Archives par étiquette : lexicométrie

Utiliser la lexicométrie en histoire (2) : les aspects concrets

Après vous avoir donné un panorama général de l’histoire de la lexicométrie, je voudrais maintenant vous montrer quels logiciels on peut utiliser, et surtout quelles étapes très concrètes vous devrez suivre avant d’analyser votre corpus [1].

Les commandements de la lexicométrie

1. Avoir ses textes à disposition

Avant d’être analysés par un logiciel, vos textes doivent avoir été recopiés. Ce travail est particulièrement chronophage. Il faut donc que vous vous assuriez que personne ne l’ait déjà entrepris avant vous. Si vous avez la chance que vos textes aient été numérisés ou qu’ils aient été pris en photo, vous pourrez gagner du temps avec des logiciels de reconnaissance de caractères. Cette application existe pour certains textes de Gallica (il s’agit du mode texte), mais aussi sur google books. Les modernistes ainsi que les médiévistes auront sans doute moins de résultats puisque ces logiciels sont perturbés par les lettrines et les orthographes exotiques des textes. Il ne faut donc pas s’attendre à des miracles.

Après avoir acquis ces textes, il faudra les convertir obligatoirement en mode texte pour que le logiciel de lexicométrie puisse commencer à fonctionner. Avoir recopié ses textes n’est cependant pas suffisant, car le mode de constitution du corpus est déterminant.

2. Respecter des règles strictes de composition du corpus :

L’analyse lexicométrique est de type statistique. Un traitement lexicométrique donnera toujours des résultats, mais pour qu’ils aient un sens statistique [2] et qu’ils soient ainsi admis dans une réflexion historique, il faut redoubler d’attention au moment de la constitution du corpus. Ces précautions sont mises en évidence par Antoine Prost [3]. Il dégage trois règles essentielles, selon lesquelles le corpus doit être :

  • Homogène : les textes doivent être environ de même longueur, concerner le même public, porter sur le même thème. Il m’a ainsi été impossible dans mes propres recherches de comparer dans une même étude des sonnets et des épîtres dédicatoires puisque ces deux textes ne sont pas de même nature.
  • Diachronique : les textes ne peuvent pas avoir été écrits le même jour.
  • Contrasté : les textes doivent recéler des différences puisque ce sont justement ces différences que l’on cherche à observer.

Les logiciels

Les logiciels de lexicométrie sont foison, comme le soulignent Claire Lermercier et Claire Zalc [4]. Elles expliquent [5] néanmoins que les trois logiciels les plus sérieux pour faire une analyse lexicométrique sont : Alceste [6], Lexico3 [7] et Hyperbase. Aucun d’eux n’est malheureusement libre de droit, et leur coût varie de l’un à l’autre, Alceste restant particulièrement onéreux. L’aspect pécuniaire n’est évidemment pas le seul critère de distinction entre ces logiciels. La grandeur du corpus s’avère ainsi déterminant. Alceste accepte les corpus assez petits, ce qui n’est pas le cas d’Hyperbase. Les différences se font aussi sentir au niveau des options des logiciels. La lemmatisation, c’est-à-dire la simplification des différentes formes de mots [8], n’est ainsi pas nécessaire avec Alceste ou Hyperbase alors qu’elle l’est avec Lexico3. Hyperbase propose une analyse très fine des pronoms et des temps, ce que ne permet pas Lexico3, ou du moins pas directement, puisque cela exige une nouvelle lemmatisation. Il faut aussi prendre en compte la difficulté d’emploi du logiciel. Le maniement de Lexico3 est ainsi beaucoup plus aisé que celui d’Alceste [9].

Tous ces critères sont donc déterminants pour choisir le logiciel. Leurs différences ne doivent cependant pas effrayer. J’ai ainsi soumis mon corpus à deux logiciels différents (à savoir Alceste et Lexico3) pour voir si leurs résultats différaient. Ce ne fut pas le cas, bien au contraire. Par ailleurs, des lemmatisations différentes ou le recours à des extensions du logiciel peuvent pallier à certains manques du logiciel « de base » utilisé. Ainsi Coocs  développé par William Martinez [10], permet d’étudier les cooccurrences, ce que ne permettait pas Lexico3 initialement.

Après avoir choisi le logiciel, il faut passer par plusieurs étapes que je vais maintenant détailler.

