Version classiqueVersion mobile
OpenEdition Books

Genèse médiévale de l'anthroponymie moderne. Tome VI : Le nom, histoire et statistiques

 | 
Pascal Chareille

Deuxième partie. Méthodes : de l'identification des anthroponymes aux traitements statistiques

Chapitre 5. Autour des distributions de noms

Texte intégral

Introduction

  • 1 Sur ce concept de stock des noms disponibles, cf. supra, chapitre 2 et infra, chapitre 6. Il convi (...)
  • 2 Il n’a jamais existé de liste arrêtée dans laquelle les noms ou les surnoms devaient être impérati (...)
  • 3 On peut suggérer que celui qui est désigné abandonne le statut d’“individu” (être quelconque parmi (...)

1À l’instar du lexique d’une langue ou de celui d’un auteur (qui n’est qu’une partie plus ou moins importante de celui de la langue dans laquelle il s’exprime), le stock des noms disponibles1 pour une population donnée n’est pas infini, mais il est difficile d’appréhender sa dimension réelle. Ce stock, qui n’a pas d’existence en soi2, fait l’objet d’adaptations et d’ajustements permanents. Il se décline à plusieurs niveaux : celui de la famille, du groupe social, de la région ou du pays pour constituer la ressource potentielle dans laquelle les noms sont choisis. Faut-il d’ailleurs parler de choix ? Des contraintes en tout genre, on le sait, pèsent sur ce qui n’est finalement que de très loin librement consenti. Variable d’un individu à l’autre — ou plutôt d’un couple à l’autre si l’on convient que le couple des parents est l'atome élémentaire qui « choisit » le nom de l’enfant —, variable dans le temps et dans l’espace, le stock des noms évolue au gré de contraintes plus ou moins explicites qui sont familiales, sociales, politiques ou religieuses. À l’évidence, le choix du nom ne peut se réduire à un événement psychologique et individuel ou familial, à une manifestation visible du « libre arbitre » de l’homme : il s’agit, il faut le redire, d’un fait social aux dimensions collectives3.

2Examiné au niveau d’une population donnée, le « patrimoine » onomastique fait l’objet de recompositions permanentes. Les dynamiques individuelles — ici « parentales » — contribuent à le façonner, comme il contribue à forcer ces dynamiques. Les évolutions du stock, comme la gestion qui en est faite par les populations qu’il concerne, sont complexes, faites d’influences mutuelles et réciproques. Comme le lexique d’une langue ou d’un auteur, il s’agit donc d’un ensemble « vivant » : certains noms disparaissent, d’autres prolifèrent, d’autres encore apparaissent ou sont l’objet de mutations qui résultent d’erreurs de transcriptions, de corrections ou d’additions en tout genre. S’il est objet d’histoire, c’est qu’il est à l’image des hommes qui le façonnent.

3L’objet est fuyant, difficile à saisir dans sa complexité. Comment peut-on l’appréhender ? Là encore, la question peut être abordée comme elle l’est dans d’autres champs disciplinaires.

De la distribution des noms à celle des effectifs

  • 4 Les mots en italique sont soulignés par l’auteur qui parle également de « pyramide des mots » (Gui (...)

4C’est sans difficulté aucune que l’anthroponymiste ferait sienne la liste des instruments de travail que recense Georges Guilbaud pour l’analyse statistique des corpus linguistiques : « Pour un texte (ou bien pour un corpus constitué de plusieurs textes), on peut établir : une concordance, catalogue de mots (de lemmes ou vocables, ou de formes) qui, pour chacun, donne la liste des occurrences, sous forme de contexte munis de référence ; un index, pour lequel au regard de chaque unité figurent seulement les adresses de ses occurrences ; un autre index plus succinct, parfois désigné comme index des fréquences ou index statistique, où, pour chaque mot, on ne trouve plus les références, mais seulement le nombre des occurrences ou fréquence ; enfin, on peut séparer les données précédentes en fournissant : le catalogue des formes ou des vocables, ou vocabulaire ; la seule gamme des fréquences ; les mots ont disparu, il ne reste que les indications chiffrées. » (Guilbaud, 1980 : p. 97-98)4.

  • 5 Il faudrait parler ici de « vocables », ou de « mots-vocables ».
  • 6 Ce palmarès est celui des noms, des surnoms ou des lexèmes selon le type d’unité onomastique.

5La parenté entre une distribution de mots5 et une distribution de noms a déjà été soulignée. Comme le linguiste qui s’interroge sur les unités lexicales à dénombrer (qu’est-ce qu’un mot ?), l’anthroponymiste s’interroge sur les unités onomastiques qu’il doit décompter (qu’est-ce qu’un anthroponyme au Moyen Âge ?). Comme lui, après avoir lemmatisé son corpus, il affecte à chacun de ces « lemmes » un effectif qui correspond au nombre de ses occurrences et les ordonne dans l’ordre des effectifs décroissants pour établir un palmarès6.

  • 7 On peut par exemple regrouper dans une même classe les noms qui sont attestés entre 5 et 10 fois, (...)
  • 8 Il règne, notamment dans le domaine de la statistique lexicale, une certaine confusion quant à la (...)

