LINGUISTIQUE DE CORPUS - COURS N 1 2019/2020 MED HICHEM 2 ANNEE MASTER
Le texte qui suit est un extrait de la thèse de Bénédicte Pincemin. Références complètes :
BOMMIER-PINCEMIN Bénédicte (1999) – Diffusion ciblée automatique d'informations : conception et mise en œuvre
d'une linguistique textuelle pour la caractérisation des destinataires et des documents, Thèse de Doctorat en
Linguistique, Université Paris IV Sorbonne, 6 avril 1999, chapitre VII : "Caractérisation d'un texte dans un corpus : du
quantitatif vers le qualitatif", § A "Définir un corpus", pp. 415-427.
1. DÉFINIR UN CORPUS
a) Les données
Le corpus se définit de fait comme l’objet concret auquel s’applique le traitement, qu’il s’agisse d’une
étude qualitative ou quantitative.
corpus : (ling.) ensemble limité des éléments (énoncés) sur lesquels se base l’étude d’un phénomène
linguistique ; (l’exicométrie) ensemble de textes réunis à des fins de comparaison, servant de base à une
étude quantitative. (Lebart, Salem 1988, § Glossaire)
Mais les données ont un nom trompeur : elles ne s’imposent pas, elles sont construites. Certes, il y a un
existant, directement sous forme de textes électroniques par exemple, –et donc l’analyste n’a pas une totale liberté
d’« inventer » ses données, il part d’une réalité–, mais il reste des décisions du type : faut-il considérer tout ce qui
est disponible ou en extraire un sous-ensemble plus significatif et équilibré ; comment tirer parti du codage
disponible, comment éventuellement l’adapter au traitement envisagé. Le rapport aux données tient d’un
compromis : faire avec ce à quoi on a accès, mais faire au mieux avec cela.
La définition des textes et [le cas échéant des] fragments [qui subdivisent chaque texte] devrait
dépendre du but de l’étude ; mais souvent, le statisticien ne peut qu’accepter les données disponibles...
(Benzécri & al. 1981, p. 137)
Les linguistiques de corpus
L’accès actuel à de vastes ensembles de textes sous forme électronique a été une condition décisive pour
le développement d'un courant linguistique récent : la linguistique à base de corpus (Habert, Nazarenko, Salem
1997).
L’approche à base de corpus revendique d’abord son réalisme, car elle se fonde sur des textes réels, des
données attestées : le corpus s’oppose ici aux exemples ad hoc forgés pour les besoins d’une théorie ou d’une
étude.
Le corpus est généralement l’apanage d’une linguistique descriptive, qui l’observe pour reconstituer a
posteriori des régularités. Une linguistique normative peine à l’exploiter, car le corpus « brut » n’obéit pas au
jeu de règles érigées a priori, si élaboré soit-il. Du côté des outils informatiques, le corpus appelle des
traitements robustes, des analyses partielles.
b) Référentiel effectif
Le corpus fournit à la fois des éléments à étudier, mais aussi l’environnement descriptif de ces éléments.
Le corpus est un tout, un vaste ensemble, qui constitue à lui seul le cadre et le référentiel de l’analyse Il met
en présence les éléments, il fait qu’ils sont aussi considérés dans leur interrelation globale. Les éléments
prennent alors une valeur relative par rapport au corpus : affinités et associations, fréquence ou rareté, banalité
ou spécificité, etc.
Le cadre fixé par le corpus, souvent celui d’une application et d’une pratique, devient un moyen de
réduire et d’ajuster l’appareil descriptif, grâce à un opportunisme efficace. On reprend et on adapte les
ressources traditionnelles : ontologie et dictionnaire (limités au domaine), scripts (juste ceux associés aux
situations envisageables dans la pratique concernée), lois de structuration du texte (sur la base de la forme
conventionnelle du genre). Certains sombres problèmes des Traitements Automatiques des Langues trouvent
soudain une issue : l’ambiguïté s’estompe, car dans un domaine fixé la langue prend un tour univoque ;
l’implicite est dévoilé, puisque le corpus est ancré dans un cadre stéréotypé donné ; la granularité (ou niveau
de détail) de la description trouve une juste mesure, en fonction de la définition du corpus et de l’application
envisagée. (Pincemin, Assadi, Lemesle 1996, §7.1) (Péry-Woodley 1995, §3)