Le problème spécifique du grec ancien : Utiliser un logiciel de lexicométrie sur un corpus en grec s’avère assez compliqué. L’alphabet grec mais surtout les esprits et les accents ont rendu très difficile le traitement lexicométrique de ces textes. Ce problème est en train d’être réglé par certaines équipes de recherches, qui tentent de le dépasser [11], mais il reste très difficile d’utiliser la lexicométrie sur ce type de texte.

Quand vous êtes sûr que votre corpus satisfait à ces différents critères, vous devez commencer à préparer vos textes pour l’analyse.

Les étapes préparatoires à l’analyse lexicométrique

  • Le balisage du corpus

L’ordinateur ne peut pas faire la différence entre les textes d’un corpus. Il faut donc les lui indiquer par des balises. Celles-ci se présentent de la façon suivante, pour le logiciel lexico3 :

<auteur=ronsard>

Elles suivent plusieurs règles : pas d’espace entre les mots, pas de majuscules, pas d’accent. Au-delà d’un simple découpage (appelé aussi segmentation) du corpus, cela permet à l’historien de sélectionner des points d’entrées sur son corpus, des questionnements. J’avais ainsi choisi de me demander si les différences que je notais au sein du corpus étaient dues à la personnalité des auteurs ou aux dates d’écriture. Cela m’a permis de sélectionner bien d’autres balises que la simple balise auteur. J’ai choisi de baliser mon corpus des balises suivantes : auteur, profession de l’auteur, date de publication, republication éventuelle et titre de l’œuvre. (Vous pouvez bien sûr en mettre autant que vous voulez). 

Le moment du balisage est donc bien un temps de réflexion qui permet de s’interroger sur son propre sujet. Bien souvent on revient sur le balisage pour le préciser ou au contraire supprimer certaines balises inutiles. J’ai ainsi supprimé la balise « métatexte » qui m’indiquait si l’épître dédicatoire était suivie d’un sonnet, car elle n’apportait, en définitive, rien de plus à l’analyse.

  • « Qui lemmatise, dilemme attise »[12]

La lemmatisation est la seconde étape de la plupart des analyses lexicométriques. Voici en quoi elle consiste. Les mots prennent différentes formes dans la phrase. Ils peuvent être mis au pluriel, être conjugués… Ces diverses formes peuvent cependant être ramenées à une forme unique, celui du lemme. Ainsi : vois, voit, voyons, vue, vues, voyant, vis, verra, verrez, verront sont des formes différentes de voir. La lemmatisation consiste à trouver les différentes formes revêtues par les mots du texte et à les simplifier en une seule forme. Les verbes sont ramenés, la plupart du temps, à l’infinitif, les adjectifs à leur masculin singulier et les noms à leurs singuliers. Elle consiste aussi à repérer les homographes afin d’introduire des différences graphiques pour que l’ordinateur puisse les différencier. « Est » peut être en effet une troisième personne du pluriel ou un point cardinal. Pour ne pas que le logiciel les confonde, il faudra coder le point cardinal en Est*. Dans certains cas, la lemmatisation devient une opération vraiment très difficile. Je travaille sur la Reine Marguerite d’un point de vue politique. Les titres qu’elles portait étaient donc essentiels pour moi. Lorsque j’ai voulu les lemmatisés, je me suis rendu compte que le mot princesse pouvait avoir les orthographes suivantes : Princesse, PRINCESSE, princesse. Ces trois syntagmes ont le même sens politique, mais la question était de savoir si je devais simplifier les majuscules en minuscules ou si je perdais un sens politique important. J’ai finalement découvert que les éditeurs mettaient les majuscules un peu au hasard, en fonction du matériel dont ils disposaient, ce qui m’a permis de trancher. Cet exemple montre bien à quel point lemmatiser n’est pas chose facile et peut devenir compliqué.

La lemmatisation prend une part plus ou moins importante dans le travail du chercheur. Les contemporanéistes ont souvent la possibilité de laisser les lemmatiseurs automatiques faire cet exercice. Les modernistes et les médiévistes ont un peu moins de chance, car il est préférable qu’ils procèdent eux-mêmes à la lemmatisation. Ils travaillent en effet sur des textes qui ne suivent pas les règles d’orthographe qui leur sont postérieures, et l’usage de certains mots a été perdu et reste inconnu des logiciels conçus pour des textes contemporains.  

Cette opération a été et reste une cause de disputes assez violentes entre ceux qui acceptent ce principe et ceux qui le rejettent au nom de la linguistique.

