1Ce chapitre a pour double tâche de circonscrire notre objet d’étude en explicitant les choix méthodologiques qui se sont imposés à nous et de présenter les modalités de constitution, tri et traitement des observables sur lesquels sont appuyées les analyses à venir.

1. Positionnement de l’étude

2Dire qu’aujourd’hui les recherches en linguistique ne peuvent plus ignorer l’existence de grandes bases de données langagières n’est rien d’autre qu’un constat. Depuis une cinquantaine d’années, les progrès technologiques en général, et notamment la culture numérique en particulier, ont profondément changé les modalités d’accès, de traitement et d’usage de l’information. Et si cela est vrai pour n’importe quel usager, dans le monde de la linguistique on ne peut être que d’accord pour dire qu’on a assisté à une véritable « renaissance de l’empirisme » (Péry-Woodley 1995, 217).

1.1. La « linguistique du possible » & « la linguistique du corpus »

3Le titre de cette section résume deux des attitudes que le chercheur peut avoir vis-à-vis de son objet de travail, en se positionnant sur l’axe qui relie « la linguistique du possible » à la « linguistique du corpus » (Milner 1989, 55 et passim).

4Dans une approche introspective de recherche, le linguiste est aussi (ou avant tout) un locuteur en possession d’un savoir linguistique auquel il fait appel dans ses jugements de grammaticalité et/ou acceptabilité1 des énoncés. Les pièges d’une telle approche sont bien connus. D’abord – et c’est le reproche le plus fréquent – les conclusions qui en sont tirées ne sont valables que pour l’idiolecte de l’individu en question et il est difficilement soutenable de prétendre rendre compte de la langue. Puis, et c’est une conséquence de ce qui vient d’être dit, le linguiste qui adopte uniquement la démarche introspective face à un objet mouvant tel que la langue, se retrouve limité, de surcroît, dans ses champs de recherche. La démarche introspective est difficilement conciliable avec la volonté de travailler sur des états anciens d’une langue, les vocabulaires techniques ou encore les variations dialectales. Enfin, la méthode d’introspection peut induire quelques effets pervers sur le chercheur lui-même – étant donné qu’elle demande une capacité d’écoute des différences d’usage, qu’elle sollicite l’extrapolation – souvent les divergences entre linguistes n’ont pour effet qu’un repli sur son propre jugement (Corbin, 1980).

5La démarche introspective présente néanmoins des avantages. Il faut l’admettre, son caractère immédiat, sa souplesse, constituent le premier socle d’appui pour le linguiste. Mais sa légitimité vient avant tout des objectifs qui lui sont propres. En ce sens, nous partageons l’avis de Corbin, pour qui :

(…) les données qu’un linguiste locuteur-auditeur produit par introspection ne peuvent prétendre à aucune représentativité sociologique quelle qu’elle soit, individuelle ou collective : elles ne figurent le savoir linguistique d’aucun locuteur-auditeur particulier identifiable, pas même celui du linguiste qui les produit ; [le savoir] on peut le concevoir comme un fragment de la somme des savoirs linguistiques de l’ensemble des sujets constituant la communauté linguistique, fragment dont le statut sociologique est nécessairement indéterminé. (…) L’introspection peut alors être conçue comme l’instrument privilégié d’une recherche sur les limites ultimes du possible prédictible à partir des observables. (op. cit., 155)2

6À l’opposé de la demarche introspective, se situe « the corpus linguistics », le corpus étant défini par Sinclair comme « a collection of pieces of language that are selected and ordered according to explicit linguistic criteria in order to be used as a sample of the language » (1996, 4). Le lecteur trouvera un panorama historique de ce courant dans Leech (1991) et Péry-Woodley (1995)3 ainsi que dans Habert (1997) dont le titre, Les linguistiques de corpus, laisse entendre qu’il y a non pas un, mais des usages des corpus en linguistique. C’est aussi le constat que font Cori et al. (2008) en proposant des éléments de réflexion sur les utilisations multiples des corpus en linguistique : la mise en disposition des bases de données, l’élaboration des outils tels que les grammaires, les dictionnaires, le TAL (qui regroupe aussi bien les travaux sur la reconnaissance de la parole que la conception des correcteurs orthographiques ou l’étiquetage automatique). En comparaison avec l’approche introspective, l’analyse linguistique basée sur corpus est présentée comme une méthode empirique permettant l’utilisation de techniques automatiques et interactives, dépendante à la fois des analyses qualitatives et quantitatives des données (Biber et al. (1998) 2006, 4).

