Version classiqueVersion mobile

Formaliser les langues avec l’ordinateur : de INTEX à Nooj

 | 
Svetla Koeva
, 
Denis Maurel
, 
Max Silberztein

Premiere partie. Formalisation de ressources linguistiques

4. La lemmatisation de l’arménien occidental avec NooJ

Anaïd Donabedian et Nisan Boyacioglu

Texte intégral

I. L’arménien occidental

1. L’arménien occidental : état des lieux

1L’arménien moderne s’est constitué au XIXème siècle en deux langues littéraires, l’arménien oriental (Arménie et Iran), et l’arménien occidental (Empire ottoman, puis diaspora). Chacune des variantes connaît sa propre tradition littéraire, mais il existe une tradition d’enrichissement mutuel, plus ou moins facilitée par les conditions politiques : la période soviétique a radicalisé les différences, alors que depuis l’indépendance, on observe une plus grande perméabilité des variantes l’une à l’autre.

2En tant que langue de diaspora, l’arménien occidental évolue dans un contexte de contact linguistique accru (Donabédian : 2001), ce qui ne facilite pas la normalisation de la langue parlée. La tradition littéraire est maintenue par les écrivains, journalistes et pédagogues, investis du rôle que jouerait une institution de politique linguistique dans un contexte étatique (académie ou autre instance de normalisation). Cependant, les variations stylistiques, qu’elles soient dues à l’évolution rapide de la norme en diaspora ou à la grande variété dialectale (on compte entre 50 et 70 dialectes arméniens, selon les modes de description) apparaissent même dans les textes écrits, notamment dans les passages dialogués.

  • 1 Système d’Analyse de Textes par Ordinateur, développé par François Daoust pour l’Université du Québ (...)
  • 2 Le corpus était saisi sous DOS, avec un simple driver d’écran arménien. Des conflits de codes systè (...)

3Les outils de référence pour l’arménien occidental (dictionnaires, grammaires, corpora, etc.) font largement défaut, enfermant ainsi la langue dans une circularité dangereuse entre le manque d’outils de référence et l’instabilité de la norme, qui elle-même rend de plus en plus difficile l’élaboration d’outils de référence. Ainsi, l’enseignement de l’arménien occidental souffre-t-il d’une sorte de crispation normative, qui ne favorise pas l’acquisition de la langue parlée (cf. Donabédian 2001 b). La nécessité d’une approche descriptive en vue de constituer des outils de référence semble évidente, et dès 1991, nous avons appuyé nos recherches sur l’exploration systématique d’un corpus informatisé. Le corpus Donabédian 1991, constitué d’environ 700 pages (1,4 Mo de texte brut) de textes littéraires publiées au cours du XXème siècle, avait été encodé sous SATO1, et les nombreux aménagements ad hoc que l’approche avait exigée2 ont fait que ce corpus n’a pu être mis à la disposition de la communauté scientifique. Quelques autres projets ont été initiés par ailleurs, mais aucun n’est abouti à ce jour.

2. Un module arménien sous NooJ

  • 3 Il est utilisé uniquement pour des besoins internes à l’équipe. En vue d’une mise à la disposition (...)

4Le corpus comprend certains éléments du corpus Donabédian 1991 (textes littéraires), de textes mis à notre disposition par le journal Asbarez en 1995, et de divers textes téléchargés, de statut divers (presse, traductions, textes littéraires)3. Ces textes comportent un assez grand nombre de fautes (blancs manquants, coquilles, passage à l’arménien oriental, etc.), apurées au fil du traitement : parmi les 47800 mots différents que compte le corpus, 2 000 à3 000 pourraient résulter de ces fautes.

Image 100000000000028600000294C922EA5E4F376798.jpg

5La description morphologique du verbe et le dictionnaire des verbes avaient été élaborés par N. Boyacioglu dans le cadre de son mémoire de maîtrise, consistant en une description des modèles de flexion verbale, associée à un index de3 250 verbes classés par type flexionnel, et présenté comme un guide de conjugaison de type « Bescherelle » (Boyacioglu : 2003). Le dictionnaire contient toutes les entrées verbales du dictionnaire arménien-français de K. Chahinian (Beyrouth, 1997), légèrement augmenté.