6Ce palmarès (qui donne la distribution statistique des noms) peut être utilisé pour compter ceux qui présentent le même effectif (ou la même fréquence) : combien de noms ne sont attestés qu’une fois, combien sont attestés deux fois, trois fois, etc. Ce décompte permet de constituer des « classes » d’effectifs (ou classes de fréquences)7, chacune d’elle (éventuellement réduite à une seule valeur) peut être affectée d’une valeur qui correspond au nombre des noms présentant la (ou les) mêmes fréquences. On obtient alors une « nouvelle » distribution statistique que l’on peut qualifier de distribution des effectifs (ou distribution des fréquences)8.

  • 9 Pour que cette population statistique coïncide avec la population humaine correspondante, il faut (...)
  • 10 Sur cette distinction entre variable quantitative et qualitative, je me permets de renvoyer à Char (...)

7Les deux distributions (celle des noms et celle des effectifs) sont définies à partir du même matériau, mais correspondent à deux variables statistiques distinctes. La première est qualitative (c’est la variable « nom » définie sur la population statistique des « occurrences anthroponymiques »9) ; la seconde est quantitative (c’est la variable « nombre d’occurrences » définie sur la population statistique des « noms »)10. De nature différentes, elles ne peuvent pas être soumises au même type de traitement. Il n’est par exemple pas possible de calculer un « nom moyen » alors qu’il est possible de calculer un « effectif moyen » (c’est le nombre moyen d’individus par nom).

  • 11 Et sans doute aussi, comme le précise Monique Bourin, à une géographie de la spiritualité (Bourin, (...)

8Le médiéviste s’intéresse souvent davantage à la première de ces deux distributions qu’à la seconde, sans doute parce qu’elle lui est plus immédiatement « parlante ». Savoir que, vers 1100, dans un grand midi du Dauphiné au Poitou dominent les noms de Guillaume et de Pierre auxquels il faut associer Bernard (Bourin, 1996 : p. 189) invite immédiatement à un rapprochement entre géographie des noms et géographie des pouvoirs11. Savoir qu’au même moment (précisément entre 1100 et 1130), les hapax du corpus gascon représentent 44,6 % du corpus des noms (Cursente, 1989 : p. 166), ou que dans le bas Languedoc, 4 noms suffisent pour désigner la moitié de la population laïque masculine (Bourin, 1992b : p. 144-145) ne suggère sans doute rien d’aussi clair. Alors que la distribution des noms renvoie aux noms eux-mêmes, celle des effectifs renvoie à la variabilité des fréquences. C’est elle qui fait sens et qu’il faut pouvoir lire.

9Comme les distributions de mots, les distributions de noms sont particulières par leur « forme ». On l’a dit, et il faut y insister, le corpus se compose d’un petit nombre de noms fréquemment portés (concentration) et d’un nombre important de noms « rares ». Graphiquement, cette singularité apparaît immédiatement :

Figure 1. Distribution (fréquence) des noms (Lézat, Xe-XIIe siècle)

Image

  • 12 Pour des questions de lisibilité des graphiques, seuls certains des noms attestés sont mentionnés (...)

10Les données ici représentées sont tirées du cartulaire de Lézat (dépouillement : Nigoul, 1990)12. Elles n’ont rien de singulier et illustrent bien la situation médiévale : la concentration s’accentue entre le Xe et le XIIe siècle sans que les noms « rares » disparaissent.

11À chacune de ces distributions (de noms) correspond une distribution des effectifs donnée par le tableau suivant :

Tableau 1. « Distribution des effectifs » (tableau) (Lézat. Xe-XIIe siècle

Image

12Ainsi, dans le corpus du Xe siècle, 137 noms sont des hapax (attestés 1 fois), 35 noms comptent 2 occurrences, etc. Et le nom le plus fréquent (Benedictus) compte 92 occurrences.

13Pour un siècle donné, la distribution des effectifs est fortement asymétrique ; elle est caractérisée par une « queue » de grande longueur :

Figure 2. « Distribution des effectifs » (graphique) (Lézat, Xe-XIIe siècle)

Image

14On conviendra sans peine que la lecture de ces figures n’est pas immédiate et que la comparaison entre les trois siècles ne peut se satisfaire du seul examen graphique.

15Mais il ressort bien néanmoins que la distribution des effectifs — sur laquelle s’effectue le calcul des paramètres habituels — n’a rien de commun avec la « célèbre » loi normale (ou loi de Laplace-Gauss) et qu’il n’est donc pas surprenant que les indicateurs classiquement utilisés pour la « résumer », notamment la moyenne — qui correspond au nombre moyen d’individus par nom —, soient si mal adaptés.

Le concept de richesse d'un corpus

16L’étude de la richesse d’un corpus onomastique est délicate car elle repose sur un concept dont il est difficile de cerner toutes les composantes.

17De nombreux linguistes font la même observation : la richesse du vocabulaire d’un texte, d’une œuvre littéraire, d’un auteur ou d’une langue est une notion complexe (bien qu’en apparence intuitive), pour de multiples raisons difficile à appréhender. Elle relève à la fois du sens commun (chacun peut porter une appréciation plus ou moins subjective sur la question) et de l’observation « savante » (elle peut être mesurée à l’aide d’indicateurs ad hoc).