7La disponibilité croissante de données a offert une nouvelle approche de l’analyse empirique en linguistique. Outre l’opportunité de travailler sur un nombre beaucoup plus important d’occurrences4, les corpus fournissent des contextes qui permettent souvent de mieux juger un phénomène et, dans certains cas (langage technique et spécialisé, études en diachronie), ils apparaissent comme la seule démarche possible. Ainsi, pour certains auteurs (McEnery & Hardie 2012), il semble légitime de se demander si l’étiquette de « linguistique de corpus » recouvre un champ disciplinaire à part entier au sein des sciences du langage ou bien une méthodologie d’analyse parmi d’autres. Ce questionnement semble motivé par la distinction usuellement faite entre une analyse « corpus based » et une analyse « corpus driven ». Dans le premier cas, le corpus est un « banc d’essai » (Sinclair 1996) pour les théories préconstruites du linguiste, et un de ses rôles est de pallier un certain manque d’intuition de la part du linguiste ou encore de corriger et/ou élargir le champ de vision sur un phénomène étudié. Étant donné que notre propre travail s’inscrit dans cette approche, nous aurons l’occasion d’y revenir en détail le moment venu. La recherche « corpus driven », elle, implique que l’on part des données pour aller vers l’élaboration d’une théorie langagière, pour dégager des régularités de fonctionnement. Enfin, soulignons que le travail sur corpus implique une connaissance et une maîtrise des outils informatiques5 (Habert 2004, 2005, 2009) sans lesquels la pertinence des études et analyses est compromise, voire impossible. D’autant plus que le choix des outils informatiques conditionne la méthodologie à suivre et a des répercussions sur les résultats escomptés par le chercheur (Charaudeau 2009).

1.2. Positionnement théorique et méthodologique de l’étude

8Ces recherches se situent délibérément dans le cadre de la sémantique référentielle6 – une sémantique qui se donne comme objet d’étude le lien entre le langage et la réalité extralinguistique. Étant donné que « la sémantique n’a aucun sens si elle n’est pas tournée vers (ce que nous croyons être) la réalité » (Kleiber 1999, 11), on se doit d’expliquer au moins ce que l’on entend par « réalité ». Il ne s’agit pas d’une vision objectiviste de l’extralinguistique parce qu’il n’y a pas de transposition entre le plan linguistique et ontologique. Même s’il est vrai que tous les hommes ont en commun une condition d’existence universelle (une existence corporelle, des capacités sensori-motrices, etc.), il a été démontré à plusieurs reprises que la perception de ce que nous appelons la réalité est tout sauf stable, unique et universelle. Cet ouvrage n’offre pas l’espace pour une discussion approfondie de la question, mais remarquons que ces questionnements sont au cœur des enjeux qu’on peut qualifier d’idéologiques : « le langage, qui trame la perception, est-il une sorte de copie des stimulations auxquelles le corps et le psychisme sont soumis, ou est-il une performation, une activité plus autonome ? » (Cléro 2000, 97). Notre réponse à cette question va naturellement vers la seconde option, énoncée par Cléro – le langage n’est pas la réalisation mimétique de nos perceptions, elles-mêmes étant des traductions des liens que nous entretenons avec notre environnement. Le langage nous offre comme objet d’étude donc une « réalité modélisée » (Kleiber 1999, 22) et cette modélisation comporte une partie sémantique stable, qui assure l’intercompréhension entre les individus, tout en intégrant une partie forcément subjective. Rien de paradoxal dans tout cela – même si chaque personne peut avoir sa propre conception de ce que c’est un chien par exemple, l’utilisation du mot chien implique un certain nombre de facteurs qui circonscrivent son emploi en discours, stabilisant ainsi un « socle » sémantique construit sur les parties communes des conceptions subjectives. D’un côté, la place des corpus est fondamentale dans les études sémantiques (Condamines 2007, Legallois & François 2011), au moins pour une raison : ils permettent de mettre en évidence des données et des régularités que la seule intuition et réflexion individuelle n’est pas à même d’appréhender de façon exhaustive7 et (aussi) diversifiée. D’un autre côté, il nous semble difficile d’évacuer la part « humaine » dans le travail sur corpus, parce que dans les recherches « corpus based » le linguiste est à l’origine de la détermination des objectifs recherchés, c’est à lui que revient le choix d’outils et de méthode. Faut-il ajouter qu’on le retrouve aussi à l’autre bout du processus – le chercheur doit être toujours en alerte face aux données qui se présentent : que faire avec des énoncés attestant des emplois considérés a priori comme non acceptables ? Comment jauger la représentativité du corpus et des phénomènes observés ? Quelle place accorder à sa propre intuition concernant des emplois qui ne ressortent pas du corpus, etc. ? Ces questions nous ont accompagnée tout au long de ce travail et ont fait que nous ne considérons pas les données de corpus comme étant des arguments en soi mais bien comme des échantillons qui doivent être manipulés afin d’étayer les démonstrations.

2. Délimiter l’objet d’étude

9Notre objet d’étude est la description d’un échantillon de noms en français qui dénotent un individu humain du point de vue de son âge (des NA) et cette section revient rapidement sur les différents étapes et modalités du processus de sa délimitation.