II. L’arménien occidental : spécificités de traitement

1. L’alphabet arménien

6L’alphabet arménien, dont la création est attribuée au moine Mesrop Machtots en 401 de notre ère, compte aujourd’hui38 lettres (31 consonnes et 7 voyelles), codées de 1 329 à 1 414 dans Unicode :

majuscule, minuscule

Translittération

majuscule, minuscule

Translittération

Ա ա

a

Մ մ

m

Բ բ

b

Յ յ

y

Գ գ

g

Ն ն

n

Դ դ

d

Շ շ

š

Ե ե

e

Ո ո

o

Զ զ

z

Չ չ

č`

Է է

ē

Պ պ

p

Ը ը

ə

Ջ ջ

ĵ

Թ թ

t`

Ռ ռ

r pointé

Ժ ժ

ž

Ս ս

s

Ի ի

i

Վ վ

v

Լ լ

l

Տ տ

t

Խ խ

x

Ր ր

r

Ծ ծ

c

Ց ց

c`

Կ կ

k

Ւ ւ

w

Հ հ

h

Փ փ

p`

Ձ ձ

j

Ք ք

k`

Ղ ղ

ł

Օ օ

ō

Ճ ճ

č

Ֆ ֆ

f

  • 4 Il existe un autre digramme en arménien : ո + ւ valant [u]. De fait, en Arménie, depuis la réforme (...)

Il faut ajouter à cet inventaire le digramme և, qui n’existe qu’en minuscule et correspond à une ligature de ե (e) et de ւ (w). En tant que mot indépendant, c’est une conjonction de coordination (ˊetˊ). Ailleurs, son usage peut varier selon les normes en vigueur : en effet, en arménien occidental (qui est l’objet de notre travail), il n’apparaît jamais hormis dans le cas de la conjonction de coordination, et donc a fortiori à l’intérieur des mots. En arménien oriental (la norme en vigueur notamment en Arménie), la ligature remplace librement les deux lettres qui la composent dans des positions diverses, y compris à l’intérieur des mots. Cette lettre n’est donc jamais oligatoire, et toujours substituable par la séquence եւ. On pourrait donc procéder à un remplacement automatique à l’entrée (dans la macrocommande initiale de lissage) ou recourir à une grammaire dans NooJ posant l’équivalence :Image 10000000000000740000002E122C6D74731152E2.jpgA ce stade du projet, le choix n’a pas été fait, et le critère déterminant sera d’évaluer si l’usage de ce digramme peut, lui-même, constituer un objet d’étude. Auquel cas, on pourrait, par exemple envisager d’introduire ce digramme directement dans l’alphabet4.

a. Ponctuation (délimitateurs)

7Les signes de ponctuation, qui dans l’ensemble se rapprochent des ceux du français ou de l’anglais, peuvent avoir un emploi différent :

désignation

graphie

équivalent fonctionnel français

virgule

,

virgule

point médian

.

point-virgule, deux points ou point

point final

:

point

apostrophe

apostrophe

բութ (bouth) ˊpouceˊ

՝

pas d’équivalent

8La virgule sépare les unités de même rang (SN lors d’énumérations, propositions). Elle est cependant utilisée moins systématiquement qu’en français pour délimiter les adverbes de phrase situés en début d’énoncé. Il n’existe pas de virgule spécifique à l’arménien dans unicode, et le signe utilisé est donc le même qu’en latin standard (délimiteur 44).

9Le point médian peut séparer deux propositions indépendantes, qui seront ainsi présentées comme plus liées que si elles étaient séparées par un point final. Il peut aussi introduire une énumération, une explication, une citation. Il s’agit donc d’un délimiteur plus faible qu’en français, mais il n’a pas de signe spécifique à l’arménien dans unicode, où il est représenté par le délimiteur 46, comme le point final du latin standard.

  • 5 Les normes typographiques les distinguent également : contrairement à del 58, del 1 417 n’est pas p (...)

10Le point final (deux points) est la ponctuation la plus forte. Elle achève un énoncé. Dans ce cas, la différence de valeur a été prise en considération dans l’encodage unicode, puisque le signe utilisé (del 1 417) est spécifique à l’arménien, les deux points latin standard étant codés 585.

11L’apostrophe marque, comme en français, l’élision d’une voyelle. L’apostrophe arménienne (del 1 370) pourrait cependant facilement être confondue avec le guillemet américain simple de fin de citation courbe (del 8 217) ou droit (del39), et tout autant avec le signe d’intonation arménien d’injonction (let 1 371) que nous évoquons plus bas.