  • 13 Nathan Ménard définit également la richesse du lexique comme « un lieu de comparaison entre deux o (...)

18Daniel Serant et Philippe Thoiron précisent que « cette complexité a découragé toute tentative de définition » (Serant et Thoiron, 1988b : p. 126). Le même constat avait été fait plus tôt par Charles Muller qui indiquait qu’« une notion comme celle de “richesse lexicale” reste mal définie » (Muller, 1971b : p. 20). Nathan Ménard, qui ne nie pas la difficulté de l’entreprise, se risque cependant à en proposer une définition et considère qu’elle est « un lieu de comparaison entre deux ou plusieurs textes en fonction de leur étendue respective et du nombre de vocables relevés dans chacun d’eux. » (Ménard, 1983 : p. 16)13. Une définition qui sous-tend que la notion de richesse n’a de sens — ou d’intérêt — que dans une perspective comparative.

  • 14 Les mots « rares » sont ceux qui ne font pas partie du lexique commun et qui imposeraient au lecte (...)

19Tous les linguistes insistent sur la nécessaire distinction entre les notions de « richesse lexicale » et de « rareté lexicale ». Charles Muller considère ainsi que tout ce qui a trait à la rareté ou à la banalité des lexèmes utilisés14 doit être exclu de la notion de richesse (Muller, 1977 : p. 115).

20La statistique lexicale n’est évidemment pas le seul domaine de recherche à être confronté à cette problématique. Michèle Moine le souligne : « Les travaux concernant les indicateurs de diversité, d’inégalité, de concentration, de pauvreté foisonnent dans les domaines de la statistique textuelle, de l’écologie et de l’économie. » (Moine, 2002 : p. 549).

  • 15 À partir des divisions proposées par Dominique Labbé et Pierre Hubert d’une part (1994), par Rober (...)

21La « richesse » d’un corpus ne semble pas devoir se limiter à sa diversité (à supposer que l’on soit en mesure de définir clairement et distinctement ces deux concepts15) Elle est de nature multidimensionnelle : il serait donc vain de chercher à la résumer par un seul paramètre statistique.

22On l’avait de toute façon déjà souligné (et illustré) : ni le nombre moyen d’individus par nom, ni le rang médian ne sont en mesure de rendre seuls valablement compte de la richesse d’un corpus onomastique. Mais quels indicateurs statistiques faut-il alors de préférence retenir ?

Mesurer la richesse d'un corpus

  • 16 Sur cette question de l’influence de la longueur d’un texte sur sa richesse lexicale, cf. par exem (...)
  • 17 Pour une recension des principaux outils, cf. p. ex. : Brunet, 1978 ; Ménard, 1983 ; Thoiron et al (...)

23Pour la statistique lexicale, la question a été examinée dès le milieu du XXe siècle, notamment par George Yule (1944), Pierre Guiraud (1954) ou encore Gustav Herdan (1957). La dépendance des indicateurs par rapport à la taille des corpus, fondamentale dans le cadre d’une approche comparative, fait en outre l’objet d’une attention particulière16. S’inscrivant dans le prolongement des réflexions pionnières de Yule, de nombreux indicateurs susceptibles de fournir une mesure synthétique de la richesse lexicale sont proposés par les linguistes, de sorte qu’il serait présomptueux d’essayer ici d’en dresser la liste exhaustive17. On peut néanmoins se risquer à quelques observations pour souligner la diversité des approches :

  • 18 Pour Nathan Ménard, les indices de structure sont ceux « qui dégagent des constantes dans les rapp (...)
  • 19 On observera que Nathan Ménard parle de « richesse lexicale » alors que Dominique Labbé et Pierre (...)

24Nathan Ménard distingue deux types d’indices : les « indices de structure » (Ménard, 1983 : p. 72-79) et les « indices de richesse » proprement dits (Ménard, 1983 : p. 79-90)18. Dominique Labbé et Pierre Hubert proposent de diviser le concept de « richesse du vocabulaire » en quatre notions simples : diversité, spécialisation, originalité et croissance du vocabulaire (Labbé et Hubert, [1994] : p. 5)19. Et la taxinomie la plus aboutie est certainement celle de Harald Baayen et Fiona Tweedie (1998) qui « proposent une classification des indices usuels en trois catégories « selon qu’ils tiennent compte de la taille du vocabulaire et de la taille du texte seuls (indices de répétition moyenne, de Guiraud, de Herdan, de Brunet, de Dugast), de la distribution de la « gamme des fréquences » du texte (indice de Simpson, Yule, famille d’indices de Good, entropie de Shannon, de Yule, de Simpson), ou encore sont déduits de paramètres de modèles (modèle de Zipf, modèle de Sichel, modèle LNRE) » (Moine, 2002 : p. 550).

25En écologie (ou en biologie), où l’on parle plus volontiers de diversité que de richesse, la question a fait l’objet d’un nombre non moins important de travaux. Elle a été largement débattue (Piélou, 1975) et de multiples mesures ont été proposées. La classification usuelle (ancienne), due à Robert Whittaker (1972), distingue trois types d’informations : α -diverity (diversité des espèces à l’intérieur d’une communauté ou d’un habitat) ; β-diversity (intensité des changements d’espèces à mesure que l’on s’éloigne d’un point de référence) ; γ-diversity (richesse des espèces dans une aire géographique (conséquence des deux mesures précédentes) (Southwood, 1966, rééd. 1978 : p. 420).