Lemmatiser implique en effet de perdre une grande partie de l’information contenue dans un texte. En lemmatisant, je suis passée de 12.000 à 6.000 formes. Les tenants de la non-lemmatisation considèrent que cette perte est inacceptable puisque le chercheur intervient pour choisir quel mot est digne ou pas de figurer dans leur liste alors que des variations très fines des formes peuvent être très révélatrices. Perdre la diversité des items reviendrait à renoncer à l’objectif même de ceux qui voulaient justement étudier le langage. C’est pour ces raisons que les premiers chercheurs[13] en lexicométrie n’ont pas lemmatisé leurs textes.

Pour ma part, j’ai choisi de céder aux sirènes de la lemmatisation et ce pour plusieurs raisons. Je pense que l’argument principal des linguistes, qui consiste à dire que l’on perd le sens du texte en lemmatisant ne fonctionne pas en histoire. Antoine Prost insiste ainsi sur cette différence ontologique qui différencie l’historien du linguiste. « L’historien (…) examine le vocabulaire pour autre chose que lui-même. (…) L’historien ne cherche pas la même chose que le linguiste[14]. » Son objectif « n’est pas la connaissance du vocabulaire en lui-même et pour lui-même, du système structuré qu’il constitue, c’est-à-dire au sens strict, du lexique, mais celle des mentalités et des attitudes latentes qui s’y manifestent[15]. » Cette différence d’intérêt porté au texte permet de le simplifier de façon à mieux l’analyser. La question de fond est celle-ci : importe t-il réellement à un historien de savoir si le locuteur a utilisé le participe ou la troisième personne du singulier d’un verbe, ou de savoir quel verbe ce dernier a utilisé ? Je crois que cette question est rhétorique. Ce qui nous importe n’est effectivement pas de savoir quelle forme de mot a été préférée à une autre, mais quel lemme a été choisi. Si effectivement, dans l’analyse d’un discours politique par exemple, on souhaite tout de même avoir accès à ce type d’information, il reste tout à fait possible de la faire en mettant en place une seconde lemmatisation qui codera le type d’information souhaité, puisque l’on peut toujours revenir au corpus non lemmatisé.

Cette simplification comporte des bénéfices, souvent laissés de côté alors qu’ils sont centraux. Lemmatiser permet de mettre en évidence les hapax, ces mots qui n’apparaissent qu’une seule fois dans un texte. Bien que leur analyse soit centrale, le refus de la lemmatisation les noie au milieu des formes rares des verbes. Par ailleurs, comme l’a souligné Damon Mayaffre[16], le fait de ne pas lemmatiser empêche d’introduire graphiquement des différences entre les homographes. L’ordinateur compte alors juge sans se préoccuper de savoir s’il s’agit du verbe à la troisième personne du singulier ou bien du nom. Il admet[17] que la non prise en compte des doublons a sans doute faussé en partie les résultats de sa thèse. Lemmatiser, loin d’être « un luxe inutile » serait donc bien un moment essentiel dans l’analyse lexicométrique. Plus important encore, la lemmatisation permet à l’historien de beaucoup mieux connaître son corpus, car il est obligé d’analyser chaque mot contenu dans ce dernier. Avant de décider s’il lemmatise ou non un mot, il utilise le logiciel pour le mettre en contexte et voir comment se dernier fonctionne. Cette opération très longue[18] est donc un immense apport pour l’historien car elle lui donne la possibilité de lire son texte d’une autre façon et de le connaître à une autre échelle, celui du mot. L’exercice intellectuel exigé par la lemmatisation est donc un moyen de progresser sur sa connaissance d’un corpus. Cette lecture structurée est nécessaire. Antoine Prost enjoint d’ailleurs ses collègues à la pratiquer pour dégager de nouvelles pistes de travail, car « L’analyse structurale, au contraire, s’efforce de reconstituer des constellations de vocables, en repérant entre eux soit des liens de solidarité, d’appel réciproque, soit de substitution, soit d’exclusion : on découvre ainsi une structure qui révèle le temps réel. »[19]

Enfin, l’argument selon lequel on lemmatiserait de façon automatique, sans se préoccuper du sens des mots est un leurre puisque cette opération implique une contextualisation automatique de chacun des mots que l’on choisit de lemmatiser.

Malgré les problèmes que pose l’étape de la lemmatisation, le rapport bénéfice/risque de cette technique semble pencher clairement en sa faveur. Cette étape passée, les premiers résultats arrivent enfin.

