Britanniques, deux mémoires

    Jean-Philippe Genet et François-Joseph Ruggiu (dir.)

    2011

    Voir plus de chapitres

    Introduction

    Stéphane Lamassé et Gaëtan Bonnot

    L’historien et les données bibliographiques en ligne : expériences et enjeux autour des brochures conservatrices de 1849

    Léo Dumont

    La bibliométrie médiévale à l’heure du web : essai d’analyse sérielle du catalogue en ligne des manuscrits de la Bibliothèque nationale de France

    Octave Julien

    Un processus de production du savoir « historique » et « encyclopédique » sur l’internet : l’exemple de la fiche Jeanne d’Arc sur Wikipédia

    Benjamin Deruelle et Stéphane Lamassé

    Voir plus de chapitres
    1 / 4

    Introduction

    Stéphane Lamassé et Gaëtan Bonnot

    L’historien et les données bibliographiques en ligne : expériences et enjeux autour des brochures conservatrices de 1849

    Léo Dumont

    La bibliométrie médiévale à l’heure du web : essai d’analyse sérielle du catalogue en ligne des manuscrits de la Bibliothèque nationale de France

    Octave Julien

    Un processus de production du savoir « historique » et « encyclopédique » sur l’internet : l’exemple de la fiche Jeanne d’Arc sur Wikipédia

    Benjamin Deruelle et Stéphane Lamassé

    Accès ouvert

    Accès ouvert freemium

    ePub

    PDF

    PDF du chapitre

    Suggérer l’acquisition à votre bibliothèque

    Acheter

    Édition imprimée

    Éditions de la Sorbonne
    • amazon.fr
    • leslibraires.fr
    • placedeslibraires.fr
    • lcdpu.fr
    ePub / PDF

    1Régine Robin, Histoire et linguistique, Paris, Armand Colin, 1973.

    2Ce panorama est mis en avant et explicité dans Jean-Philippe Genet, « Langue et histoire : des rapports nouveaux », dans Jean-Marie Bertrand, Pierre Boilley, Jean-Philippe Genet, Pauline Schmitt-Pantel (dir.), Langue et histoire, Paris, Publications de la Sorbonne, 2011, p. 13-32, ici p. 18-20.

    3Voir Michel Pêcheux, Analyse automatique du discours, Paris, Dunod, 1969 ; Niels Helsloot, Tony Hak, « La contribution de Michel Pêcheux à l’analyse de discours », Langage et société, 91/1, 2000, p. 5-33, DOI : 10.3917/ls.091.0005 ; Denise Maldidier, Analyse linguistique du vocabulaire politique de la guerre d’Algérie d’après six quotidiens parisiens, thèse de 3e cycle sous la direction de Jean Dubois, université Paris Nanterre, 1968.

    4La sociolinguistique a eu une plus grande importance dans la suite de sa carrière. Voir Jean-Philippe Genet, « Langue et histoire : des rapports nouveaux », art. cité, p. 20.

    5Voir Dominique Maingueneau, « Jean Dubois et les débuts de l’analyse du discours en France : quelques réflexions », Linx, 34-35, 1996, p. 27-33, DOI : 10.3406/linx.1996.1412.

    6Maurice Tournier, « Le centre de recherche de lexicologie politique de l’ENS de Saint-Cloud », Langue française, 2, 1969, p. 82-86, DOI : 10.3406/lfr.1969.5424.

    7Charles Muller, Essai de statistique lexicale. L’Illusion comique de Pierre Corneille, Paris, Klincksieck, 1964.

    8Michel Demonet, Annie Geffroy, Jean Gouazé, Pierre Lafon, Maurice Mouillaud, Michel Tournier, Des tracts en mai 68. Mesures de vocabulaire et de contenu, Paris, Armand Colin/Presses de la Fondation nationale des sciences politiques, 1975. Il faut ajouter la création de la revue Mots explorant à la fois les usages de l’analyse assistée par ordinateur mais aussi des approches moins liées à la lexicométrie mais couvrant d’autres domaines plus traditionnels de la linguistique.

    9Antoine Prost, Vocabulaire des proclamations électorales de 1881, 1885 et 1889, Paris, Presses universitaires de France, 1974. Un peu avant ce livre le même auteur avait déjà appliqué l’analyse factorielle des correspondances dans Antoine Prost, Christian Rosenzveig, « La Chambre des députés (1881-1885). Analyse factorielle des scrutins », Revue française de science politique, 21/1, 1971, p. 5-50.

    10Sur ce point, voir Jean-Paul Benzécri, Histoire et préhistoire de l’analyse des données, Paris, Dunod, 1982, et Jean-Paul Benzécri (dir.), Pratique de l’analyse des données, t. 3, Linguistique et lexicologie, Paris, Dunod, 1981.