LINGUISTIQUE DE CORPUS - COURS N 1 2019/2020 MED HICHEM 2 ANNEE MASTER
2. Le corpus : un ensemble de textes ?
a) Tout ensemble de textes n’est pas un corpus : propriétés recherchées
Le corpus ne se laisse pas uniquement définir formellement, comme un ensemble de texte ou une suite de
caractères alphanumériques. Il vérifie trois types de conditions : des conditions de signifiance, des conditions
d’acceptabilité, et des conditions d’exploitabilité.
• Conditions de signifiance : Un corpus est constitué en vue d’une étude déterminée (pertinence), portant sur un
objet particulier, une réalité telle qu’elle est perçue sous un certain angle de vue (et non sur plusieurs thèmes
ou facettes indépendants, simultanément) (cohérence).
• Conditions d’acceptabilité : Le corpus doit apporter une représentation fidèle (représentativité), sans être
parasité par des contraintes externes (régularité). Il doit avoir une ampleur et un niveau de détail adaptés au
degré de finesse et à la richesse attendue en résultat de l’analyse (complétude).
• Conditions d’exploitabilité : Les textes qui forment le corpus doivent être commensurables (homogénéité). Le
corpus doit apporter suffisamment d’éléments pour pouvoir repérer des comportements significatifs (au sens
statistique du terme) (volume).
Chacune de ces conditions demande à être commentée, à partir des éclairages complémentaires, et assez
remarquablement convergents, issus des différentes disciplines qui utilisent les corpus (statistiques lexicales et
lexicométrie, analyse de contenu en psycho-sociologie, linguistique structurale, etc.).
Pertinence
Le corpus prend sens par rapport à un objectif d’analyse. Cela n’est pas sans incidence sur la question de
sa réutilisabilité : à quelles conditions ce qui a été rassemblé pour servir un objectif peut être recyclé pour en
servir un autre ? Une partie de la réponse se trouve dans l’explicitation des choix et conditions de recueil du
corpus. D’autre part, ce n’est pas nécessairement le corpus tel quel qui est repris : le corpus original sert de source
pour construire un autre corpus, dans le respect du nouveau contexte d’analyse.
Règle de pertinence : Les documents retenus doivent être adéquats comme source d’information
pour correspondre à l’objectif qui suscite l’analyse. (Bardin 1977, §III.I.1, p. 128)
Cohérence
L’analyse du corpus mène à une représentation synthétique, qui doit donc, pour être claire et expressive,
pouvoir être comprise comme la représentation d’une entité, avec ses articulations internes et non comme la
juxtaposition de plusieurs réalités indépendantes. C’est par le même geste, que l’on se donne un corpus, et que
l’on s’isole de toutes les problématiques générales ou étrangères.
Le caractère idiolectal des textes individuels ne nous permet pas d’oublier l’aspect éminemment social de
la communication humaine. Il faut donc élargir le problème en posant comme principe qu’un certain nombre de
textes individuels, à condition qu’ils soient choisis d’après des critères non linguistiques garantissant leur
homogénéité, peuvent être constitués en corpus et que ce corpus pourra être considéré comme suffisamment
isotope.
[...] ce qui permet [par exemple] de réunir une cinquantaine de réponses individuelles en corpus collectif,
c’est un ensemble de caractères communs aux testés : leur appartenance à la même communauté linguistique, à
la même classe d’âge ; c’est aussi le même niveau culturel, la même
« situation de testés ».
(Greimas 1966, §VI.3, pp. 93-94)
Règle d’homogénéité : les documents retenus doivent être homogènes, c’est-à-dire obéir à des critères de
choix précis et ne pas présenter trop de singularité en dehors de ces critères de choix.