26Les proximités entre les deux domaines sur cette question de la richesse d’un corpus sont suffisamment fortes pour que de nombreux indicateurs soient utilisés dans les deux champs de recherche, même si l’écologie a dû développer ses propres approches pour proposer des mesures qui tiennent compte de la dimension spatiale de la problématique.

27Mais dans ces deux domaines, la multitude des outils aboutit inévitablement à une certaine confusion, à tel point que Stuart Hurlbert parle, à propos de la diversité des espèces, de « nonconcept » (Hurlbert, 1971).

  • 20 Je reprends ici la terminologie que j’ai utilisée et rappelle que cette distribution est souvent q (...)

28Dans les deux domaines (biométrie et lexicométrie), les représentations graphiques des fonctions de répartitions empiriques associées à la « distribution des effectifs »20 (diagrammes de Pareto, par exemple) sont souvent utilisées pour analyser et comparer les richesses des corpus.

Corpus onomastique et corpus textuel : quelles différences ?21

  • 21 On peut évidemment commencer par poser la question de la proximité entre corpus linguistique et co (...)

29Le nombre de mots distincts dans un texte donné ne varie pas seulement en fonction du « potentiel » dans lequel l’auteur choisit ses mots (et dont il n’a pas nécessairement pleine conscience), il le fait aussi en fonction de paramètres divers : la longueur du texte, son « genre » (poésie, roman, essai, théâtre, discours politique...), la langue dans laquelle il est écrit, etc. Ces éléments sont autant de contextes spécifiques dont on imagine bien qu’ils ont une relation directe avec l’ensemble des aspects du traitement d’un corpus textuel. Des observations similaires valent pour le traitement d’un corpus onomastique : l’influence de la taille de l’échantillon, du type de source, voire de la langue est évidente.

  • 22 Ludovic Lebart et André Salem font ainsi observer qu’« il existe dans tout texte une dimension séq (...)
  • 23 Des approches ont été développées qui permettent de traiter des « segments » de texte (méthode dit (...)
  • 24 Le linguiste n’envisage pas de travailler sur un corpus composé de mots tirés au hasard dans des t (...)

30Entre les deux domaines pourtant, il est une différence majeure : alors que les mots d’un texte — écrit ou prononcé dans une langue donnée — ne sont pas « agencés » dans un ordre arbitraire (les contraintes ne résultent pas seulement de l’obligation de faire sens, elles sont aussi d’ordre syntaxique22) les noms propres collectés par l’historien — à partir de quelque document que ce soit — ne sont pas soumis au même type de contrainte. L’agencement des anthroponymes — je veux parler ici de l’ordre d’énumération ou d’enregistrement —, même s’il peut reproduire un possible ordre documentaire, lui-même reflet d’un éventuel ordre réel (celui des naissances par exemple...), ou d’un ordre choisi plus ou moins arbitrairement par un représentant d’une quelconque autorité (du plus riche au plus pauvre, du plus jeune au plus vieux...), n’est en rien fondamental. Pour le linguiste, le traitement statistique — quand il porte sur les mots — « casse » d’une certaine manière la structure interne du texte23 (l’approche quantitative ne peut prétendre, dans ce cas, rendre compte de l’agencement des mots) ; pour l’anthroponymiste, cette structure ne peut être cassée puisqu’elle n’existe pas24.

31Cette différence est essentielle. Elle pose en creux la question de l’universalité de certains modèles de distribution statistique (Estoup-Zipf, Mandelbrot, Pareto, Waring-Herdan-Dolphin, etc.) qui permettent de décrire de façon satisfaisante des distributions de mots, de noms, de villes, d’espèces animales ou végétales, etc.

De la mise en œuvre de quelques indices élémentaires

  • 25 Les indices ici présentés sont ceux qui font l’objet d’un calcul systématique dans les programmes (...)

32Il ne s’agit pas ici, on l’imagine bien, de dresser la liste exhaustive de tous les indices susceptibles de mesurer la richesse d’un corpus (textuel, écologique, etc.), mais de présenter quelques formules « historiques »25 et de voir comment certaines d’entre elles s’appliquent aux corpus onomastiques.

Indice de Yule

33La caractéristique K de Yule (1944) « se fonde essentiellement sur l’hypothèse d’une constante de la structure d’un texte, quelle que soit sa longueur » (Ménard, 1983 : p. 74).

34Pour un corpus (textuel) de taille n et d’extension observé Kn, elle est définie par :

Image

35Kjn est le nombre de vocables (mots distincts) attestés exactement j fois dans le texte.

36Nathan Ménard considère qu’elle est « fonction inverse de la richesse lexicale » (Ménard, 1983 : p. 74).

Indice de Simpson

37Dans sa formulation initiale, l’indice de diversité de Simpson (1949) s’exprime le plus souvent sous la forme :

Image

38 S est le nombre total d’espèces distinctes recensées dans la communauté, pi la proportion des individus d’une espèce i donnée dans l’ensemble du corpus.