12Le « bouth » (del 1 373) combine les usages français des deux points, de la virgule, et d’un signe de ponctuation à valeur syntaxique (évoquant l’emploi du tiret en russe) notamment pour introduire une proposition dont le verbe a été élidé (dans des énoncés du type : ‘J’ai acheté une montre, et lui ’_un chapeau’). Formellement, il peut être confondu avec le guillemet américain simple de début de citation courbe (del 8 216) ou droit (del 96).

13Les guillemets et traits d’union sont identiques à ceux utilisés en français. L’arménien, comme le français utilise en principe les guillemets en chevrons (« », del 1 741 et 187), cependant, notamment dans des textes édités dans des pays anglophones, on rencontre les guillemets américains.

14Les ressemblances formelles évoquées ci-dessous se reflètent dans l’hétérogénéité de nos textes. Pour des raisons probables de commodité de clavier, certains utilisent les apostrophes ou les points latins au lieu des caractères arméniens. On observe même des pratiques hétérogènes au sein d’un même texte. A ce stade du projet, nous avons seulement identifié ces ambiguïtés. Un protocole de lissage des textes sera élaboré ultérieurement.

b. Une spécificité arménienne : les signes d’intonation

15Ces signes, que les grammaires traditionnelles classent parmi les signes de ponctuation, ont un fonctionnement de nature à perturber la lemmatisation : il sont placés à l’intérieur du mot, immédiatement après la voyelle accentuée (soit la dernière voyelle, hors clitiques). Leur fonction est de marquer la modalité assertive de l’énoncé, et ils ne dispensent pas de clore la phrase avec un signe de ponctuation propre :

désignation

graphie

fonction

պարոյկ (paruyk) ‘cercle’

՞

interrogation

շեշտ ‘šešt’ ‘accent’

՛

injonction ou contraste

երկար (yerkar) ‘long’

՜

exclamation vraie

16Le šešt (let 1 371) marque une augmentation de l’intensité, et une légère hausse du fondamental, sans allongement. C’est un signe d’injonction ou de contraste, apparaissant sur les impératifs, mais aussi en cas de focalisation ou de contraste : Ե՛ս եկայ (moi venu) C’est moi qui suis venu ; ou Այո՛, Oui !. Il est traduit par un point d’exclamation en français.

17Le yerkar (let 1 372) traduit un allongement de la syllabe et exprime une modalité d’admiration, d’affection, de tristesse, de regret, de surprise, etc. C’est ce que nous appelons l’exclamation vraie, et bien qu’en français, ce signe se traduise également par un point d’exclamation, il ne peut en aucun cas être confondu avec le yerkar : Խե՜ղճ բատեկամ : Pauvre ami !

18Le paruyk (let 1 374) est un signe d’interrogation, il correspond à une élévation du fondamental : Գո՞հ ես : (content es) Es-tu content ?. Il est équivalent au point d’interrogation du français (?).

19Unicode traite ces signes comme des séparateurs, ce est aberrant et revient à segmenter les mots en deux. Le module arménien de NooJ corrige cette erreur, et les traite comme des lettres.

Image 100000000000027F00000114885D663F4583CCA4.jpg

20Pour permettre au lemmatiseur d’identifier une forme avec signe d’intonation à la même forme sans signe d’intonation, en récupérant toutes ses propriétés et en ajoutant une propriété correspondant à sa valeur, nous avons construit le graphe suivant (où les valeurs inhérentes à ces signes sont représentées par un point d’interrogation (paruyk), un point d’exclamation (šešt) ou par une double point d’exclamation (yerkar) :

21Ainsi, միաւորէի՞նք « unissiez ? » est identifiée à une forme présente dans le dictionnaire :

22միաւորէինք, միաւորել, V+FLX=V2+I+1+p, dont les propriétés sont récupérées par {$O, $1L, $1C$1S$1F], puis la propriété additionnelle + ? est appliquée par {INFO+ ?}

2. La morphologie de l’arménien

23L’arménien présente une morphologie grammaticale de type mixte, agglutinant et flexionnel. Le type agglutinant, qui concerne essentiellement les substantifs, est foisonnant (36 formes par lemme) mais relativement régulier (avec cependant quelques modèles irréguliers hérités d’un état plus ancien de la langue). Le type flexionnel concerne les pronoms et les verbes. La morphologie y est moins riche en termes de nombre de morphèmes (les morphèmes flexionnel sont fusionnels), mais beaucoup moins régulière, et la flexion verbale présente de nombreux cas d’irrégularités, de défectivité, et de supplétivité (la description compte actuellement 52 types flexionnels). Cependant, certains éléments agglutinants sont représentés dans le verbe, notamment les infixes de causativation et de passivation, qui multiplient par quatre les tiroirs verbaux (actif, passif, causatif-actif, causatif-passif).