Par exemple, des entretiens d’enquête, effectués sur un thème donné, doivent : être tous concernés par ce
thème, avoir été obtenus par des techniques identiques, être le fait d’individus comparables. Cette règle est surtout
LINGUISTIQUE DE CORPUS - COURS N 1 2019/2020 MED HICHEM 2 ANNEE MASTER
utilisée lorsqu’on désire obtenir des résultats globaux ou comparer les résultats individuels entre eux. (Bardin
1977, §III.I.1, p. 128)
Lorsque nous utilisons [le terme corpus], nous sous-entendons ‘corpus de documents homogènes’, à savoir
un ensemble de documents qui ne soit pas hétéroclite. Il ne s’agit pas de considérer n’importe quel ensemble de
documents sans aucun rapport les uns avec les autres. Par exemple, un ensemble de brevets relatifs aux
céramiques, un ensemble de publications mondiales sur l’intelligence artificielle constituent pour nous, des corpus
homogènes. Les traitements que nous exposerons par la suite sont envisagés sur de tels corpus. (Chartron 1988,
§II.1, p. 16)
Le choix d’un corpus présuppose... que ce corpus constitue bien un objet d’étude ; c’est-à-dire, que
l’analyste le perçoive comme une entité ou un objet dans l’univers référentiel qui l’intéresse. En définitive, même
si ce n’est que de manière implicite, l’analyste fait des hypothèses sur les conditions d’existence de cet objet, sur
ses lois de production, sur les paramètres qui le font reconnaître dans cet univers référentiel. (Reinert 1990, §1.2,
p. 27)
Représentativité
Les statisticiens soulignent bien que définir un échantillon est une opération complexe, pour assurer que l’extrait
présente la même configuration des observables. La réalité à décrire présente un certain équilibre, une certaine
composition, que le corpus doit d’efforcer de refléter.
Règle de représentativité : On peut, lorsque le matériel s’y prête, effectuer l’analyse sur échantillon.
L’échantillonnage est dit rigoureux si l’échantillon est une partie représentative de l’univers de départ. Dans ce
cas les résultats obtenus sur échantillon seront généralisables à tout l’ensemble.
Pour échantillonner il faut pouvoir repérer la distribution des caractères des éléments de l’échantillon. Un
univers hétérogène demande un échantillon plus important qu’un univers homogène. [...] Comme pour un
sondage, l’échantillonnage peut se faire au hasard, ou par quotas (les fréquences des caractéristiques de la
population étant connues, on les reprend dans des populations réduites pour l’échantillon).
(Bardin 1977, §III.I.1, p. 127)
Pour la linguistique, ce qui autorise des études sur des corpus toujours limités, c’est la nature redondante
de la langue et la clôture des unités textuelles.
Le corpus n’est [...] jamais que partiel, et ce serait renoncer à la description que de chercher à assimiler,
sans plus, l’idée de sa représentativité à celle de la totalité de la manifestation. Ce qui permet de soutenir que le
corpus, tout en restant partiel, peut être représentatif, ce sont les traits fondamentaux du fonctionnement du
discours retenus sous les noms de redondance et de clôture. Nous avons vu que toute manifestation est itérative,
que le discours tend très vite à se fermer sur luimême : autrement dit, la manière d’être du discours porte en elle-
même les conditions de sa représentativité. (Greimas 1966, §IX.1.b, p. 143)
Quand l’étude vise à décrire la langue ou le fonctionnement des textes « en général », la condition de
représentativité semble devoir se traduire par une recherche de diversité maximale. Autrement dit, dans l’idéal,
tous les cas de figure existants doivent être présents dans le corpus. Deux tactiques sont observables : la course à
la quantité d’une part (engranger le maximum de données, le poids total devant être garant de la richesse amassée),
la construction raisonnée d’autre part (se donner une grille quadrillant la réalité, et s’en servir pour rassembler
méthodiquement des textes correspondant à tous les aspects recensés). La première tactique, dont la devise est «
more data is better data » (Péry-Woodley 1995, §2.3.1), est manifestement grossière, mais souvent elle est
justifiée (en partie) par les difficultés profondes auxquelles se heurte de plein fouet la seconde tactique : quel
modèle adopter pour organiser la sélection des textes, qui ne porte pas sa part d’a priori réducteurs ? Plus
LINGUISTIQUE DE CORPUS - COURS N 1 2019/2020 MED HICHEM 2 ANNEE MASTER
gravement, la problématique elle-même apparaît utopique irréaliste : il n’y a pas de langue générale, ou standard,
ou moyenne ; et les textes sont tous pris dans des pratiques qui les contextualisent1.