10En vue de la constitution de cet échantillon de NA, nous avons délibérément choisi d’opérer un va-et-vient entre démarche sémasiologique (partir des données pour en étudier le sens) et onomasiologique (partir d’une notion pour aller vers ses différentes réalisations lexicales). Non seulement l’étude des NA nous amène à circonscrire les emplois où ils signifient uniquement l’âge mais, en même temps, ce travail implique une compréhension préalable de la notion d’âge.

2.1. L’âge : éléments de réflexion « pré-linguistiques »

11L’âge est une donnée inéluctable, étroitement liée à celle du temps, puisqu’on ne peut pas concevoir une entité vivante, quelle que soit sa nature, hors-le-temps. En tant que telle, la notion d’âge possède un certain nombre de caractéristiques qui lui sont propres et qui permettent clairement de la différencier d’autres aspects constituant l’identité de l’être humain.

• premièrement, il s’agit du paramètre biologique le plus universel (le sexe l’est aussi, mais « il partage l’humanité en deux », (Percheron & Remond 1991, 3)). Défini comme la « durée totale de la vie humaine » (TLFi), l’âge apparaît en effet comme une donnée exhaustive – tout être humain en vie, si courte soit elle, occupe un temps, « dure », bref, se définit par une extension temporelle. Cette durée de vie est en réalité un processus (on parle de cycle vital) qui, pour l’ensemble des êtres organiques, peut être décomposé en deux étapes biologiques, de croissance et de senescence. Précisons que, du point de vue biologique, un individu est soit en train de grandir, soit en train de vieillir. Bien entendu, cette observation ne tient pas compte de la très grande diversité du monde organique, où chaque espèce a sa propre ontogénèse et où l’humain tient une place singulière de par son « évidence ontologique » (Schnedecker, 2015) ;
• deuxièmement, l’âge est une donnée immuable sur laquelle ne peut être exercée aucune influence, externe ou interne à l’individu ;
• troisièmement, l’âge fait partie des caractéristiques immédiatement perceptibles. Ce que nous voulons dire par là c’est que l’âge (au même titre que la forme, la taille, le poids, la couleur de peau, des yeux, etc.) est une donnée directement observable, perceptible par la vue (contrairement à ce qu’il en est par exemple de la profession d’un individu, de sa nationalité, etc.) ;
• quatrièmement, même si cela n’a pas été toujours le cas8, l’âge est une donnée que l’on peut mesurer de façon objective9 (un enfant de douze mois, un X de trente et un ans).

12L’ensemble de ces caractéristiques expliquent pourquoi l’âge est considéré comme une donnée fondamentale dans les sciences humaines. Il s’agit d’un paramètre à la fois exhaustif, immuable et quantifiable qui se trouve à la base de l’organisation sociétale. Bien évidemment, les codes et les besoins sociétaux (qui relèvent de différents domaines : éducatif, juridique, médical, etc.) ont contribué de façon réciproque à la définition de catégories socio-culturelles par l’imposition plus ou moins arbitraire de limites, de seuils d’âge (par exemple : retraité, mineur, majeur, (médecin) pédiatre/gériatre, puéricultrice, élève [de CP, CM1, ...], collégien, lycéen, sexagénaire, doyen, patriarche, etc.). C’est la raison principale qui nous fait dire que la notion d’âge appelle nécessairement des considérations d’ordre biologique (cycle vital, changements physiologiques et psychologiques propres à chaque étape du développement d’un individu) et d’ordre socio-culturel (groupes d’individus qui ont un statut juridique10, social, professionnel, etc.). Tout au long de cette étude nous retrouverons ces deux « essences », biologique et sociale, dans le fonctionnement des NA retenus.

2.2. Vers un échantillon de noms d’âge

13Comment passe-t-on de la multitude de noms qui signifient l’âge d’une façon ou d’une autre à l’échantillon de NA, objet de notre recherche ? Pour répondre à cette question, nous avons mené un certain nombre d’études que le lecteur trouvera dans Aleksandrova (2013, cf. chapitres I, II et III). Ici, nous nous contenterons de résumer et expliciter la démarche.

14Nous avons commencé par faire un recensement, le plus exhaustif possible, des noms en français qui ont un trait plus ou moins évident à l’âge11, ceci dans l’objectif d’observer les convergences et les divergences sémantiques existants et de bâtir des hypothèses sur la place qu’occupent les NA-cibles au sein de cet inventaire. Deux types d’ouvrages ont été consultés : les dictionnaires qui permettent de faire un premier relevé des relations sémantiques que les NA entretiennent entre eux (l’entrée bébé fournit les synonymes nouveau-né, nourrisson qui devraient nous intéresser a priori) et les thésaurus qui, de par leur constitution, sont mieux adaptés à notre démarche onomasiologique. Le seul recours aux ouvrages spécialisés n’est toutefois pas suffisant pour saisir la différence entre deux NA comme bébé et trentenaire, ou encore doyen. Au cours de cet inventaire, nous avons formulé trois pistes d’études qui permettraient de délimiter notre objet :

• étude lexicale comparative : si, sur le plan physiologique, l’homme suit la même évolution, nous nous sommes demandée dans quelle mesure on retrouve, à travers les langues, un dispositif linguistique similaire pour dénoter un individu du point de vue de son âge ;
• étudier l’évolution sémantique des NA depuis leur apparition en français jusqu’à aujourd’hui. L’hypothèse formulée est qu’on ne devrait pas rencontrer des changements de sens imprévisibles étant donné que l’âge est une donnée exhaustive, immuable et objective ;
• faire une étude comparative avec l’expression de l’âge des référents non-humains afin de détecter des spécificités sémantiques et un comportement linguistique particulier.