24La morphologie lexicale (dérivation et composition) est également très riche, avec un grand nombre de procédés productifs.

3. La labilité des catégories

25Un autre phénomène marquant pour le traitement de l’arménien est la perméabilité des catégories (parties du discours). Si on s’appuie uniquement sur le type flexionnel, on peut en principe distinguer assez clairement noms, verbes et pronoms, mais cela ne signifie pas que l’appartenance du lemme à cette catégorie est absolue, et on observe des phénomènes frappants de transcatégorialité. Ainsi, la classe adjectivale n’a pas de contours précis. Morphologiquement, l’adjectif est un nom, car il n’existe pas de flexion proprement adjectivale. Epithète ou attribut, il est invariable, et c’est sa position qui détermine sa fonction. Mais la nominalisation est courante, par adjonction d’une désinence flexionnelle nominale. A l’inverse, il est possible d’utiliser dans la position adjectivale un nom pour dénoter une propriété. Ainsi, si les adjectifs dénotant primairement une propriété (couleur, dimension, etc.) et des adjectifs relationnels dénominatifs (comme հայր-ական « paternel », աթոմ-ային « atomique », etc.) peuvent être étiquetés aisément, pour la plus grande partie du lexique, il est souvent très difficile de dissocier une classe de noms et une classe d’adjectifs en lexique.

  • 6 L’arménien moderne compte presque exclusivement des postpositions, ainsi que quelques prépositions (...)

26Par ailleurs, des unités appartenant à la même classe distributionnelle peuvent avoir un comportement morphologique très différent : certaines postpositions6 sont totalement invariables (պէս « comme »), d’autres ont une morphologie nominale (վրայ « sur », տակ « sous »), d’autres une combinabilité avec les seuls articles possessifs (հետ « avec »). Il en va de même pour les adverbes : certains sont des invariables (les adverbes dérivés en -պէս, -օրէն correspondant au français -ment), d’autres sont une forme figée de postposition ou de nom, analysable comme une forme fléchie.

27Ainsi, les désinences de type nominal peuvent apparaître sur des types très variés de lexèmes, à l’exception des pronoms et des formes personnelles du verbe. Cela concerne notamment les participes : deux d’entre eux sont invariables et entrent seulement en composition dans des formes verbales analytiques, mais quatre autres, qui peuvent être adjectivaux et nominaux à la fois (le participe agentif en -ող, le participe passé en -ած, le participe prospectif en -իք et l’infinitif), ont une flexion nominale complète, ce qui augmente de 144 (4 x36) le nombre de formes pour un lemme verbal.

28Ces formes, bien que de type nominal, peuvent être prévues dans les grammaires flexionnelles, ce qui les alourdit considérablement (ainsi, du fait notamment des quatre diathèses et des formes fléchies des participes, on atteint 808 formes par verbe régulier). Mais d’autres cas sont plus difficiles à traiter : il s’agit de la surdéclinaison et / ou de l’emploi autonymique.

29La surdéclinaison permet de former une forme fléchie non pas sur une base nue, mais sur une forme elle-même fléchie, dont elle résulte de la nominalisation :

Դիմաց-ի-ն-ներ-ը
en-face G-déf plur déf
Ceux d’en face. (litt. Les d’en face)

30Ce phénomène peut aussi résulter d’un emploi autonymique :

երեկ-ներ-դ
hier plur poss2
tes ‘hier’…

31Dans cet exemple, la base est nue (l’adverbe de temps signifiant « hier »), mais il peut aussi bien s’agir d’une forme quelconque, y compris une forme personnelle du verbe (« tes ‘je ne veux pas’ »). Ces exemples ne peuvent être traitées dans la morphologie flexionelle, et cela ne serait d’ailleurs pas souhaitable compte tenu de leur probabilité d’occurrence. Cependant, les combinaisons possibles sont infinies.