    11Voir Sylvain Loiseau, « Lexicométrie: A Linguistic School in France in the 1960s-1980s. History, Theories and Methods », dans Jacqueline Léon, Sylvain Loiseau (dir.), Quantitative Linguistics in France, Lüdenscheid, RAM (Studies in Quantitative Linguistics, 24), 2016, p. 69-93. Cette influence se perçoit très bien dans Mark Olsen, Louis-Georges Harvey, « Computers in Intellectual History: Lexical Statistics and the Analysis of Political Discourse », The Journal of Interdisciplinary History, 18/3, 1988, p. 449-464.

    12Voir Antoine Prost, « Les mots », dans René Rémond (dir.), Pour une histoire politique, Paris, Seuil, 1988, p. 255-287. Dans cet article il propose lui aussi un panorama du développement de la lexicométrie en histoire, mais surtout il fait un point sur les méthodes statistiques mises en place à Saint-Cloud. Il y positionne aussi l’historien dans son rapport au corpus lexical. Plus récemment Jacques Guilhaumou a proposé une réflexion sur ce rapport au corpus : Jacques Guilhaumou, « Le corpus en analyse de discours : perspective historique », Corpus, 1, 2002, DOI : 10.4000/corpus.8.

    13Le manuel de Ludovic Lebart et André Salem (Statistique textuelle, Paris, Dunod, 1994) fait un point sur l’état de ces méthodes dans les années 1990 en mettant l’accent sur leurs fondements mathématiques.

    14Marie-Anne Polo de Beaulieu, « Panorama de la lexicométrie », Histoire & mesure, 2/3-4, 1987, p. 173-197, ici p. 195 ; Joseph Denooz, « Le traitement des textes latins, grecs et français au Lasla », Revista de la Universidad Complutense, 25/108, mars-avril 1976.

    15Voir https://www.rissh.uliege.be, consulté le 11 avril 2023.

    16Charles Muller défendait la lemmatisation : Charles Muller, « Le mot, unité de texte et unité de lexique en statistique lexicologique », Travaux de linguistique et de littérature, 1, 1963, p. 165-175 ; Id., « De la lemmatisation », préface à Pierre Lafon, Dépouillements et statistiques en lexicométrie, Genève/Paris, Slatkine/Champion, 1984. Le laboratoire de Saint-Cloud a lui longtemps privilégié l’analyse par formes graphiques : Annie Geffroy, Pierre Lafon, Maurice Tournier, « L’indexation minimale, plaidoyer pour une non-lemmatisation », dans Colloque sur l’analyse des corpus linguistiques. Problèmes et méthodes de l’indexation minimale, Strasbourg, 21-23 mai 1973 ; Michel Tournier, « Sur quoi pouvons-nous compter ? Réponse à Charles Muller », Verbum, numéro spécial, Études de philologie et de linguistique offertes à Hélène Nais, 1986, p. 481-492. Des travaux plus récents ont souligné l’équivalence ou la complémentarité des deux approches : Étienne Brunet, « Qui lemmatise dilemme attise », dans Laurence José, Anne Theissen (dir.), Scolia, 13, 11e rencontres linguistiques en pays rhénan, 2000, p. 7-32, https://hal.archives-ouvertes.fr/hal-01575442, consulté le 11 avril 2023 ; Damon Mayaffre, « De la lexicométrie à la logométrie », Astrolabe, 2005, p. 1-11, https://hal.archives-ouvertes.fr/hal-00551921, consulté le 11 avril 2023.

    17Voir la contribution d’Edgard Lejeune dans ce volume.

    18Jean-Philippe Genet, « Automatic Text Processing and Factorial Analysis : A Method for Determining the Lexicographical Horizon of Expectation », dans Anne Gimour-Bryson (dir.), Computer Applications to Medieval Studies, Kalamazoo, Western Michigan University (Studies in medieval Culture, 17), 1984, p. 174-175 ; Léo Dumont, Octave Julien, Stéphane Lamassé, « Articuler histoire et informatique : le Pôle informatique de recherche et d’enseignement en histoire (PIREH) de l’université Panthéon-Sorbonne », Humanités numériques, 1, 2020, DOI : 10.4000/revuehn.284.

    19Par exemple, Claude Gauvard, « Ordonnance de réforme et pouvoir législatif en France au xive siècle (1303-1413) », dans André Gouron, Albert Rigaudière (dir.), Renaissance du pouvoir législatif et genèse de l’État, Montpellier/Perpignan, Société d’histoire du droit et des institutions des anciens pays de droit écrit/Socapress (Publications de la Société d’histoire du droit et des institutions des anciens pays de droit écrit, 3) 1988, p. 89-98 ; François Foronda, « Les lettres de Louis XI : en quête de la formule », Mémoire vive. Bulletin de l’association française pour l’histoire et l’informatique, 12/13, 1994-1995, p. 57-65 ; Id., « Le roi se trouve un cousin : les lettres de Louis XI à Antoine de Chabannes », Médiévales, 35, 1998, p. 141-150 ; et Id., Privauté, gouvernement et souveraineté. Castille, xiiie-xive siècles, Madrid, Casa de Velázquez, 2020.