15Au terme de ces études nous avons circonscrit l’échantillon aux NA-cibles bébé, enfant, adolescent, adulte et vieillard pour les raisons suivantes.

16Premièrement, ces NA dénotent des concepts au sémantisme plutôt stable. La comparaison des définitions lexicographiques depuis le IX^e siècle jusqu’au français moderne12 a montré que la raison principale du changement sémantique pour les NA n’est pas tellement une évolution « interne » du mot (enfant a toujours dénoté un référent jeune ou « un jeune être humain ») mais plutôt le déplacement des limites qui fait que la dénotation est pertinente (appeler un homme de cinquante ans vieillard était tout à fait normal il y a trois siècles, et sera peu courtois aujourd’hui). Le même phénomène est observé pour tous les NA-cibles et on peut dire que, en somme, il s’agit d’un déplacement de limites arbitraires sur l’échelle de la vie qui a pu entraîner éventuellement un processus de lexicalisation, reflétant l’« expérience collective » des locuteurs (Nyckees 1998, 116).

17Deuxièmement, les NA-cibles retenus forment un ensemble de noms qui dénotent des individus dans des phases référentiellement saillantes et cela aussi bien sur le plan biologique, cognitif, psychologique, socio-culturel, perceptif, etc. La comparaison avec d’autres langues13 laisse penser que les NA retenus ont un statut particulier dans la mesure où ils dénotent des étapes immuables dans l’évolution biologique des humains, au-delà des différences socio-culturelles indéniables.

18Troisièmement, contrairement à ce qu’on observe pour les noms comme doyen, patriarche, vétéran, retraité, élève, bachelier, etc., qui ont indubitablement un rapport avec l’âge du référent, les NA-cibles ont pour signification première de dénoter l’âge. Ce qu’on veut dire par là, c’est que si les NA peuvent dénoter des groupes socio-culturelles (les enfants, les adultes), les N comme retraité n’expriment pas uniquement (ou avant tout) l’âge d’un référent humain.

19Enfin, comme il apparaîtra au fil des analyses à venir, les NA choisis ont un statut lexical particulier par rapport à d’autres NA comme nouveau-né, pré-adolescent, personne âgée.

20Nous attirons l’attention du lecteur sur une dernière remarque, d’une importance capitale pour la suite. La faisabilité de ce projet de recherche est tributaire d’un certain nombre de restrictions. Concrètement, il s’agit d’une restriction morphologique puisque ce travail se concentre sur les lexèmes en écartant les variations morphologiques de ces NA, quand elles existent. La deuxième contrainte, très importante, est d’ordre sémantique : étant donné ce qui vient d’être dit plus haut, notre choix a été de travailler sur les noms qui expriment avant tout, voire uniquement l’âge. Partant, les emplois suivants n’ont pas fait l’objet d’une analyse, même si certains, notamment le cas de la polysémie d’enfant, n’a pas été aussi facile à écarter :

• Polysémie : mon enfant, enfant du rock/pays,…
• Emplois hypocoristiques : mon bébé,…
• Locutions figées : ambiance bon enfant, bébé éprouvette,…
• Autres N qui ont trait à l’âge : doyen, patriarche, femme, fillette,…

21Enfin, notre réflexion portera de façon (presque) exhaustive sur le sens dénotatif des NA. Les contextes qui témoignent des représentations des locuteurs sur la notion d’âge, ou comment les locuteurs appréhendent leur âge (p. ex. Je me sens plutôt adulte aujourd’hui, Je trouve qu’il ne fait pas son âge, etc.) ne seront pas pris en compte. Non sans intérêt, ces emplois élargissent considérablement le terrain d’investigation, au risque de compromettre la cohérence du présent travail.

3. Constitution & exploitation du corpus

3.1. La constitution du corpus

22Cette section retrace le processus de constitution et de traitement de notre corpus. Nous y explicitons les choix méthodologiques, les objectifs escomptés ainsi que quelques réserves concernant sa représentativité. L’essentiel des analyses et des observations faites tout au long de ce travail résulte des études sur corpus. Cette méthodologie nous paraît la mieux adaptée à la nature de notre objet d’étude ainsi qu’en vue des objectifs définis pour un certain nombre de raisons.