32Dans certains cas, les nominalisations d’un syntagme nominal ou d’un numéral, etc. sont typographiquement délimitées par des guillemets, trait d’union, etc. Dans ces cas seulement, la solution a été fournie par le graphe morphologique suivant :

Image 100000000000027500000125F0534B93099993E0.jpg

Graphe destiné à reconnaître les désinences associées à des éléments hétérogènes (numéraux, guillemets, espaces après italiques, etc.)

33Une grammaire syntaxique pourra être développée ultérieurement afin d’imputer les propriétés grammaticales (cas, nombre, détermination) au syntagme constitué par la désinence et l’élément qui la précède.

4. Quels arbitrages ?

34Les catégories lexicales sont donc très différentes selon que l’on a un point de vue flexionnel, distributionnel ou sémantique. Pour la lemmatisation, il fait identifier tout d’abord les classes flexionnelles (verbe V, substantif S, pronom PRO, invariables INV). Cependant, cette information est déjà incluse dans l’étiquette flexionnelle (FLX=V2, FLX=S1, FLX=PRO3, etc.), et l’étiquette « catégorie » peut être utilisée pour encoder des informations distributionnelles et / ou sémantiques (NOM vs ADJ, CONJ vs PARTIC, etc.). Actuellement, le travail d’inventaire des catégories non verbales est encore en cours.

35Les surdéclinaisons, statistiquement peu nombreuses, mais virtuellement infinies, n’ont pas encore trouvé de solution, de- sin_nom.nom ne permettant de traiter que les formes « balisées » par des guillemets ou un trait d’union.

III. La lemmatisation du verbe :

36Il s’agit de la partie achevée du projet. Le module qui fonctionne dès à présent consiste en grammaires flexionnelles et morphologiques :

1. Grammaire flexionnelle

  • 7 Il est à noter que la flexion des causatifs intègre à son tour une possibilité de passivation, comm (...)

37La grammaire verbale hyverb.nof comporte 86 graphes (types V1 à V52, ainsi que34 graphes imbriqués). Le graphe V1 (type գրել) prévoit trois chemins pour l’actif, le causatif et le passif, ces deux derniers conjuguées respectivement selon V5 et V67 :

V1

Image 10000000000001D8000000A5E922A9DFF5E7FF1C.jpg

38L’actif mobilise 10 graphes successivement emboîtés :

Actif 1

Image 1000000000000224000000CAB5B7CE39F2CD95C9.jpg

39L’hypothétique permet de former le présent et l’imparfait, en ajoutant la particule de validation կը/կ’/կու :

Hypothetique 1

Image 1000000000000262000001F06AE63B72E3C8DF0E.jpg

40Le graphe « Passé simple 1 » construit la base passé à partir de l’infinitif (lemme), et renvoie à l’un des 4 modèles de conjugaison disponibles pour le passé simple en arménien :

Passe simple 1

Image 10000000000001C2000000409477B3F0D6AC4487.jpg

Terminaison 1-0

Image 10000000000001D800000144C7F8359B66958D11.jpg

41De même le modèle de l’impératif est sélectionné parmi 4 graphes d’impératif possibles :

Imperatif 1

Image 100000000000014A000000A439CF3F4CBAC9A7F2.jpg

42Dans le graphe de formation des participes (sélectionné parmi 5 modèles), on constate que, hormis le participe médiatif et négatif (M et T), toutes les formes participiales (G = agentif, R = résultatif, O = prospectif) se déclinent selon S1 (cf. infra flexion nominale) :

Participe 1

Image 100000000000014A000000D9B2BC19C898425251.jpg

43Le graphe de l’infinitif (sélectionné parmi deux modèles possibles) est aussi un graphe de déclinaison, mais à la différence des participes, l’infinitif ne suit pas le modèle de déclinaison régulier, la déclinaison est donc ici représentée intégralement, et non par un sous-graphe :

infinitif 1

Image 10000000000001D40000014043EED8FB4C2F1D09.jpg

2. Grammaires morphologiques

44• Négation verbale :

45Le préfixe de négation étant combinable avec toutes les formes verbales, il a été possible de le traiter par une grammaire flexionnelle, pour ne pas alourdir inutilement les dictionnaires fléchis.