    20Par exemple Flaminia Pichiorri, « L’autobiographie de Charles IV », Histoire & mesure, 18/3-4, 2003, p. 335-374 ; Aude Mairey, Une Angleterre entre rêve et réalité. Littérature et société dans l’Angleterre du xive siècle, Paris, Publications de la Sorbonne, 2007 ; Christopher Fletcher, « Masculinity », dans Stephen H. Rigby, Siân Echard (dir.), Historians on John Gower, Cambridge, D. S. Brewer, 2019, p. 351-378.

    21Alain Guerreau, « Pourquoi (et comment) l’historien doit-il compter les mots ? », Histoire & mesure, 4/1-2, 1989, p. 81-105 ; Id., L’avenir d’un passé incertain. Quelle histoire du Moyen Âge au xxie siècle ?, Paris, Seuil, 2001. La même idée est au cœur de nombreux travaux d'Anita Guerreau-Jalabert, qui adopte quant à elle une démarche plus lexicographique que lexicométrique.

    22Notamment dans Joseph Morsel, La noblesse contre le prince. L’espace social des Thüngen à la fin du Moyen Âge (Franconie, v. 1250-1525), Stuttgart, Thorbecke, 2000, p. 45-71 ; Nicolas Perreaux, « Mesurer un système de représentation ? Approche statistique du champ lexical de l’eau dans la Patrologie latine », Mesure et histoire médiévale. XLIIIe Congrès de la SHMESP (Tours, 31 mai-2 juin 2012), Paris, Publications de la Sorbonne, 2013, p. 365-374 ; Patrice Hamel, « Le discours sur le temps au sein de l’œuvre de Bède le Vénérable : un point tournant de la connaissance altomédiévale ? Une étude statistique du vocable tempus dans les textes de la Patrologia latina », Circé. Histoire, savoirs, sociétés, 10, 2018, http://www.revue-circe.uvsq.fr/frigault-hamel-le-discours-sur-le-temps-au-sein-de-l-oeuvre-de-bede-le-venerable/, consulté le 11 avril 2023.

    23Projet CBMA (Corpus Burgundiae Medii Aevi, http://www.cbma-project.eu, consulté le 11 décembre 2022) ; CEMA (Cartae Europae Medii Aevi, https://cema.lamop.fr/, consulté le 11 décembre 2022).

    24Alain Guerreau, « Lafon, Pierre. Dépouillements et statistiques en lexicométrie », Histoire & mesure, 1/1, 1986, p. 105-110. Plus largement, on pourra renvoyer à son manuel Statistiques pour historiens, École nationale des Chartes, 2004, http://elec.enc.sorbonne.fr/statistiques/stat2004.pdf, consulté le 11 avril 2023.

    25Jean-Philippe Genet, Pierre Lafon, « Des chiffres et des lettres : quelques pistes pour l’historien », Histoire & mesure, 23/3-4, 2003, p. 215-223, ici p. 216. Pour un état des lieux des usages historiens de la lexicométrie dans les années 1980, voir Marie-Anne Polo de Beaulieu, « Panorama de la lexicométrie », art. cité.

    26Jacques Guillhaumou, « De l’histoire des concepts à l’histoire linguistique des usages conceptuels », Genèses, 38, 2000, p. 105-118, DOI : 10.3406/genes.2000.1611 ; Jean-Philippe Genet, « Langue et histoire : des rapports nouveaux », art. cité, p. 21-24 ; Sabina Loriga, Jacques Revel, Une histoire inquiète. Les historiens et le tournant linguistique, Paris, Éditions de l'EHESS, 2022.

    27Jacques Guillhaumou, « L’historien du discours et la lexicométrie [Étude d’une série chronologique : le « Père Duchesne » d’Hébert (juillet 1793-mars 1794)] », Histoire & mesure, 1/3-4, 1986, p. 27-46.

    28Id., Discours et événement. L’histoire langagière des concepts, Besançon, Presses universitaires de Franche-Comté, 2006.

    29Olivier Guyotjeannin, « L’érudition transfigurée », dans Jean Boutier, Dominique Julia (dir.), Passés recomposés. Champs et chantiers de l’histoire, Paris, Autrement, 1995, p. 152-162 ; et, pour la période médiévale, Pierre Chastang, « L’archéologie du texte médiéval. Autour de travaux récents sur l’écrit au Moyen Âge », Annales. Histoire, sciences sociales, 63/2, 2008, p. 245-269.

    30Serge Lusignan, La langue des rois du Moyen Âge. Le français en France et en Angleterre, Paris, Presses universitaires de France, 2004 ; Id., Essai d’histoire sociolinguistique. Le français picard au Moyen Âge, Paris, Garnier, 2012.

    31Id., « Quelques réflexions sur le statut épistémologique du texte électronique », Computers and the Humanities, 19, 1985, p. 209-212 ; Id., « Textes, corpus et modèle probabiliste », Informatique et sciences humaines, 61-62, 1984, p. 21-25.

    32Benoit Grévin, Le parchemin des cieux. Essai sur le Moyen Âge du langage, Paris, Seuil, 2012.