3.1.1. La place accordée aux observables

23Les travaux en linguistique sur corpus peuvent avoir des objectifs différents (Cori et al. 2008). Le nôtre est de proposer des descriptions linguistiques, les plus fines possibles, des NA. Même si notre démarche est en partie introspective, nous accordons une place importante aux données empiriques recensées. En effet, le corpus joue un rôle fondamental parce qu’il permet non seulement de vérifier les hypothèses émises au départ mais aussi de mettre en évidence des subtilités de fonctionnement ou encore des modalités inédites auxquelles nous n’aurions pas eu accès autrement. Mais cette démarche hypothético-déductive de départ, c’est-à-dire la vérification des théories par l’examen des observables, se trouve aussi complétée par le mouvement inverse, inductif, qui va vers la mise en place de régularités à partir des observations empiriques. Sans vouloir anticiper sur les analyses à venir, donnons un exemple – après examen, notre corpus a fourni un nombre assez important de structures binominales de type N1-PREP-(DET)-NA. C’est ainsi que nous avons mis en évidence des corrélations syntactico-sémantiques qui soutiennent les différents types de SN complexes. Il faut l’admettre, autrement, cet aspect de la description des NA serait passé inaperçu.

24Tout au long de la recherche, nous avons veillé à ce va-et-vient entre introspection et travail sur observables, en essayant de composer avec le caractère forcément limité du corpus et notre propre intuition, nécessairement imparfaite.

3.1.2. Critères de constitution du corpus

25Plusieurs critères entrent en ligne de compte lors de la constitution du corpus. Nous travaillons sur un ensemble de lexies apparentées sémantiquement dans le but de décrire leur usage actuel en français. Grosso modo, au début de notre recherche, nous pouvions envisager le recueil des données de deux façons : soit travailler sur un corpus de textes complets, soit travailler sur un corpus de référence (Habert et al. 1997, 144). Nous avons opté pour la deuxième perspective dans la mesure où elle est mieux adaptée à notre objet de recherche, l’examen d’une éventuelle corrélation entre usage linguistique/genre textuel étant secondaire. Au moins deux questions sont soulevées par ce choix. La première porte sur la représentativité et l’équilibrage de notre corpus. La deuxième demande une explicitation de notre cadre d’analyse. Avant d’y répondre, présentons les critères retenus pour le recueil de nos observables.

26Nous travaillons sur des occurrences tirées à la fois de la base de données non-catégorisée de Frantext (corpus Frantext, désormais CF) et de la base de données Wortschatz (corpus Wortschatz, désormais CW). La base de données Wortschatz a été retenue pour plusieurs raisons. D’abord parce qu’elle est dédiée en partie au français contemporain écrit et, ensuite, parce qu’elle permet la recherche simultanée dans plusieurs journaux français. Au moment de la constitution de notre corpus, en 2009, Wortschatz n’offrait une possibilité de recherche que dans des articles de la presse française. Depuis, la base s’est agrandie avec des ressources provenant de Wikipédia et du web. Comme toute base de ressources, Wortschatz présente aussi quelques inconvénients qu’il convient d’expliciter. Premièrement, la base n’offre pas la possibilité de restriction sur les données (par année, titre de journal, etc.). Deuxièmement, l’utilisateur n’a pas à sa disposition un outil « précis » d’extraction ou de rapatriement des données. La base offre la possibilité de télécharger un certain nombre de fichiers classés par année, genre et taille, mais sans possibilité de restreindre son choix à une année si cela n’est pas proposé. Une deuxième précision importante est que les données téléchargeables se présentent sous forme de phrases sélectionnées de façon aléatoire pour la période en cours, et l’utilisateur a le choix entre différentes tailles de fichiers allant de 10K à 3M de phrases. Nous attirons l’attention sur le fait que, par conséquent, le téléchargement d’un fichier ne nous donne pas accès à la totalité du contenu disponible sur la base mais à un nombre précis de phrases sélectionnées.

27Étant donné que nous avons souhaité travailler sur deux banques de données différentes, il nous paraissait essentiel d’avoir des corpus de taille similaire. Afin d’avoir approximativement le même nombre d’occurrences pour chaque N, nous avons décidé de récupérer la totalité des occurrences obtenues après recherche dans la base Wortschatz à un moment donné (premier trimestre 2009). Précisons que les occurrences fournies après la requête se présentent sous forme d’une liste étendue sur plusieurs pages web. Leur récupération est par conséquent très fastidieuse parce que manuelle (par copier-coller). Enfin, et c’est un problème inhérent à toutes les ressources sur le web, Wortschatz est une base alimentée constamment.

28La raison pour laquelle nous avons choisi de travailler sur deux bases de données est simple : assurer un équilibre minimal dans la description de l’usage linguistique des NA. En cet état, notre corpus ne peut pas prétendre à une représentativité de l’usage en français moderne, mais notons que la notion-même de corpus équilibré nécessite, au préalable, l’existence d’un modèle représentant la variation, ainsi que l’accès aux différents textes – ce travail reste à faire. Au sujet du cadre de notre analyse, nous nous limitons à la phrase d’accueil (c’est-à-dire la phrase où apparaît l’occurrence) ainsi que le cotexte proche (quand il est disponible).