Graphe destiné à identifier les formes verbales (contrainte lexicale < $ Verbe, V >) précédées de la particule de négation en récupérant les informations syntaxiques et flexionnelles et en affectant une proprieté NEG

Image 10000000000001CA000000E0AF6249DAD24139FE.jpg

46Une version initiale de ce graphe n’intégrait pas le module concernant les signes d’intonation entre (pref) et (suf), cependant, en l’absence d’articulation entre la grammaire intonation.nom et negation.nom, les formes portant les deux modalités à la fois n’étaient pas reconnues. Cette grammaire doit avoir une priorité inférieure aux grammaires flexionnelles.

3. Résultats

  • 8 La question du causatif et du passif est rendue complexe par la possibilité idiomatique d’employer (...)

47Notre description de la flexion verbale privilégie la reconnaissance (pour la lemmatisation). Ainsi, toutes les formes morphologiquement possibles sont générées, même si, pour des raisons sémantiques, elles ne peuvent pas exister pour tous les verbes du modèle concerné : մտնել « entrer », et գտնել « trouver » suivent le même modèle flexionnel, mais le causatif de գտնել ‘trouver’ est non-attesté, à l’exception de la3ème personne du singulier de l’indicatif présent8. Pour affiner la représentation, il faudrait introduire des variables sémantiques qui prédisent le comportement des verbes vis-à-vis de la diathèse.

  • 9 Ces doublons sont donc probablement justifiés, cependant, cette question est peu décrite en arménie (...)

48Le deuxième problème posé par les causatifs et les passifs ramène au choix descriptif entre dérivation et flexion. Dans la mesure où il s’agit de formations productives, le choix d’un bon taux de reconnaissance a conduit à traiter la diathèse comme un mécanisme flexionnel et non dérivationnel, afin de ne pas négliger les verbes dont les formes causatives et passives sont ignorées dans les entrées des dictionnaires. Cependant, certains passifs ou causatifs plus ou moins lexicalisés figurent dans le dictionnaire comme entrées lexicales. Nous les avons provisoirement maintenus dans notre dictionnaire hyverb.nod, ce qui génère des doublons entre formes lexicalisées (sens non calculable à partir de la forme active) et non lexicalisées (sens non calculable)9.

4. Taux de reconnaissance

49Le taux de non-reconnaissance des verbes auquel nous sommes parvenus est d’environ 1 %. Les facteurs de non-reconnaissance sont :

50Le dictionnaire se limite aux 3 251 verbes du dictionnaire arménien-français de K. Chahinian (2000), le plus récent et le plus couramment utilisé par les apprenants francophones ; il s’agit d’un dictionnaire de poche d’environ 20 000 mots, ce qui est modeste (comparer avec les 145 000 mots du Malkhasiantz) ; sachant que notre corpus couvre un large champs lexical, du littéraire à la langue de la presse, en passant par des dialogues populaires.

51L’arménien connaît des variations de norme, et la grammaire flexionnelle hyverb.nof ne rend compte que de la norme standard. certains textes du corpus présentent des formes non-standard (dialogues, récits populaires, tradition orale), comme par exemple les causatifs en -c`unel au lieu de -c`nel (անցունել « faire passer », est attesté dans le corpus en face du standard անցնել). De même, la particule de validation կու, habituellement disjointe (կու գամ), s’écrit parfois accolée au verbe (կուգամ). La solution à ce dernier point n’est pas coûteuse (par le biais d’une grammaire morphologique sur le même principe que negation.nom).

IV. La lemmatisation du nom

52Les outils destinés à lemmatiser les formes nominales et pronominales ne sont pas achevés, mais d’ores et déjà certains choix ont été nécessaires.

• Les syncrétismes :

53En arménien, les pronoms ont 6 formes casuelles (Nominatif, Accusatif, Datif, Ablatif, Instrumental, auxquels s’ajoute le Génitif, qui est généralement étiqueté comme un possessif). Les substantifs n’en ont que 4, nominatif et accusatif (Cas Direct, CD) et Génitif et Datif (GD) faisant l’objet d’un syncrétisme. Actuellement, nous avons choisi de refléter cette disparité, plutôt que de dédoubler les formes de CD et GD des substantifs.

• Les variations de normes

54L’arménien occidental a un type de déclinaison productif, régulier, productif (agglutinant), et plusieurs types non productifs (sauf dérivés) irréguliers, qui sont souvent contaminés, à des degrés divers, par le modèle dominant. Ces formes reconstruites apparaissent dans le corpus, et nous les avons donc fait figurer dans les graphes, en les étiquetant comme populaires (+pop). De la même façon, on a mentionné des formes archaïques (+arch).