Différents types de résultats

Les résultats d’une analyse lexicométrique sont de nature très différente. Ils peuvent être très simples :

  • AFC (Analyse Factorielle des Correspondances)[20]

Outil le plus puissant de l’analyse lexicométrique. Il permet de visualiser les répartitions des mots au sein d’un corpus. Les mots qui se retrouvent au centre du graphique sont utilisés par tous les textes. Les mots qui forment une corolle autour des titres sont communs à certains textes en particulier. Les Analyses factorielles permettent donc de faire des regroupements au sein du corpus, de comprendre pourquoi certains textes s’opposent à d’autres sur le plan du lexique. Elles permettent aussi de voir l’évolution du vocabulaire en fonction du temps, si l’on a pris soin de faire une balise date. Cette première analyse dégage un certain nombre de mots objectivement intéressants et avec lesquels on peut lancer d’autres types de tests. Voici les principaux outils de l’analyse lexicométrique.

Lorsque l’on analyse une AFC, on essaie de comprendre la formation de ces groupes et de ses oppositions, et on tente de les justifier. On cherche aussi au sein de ces AFC à reconnaître des figures idéales de répartition des mots. L’une de ses figures est le torck. Vous constatez à droite qu’il y a plusieurs groupes de mots agglutinés et que les mots qui sont communs à chacun de ces textes permettent le passage du vocabulaire spécifique d’un texte au vocabulaire d’un autre texte. Lors de l’analyse on va dire qu’il y a un tork en faisant comme si ce passage se faisait de façon continue. Voici un second schéma d’analyse comprenant, de façon explicite le tork :

Dans un mémoire, on met en valeur le résultat « graphique » de l’AFC, qui ne peut représenter que deux facteurs à la fois, mais au cours de la recherche, il faut savoir que l’on analyse des tableaux (voir image ci-jointe) et que l’on observe la répartition et le sens des mots au sein des 10 premiers facteurs. On sélectionne ensuite les facteurs qui nous apportent le plus d’information ou qui sont le plus intéressants dans le cadre de notre problématique. Si les AFC sont le premier point d’entrée de l’analyse lexicométrique, elles peuvent et doivent être complétées par d’autres outils.

Voici les principaux outils de l’analyse lexicométrique :

  • La Contextualisation

Elle permet de vérifier le sens d’un mot. Très souvent, on a en effet une impression de proximité avec le texte, qui nous fait perdre de vue que notre emploi de la langue française est très différent de celui des personnes que l’on étudie. J’ai pu ainsi constater que le substantif « pouvoir » n’est pratiquement jamais utilisé dans les textes que j’étudie. Voici un exemple de contextualisation possible, obtenu à partir de mon corpus en utilisant Alceste :


  • La Représentation d’une fréquence d’apparition d’un mot

Grâce à cette option, on peut voir représenter l’usage d’un mot et son évolution au cours du temps. Je l’ai utilisé pour faire des « zooms » très précis sur certains items et cela a été très efficace. Cette option pose cependant un problème méthodologique si l’on n’a pas utilisé une analyse factorielle des correspondances pour identifier le mot que l’on veut étudier. Voici l’un des diagrammes que j’ai pu obtenir avec lexico3. Il s’agissait pour moi de comprendre comment variait l’emploi des titres « Princesse », « Duchesse de Valois » et « Reine » au cours du temps. J’ai tout simplement demandé au logiciel de me sortir ce diagramme, que j’ai pu interpréter sur un plan politique en le mettant en parallèle avec les dates clés de la vie de Marguerite de Valois :


  • Les cooccurrences

Outil très puissant servant à comprendre comment fonctionne un mot avec les autres mots. Lorsque l’on utilise Lexico3, on ne peut pas avoir immédiatement accès aux outils de cooccurrences. Le logiciel Cooccs, développé par William Martinez est un excellent moyen de pallier à ce problème. Il propose de nombreuses applications. On peut ainsi voir quels sont les mots qui apparaissent le plus souvent avec une forme pôle. On peut même en avoir une représentation schématique. Voici ci-dessous une représentation possible des relations entre les mots de mon corpus. Cette représentation est, en elle-même impossible à analyser. Mais, en choisissant une probabilité d’apparition moins forte il est facile d’obtenir des « zooms » (voir ici) sur des relations spécifiques entre les mots et devoir comment les mots s’enchaînent les uns avec les autres.