29Enfin, signalons qu’en plus de notre corpus, nous avons tenu compte d’exemples attestés, recueillis de manière sporadique (notamment des énoncés entendus ou lus à différents moments pendant le travail de recherche). Bien évidemment, ces énoncés ne sont pas pris en compte dans nos études quantitatives sur corpus mais sont utilisés à titre d’illustration.

3.1.3. L’analyse contrainte par les données

30La réflexion menée jusqu’à présent montre que la constitution de notre corpus a été motivée d’une part, par la nature de notre objet d’étude et, d’autre part, par un souci de diversité de registres des données. Toutefois, au fur et à mesure de l’avancement des travaux, il s’est avéré que les analyses sont aussi contraintes par notre corpus et cela de différentes manières.

31La première contrainte vient du fait que les deux premières phases – de constitution et de préparation des données – ont été faites manuellement. Le travail de nettoyage étant particulièrement long et fastidieux explique le nombre d’occurrences sur lesquelles nous avons travaillé.

32La deuxième contrainte est relative au traitement du corpus, qui a été fait de façon semi-automatique (cf. les détails ci-dessous). La partie automatique consiste dans l’utilisation du logiciel AntConc pour l’analyse textométrique ainsi que du logiciel de gestion de bases de données Access pour les analyses ponctuelles.

33Enfin, l’étude des NA nécessitait que l’on élimine les NA dans les locutions figées et les cas de polysémie d’enfant qui peut dénoter un humain du point de vue de sa filiation (et pas spécialement du point de vue de l’âge). Étant donné que nos données ne sont enrichies ni d’une annotation morphosyntaxique, ni sémantique, le tri a été fait à la main. Ce travail s’est toutefois révélé bénéfique pour notre analyse, parce qu’il a permis de faire l’inventaire des contextes qui permettent de désambiguïser de manière relativement précise le sens d’enfant.

3.2. Tri du corpus : locutions figées et polysémie

34Trois NA entrent dans des locutions figées qui ont dû être écartées : bébé, enfant et adulte. Dans ces expressions à caractère figé ou semi-figé, le NA ne dénote pas forcément un être humain (âge adulte est un N de période d’âge), ou, en tout cas, pas en fonction de son âge. Voici la liste des expressions recensées et éliminées :

• Bébé : bébé éprouvette, bébé-éprouvette, jeter le bébé avec l’eau de bain, refiler le bébé ;
• Enfant : ambiance (ADV) bon enfant, enfant de chœur, l’enfant Jésus, Jésus-enfant, enfant de Dieu, la Vierge à l’enfant, la Vierge et l’enfant ;
• Adulte : âge adulte.

35Un problème beaucoup plus redoutable était la polysémie d’enfant qui peut dénoter un être humain aussi bien du point de vue de son âge que de sa filiation (parent – enfant). L’élimination de ce dernier cas de figure était nécessaire et plusieurs questions sont apparues à la lecture du corpus : comment traiter les occurrences où la disjonction sémantique est loin d’être aussi claire (un septuagénaire peut très bien énoncer Les enfants sont partis hier, où les enfants-f ne sont plus tout à fait des enfants-âge) ? Que faire avec d’autres NA qui semblent fonctionner a priori sur le même principe : mon enfant vs mon bébé ? L’examen plus approfondi des relations sémantiques entre les NA, nous permettra de donner quelques éléments de réponse. Pour l’instant contentons-nous d’exposer la manière dont nous avons abordé ce problème.

36Une fois les données recensées, nous devions écarter les occurrences d’enfant-f. Nous avons constitué trois filtres qui ont été appliqués à l’ensemble des données de corpus afin d’obtenir le nombre approximatif de ces occurrences :

• le premier filtre (filtre « DET POSS ») à appliquer à l’ensemble des données était la présence de possessif devant le NA : [mon, ton, son, …] enfant. Dans un deuxième temps, le filtre a été expansé à POSS + X + enfant, où X est souvent un ADJ ordinal (mon premier enfant, leur quatrième enfant) ou un autre ADJ (leur nouvel enfant).
• le deuxième filtre (filtre « GV ») comporte un ensemble de V qui induisent la lecture « filiation », dans la mesure où le sujet est le « parent » et enfant tient le rôle d’objet. Nous avons relevé les verbes suivants : [attendre, adopter, avoir, faire, vouloir] + enfant.
• le troisième filtre (filtre « POL ext ») que nous avons conçu tient compte du fait que la polysémie d’enfant a donné lieu à des emplois par extension, où la filiation ne se fait plus à l’égard d’un parent, mais par rapport à un lieu d’origine, à un milieu ou une organisation sociale, à des affinités avec un courant artistique. Ici, le NA appelle un complément indiquant l’attachement, l’origine, bref, la « filiation » dans un certain sens. Plusieurs trames peuvent être établies sur ce patron syntaxique :
  • enfant de N lieu : enfant du pays, enfant de la province, enfant de la campagne, enfant de la capitale, etc.
  • enfant de N toponyme : enfant de la Bretagne, etc.
  • enfant + N coll. soc. : enfant du parti, enfant de la communauté, enfant de l’organisation ;
  • enfant + NH fonction/statut : enfant de divorcés, enfant de fonctionnaires ;
  • autres : enfant du rock, enfant de la télé, enfant de la FM, enfant de la nuit, enfant de la paix, enfant de l’amour, etc.
    