  • 26 Dans le cas limite d’une distribution uniforme (chaque espèce représente une proportion équivalent (...)

39Pour une valeur de S (richesse observée) donnée, D augmente quand l’équilibre entre les espèces augmente (i. e. quand la distribution des pi tend vers une loi uniforme). Il est alors possible de comparer la valeur observée de Z ? à la valeur maximale de l’indice26 et d’obtenir ainsi une valeur comprise entre 0+ et 1, immédiatement interprétable.

  • 27 On observera que cet indice de diversité de Simpson (1949) est l’inverse de l’indice d’isonymie al (...)

40En pratique, une version « modifiée » de cet indice est souvent proposée par les linguistes (et également attribuée à Simpson)27. Avec les notations qui sont celles que j’ai précédemment utilisées, elle conduit à la formulation suivante :

Image

41Kjn est le nombre de vocables (mots distincts) attestés exactement j fois dans le corpus.

42Ce rapport correspond alors exactement à la probabilité que deux occurrences choisies au hasard dans le corpus correspondent au même vocable.

43Cet indice — dont l’interprétation est de fait immédiate — n’est pas plus compliqué à calculer que celui de Yule (auquel il est lié par la formule :

Image. Il a l’avantage considérable d’être immédiatement interprétable.

44En outre, on y reviendra, il correspond exactement au taux d’homonymie tel que j’ai eu l’occasion de le définir (cf. Chareille, 1992 : p. 295 ; et infra, chapitre 7).

Indice de Guiraud

45Pour un corpus (textuel) de taille n et d’extension observée Kn, l’indice de Guiraud (1954 : p. 53 ; repris dans Guiraud, 1960) est donné par :

Image

  • 28 Dans les formulations originelles, Pierre Guiraud distingue soigneusement les corpus qui intègrent (...)

46 Kn est le nombre de vocables (mots distincts) dans le texte (de longueur n) et Pierre Guiraud parle à son propos d’un indice de dispersion28 et propose une version corrigée :

  • 29 L’utilisation d'une telle formule pour les études d’anthroponymie suppose assurément un « recalibr (...)

Image (où L est le « lexique normal » d’un auteur, soit 24 000 lexèmes) pour les échantillons plus petit que L (Guiraud, 1954 : p. 52-53)29.

47Nathan Ménard souligne que « pour des échantillons d’un même texte, ce rapport ne connaîtrait que de faibles variations » (Ménard, 1983 : p. 80), ce qui en ferait un bon instrument de comparaison.

Indice de Yule-Herdan

  • 30 La dénomination « indice de Yule-Herdan » est proposée par Muller (1968 : p. 168).

48L’indice dit de Yule-Herdan (1956)30 est présenté par Gustav Herdan comme un indice de variation de la fréquence moyenne des mots dans un texte.

Pour un corpus (textuel) de taille n et d’extension observée Kn, la fréquence moyenne est Image ; l’écart-type associé à cette moyenne est : ImageKjn est le nombre de vocables (mots distincts) observés exactement j fois dans le texte (soit donc Image). L’indice de Yule-Herdan est alors défini par :

Image

49Pour une large étendue de longueur de textes, cet indice semble échapper aux effets de taille ; il semble en outre diminuer pour les textes les plus « riches » (Muller, 1964a).

Indice de Herdan

50Pour un corpus (textuel) de taille n et d’extension observée Kn, l’indice de Herdan (1966) est donné par :

Image

  • 31 Si ce rapport mérite d’être mentionné, c’est aussi parce qu’il fait écho aux observations faites s (...)

51En pratique, ce rapport diminue avec la longueur du texte (sans surprise toutefois puisque n croît plus vite que Kn)31.

Indice de Michéa

52L’indice M2 de Michéa (1971) est déduit d’une interprétation de la loi de Estoup-Zipf (ou loi « rang-taille ») ; il correspond (avec les notations précédemment utilisées, qui ne sont ni celles de Nathan Ménard, ni celles de René Michéa) au rapport :

Image

53 Kn est le nombre de vocables (mots distincts) dans le texte (de longueur n) et K2n le nombre de vocables comptant 2 occurrences.

54René Michéa considère que ce rapport doit être constant — donc indépendant de la longueur du texte — de valeur égale à 6. Avec la même approche (loi d’Estoup-Zipf), il propose la valeur 2 pour le rapport

Image

55Appliquée aux corpus anthroponymiques, cette dernière proposition conduirait à considérer qu’un nom sur deux doit être un hapax (puisque K1n désigne le nombre d’hapax —noms comptant 1 seule occurrence — et Kn le nombre de noms distincts dans un corpus de taille n).

56Ces deux rapports (M2 et M1) n’ont toutefois qu’un intérêt limité dans la perspective d’une mesure de la richesse d’un corpus anthroponymique. Si les résultats obtenus ne s’écartent en pratique (cf. exemples à suivre) effectivement qu’assez peu des valeurs « attendues », c’est parce que les distributions correspondantes s’ajustent assez bien au modèle de Zipf (cf. infra, chapitre 10).

57En guise d’illustration...