Ici encore, la sélection des mots que l’on étudie n’a rien d’arbitraire : on regarde les cooccurrences de tous les mots qui se sont révélés contributifs lors des premières AFC

  • Les Segments répétés

Outil permettant de mettre en évidence les mots qui fonctionnent ensembles d’une façon répété et ainsi de voir leur variation. J’ai pu ainsi observer à la loupe les signature de mes épîtres dédicatoires et avoir une représentation graphique de leur répartition en fonction du temps.


Conclusion

La lexicométrie constitue un formidable outil heuristique pour les historiens. Elle permet de comprendre le fonctionnement interne d’un corpus grâce aux AFC, de voir quels sont les mots les plus employés et d’en apercevoir l’évolution en fonction du temps. Ces outils ne sont malheureusement accessibles qu’au prix d’un grand travail préparatoires de lemmatisation et de mise en place des balises. Ce regard complémentaire aux méthodes plus classiques de la base de données ou d’une lecture très documentée des textes est extrêmement performante.


[1] Pour ce faire, je me fonderai encore une fois sur mes propres lectures et sur les conférences et les cours que j’ai reçus à Paris I et à l’E.N.S Ulm.

[2] Je reprends ici une partie du cour de Benjamin Deruelle consultable sur le site : http://tdhist.univ-paris1.fr/.

[3] Antoine Prost, Vocabulaire des proclamations électorales de 1881, 1885 et 1889, Paris, PUF, 1973, 192 p.

[4] Lemercier Claire et Zalc Claire, Méthodes quantitatives pour l’historien, Paris, La Découverte, 2008, 120 p. 

[5] Sur leur site « quanti RHMC » adresse : http://www.quanti.ihmc.ens.fr/Lexicometrie-les-logiciels.html. Lien valide le 30/01/12.

[6] Logiciel conçu par Max Reinert dans les années 90. Pour en savoir plus voir : http://www.image-zafar.com/index_alceste.htm.

Hyperbase a été créé dans les années 80 pour mettre les textes de la Révolution à disposition. Voir http://www.unice.fr/bcl/spip.php?rubrique38..

[7] Logiciel inventé et développé par André Salem et Ludovic Le Bart dans les années 1990.

[8] Je vous renvoie à la suite de ce billet qui explique en quoi la lemmatisation consiste.

[9] Je vous conseille d’aller voir à l’adresse suivante, signalée par Philippe Cibois sur le blog :  http://textometrie.ens-lyon.fr/spip.php?article96 (lien valide le 30/01/12). Vous y trouverez les différents manuels d’utilisation des logiciels. Vous pourrez ainsi choisir au mieux celui qui sera plus rentable pour voir. Consultez aussi le site du « quanti.RHMC »., il est très bien construit.

[10] Voir le site de William Martinez : http://williammartinez.fr/coocs/page.php. (lien valide le 30/01/12)/

[11] http://lexicometrica.univ-paris3.fr/thema/thema1/spec1-texte3.pdf. lien valide le 30/01/12.

[12] http://lexicometrica.univ-paris3.fr/article/numero2/brunet2000.html.

[13] ENS St Cloud.

[14] Antoine Prost, Vocabulaire des proclamations électorales, Idem, p.6

[15] Ibidem, p.5-6.

[16] Damon Mayaffre « De la lexicométrie à la logométrie», consultable à l’adresse : (lien valide le 30/01/12).

http://www.arts.uottawa.ca/astrolabe/articles/art0048/Logometrie.htm#Lemmatiser%20=%20d%E9grouper

[17] Damon Mayaffre , Ibidem.

[18] Il m’a fallu plus d’un mois pour lemmatiser mon corpus.

[19] Antoine Prost, Vocabulaire des proclamations électorales, Op.Cit, p.12.

[20] Les concepts mathématiques sur lesquels reposent les A.F.C sont assez complexes. Pour en savoir plus, je vous conseille de lire Philippe Cibois,  L’Analyse factorielle, analyse en composantes principales et analyse des correspondances, Paris, PUF, le point des connaissances,1983, 126 p., mais aussi le cour d’Alain Guerreau. Statistiques pour historiens, cours pour l’École des Chartes : http://elec.enc.sorbonne.fr/statistiques/stat2004.pdf. Lien valide le 30/01/12.