    33En témoignent par exemple la publication de la thèse de Damon Mayaffre, Le poids des mots. Le discours de gauche et de droite dans l’entre-deux-guerres. Maurice Thorez, Léon Blum, Pierre-Étienne Flandin et André Tardieu, 1928-1939, Paris, Champion, 2000 ; ainsi que le numéro thématique Mesurer le texte de la revue Histoire & mesure (18/3-4, 2003).

    34Régine Robin, Histoire et linguistique, op. cit., p. 124, n. 6.

    35Marie-Anne Polo de Beaulieu, « Panorama de la lexicométrie », art. cité, p. 183.

    36Damon Mayaffre, Vers une herméneutique matérielle numérique. Corpus textuels, logométrie et langage politique, habilitation à diriger des recherches, université Nice-Sophia Antipolis, 2010, p. 22.

    37Serge Heiden, Jean-Philippe Magué, Bénédicte Pincemin, « TXM : une plateforme logicielle open-source pour la textométrie. Conception et développement », dans 10e JADT, 2010, Rome (https://shs.hal.science/halshs-00549779/, consulté le 11 avril 2023). Dans le cadre de cette introduction, nous utiliserons dorénavant le terme « textométrie » ou, plus largement, l’expression « analyse des données textuelles », mais nous avons laissé à chaque auteur et autrice la liberté d’emploi du terme à sa convenance.

    38H. P. Luhn, « The Automatic Creation of Literature Abstracts », IBM Journal of Research and Development, 1958, vol. 2, no 2, p. 159‑165. Sur la question de l’histoire du text mining on pourra plus largement se référer à : Gary Miner, « The History of Text Mining », dans Id., Practical Text Mining and Statistical Analysis for Non-structured Text Data Applications, Waltham, MA, Academic Press, 2012, p. 3-27.

    39Pour une présentation plus complète des logiciels de textométrie, voir Bénédicte Pincemin, Sept logiciels de textométrie, 2018, https://halshs.archives-ouvertes.fr/halshs-01843695, consulté le 11 avril 2023.

    40Voir p. 16, « La diversité des langues et des modes d’écriture ».

    41Voir le numéro Histoire & mesure, 36/2, Textométrie et temporalité, 2021.

    42Serge Fleury, Maria Zimina, « Trameur : A Framework for Annotated Text Corpora Exploration » dans Proceedings of COLING 2014, the 25th International Conference on Computational Linguistics : System Demonstrations, August 2014, Dublin, p. 57-61.

    43Étienne Brunet, « Nouveau traitement des cooccurrences dans Hyperbase », Corpus, 11, 2012, p. 219-246.

    44Laurent Vanni, Marco Corneli, Dominique Longrée, Damon Mayaffre, Frédéric Precioso, « Hyperdeep : deep learning descriptif pour l'analyse de données textuelles », dans 15e JADT, 2020, Toulouse, http://lexicometrica.univ-paris3.fr/jadt/JADT2020/jadt2020_pdf/VANNI_CORNELI_LONGREE_MAYAFFRE_PRECIOSO_JADT2020.pdf, consulté le 11 avril 2023.

    45Étienne Brunet, « La lexicométrie française : naissance, évolution et perspectives », Revue de l’Université de Moncton, 2017, vol. 45, no 1‑2, p. 13‑33, DOI : 10.7202/1038899ar.

    46Benoît de Courson, Benjamin Azoulay, Clara de Courson, Laurent Vanni et Étienne Brunet, « Gallicagram : les archives de presse sous les rotatives de la statistique textuelle », Corpus, 24, 2023, DOI : https://doi.org/10.4000/corpus.7944, consulté le 14 avril 2023.

    47Il est par exemple utilisé pour l’interrogation en ligne de l’Encyclopédie de Diderot et d’Alembert ou de la base Frantext dans le cadre du Project for American and French Research on the Treasury of the French Language (Laboratoire ATILF, CNRS, université de Chicago ; http://encyclopedie.uchicago.edu/, http://artfl-project.uchicago.edu/content/artfl-frantext, consultés le 12 mai 2021).

    48Max Reinert, « Une méthode de classification descendante hiérarchique : application à l’analyse lexicale par contexte », Cahiers de l’analyse des données, 8/2, 1983, p. 187-198.

    49Max Reinert, « Les “mondes lexicaux” et leur “logique” à travers l’analyse statistique d’un corpus de récits de cauchemars », Langage et société, 66, 1993, p. 5-39. 

    50Sur les usages par les sociologues, voir Marc Glady, François Leimdorfer, « Usages de la lexicométrie et interprétation sociologique », Bulletin de méthodologie sociologique, 127, 2015, p. 5-25.

    51Aux côtés des logiciels évoqués précédemment, il faut également mentionner les nombreuses ressources disponibles sous la forme de librairies d’analyse de données textuelles dans les langages de programmation R et Python permettant d’accéder aux algorithmes les plus récents, notamment en termes d’apprentissage automatique. On pensera par exemple à Quanteda, tidytext, ou bien encore tm du côté de R, tandis qu’en Python NLTK, Spacy, Gensim et Scikit-learn se sont imposés comme des références.