1. Grammaires flexionnelles et dictionnaires

55Les graphes flexionnels du nom (hynoun.nof) construisent donc au minimum 36 formes (4 cas, 2 nombres et 5 options de détermination) :

S1

Image 10000000000001C400000177087CE59A239FE132.jpg

56Le dictionnaire des noms n’a pas été constitué de manière systématique, mais une ébauche de dictionnaire opérationnel a été construite à partir d’une exportation du lexique du corpus Donabédian 1991.

2. Grammaires morphologiques

57Outre les graphes intonation.nom et desin_nom.nom, déjà évoqués, deux grammaires ont été élaborées, pour le traitement des noms propres. L’une est destinée à identifier comme un nom de famille arménien les formes commençant par une majuscule et se terminant par -ian, et qui ne seraient pas reconnues par les dictionnaires fléchis. L’autre traite le reliquat, et peut être activée optionnellement, compte tenu de son taux d’erreur prévisible. Dans les deux cas, un sous-graphe flexnom prend en charge la déclinaison nominale selon le modèle régulier S1.

58Toutes les formes qui commencent par une lettre majuscule (< U >), suivie par un nombre qque de lettres minuscules ou majuscules (<L> bouclé), puis par հան seront étiquetées N+PR (nom propre)

59Cette grammaire doit avoir une priorité :

60- plus faible que le dictionnaire des noms fléchis (cf. noms en թիա-թեան)

61- plus haute que npr_naif nom (pour éviter de décomposer եա+ն)

Image 10000000000002660000004CBEEC4D6E1C3E857F.jpg

62Toutes les formes qui commencent par une lettre majuscule (<U>), suivie par un nombre qque de lettres minuscules (pour exclure les titres tout en majuscules) seront étiquetées N+PR (nom propre) Cette grammaire doit avoir la priorité la plus basse

Image 10000000000002990000005C09DEA9D9CEE7A1D2.jpg

3. Résultats globaux et perspectives

63Le corpus compte 47 000 formes différentes, parmi lesquelles 15 765 formes inconnues, et35178 formes reconnues.3 800 formes (soit environ 4 %) sont des reconnaissances en doublons, soit par ambiguïté lexicale, soit du fait d’un manque de puissance des outils descriptifs. Pour le traitement des doublons, la priorité des ressources (préférences) est cruciale, et certains choix restent à faire (hiérarchie entre les dictionnaires verbaux et nominaux pour réduire les doublons comme ապրիլ, « avril » et « vivre », գործէ « travail-ABL. » et travailler-1SG-PST, ազատիս « se-libérer-2SG-PST » et le moins probable « libre-GD-POSS1 »). Les ambiguïtés entre formes adjectivales fléchies et formes verbales conjuguées sont statistiquement en faveur du verbe, ce qui peut être un argument pour un étiquetage propre aux adjectifs, ou d’un dictionnaire réservé. Pour les ambiguïtés entre substantif décliné et verbe conjugué, nous n’avons pas de réponse statistique.

64La non-reconnaissance est imputable à deux causes essentielles : l’absence de dictionnaire nominal systématique comme nous en avons un pour le verbe, et les fautes dans le corpus (absences de blancs, coquilles, etc.). L’état actuel du travail nous a cependant permis de parvenir à un taux de reconnaissance qui permet une correction progressive du corpus et une mise à jour des ressources à partir de la liste des inconnus, comme par exemple le repérage des désinences verbales non reconnues (grâce à l’affichage par ordre alphabétique inverse, puis l’exportation) qui a permis de mettre à jour le dictionnaire des verbes.

65Par ailleurs, les dérivations productives sont un facteur prévisible de non-reconnaissance, et ne seront pas résolues par un dictionnaire. L’inventaire des procédés de dérivation productifs est en cours dans le cadre du mémoire de DEA de G. Chobanyan à l’INALCO, il devrait permettre d’aboutir à des graphes morphologiques améliorant grandement la lemmatisation du corpus. Il restera ensuite à traiter également les emprunts, qu’ils soient en caractères latins ou arménien.

66L’état auquel est parvenu ce projet en 18 mois semble d’ores et déjà remarquable compte tenu des énergies mobilisées (et ce, grâce à l’aide attentive de Max Silbersztein, qui a mis au point le module arménien de NooJ et nous a accompagnés tout au long de ce travail).