La recherche de corpus équilibrés semble bien constituer une impasse : la notion d’équilibre s’apparente
à celle de « langue générale », et elle paraît tout aussi insaisissable. Elle suppose également une recherche
irréaliste d’exhaustivité : le corpus équilibré est sans doute celui qui a « de tout un peu », mais encore faudrait-il
savoir ce qu’est « tout », c’est-à-dire quelles sont les classes à représenter, –ce qui nécessite un modèle complet
de la variation –, et avoir accès à des textes les représentant. (Péry-Woodley 1995, §2.3.2, p. 218)
Admettre la relativité et la part de choix qu’il y a dans la constitution de tout corpus, c’est également
reconnaître le caractère décisif de l’établissement du corpus. En particulier, bien souvent le corpus (ou une de ses
parties) est utilisé comme référentiel (puisqu’il est représentatif de la réalité à décrire) et il conditionne tous les
résultats de l’analyse.
Le choix d’une norme endogène au corpus, le tout comme étalon des parties, est justifié par le fait
maintenant bien établi qu’une forme [i.e. une unité], quelle qu’elle soit, n’a pas de fréquence en langue. (Note :
Certains auteurs, contre toute évidence, affirment le contraire et invoquent des probabilités de langue. En
revanche, nous sommes bien conscients du fait que l’usage d’une norme intrinsèque confère à l’élaboration du
corpus une écrasante responsabilité.) (Lafon 1980, p. 137)
Régularité
La régularité correspond au fait que l’on explicite des principes pour définir le corpus, sans se permettre
d’exceptions qui introduiraient des écarts locaux (manques, excès, éléments étrangers).
Règle de l’exhaustivité : une fois défini le champ du corpus (entretiens d’une enquête, réponses à un
questionnaire, éditoriaux d’un quotidien de Paris entre telle et telle date, émissions de télévision concernant tel
sujet, etc.), il faut prendre en compte tous les éléments de celui-ci. Autrement dit, il n’y a pas lieu de laisser un
élément pour une raison quelconque (difficulté d’accès, impression de non-intérêt) non justifiable sur le plan de
la rigueur. Cette règle est complétée par la règle de nonsélectivité.
Par exemple, on réunit un matériel d’analyse des publicités pour automobiles parues dans la presse pendant
une année. Toute annonce publicitaire répondant à ces critères doit être recensée.
(Bardin 1977, §III.I.1, p. 127)
[Exigence d’]exhaustivité : les ensembles [des individus et des variables] représentent un inventaire
complet d’un domaine réel dont le cadre n’est guère discutable. (Benzécri & al. 1973b,
§A.2.1.3, p. 21)
Complétude
Le corpus doit avoir un niveau de détail adapté aux besoins de l’analyse : les adaptations nécessaires
peuvent être soit de l’enrichir et de l’affiner, soit d’ajuster, par réduction, le niveau de discrétisation de la réalité
à représenter réalisée à partir des données.