    52Sur cette question, voir le numéro de la revue Histoire & mesure, 36/2, Textométrie et temporalité, 2021.

    53André Salem, « Approches du temps lexical », Mots. Les langages du politique, 17/1, 1988, p. 105‑143 ; Id., « Les séries textuelles chronologiques », Histoire & mesure, 6/1-2, 1991, p. 149-175.

    54Pierre Ratinaud, « Visualisation chronologique des analyses Alceste : application à Twitter avec l’exemple du hashtag #mariagepourtous », Actes des 12e Journées internationales d’analyse statistique des données textuelles, Paris, Inalco/Sorbonne nouvelle, 2014, p. 553-565 ; Pierre Ratinaud, Pascal Marchand, « Des mondes lexicaux aux représentations sociales. Une première approche des thématiques dans les débats à l’Assemblée nationale (1998-2014) », Mots. Les langages du politique, 108, 2015, p. 57-77.

    55Elle est appliquée sur le lemme tempus justement dans Patrice F. Hamel, « Le discours sur le temps au sein de l’œuvre de Bède le Vénérable », art. cité.

    56Mike Kestemont, Walter Daelemans, Dominiek Sandra, « Robust Rhymes ? The Stability of Authorial Style in Medieval Narratives », Journal of Quantitative Linguistics, 19, 2012, p. 54-76 ; Mike Kestemont, « Function Words in Authorship Attribution. From Black Magic to Theory ? », Proceedings of the 3rd Workshop on Computational Linguistics for Literature (CLFL), Association for Computational Linguistics, 2014, p. 59-66.

    57Voir un exemple d’application Jean-Baptiste Camps, Thibault Clérice, Ariane Pinche, « Noisy medieval data, from digitized manuscript to stylometric analysis : Evaluating Paul Meyer’s hagiographic hypothesis », Digital Scholarship in the Humanities, 36/2, 2021, p. 1149-1171, DOI : 10.1093/llc/fqab033.

    58Sur le traitement automatique des langues anciennes, voir la journée Atala organisée par Remo Mugnaioni et Serge Rosmorduc en 2005 (https://www.atala.org/content/traitement-automatique-des-langues-et-langues-anciennes-0, consulté le 11 avril 2023), et Joseph Denooz, Serge Rosmorduc (dir.), Traitement automatique des langues, 50/2, Traitement automatique des langues et langues anciennes, 2009.

    59Helmut Schmid, « Probabilistic Part-of-Speech Tagging Using Decision Trees », Proceedings of International Conference on New Methods in Language Processing, Manchester, 1994, et Id., « Improvements in Part-of-Speech Tagging with an Application to German », Proceedings of the ACL SIGDAT-Workshop, Dublin, 1995.

    60Marie-Catherine de Marneffe, Christopher D. Manning, Joakim Nivre, Daniel Zeman, « Universal Dependencies », Computational Linguistics, 47, 2021, p. 255-308, DOI : 10.1162/coli_a_00402.

    61Bruno Bon, « OMNIA, Outils et méthodes numériques pour l’interrogation et l’analyse des textes médiolatins », Bulletin du centre d’études médiévales d’Auxerre, 13-15, 2009-2011, DOI : 10.4000/cem.11086 ; Yves Ouvrard, Philippe Verkerk, « Collatinus & Eulexis : Latin & Greek Dictionaries in the Digital Ages », Classics@, 20, 2022, https://classics-at.chs.harvard.edu/collatinus-eulexis-latin-greek-dictionaries-in-the-digital-ages/, consulté le 12 décembre 2021 ; Philippe Verkerk et al., « Lasla and Collatinus : A Convergence in Lexica », Studi e Saggi Linguistici, 58/1, 2020, p. 95-120.

    62Aude Mairey, Mourad Aouini, « PALM : Un modèle neuronal pour l’étiquetage morphosyntaxique des textes médiévaux », dans 15e JADT, 2020, Toulouse, http://lexicometrica.univ-paris3.fr/jadt/JADT2020/jadt2020_pdf/MAIREY_AOUINI_JADT2020.pdf, consulté le 11 avril 2023.

    63Deucalion, service de lemmatisation de l'École nationale des Chartes, https://dh.chartes.psl.eu/deucalion/, consulté le 11 avril 2023. Thibault Clérice, Pie Extended. An extension for Pie with pre-processing and post-processing, 2020, Zenodo DOI : 10.5281/zenodo.3883589 ; Enrique Manjavacas, Ákos Kádár, Mike Kestemont, « Improving Lemmatization of Non-Standard Languages with Joint Learning », dans Proceedings of the 2019 Conference of the North American Chapter of the Association for Computational Linguistics : Human Language Technologies, Minneapolis, Association for Computational Linguistics, 2019, p. 1493-1503.

    64Serge Rosmorduc, JSesh Documentation, 2014, http://jseshdoc.qenherkhopeshef.org ; Id., « Codage informatique des langues anciennes », Document numérique, 6/3, 2002, p. 211-224.