Bibliographie

Bibliographie

BOYACIOGLU N. (2003), Guide morphologique de la conjugaison des verbes de l’arménien occidental, Mémoire de Maîtrise, INALCO, Paris, juillet 2003.

BOYACIOGLU N. (2004), Description linguistique du verbe en arménien occidental pour la lemmatisation, mémoire de DEA sous la direction d’Anaïd Donabédian, INALCO, Paris, septembre 2004.

CHAHINIAN K. (2000), « Dictionnaire arménien français », 2ème partie de Dictionnaire pratique français-arménien arménien-français, 2ème impression, Beyrouth, éditions Chirak.

DONABEDIAN A. (ed.) (2001), Langues de diaspora, langues en contact, Faits de Langue, Ophrys, Paris, 18/2001.

DONABEDIAN A. (1993), L’article dans l’économie des catégories nominales en arménien occidental moderne, thèse de doctorat sous la direction de Claude Hagège, Université Paris III, Sorbonne-Nouvelle, Février 1991.

DONABEDIAN A. (2001b), « Tabou linguistique en arménien occidental : ‘gor’ progressif est-il ‘turc’ » ?, in DONABEDIAN A. (ed.), Langues de diaspora, langues en contact, Faits de Langue, Ophrys, Paris, 18/2001, p. 201-210.

DONABEDIAN A. (1993), « Description morphosyntaxique de l’arménien moderne occidental : utilisation d’une base de données textuelle », in Computers in armenian philology, Armenian Academy, Yerevan, 1993, p. 6-14.

Notes

1 Système d’Analyse de Textes par Ordinateur, développé par François Daoust pour l’Université du Québec à Montréal.

2 Le corpus était saisi sous DOS, avec un simple driver d’écran arménien. Des conflits de codes système ont nécessité la suppression des majuscules, le nombre limite de mots différents que pouvait traiter SATO avaient conduit à segmenter bases et désinences, entraînant de nombreuses d’ambiguités. Tout cela rendait la procédure d’interrogation du corpus (concordances de des segments étiquetés) très complexe (cf. Donabedian 1993).

3 Il est utilisé uniquement pour des besoins internes à l’équipe. En vue d’une mise à la disposition du public, le corpus sera enrichi et remanié en tenant compte des droits d’auteur.

4 Il existe un autre digramme en arménien : ո + ւ valant [u]. De fait, en Arménie, depuis la réforme orthographique, ce digramme est considéré comme une lettre et prend la place de ւ dans l’alphabet (ւ n’étant pas utilisé seul en orthographe réformée).

5 Les normes typographiques les distinguent également : contrairement à del 58, del 1 417 n’est pas précédé d’un blanc typographique. Cela pourrait être une des raisons pour lesquelles ce signe, contrairement au point del 46, bénéficie d’un code spécifique en arménien, bien qu’il ait la même forme que les deux points français.

6 L’arménien moderne compte presque exclusivement des postpositions, ainsi que quelques prépositions résiduelles héritées de l’arménien classique. Ces dernières sont toujours invariables.

7 Il est à noter que la flexion des causatifs intègre à son tour une possibilité de passivation, comme le permet la langue.

8 La question du causatif et du passif est rendue complexe par la possibilité idiomatique d’employer des tournures quasi-causatives et quasi-passives à la troisième personne du singulier (à valeur impersonnelle) signifiant « cela se fait » ou « cela ne se fait pas » : (1) կ’ուտուի « cela se mange (quasi-passif) », (2) կը կերցուի « cela se fait de faire manger cette chose (causatif+quasi-passif) » (3) կը գիտցուի « cela se sait (quasi-causatif+quasi-passif) », չի բարձրացուիր « cela ne se soulève pas », « cela n’est pas possible à soulever » (quasi-causatif+quasi-passif). On constate que des marqueurs de quasi-diathèse peuvent se combiner avec des marqueurs de diathèse véritables (2).

9 Ces doublons sont donc probablement justifiés, cependant, cette question est peu décrite en arménien, et notre corpus permettrait une étude destinée à le confirmer.

Auteurs

Inalco – cnrs fre 2454

Le texte et les autres éléments (illustrations, fichiers annexes importés) sont sous Licence OpenEdition Books, sauf mention contraire.

Rechercher dans OpenEdition Search

Vous allez être redirigé vers OpenEdition Search