Utiliser la lexicométrie en histoire (1) : panorama historiographique

J’ai découvert la lexicométrie en lisant le livre de Claire Lemercier et Claire Zalc sur les méthodes quantitatives pour les historiens[1]. Mon désir d’explorer ces méthodes a cependant été soumis à rude épreuve puisque je n’arrivais pas à trouver un document de synthèse qui m’aurait pu constituer un point de départ de mes recherches, en me donnant un aperçu de l’histoire de la lexicométrie, des logiciels que l’on pouvait utiliser, et une bibliographie de base. Je n’ai pu finalement réaliser mon projet que grâce à l’aide successive de Claire Lemercier[2] et surtout celle de Benjamin Deruelle, qui m’ont fait comprendre en quoi consistait la lexicométrie et comment elle pouvait être utilisée dans le cadre de mon sujet de recherche[3].

Le souvenir de ces débuts difficiles m’a incitée à écrire une série de billets sur la lexicométrie. Ils proposent une synthèse de mes propres lectures mais aussi des cours que j’ai pu suivre à la Sorbonne et à l’E.N.S. J’espère qu’ils pourront contribuer à faire connaître ces méthodes encore assez confidentielles, et aider ceux et celles qui auraient le désir de les exploiter, en exposant, notamment, mes propres pratiques lexicométriques.

 Wordle sur le contenu du billet (la taille des mots dépend de leur occurence dans le texte)

Qu’est-ce que la lexicométrie ?

La plupart du temps, les historiens travaillent de la façon suivante (je simplifie ici, bien entendu, considérablement le propos) : ils recopient ou photographient leurs sources puis les lisent et relisent de façon à se les approprier, à en faire la critique et à en proposer une interprétation. Ces lectures permettent de construire un discours historique. La lexicométrie a pris naissance dans la remise en question de cette méthode traditionnelle, et la volonté de la dépasser. Pour ses promoteurs, cette lecture documentaire informative, qui ne s’interroge pas sur la forme même du texte et son sens intrinsèque[4] ne suffit pas.

Elle propose une échelle d’analyse complémentaire, celle des formes de mots. Il s’agit de comprendre, grâce à des méthodes mathématiques, la répartition de ces dernières et leur fonctionnement dans un corpus. (Celui-ci étant défini comme la somme de tous les textes sélectionnés par l’historien selon des critères précis et justifiés). Les emplois des mots dans les textes sont quantifiés et comparés, ce qui permet de mieux comprendre la structure du corpus, et d’accéder à une échelle de comparaison plus fine.

On ne peut saisir ni l’objet ni l’originalité de cette méthode, si l’on néglige l’histoire de la lexicométrie et les controverses qui ont rythmé son émergence et sa légitimation en tant que méthode. C’est la raison pour laquelle j’ai décidé, pour ce premier billet, de m’attarder quelque peu sur le contexte dans lequel la lexicométrie est née et de montrer ensuite en quoi elle a été disqualifiée au profit des méthodes dites qualitatives. J’expliquerai enfin  la façon avec laquelle une lexicométrie rénovée a acquis de nouveau le statut d’une méthode crédible d’analyse de sources historiques[5].

 

Les premiers usages : de l’espoir à la désillusion

  • Une linguistique nouvelle manière…

La lexicométrie a été développée dans les années 60 par des linguistes influencés par deux courants intellectuels majeurs : le structuralisme et le quantitativisme.

Le structuralisme[6] remet en question la philosophie individualiste[7] qui avait prédominé jusqu’alors. Lévi-Strauss[8] montre en effet que l’individu ne peut pas se définir comme un homoncule[9] qui s’opposerait à la société grâce à sa personnalité et à ses caractéristiques personnelles, mais bien comme un membre dépendant d’une société qui le façonne et lui impose des règles dont il n’a plus conscience. Le sujet s’insère donc dans cette société en se soumettant à ses règles, mais il peut aussi la façonner à son tour par son action sociale[10]. La langue est l’un des lieux où la société s’impose à l’homme, comme le montre Saussure[11]. Il tranche en effet le débat du Cratyle[12] en expliquant que la langue est un choix arbitraire de la société et qu’il n’y a pas de sons « naturels » pour désigner un signifiant. La grammaire, la syntaxe sont autant de lieux où la société s’impose comme instance décisionnaire face à l’usage que l’individu fait des mots. De ce fait, aucune langue ne peut s’expliquer uniquement par l’individu, puisqu’elle se définit à la fois par ce qui appartient au locuteur et par la société qui le façonne. C’est ce qui fera dire à Lacan[13] que la langue est une action par laquelle un individu se reflète dans un autre.