    65C. Fairon, J. Klein, S. Paumier, « Le corpus SMS pour la science. Base de données de 30 000 SMS et logiciels de consultation », Louvain-la-Neuve, Presses universitaires de Louvain, 2006, CD-Rom, http://www.sms4science.org/, consulté le 11 avril 2023.

    66Sur le développement de ce champ historiographique, voir Niels Brügger, Ian Milligan (dir.), The SAGE Handbook of Web History, Los Angeles, Sage, 2019 ; Stéphane Lamassé, Gaëtan Bonnot (dir.), Dans les dédales du web. Historiens en territoires numériques, Paris, Éditions de la Sorbonne, 2019.

    67Pierre Halté, « Enjeux pragmatiques et sémiotiques de l’étude des émoticônes », Réseaux, 197-198, 2016, p. 227-252.

    68Frédéric Kaplan, « Vers le capitalisme linguistique : quand les mots valent de l’or », Le Monde diplomatique, novembre 2011, p. 28. Voir aussi les travaux de Marie-Anne Paveau ou de Marc Jahjah.

    69Rolando Minuti, Internet et le métier d’historien, Paris, Presses universitaires de France, 2002, p. 80-81.

    70François Rastier, « Sémantique du web versus Semantic Web ? Le problème de la pertinence », Syntaxe et sémantique, 9/1, 2008, p. 15-36.

    71Philippe Rygiel, « De quoi le Web est-il l’archive ? », dans Id., Historien à l’âge numérique, Lyon, Enssib, 2017, p. 129-150.

    72Par exemple, la presse ouvrière lyonnaise des années 1830 avec l’édition de l’Écho de la fabrique et d’autres journaux sous Philologic : http://echo-fabrique.ens-lyon.fr/, consulté le 11 avril 2023.

    73C’est toute la richesse des dictionnaires du Centre national de ressources textuelles et lexicales et de l’ATILF, héritiers des travaux menés au CNRS et à l’université de Nancy depuis 1960. Voir William Del Mancino, Jean-Marie Pierrel, « Du trésor de la langue française à l’ATILF et au CNRTL. 50 ans au service de l’étude et de la connaissance de la langue française », La revue pour l’histoire du CNRS, 24, 2009, DOI : 10.4000/histoire-cnrs.9133, et Gilles Souvay, « Informatisation de dictionnaires : exemples des pratiques dans l’équipe linguistique historique de l'ATILF », Éla. Études de linguistique appliquée, 156/4, 2009, p. 405-415, DOI : 10.3917/ela.156.0405.

    74On notera un usage assez fréquent du service Ngram Viewer qui repose sur l’ensemble des textes conservés par Google Books, https://books.google.com/ngrams, consulté le 11 avril 2023. Sur les limites à l’utilisation de cet outil, voir par exemple Michael Pettit, « Historical Time in the Age of Big Data : Cultural Psychology, Historical Change, and the Google Books Ngram Viewer », History of Psychology, 19/2, 2016, p. 141-153.

    75La production scientifique prend par exemple la forme d’une expérimentation offerte à tous sur le site http://mesure-du-discours.unice.fr/ (consulté le 11 avril 2023), qui permet d’interroger et d’analyser les discours présidentiels sous la Ve République.

    76Grâce notamment à l’interface en ligne d’Hyperbase (http://hyperbase.unice.fr/hyperbase/, consulté le 11 avril 2023), aux portails web de TXM (https://groupes.renater.fr/wiki/txm-users/public/references_portails, consulté le 11 avril 2023 ou, pour la lemmatisation des textes médiévaux, au logiciel en ligne PALM (http://palm.huma-num.fr/, consulté le 11 avril 2023).

    77Là encore la liste est potentiellement longue, on peut renvoyer au module de formation en ligne à Hyperbase : https://ecampus.unicaen.fr/pluginfile.php/345931/mod_resource/content/1/co/UOH_web.html, consulté le 11 avril 2023.

    78Aude Mairey, « Quelles perspectives pour la textométrie ? », dans Jean-Philippe Genet, Andrea Zorzi, Les historiens et l’informatique. Un métier à réinventer, Rome, École française de Rome, 2011, p. 157-170.

    79Patrick Mannin, Big Data in History, Basingstoke, Palgrave Macmillan, 2013 ; Shawn Graham, Ian Milligan, Scott Weingart, Exploring Big Historical Data : The Historian’s Macroscope, Londres, Imperial College Press, 2016.

    80Voir https://www.oldbaileyonline.org/static/GettingStarted.jsp, consulté le 11 avril 2023.

    81Janet Wiener, Nathan Bronson, « Facebook’s Top Open Data Problems », 22 octobre 2014, https://research.fb.com/blog/2014/10/facebook-s-top-open-data-problems/, consulté le 12 décembre 2021.

    82Austin Meadows, « Netflix Users Collectively Stream 164.8 Million Hours of Video Using Nearly 500 Million GB of Data Every Day », 2 avril 2019, https://www.streamingobserver.com/netflix-users-stream-164-million-hours-per-day/, consulté le 11 avril 2023.