58Le tableau 2 ci-dessous indique les valeurs prises par ces différents indices pour quelques corpus déjà sollicités : le cartulaire de Lézat (cf. supra, dans ce chapitre), le Libro di Montaperti de 1260 (cf. supra, chapitre 2) et le Catasto florentin de 1427 (cf. supra, chapitre 2).

  • 32 On chercherait en vain à voir dans le choix de ces corpus la mise à l’épreuve d’une quelconque pro (...)

59Ce ne sont bien sûr pas les valeurs elles-mêmes de ces paramètres qui sont ici intéressantes. La comparaison des différents corpus constitués n’a d’autre intérêt que de permettre la mise en œuvre des formules précédentes et de montrer le type de résulats qu’elles peuvent fournir32.

Tableau 2. Caractéristiques statistiques usuelles et indices de richesse pour divers corpus anthroponymiques (noms masculins lemmatisés)

Image

n = nombre d’hommes ; Kn = nombre de noms (lemmatisés) ;
n/Kn - condensation ; Kn/n = stock de noms pour 100 individus ;
K1n = nombre d’hapax ; K1n/Kn = proportion des hapax ;
K2n = nombre de dislegomena ; K = indice de Yule ;
D = indice de (diversité de) Simpson ; TH - taux d’homonymie ;
I= indice d’isonymie aléatoire (inverse de D) ;
G = indice de Guiraud ; Um - indice de Yule-Herdan ; H = indice de Herdan ;
M2 = indice de Michéa 2 ; M1 = indice de Michéa 1.

60La taille de ces corpus (valeur n) est très variable, le plus petit d’entre eux (Lézat Xe) étant 10 fois moins imposant que le plus grand (Catasto 1427). Dans ces conditions, les comparaisons ne peuvent évidemment être menées sur les seuls indicateurs usuels.

61À Lézat, le nombre de noms (distincts) recensés (valeur Kn) décroît dans le temps malgré l’augmentation du nombre d’individus identifiés entre le Xe et le XIIIe siècle : c’est donc sans surprise que la condensation augmente (croissance du rapport rc = n/Kn et diminution corollaire du stock Kn/n).

62Mais la comparaison avec les 2 corpus florentins n’est pas envisageable en l’état : si le stock de noms pour 100 individus (ou potentiel onomastique) est plus faible pour le Catasto, c’est d’abord parce que sa taille est considérable au regard de celle des autres corpus.

  • 33 L’indice M1 de Michéa (rapport entre le nombre de noms et le nombre d’hapax) n’est rien d’autre qu (...)

63Malgré ces différences de taille, la part des hapax (valeur K1n/Kn) reste relativement stable, autour de 50 %, conforme à celle proposée par Michéa à partir de la loi d’Estoup-Zipf pour les corpus textuel33. La même observation vaut pour le rapport K2n/Kn (inverse de l’indice M2 de Michéa), Kn autour de 17 % (soit un indice M2 voisin de 6), un peu plus fort néanmoins pour Lézat XIIe.

  • 34 Selon l’indice considéré, la richesse du corpus (ainsi mesurée) est d'autant plus grande que la va (...)

64Sur cet exemple, les résultats obtenus avec le taux d’homonymie, les indices de Yule, de Simpson et de Yule-Herdan, sont parfaitement cohérents : si ces 5 corpus devaient être classés selon leur richesse (évaluée avec l’un de ces indices), on aurait, par ordre décroissant de richesse34 :

65Libro... 1260> Lézat Xe > Catasto 1427 > Lézat XIe > Lézat XIIe

66Avec l’indice de Guiraud, l’ordre est pratiquement le même : seuls le Catasto et Lézat Xe voient leurs positions inversées ; et avec l’indice de Herdan (plus sensible à la taille du corpus), ce sont le Libro... et Lézat Xe qui permutent.

67Lézat XIe et Lézat XIIe semblent donc être les corpus les plus « pauvres », le Libro... 1260 étant au contraire le plus riche.

  • 35 La multiplicité de ces indices de richesse autorise même une forme de contrôle de la documentation (...)

68Au total, ces résultats sont « rassurants » dans la mesure où la hiérarchie n’est que peu affectée par le choix de l’indicateur statistique. On observe d’ailleurs — pour peu que je puisse en juger à partir de l’ensemble des corpus médiévaux que j’ai pu examiner — une forte corrélation entre ces divers indices de richesse35.

Notes

1 Sur ce concept de stock des noms disponibles, cf. supra, chapitre 2 et infra, chapitre 6. Il convient de distinguer les noms effectivement utilisés et attestés par la documentation de ceux qui, bien que n’ayant pas laissé de traces documentaires, ont pu être employés.

2 Il n’a jamais existé de liste arrêtée dans laquelle les noms ou les surnoms devaient être impérativement choisis

3 On peut suggérer que celui qui est désigné abandonne le statut d’“individu” (être quelconque parmi tous les autres = spécimen au sein de la variété) pour prendre celui de “personne” (= être unique parmi tous les autres), mais il s’agit peut-être d’une lecture trop approximative — et caricaturale — des travaux de Claude Lévi-Strauss (1962a, rééd. 1990 : p. 194-229 : universalisation et particularisation ; p. 230-259 : l’individu comme espèce).