Ce passage de la philologie[14], que Oswald Ducrot définit comme le fait de penser le langage comme une « expression de la pensée »[15], au structuralisme qui pense l’individu comme une entité insérée dans une structure qui le dépasse, est déterminant pour la linguistique. Le discours, pensé jusqu’alors comme quelque chose qui avait un sens transparent[16], devient alors porteur d’un sens dont l’individu n’aurait pas conscience lui-même et qu’il faudrait mettre en évidence pour avoir accès aux structures internes de la société.[17] La façon dont l’individu s’exprime, pensée jusqu’alors comme un détail que l’on pouvait délaisser au profit de la recherche des informations contenues dans le texte, devient alors centrale dans l’appréhension des structures internes à la société. Ce type d’analyse est pensé comme le moyen de « déceler l’indécelé dans le texte même »[18].

Dans cette optique, la lecture des sources que l’on avait appliquée jusqu’alors devient insuffisante, puisqu’elle ne permet pas de mettre en évidence la structure d’un corpus, l’œil humain étant très vite dépassé par la grandeur du corpus. Comparer les textes entre eux pour en trouver la structure s’impose comme une exigence fondamentale. Pour ce faire, il faut inventer de nouvelles méthodes. Cette première exigence de compréhension des rapports entre les formes de mots se double d’une seconde, celle  de la quantification. On est en effet au moment où l’histoire quantitative atteint son acmé[19]. Elle considère « que le chiffre peut dès lors révéler le poids des structures »[20]. Si la structure de la société peut être étudiée par la comparaison des évolutions des prix ou de la démographie, la structure des corpus devrait être étudiable grâce aux statistiques textuelles et aux index des noms. À partir de là, la statistique textuelle est clairement pensée comme une sous branche de l’histoire quantitative[21]. Les statistiques sont  le garant du fait que les idées mises en évidence par l’analyse sont effectivement exprimées par le discours de la majorité de la population étudiée. On invente alors les premiers outils statistiques d’analyse de texte : l’analyse distributionnelle américaine[22] et les index de mots, assortis de leurs occurrences.

La mue de la philologie en linguistique structuraliste est essentielle puisqu’elle permet de penser le langage comme une porte ouverte sur les structures internes de la société, ce que laissait présager aussi le Lacanisme. La volonté de comprendre ces dernières poussent les linguistes à analyser d’une nouvelle façon les discours en utilisant des méthodes auparavant peu usitées : celles des méthodes quantitatives.

  • … qui fait envie aux historiens…

Dans les années 1960, les historiens sont très intéressés par les premiers succès de cette linguistique nouvelle manière. Ils la voient   une comme une méthode d’analyse qui pourra assurer la scientificité de leurs résultats et conférer à l’histoire sa qualité de science[23]. Ce raisonnement est très bien exprimé par Régine Robin : « Si les linguistes fournissent à l’historien des techniques, grâce à ce protocole méthodologique, il va pouvoir lire de façon neuve et interpréter les textes. (…) On pense pouvoir pallier ces manques, ces absences, par le recours à des techniques dûment éprouvées, dont le caractère formalisé offre toutes les garanties. »[24] Ils pensent alors que le rôle du linguiste est d’ « apprendre à lire ce qu’il y a dans le texte » à l’historien et « de l’aider à mettre le texte à plat et de l’ordonner. »[25]  Ce dernier, fort de cette méthode est alors capable d’en tirer des conclusions sur les rapports sociaux.

La conviction partagée par la majorité des historiens d’avoir trouvé une méthode scientifique certaine explique l’effet de mode que connaît la lexicométrie dans les années 1970. Ceci est visible chez Antoine Prost puisqu’il se sent obligé d’expliquer que sa démarche n’est pas conditionnée par cette « mode[26] ». Cet engouement fut néanmoins beaucoup plus le fait de linguistes pour l’histoire que d’historiens pour la linguistique.

Dans les années 1970, deux institutions décident de développer la lexicométrie et de s’en servir comme d’un outil de compréhension des textes. Il s’agit de l’E.N.S de Saint-Cloud et de l’université de Nanterre (Paris X). Elles ont pour particularité de faire collaborer des linguistes (à l’instar d’André Salem) avec des historiens. La focale utilisée est assez étroite. Ils s’intéressent principalement aux discours des hommes politiques des XIXe et XXe siècles. La littérature comme la période moderne sont très peu traitées, à l’exception de la Révolution française qui donne lieu à des recherches approfondies sur les discours des contemporains[27]. Le développement d’une linguistique nouvelle a donné l’espoir aux historiens de refonder leur discipline en tant que véritable science. Deux équipes de recherche se sont principalement attelées à cette tâche. Malheureusement, ces espoirs ont été assez vite battus en brèche par les critiques conjointes des linguistes et des historiens.