    Enfin, pour des raisons de structure syntaxique, nous incluons dans ce dernier filtre, des séquences de type enfant + Npr, comme enfant de Vigo/Marie, où le complément indique le géniteur.

37Après l’application des filtres, les données ont été revues et corrigées manuellement, pour arriver au nombre final d’occurrences sur lesquelles nous avons travaillé. Lors de cette dernière phase de préparation du corpus, nous avons rencontré des occurrences pour lesquelles il nous a été impossible de déterminer le sens prédominant (p. ex. La maman tenait son enfant de 5 ans dans ses bras), et nous avons préféré conserver ces données.

38Une fois les filtres ainsi constitués, nous avons testé leur pertinence sur des données supplémentaires. Ce test a été effectué sur trois types de textes provenant de Wortschatz, dont voici les détails de date et de taille :

• dossier « web », 2002, 300K phrases
• dossier « presse », 2010, 300K phrases
• dossier « wikipédia » 2010, 300K phrases

39Nous tenons à préciser que ces nouvelles données n’ont pas été intégrées à notre corpus de base, mais ont été consultées sporadiquement uniquement à des fins comparatives et/ou de vérification. Nous avons profité de cette occasion pour tester la validité de nos filtres de tri et calculer le rappel de réussite pour la détection des cas de polysémie.

40Chaque dossier comporte 300K phrases et leurs sources, préalablement numérotées et nettoyées d’éventuels doublons. Le tableau suivant résume le nombre d’occurrences pour chaque NA en fonction de la source du dossier :

41Pour le tri des cas de polysémie d’enfant, nous avons procédé de la façon suivante :

1. [A] nous enregistrons le nombre total des occurrences d’enfant (respectivement 727, 924, 1 203 occ.) ;
2. Nous appliquons les filtres qui ont été constitués lors du nettoyage de notre corpus de travail ;
3. [B] nous enregistrons le nombre d’occurrences détectées par le filtre DET. POSS. ;
4. [C] nous enregistrons le nombre d’occurrences détectées par le filtre GV ;
5. [D] nous enregistrons le nombre d’occurrences détectées par le filtre POL par extension ;
6. Nous relançons une recherche enfant dans AntConc afin d’enregistrer le nombre d’occurrences effectif après les filtres ;
7. [E] Après une vérification manuelle nous enregistrons les occurrences polysémiques qui n’ont pas été détectées par les filtres ;
8. Calcul du rappel (proportion de cas positifs éliminés) selon la formule (B+C+D) / (B+C+D+E).

42Le tableau suivant présente les résultats obtenus après les différentes étapes qui viennent d’être détaillées :

43Les résultats appellent quelques remarques et explications. Premièrement, les chiffres obtenus pour le rappel correspondent respectivement à 77,6 %, 62 % et 67,5 % pour les trois types de sources de données « Presse », « Wikipédia » et « Web ». Autrement dit, avec les filtres que nous avons établis lors du tri des données de notre corpus de travail, nous avons écarté plus que la moitié des cas de polysémie dans trois autres corpus.

44Deuxièmement, la différence entre, d’une part, le corpus « Presse » et, d’autre part, les corpus « Wiki » et « Web » peut avoir deux explications. La première est peut-être due au fait que les filtres tiennent compte des données tirées d’articles de presse, et donc il est fort probable de retrouver des structures et/ou des emplois récurrents. Une deuxième explication vient en regardant de plus près la nature des 82 et 55 occurrences qui n’ont pas été détectées par nos filtres. La majorité des occurrences est de type enfant + Npr/N de lieu (souvent des titres de tableaux et d’œuvres littéraires). Un inventaire exhaustif de ce type de structures est peut-être envisageable pour la détection automatique mais, sur ce sujet, nous préférons passer le témoin aux spécialistes.