    83Voir https://web.archive.org/web/20181212081310/https://blogs.gartner.com/doug-laney/files/2012/01/ad949-3D-Data-Management-Controlling-Data-Volume-Velocity-and-Variety.pdf, consulté le 11 avril 2023.

    84Ces chiffres, comme ceux qui suivent, sont ceux de juillet 2022.

    85Marieke Willems, Rossitza Atanassova, « Europeana Newspapers : Searching Digitized Historical Newspapers from 23 European Countries », Insights, 28/1, 2015, p. 51-56, https://insights.uksg.org/articles/10.1629/uksg.218/, consulté le 11 avril 2023.

    86À l’image des plateformes Transkribus et eScriptorium : Guenter Muehlberger et al., « Transforming Scholarship in the Archives through Handwritten Text Recognition : Transkribus as a Case Study », Journal of Documentation, 75/5, 2019, p. 954-976, DOI : 10.1108/JD-07-2018-0114 ; B. Kiessling, R. Tissot, D. Stökl Ben Ezra, P. Stokes, eScriptorium : An Open Source Platform for Historical Document Analysis, OST@ICDAR 2019, 2019.

    87Dominique Stutzmann, Jean-François Moufflet, Sébastien Hamel, « La recherche en plein texte dans les sources manuscrites médiévales : enjeux et perspectives du projet Himanis pour l’édition électronique », Médiévales, 73, 2017, p. 67-96, DOI : 10.4000/medievales.8198.

    88Alix Chagué, Thibault Clérice, Sharing HTR datasets with standardized metadata : the HTR-United initiative. Documents anciens et reconnaissance automatique des écritures manuscrites, CREMMALab, Juin 2022, Paris, France.

    89Jean-Philippe Moreux, « Approches innovantes pour la presse ancienne numérisée : fouille et visualisation de données », Carnet de la recherche à la Bibliothèque nationale de France, 30 décembre 2016, https://bnf.hypotheses.org/208, consulté le 14 janvier 2020.

    90Il s’agit avec les valeurs chiffrées des domaines initialement couverts : Ralph Grishman, Beth Sundheim, « Message Understanding Conference 6 : A Brief History », Proceedings of the 16th Conference on Computational Linguistics – Volume 1, Stroudsburg, Association for Computational Linguistics, 1996, p. 466-471. Sur la recherche d’entités nommée, plus généralement, voir Damien Nouvel, Maud Ehrmann, Sophie Rosset, Les entités nommées pour le traitement automatique des langues, Londres, ISTE, 2015.

    91Max de Wilde, Simon Hengchen, « Semantic Enrichment of a Multilingual Archive with Linked Open Data », Digital Humanites Quarterly, 11/4, 2017, http://www.digitalhumanities.org/dhq/vol/11/4/000328/000328.html.

    92Arthur Samuel, « Some Studies in Machine Learning using the Game of Checkers », IBM Journal of Research and Development, 3/3, 1959, p. 210-229, https://ieeexplore.ieee.org/document/5392560, consulté le 11 décembre 2022.

    93John McCarthy propose cette expression pour la première fois en 1956 lors de la conférence de Dartmouth.

    94Gerald Salton, « A Vector Space Model for Automatic Indexing », Communications of the ACM, 18/11, 1975, p. 613-620.

    95Term-Frequency – Inverse Document Frequency.

    96Par exemple, l’étude menée par David J. Newman et Sharon Block sur les 80 000 articles de la Pennsylvania Gazette, l’un des principaux journaux publiés dans les Treize Colonies avant la Révolution américaine : « Probabilistic Topic Decomposition of an Eighteenth-Century American Newspaper », Journal of the American Society for Information Science and Technology, 57/6, 2006, p. 753‑767.

    97Franco Moretti, Graphes, cartes et arbres. Modèles abstraits pour une autre histoire de la littérature, trad. par Étienne Dobenesque, Paris, Les Prairies ordinaires, 2008.

    98Id., « Conjectures on World Literature », New Left Review, 1, 2000, p. 54‑68.

    99Cette affirmation étant à nuancer par la possibilité de travailler à partir de segments répétés ou de n-grammes.

    100William Martinez, Contribution à une méthodologie de l'analyse des cooccurrences lexicales multiples dans les corpus textuels, thèse de doctorat dirigée par André Salem, université Sorbonne nouvelle, 2003.

    101Tomas Mikolov et al., « Efficient Estimation of Word Representations in Vector Space », CoRR, abs/1301.3781, 2013 ; Tomas Mikolov et al., « Distributed Representations of Words and Phrases and their Compositionality », dans Chris Burges et al. (dir.), Advances in Neural Information Processing Systems, 26, 2013, p. 3111-3119.

    102Pour un bilan d’étape et des études de cas on pourra se référer au numéro spécial : Corpus, 11, Damon Mayaffre et Jean-Marie Viprey (dir.), « La cooccurrence, du fait statistique au fait textuel », 2012.