4 Les mots en italique sont soulignés par l’auteur qui parle également de « pyramide des mots » (Guilbaud, 1980 : p. 98) et de « règles de segmentation et règles d’identification » (Guilbaud, 1980 : p. 100).

5 Il faudrait parler ici de « vocables », ou de « mots-vocables ».

6 Ce palmarès est celui des noms, des surnoms ou des lexèmes selon le type d’unité onomastique.

7 On peut par exemple regrouper dans une même classe les noms qui sont attestés entre 5 et 10 fois, ceux qui sont attestés plus de 20 fois, etc.

8 Il règne, notamment dans le domaine de la statistique lexicale, une certaine confusion quant à la terminologie utilisée pour désigner l’équivalent de la distribution des noms (définie précédemment) ou à cette distribution des effectifs. Ludovic Lebart et André Salem parlent, à propos de cette dernière de « gamme des fréquences » (Lebart et Salem, 1994 : p. 250), un choix à mon sens heureux si d’autres, notamment G.-Th. Guilbaud, n’avaient pas utilisé la même expression pour nommer une variante de la distribution des noms (Guilbaud, 1980 : p. 104). Comme l’article de G.-Th. Guilbaud est — de mon point de vue — le plus limpide à bien des égards et que, sur toutes ces questions de terminologie, il s’appuie sur une exégèse du travail de George K. Zipf, essentiel du point de vue de la statistique lexicale, je m’en tiens à la terminologie initialement proposée.

9 Pour que cette population statistique coïncide avec la population humaine correspondante, il faut ne disposer dans le corpus que d’une occurrence par personne.

10 Sur cette distinction entre variable quantitative et qualitative, je me permets de renvoyer à Chareille, 1992 : p. 250.

11 Et sans doute aussi, comme le précise Monique Bourin, à une géographie de la spiritualité (Bourin, 1996c : p. 189).

12 Pour des questions de lisibilité des graphiques, seuls certains des noms attestés sont mentionnés (rang 1, rang 6, rang 11, etc.).

13 Nathan Ménard définit également la richesse du lexique comme « un lieu de comparaison entre deux ou plusieurs textes, entre deux ou plusieurs corpus en fonction du nombre approximatif de lexèmes qui, pour chacun d’eux, avaient une probabilité non nulle de s’actualiser à un moment quelconque du discours. » (Ménard, 1983 : p. 16). Cette double définition (richesse lexicale d’une part, richesse du lexique d’autre part) rappelle une difficulté déjà soulignée par Charles Muller : « Puisque le mot “vocabulaire” ne nous fournit pas d’adjectif acceptable, on admettra que l’expression de “richesse lexicale” soit appliquée aussi bien au niveau du texte qu’à celui du lexique. Mais on aura soin de distinguer ces deux emplois » (Muller, 1977 : p. 116). Mais la distinction proposée par Nathan Ménard ne semble pas faire écho à cette remarque. Charles Muller précise en effet : « Appliqué à un texte, le terme de richesse lexicale est donc défini par le nombre des vocables, et rien de plus. Cette façon de voir considère le texte comme un ensemble clos et achevé (même s’il s’agit d’un fragment ou d’une tranche), formé de N mots, et dont on mesure la richesse par le nombre V des vocables qui y figurent, sans référence extérieure et sans hypothèse sur le lexique dont ce vocabulaire est un échantillon. » (Muller, 1977 : p. 116) alors que la définition de Nathan Ménard suppose la prise en compte de l’étendue (N) et du nombre de vocables (V). Bref ! Une distinction qui ne semble pas vraiment opératoire.

14 Les mots « rares » sont ceux qui ne font pas partie du lexique commun et qui imposeraient au lecteur la consultation d’un dictionnaire ; les mots banals sont définis par opposition aux noms rares.

15 À partir des divisions proposées par Dominique Labbé et Pierre Hubert d’une part (1994), par Robert Whittaker d’autre part (1972), il me semble que l’on peut considérer que la diversité n’est que l’un des aspects de la richesse. Sur cette division et plus généralement sur cette question (avec notamment la présentation de quelques indices), cf. infra, dans ce chapitre ; et infra, chapitre 9.

16 Sur cette question de l’influence de la longueur d’un texte sur sa richesse lexicale, cf. par exemple : Gani, 1975 ; Muller, 1977 ; Brainerd, 1982 ; Najock, 1986 ; etc.

17 Pour une recension des principaux outils, cf. p. ex. : Brunet, 1978 ; Ménard, 1983 ; Thoiron et al., 1988 ; Cossette, 1994 ; Baayen & Tweedie, 1998a & 1998b.

18 Pour Nathan Ménard, les indices de structure sont ceux « qui dégagent des constantes dans les rapports que les classes de fréquences entretiennent entre elles ou avec l’ensemble du vocabulaire, ou même avec le total des occurrences. » (Ménard, 1983 : p. 72) ; il classe dans cette catégorie les indices de Michéa, de Yule et de Yule-Herdan. Sans doute aurait-il pu y ajouter l’indice de Simpson (dont il ne parle pas, mais qui est très proche de celui de Yule). Les « “indices de richesse” proprement dits » sont ceux de Guiraud de Herdan. Mais la dichotomie qu’il suggère (me) laisse quelque peu sceptique : « Alors que les “indices de structure » (...) sont soumis à des influences différentes, parfois contradictoires, et qu’on parvient difficilement à en dégager la signification [sic !], les formules que nous allons examiner ne peuvent connaître qu’une seule interprétation : elles mesurent la richesse lexicale, du moins théoriquement. » (Ménard, 1983 : p. 79). Sur la définition de ces indices (et de quelques autres), cf. infra, dans ce chapitre.