45Enfin, troisièmement, il convient d’expliquer les 41 occurrences qui n’ont pas été détectées par nos filtres pour le corpus « Presse ». La procédure de recherche et calcul a été entièrement faite avec AntConc – un concordancier qui peut exécuter des recherches par « caractères » (p. ex. ambiance bon enfant est différent de ambiance bonne enfant) et supporter des recherches par expressions régulières (en cherchant ambiance * bon enfant, on est sûr d’avoir aussi bien ambiance très bon enfant que ambiance généralement bon enfant). En revanche, étant donné que le corpus n’est pas enrichi de données morphosyntaxiques, le logiciel ne peut pas tenir compte de toutes les variations syntaxiques que peut avoir une structure. Un exemple : dans notre filtre GV, nous avons enregistré que adopter un enfant doit être éliminé et avons constitué la conjugaison entière du verbe + enfant14. Ce que AntConc ne peut pas détecter par contre, et cela fait partie des occurrences restantes, sont des énoncés de type elle n’adoptera pas donc un enfant. La recherche sur un corpus annoté morphosyntaxiquement devrait avoir une meilleure réussite puisqu’on pourrait y indiquer que enfant reste l’objet du V adopter. Pour conclure, précisons que cette expérience a permis d’étoffer le contenu de nos filtres, notamment par la diversité des sources de données examinées : ont été ajoutés notamment couple sans enfant, mettre un enfant au monde, désirer un enfant, enfant unique, enfant légitime, enfant pupille, géniteur de l’enfant.

4. Les données du corpus

46Notre corpus de travail se présente comme un ensemble de données brutes, en format texte, sans aucune annotation morphosyntaxique ou sémantique. Après la constitution du corpus, nous avons procédé à la phase de prétraitement qui consiste dans le tri et le nettoyage des données recueillies. Il nous paraît important d’expliquer cette phase du travail, non seulement parce qu’elle résulte des choix émis au préalable, mais surtout parce qu’elle a permis de mettre en évidence des régularités qui peuvent être utiles lors d’éventuelles futures formalisations.

47Une étape incontournable lors du nettoyage du corpus était l’élimination des doublons (sous Notepad++). Pour le corpus Frantext, il s’agissait notamment d’enlever toutes les occurrences des NA qui font partie des titres des ouvrages (p. ex. Hampâté Bâ A., Amkoullel, L’enfant peul, 1991) afin d’éviter leur prise en compte par AntConc. Ont été éliminées également toutes les répétitions, résultant de l’occurrence de deux NA dans un contexte relativement proche lors du rapatriement (là où Frantext compte deux occurrences, un concordancier en compte quatre voire plus, parce que les deux occurrences sont à une distance suffisamment proche l’une de l’autre et apparaissent ensemble dans chaque contexte relevé par Frantext). Le même travail a été effectué également pour les données de Wortschatz.

48Dans CF., nous avons sélectionné des textes de différents genres (355 romans, essais, mémoires, récits de voyage, lettres, environ 501K mots15) pour la période 1970-2007. Dans CW, nous avons sélectionné la totalité des occurrences pour chaque NA en début 2009 (un peu plus que 350K mots, après tri). Le tableau suivant présente les détails du nombre d’occurrences par NA pour chaque source :

49Le tableau appelle au moins deux remarques. La première porte sur le fait que la taille, relativement petite de notre corpus, est proportionnelle aux moyens techniques dont nous disposons pour son recueil, tri et traitement. Rappelons tout de même que l’objectif principal – décrire le fonctionnement linguistique des NA – ne nécessite pas forcément un corpus de très grande taille16. La deuxième remarque porte sur le nombre respectif d’occurrences par NA dans chacune des sources de notre corpus – ces données ne sont pas révélatrices17 de la fréquence qu’il peut y avoir entre l’emploi des NA dans la presse et dans les écrits littéraires. Des différences d’usage liées au registre existent, comme on va le voir, mais elles ne transparaissent pas quantitativement dans notre échantillon. Enfin, notons la prédominance d’occurrences avec enfant par rapport aux autres NA et cela aussi bien dans le CF. que dans CW.

Graphique 1 : Répartition des NA dans CF / CW

Graphique 2 : Répartition totale des NA (CF & CW)

5. Bilan de chapitre

50Ce chapitre, dont l’objectif premier est de présenter les données de corpus sur lesquelles s’appuient les analyses à venir, fait apparaître notre position par rapport aux différentes démarches de recherche. Sans aucune prétention de nous situer dans la lignée des travaux linguistiques basés sur corpus (même si notre travail en est beaucoup plus proche que ceux des « corpus driven »), nous essayons de réconcilier, dans la mesure de nos moyens humains et techniques, la description sémantique des NA et le travail sur corpus. D’un côté, nous sommes tout à fait consciente de la faible représentativité de nos données mais il s’agit en premier lieu d’une analyse qualitative qui veut rendre compte du fonctionnement linguistique d’un ensemble de NH très peu connu, de leurs emplois les plus « ordinaires ». D’un autre côté, nous ne pouvons pas nier que pouvoir porter un regard sur un ensemble plus important de données (que celui qui est dans notre propre tête à un moment donné) s’est révélé particulièrement bénéfique pour notre réflexion. Enfin, insistons encore une fois sur le fait que nous ne prétendons pas faire une recherche linguistique de corpus à proprement parler. Il n’empêche, les analyses et les observations qui vont suivre y ont considérablement gagné en diversité et en finesse. Il reste à voir si nos analyses seront confirmées à une plus grande échelle de données.