    103Chris Moody, « Introducing our Hybrid lda2vec Algorithm », 27 mai 2016, https://multithreaded.stitchfix.com/blog/2016/05/27/lda2vec/, consulté le 11 avril 2023.

    104Voir http://deeptext.unice.fr/, consulté le 11 avril 2023.

    105On pensera notamment à l’environnement TensorFlow dont le code source a été ouvert par Google en 2015 et à la plateforme Hugging Face sur laquelle les utilisateurs ont la possibilité de partager différents modèles entraînés et des jeux de données afin de permettre leur réutilisation par la communauté : https://huggingface.co/, consulté le 11 avril 2023.

    106Damon Mayaffre, Laurent Vanni (dir.), L’intelligence artificielle des textes. Des algorithmes à l'interprétation, Paris, Champion, 2021.

    107Étienne Brunet, Laurent Vanni, « Deep learning et authentification des textes », Texto, 24/1, 2019, http://www.revue-texto.net/index.php/http:/www.revue-texto.net/1996-2007/Parutions/index.php ?id=4194, consulté le 12 décembre 2021.

    108C’est l’une des fonctions du réseau de neurones Ithaca, qui propose des restitutions de textes à partir de fragments épigraphiques : Yannis Assael, Thea Sommerschield, Brendan Shillingford et al., « Restoring and Attributing Ancient Texts using Deep Neural Networks », Nature, 603, 2022, p. 280-283.

    109Le présent ouvrage est issu du colloque international Histoire, langues, textométrie organisé à l’université Paris 1 Panthéon-Sorbonne du 16 au 18 janvier 2019 avec le soutien du Lamop et du master Mimo.

    110Sur la tension entre ces deux approches, voir Jean-Philippe Genet, « Langue et histoire », art. cité, p. 22-24.

    Histoires de mots

    X Facebook Email

    Histoires de mots

    Ce livre est diffusé en accès ouvert freemium. L’accès à la lecture en ligne est disponible. L’accès aux versions PDF et ePub est réservé aux bibliothèques l’ayant acquis. Vous pouvez vous connecter à votre bibliothèque à l’adresse suivante : https://freemium.openedition.org/oebooks

    Acheter ce livre aux formats PDF et ePub

    Si vous avez des questions, vous pouvez nous écrire à access[at]openedition.org

    Histoires de mots

    Vérifiez si votre bibliothèque a déjà acquis ce livre : authentifiez-vous à OpenEdition Freemium for Books.

    Vous pouvez suggérer à votre bibliothèque d’acquérir un ou plusieurs livres publiés sur OpenEdition Books. N’hésitez pas à lui indiquer nos coordonnées : access[at]openedition.org

    Vous pouvez également nous indiquer, à l’aide du formulaire suivant, les coordonnées de votre bibliothèque afin que nous la contactions pour lui suggérer l’achat de ce livre. Les champs suivis de (*) sont obligatoires.

    Veuillez, s’il vous plaît, remplir tous les champs.

    La syntaxe de l’email est incorrecte.

    Référence numérique du chapitre

    Format

    Dumont, L., Julien, O., & Lamassé, S. (2023). Introduction. In L. Dumont, O. Julien, & S. Lamassé (éds.), Histoires de mots (1‑). Éditions de la Sorbonne. https://doi.org/10.4000/12ww8
    Dumont, Léo, Octave Julien, et Stéphane Lamassé. « Introduction ». In Histoires de mots, édité par Léo Dumont, Octave Julien, et Stéphane Lamassé. Paris: Éditions de la Sorbonne, 2023. https://doi.org/10.4000/12ww8.
    Dumont, Léo, et al. « Introduction ». Histoires de mots, édité par Léo Dumont et al., Éditions de la Sorbonne, 2023, https://doi.org/10.4000/12ww8.

    Référence numérique du livre

    Format

    Dumont, L., Julien, O., & Lamassé, S. (éds.). (2023). Histoires de mots (1‑). Éditions de la Sorbonne. https://doi.org/10.4000/12wwq
    Dumont, Léo, Octave Julien, et Stéphane Lamassé, éd. Histoires de mots. Paris: Éditions de la Sorbonne, 2023. https://doi.org/10.4000/12wwq.
    Dumont, Léo, et al., éditeurs. Histoires de mots. Éditions de la Sorbonne, 2023, https://doi.org/10.4000/12wwq.
    Compatible avec Zotero Zotero

    1 / 3

    Éditions de la Sorbonne

    Éditions de la Sorbonne

    • Mentions légales
    • Plan du site
    • Se connecter

    Suivez-nous

    • Facebook
    • X
    • Flux RSS

    URL : http://editionsdelasorbonne.fr/

    Email : edsorb@univ-paris1.fr

    Adresse :

    212, rue Saint-Jacques

    75005

    Paris

    France

    OpenEdition
    • Candidater à OpenEdition Books
    • Connaître le programme OpenEdition Freemium
    • Commander des livres
    • S’abonner à la lettre d’OpenEdition
    • CGU d’OpenEdition Books
    • Accessibilité : partiellement conforme
    • Données personnelles
    • Gestion des cookies
    • Système de signalement