19 On observera que Nathan Ménard parle de « richesse lexicale » alors que Dominique Labbé et Pierre Hubert parlent de « richesse du vocabulaire » (Labbé et Hubert, [1994]).

20 Je reprends ici la terminologie que j’ai utilisée et rappelle que cette distribution est souvent qualifiée de « gamme des fréquences » par les spécialistes de la statistique textuelle (p. ex. Lebart & Salem, 1994).

21 On peut évidemment commencer par poser la question de la proximité entre corpus linguistique et corpus écologique (puisque tant d’outils sont partagés par les deux domaines). Le nombre d’espèces distinctes cohabitant dans un espace donné varie en fonction de critères nombreux : superficie de la zone considérée, conditions environnementales, etc. On peut donc suggérer quelques équivalences. À l’influence de la taille du texte correspond celle de la superficie de la zone considérée ; à celle de son genre, celle de l’environnement ; à celle de la langue, d’une certaine manière celle de T« agencement des espèces » (la diversité (cohabitation) des espèces suppose la mise en œuvre d’un principe d’« équilibre naturel » qui me semble pouvoir être rapproché du principe de l’« agencement des mots » : deux espèces carnivores sur un même domaine risque de rentrer en concurrence).

22 Ludovic Lebart et André Salem font ainsi observer qu’« il existe dans tout texte une dimension séquentielle, ou syntagmatique, qui l’apparente à ce que l’on désigne en statistique sous le nom de processus, encore que l’énonciation d’un texte constitue un type de processus particulièrement complexe. Par ailleurs, les mots du texte entretiennent entre eux (et aussi avec les autres mots de la langue) des rapports qui peuvent être éclairés par des comptages réalisés sur la totalité du texte. » (Lebart et Salem, 1994 : p. 22).

23 Des approches ont été développées qui permettent de traiter des « segments » de texte (méthode dite des « segments répétés », cf. p. ex. Salem, 1986 & 1987), donc, d’une certaine manière, de réintroduire une (petite) partie de cette structure interne.

24 Le linguiste n’envisage pas de travailler sur un corpus composé de mots tirés au hasard dans des textes eux-mêmes choisis au hasard alors que l’anthroponymiste peut étudier un corpus constitué d’anthroponymes extraits de sources diverses et non homogènes.

25 Les indices ici présentés sont ceux qui font l’objet d’un calcul systématique dans les programmes informatiques d’analyse développés à l’occasion de cette recherche.

26 Dans le cas limite d’une distribution uniforme (chaque espèce représente une proportion équivalente à 1/S), on a : Dmax =1/5.

27 On observera que cet indice de diversité de Simpson (1949) est l’inverse de l’indice d’isonymie aléatoire, proposé par Yasuda & Morton en 1967 (cf. infra, chapitre 9).

28 Dans les formulations originelles, Pierre Guiraud distingue soigneusement les corpus qui intègrent « les mots de structures ou mots outils (articles, prépositions, pronoms, etc.) et les mots de signification ou mots-forts (substantifs, verbes, adjectifs, adverbes) » (Guiraud, 1954 : p. 53). Il fait observer que : « Les mots de structure constituent en moyenne la moitié du nombre total des mots. » (Guiraud, 1954 : p. 20).

29 L’utilisation d'une telle formule pour les études d’anthroponymie suppose assurément un « recalibrage » de la valeur de L (pour tenir compte de la taille « normale » d’un stock onomastique). Cette valeur dépend assurément du type d’unité onomastique (nom, surnom, lexème, etc.), de la période et de l’espace considérés.

30 La dénomination « indice de Yule-Herdan » est proposée par Muller (1968 : p. 168).

31 Si ce rapport mérite d’être mentionné, c’est aussi parce qu’il fait écho aux observations faites sur les données poitevines (cf. supra, chapitre 3).

32 On chercherait en vain à voir dans le choix de ces corpus la mise à l’épreuve d’une quelconque problématique historique.

33 L’indice M1 de Michéa (rapport entre le nombre de noms et le nombre d’hapax) n’est rien d’autre que l’inverse du rapport K1n/Kn qui exprime la part des hapax dans le corpus des noms.

34 Selon l’indice considéré, la richesse du corpus (ainsi mesurée) est d'autant plus grande que la valeur de l’indice est faible (indice de Yule, taux d’homonymie, indice d’isonymie aléatoire ou indice de Yule-Herdan) ou forte (indice de Simpson, indice de Guiraud ou indice de Herdan).

35 La multiplicité de ces indices de richesse autorise même une forme de contrôle de la documentation, toute anomalie attirant de fait l’attention et suggérant un examen approfondi du ou des corpus concernés.

© Presses universitaires François-Rabelais, 2008

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

Lire

Freemium

open access

Offert par L’éditeur de ce site