L’exhaustivité du corpus est [...] à concevoir comme l’adéquation du modèle à construire à la
1Une voie envisagée a donc été de s’appuyer sur une description systématique des situations de communication et de production des
discours. On se donne un ensemble de paramètres, tels que : la communication directe (interlocution) ou différée, l’adresse à un
public/lectorat collectif ou non, le caractère formel de l’échange, etc. C’est la méthode adoptée dans (Bronckart & al. 1985). Douglas
BIBER (Biber 1988) recule d’un cran le caractère nécessairement subjectif d’une telle grille, en se fondant non pas directement sur les
pratiques de communication (et donc les genres), mais en partant d’un ensemble de caractéristiques linguistiques (essentiellement
morpho-syntaxiques) pressenties comme liées à la diversité des genres. L’étude dépend donc toujours, mais cette fois-ci indirectement,
d’une certaine perception que l’on a des genres. Même si la statistique (analyse factorielle) a un pouvoir certain de généralisation
(gommage d’éléments non pertinents, interpolation à partir d’un nombre limité d’éléments, caractère suggestif des représentations), les
résultats de Douglas BIBER doivent être compris comme relatifs aux choix initiaux (textes utilisés pour l’étude, choix des traits
morphosyntaxiques représentatifs).
LINGUISTIQUE DE CORPUS - COURS N 1 2019/2020 MED HICHEM 2 ANNEE MASTER
totalité de ses éléments implicitement contenus dans le corpus. (Greimas 1966, §IX.1.b, p. 143)
exhaustivité : l’exhaustivité des données (qui assure à l’analyse une base intrinsèque [...]) peut,
conformément au principe d’équivalence distributionnelle, être assurée par une partition [...], ou [par le]
choix d’un échantillon fini (éventuellement stratifié [...]) sur un espace potentiel continu (Benzécri & al. 1973, §
Indice systématique)
Homogénéité
Sachant l’objectif de l’analyse, et les dimensions de variation que l’on veut étudier, le corpus doit être
aussi homogène que possible pour ses autres caractéristiques.
[Exigence d’]homogénéité : toutes les grandeurs recensées [...] sont des quantités de même
nature. (Benzécri & al. 1973b, §A.2.1.3, p. 21) homogénéité : pour définir objectivement le tableau des
données étudiées [...], on vise à l’homogénéité des variables : ce qui permet l’adoption d’une unité de mesure
unique [...] ; l’homogénéité est autorisée par l’hypothèse du nexus, [à savoir celle de l’] interrelation de tous les
caractères d’un vivant (Benzécri & al. 1973, § Indice systématique)
Volume
Les procédés d’analyse visent à saisir et décrire des régularités qui structurent le corpus. Une certaine
redondance est nécessaire pour que puissent émerger et être repérés des aspects caractéristiques et informatifs.
Le logiciel ALCESTE est un outil d’aide à l’interprétation d’un corpus textuel : entretiens, réponses à une
question ouverte, textes littéraires, en fait tout document écrit à l’aide de l’alphabet latin, des dix chiffres et des
signes usuels de ponctuation pourvu qu’il présente une certaine homogénéité et un volume minimum. [...]
Il y a toutefois deux conditions pour obtenir un résultat signifiant : la première est que le corpus présente
une certaine cohérence thématique [cf. condition d’homogénéité]. C’est le cas (en général !) des réponses à une
question ouverte, de textes littéraires, de recueils d’articles sur un sujet, etc... A contrario on ne peut pas espérer
une indication de contenu pour un patchwork de fragments disparates, aussi intéressants soient-ils isolément...
La seconde est que le document soit suffisamment volumineux pour que l’élément statistique entre en
ligne de compte. C’est du reste l’intérêt d’ALCESTE de donner très rapidement une vision globale sur une
documentation volumineuse qui serait autrement très longue à dépouiller. (Reinert, Piat 1995, cahier 1, §0, p.3)
La condition de volume est importante pour des analyses statistiques, pour que celles-ci puissent être
considérées significatives. En revanche, présenter la recherche de volume essentiellement comme un moyen
d’obtenir une bonne représentativité ‘générale’ (Church & Mercer 1993) est déplacé : le volume et la
représentativité sont des caractéristiques à part entière, complémentaires.
Dans le cas d’une exploitation manuelle, c’est-à-dire sans l’outil informatique, on s’inquiétera à l’inverse
de la maniabilité du corpus (Garcia-Debanc 1989, p. 44).