  • … qui déchantent assez vite

L’usage de ces nouvelles méthodes donne très vite lieu à une polémique violente entre les partisans et les détracteurs de la lexicométrie. Les critiques sont principalement le fait des linguistes et des historiens. Les premiers reprochent à leurs collègues d’avoir accepté que le mot soit l’échelle d’analyse de la lexicométrie, puisque la définition même du mot et de sa légitimité à être considéré comme l’élément de base de la phrase est un débat non réglé de leur propre discipline[28]. Ils considèrent aussi que les index de mots laissent la phrase, la syntaxe et la grammaire exsangues, ce qui rend impossible une bonne compréhension des discours eux-mêmes. Les seconds reprochent quant à eux à leurs collègues de plaquer des considérations qui leurs sont contemporaines (notamment le concept de lutte des classes) sur les siècles passés. Cet anachronisme se retrouverait selon eux dans l’utilisation, par les historiens,  des  « mots pivots. »[29]. Cette méthode consiste à chercher des mots spécifiques dans un discours en les ayant présélectionnés à l’avance. Cette intrusion de la subjectivité de l’historien et les erreurs sur lesquelles elle débouche rendrait impossible l’utilisation de la lexicométrie. Ils vilipendent enfin l’usage des statistiques en expliquant que ces chiffres n’ont aucun sens en eux-mêmes[30] et qu’ils servent simplement à donner l’illusion au lecteur que le propos est scientifique[31]. On peut voir que si ces critiques sont, pour certaines, propres à la lexicométrie, d’autres prennent aussi place dans un discours plus global de dénonciation de l’emballement de l’histoire quantitative[32] qui aurait effacé la singularité des structures, mis en place un culte fétichiste pour le chiffre, et n’aurait rien gagné à tenter de rendre l’histoire plus scientifique par l’usage des statistiques. La lexicométrie n’a pas été capable de faire face à des arguments aussi violents et parfois assez justifiés. Elle est tombée en déshérence au moment même où les ordinateurs auraient pu leur conférer les capacités de calcul dont les spécialistes de la lexicométrie rêvaient.

 

Le renouveau de la lexicométrie

L’opprobre jeté sur la lexicométrie n’a pas rebuté tous les historiens. Certains comme André Salem, Alain Guerreau ou Jean-Philippe Genet ont continué à s’y intéresser, et se sont servi des critiques qui leur avaient été adressées pour améliorer les logiciels de lexicométrie. C’est grâce à cette ténacité que les trois logiciels les plus importants de la lexicométrie : Alceste[33], Lexico3 et Hyperbase[34] ont pu voir le jour. Ces logiciels, s’ils ne pouvaient résoudre le problème du choix du mot comme unité de base d’un texte, rendent caduques la plupart des critiques adressées aux usages de la lexicométrie. Chacun d’eux utilise la contextualisation, à savoir  l’étude de l’environnement des mots du corpus. Dire que la lexicométrie, en isolant les mots rend incompréhensible leur véritable sens est donc obsolète. Cette étude du sens profond des mots, permise par la contextualisation, se double d’une recherche sur la phrase elle-même. Ni la syntaxe, ni la grammaire ne sont sacrifiées au profit du mot. L’étude de Damon Mayaffre[35] sur les pronoms et les temps utilisés dans les discours des présidents de la cinquième république suffit à le démontrer. Enfin, le problème de l’intrusion de l’historien dans le choix des mots a été réglé par la mobilisation d’analyses factorielles des correspondances[36] (AFC), les études des spécificités du corpus et de ses co-occurrences.

Cette mutation profonde de la lexicométrie, permise par un énorme travail sur les logiciels, et une profonde réflexion épistémologique, a permis à de nombreuses études de voir le jour. La nature des sources a profondément changé. Même si ces travaux interrogent souvent l’aspect politique des textes, on est passé d’une étude quasi exclusive des discours politiques à une étude de « nouvelles sources » telles que les prologues de chansons de gestes[37] et la presse[38]. Ces nouveaux travaux sont particulièrement intéressants et innovants. Pourtant, ils restent très peu reconnus. Ceci se manifeste dans une tentative un peu désespérée pour certains, d’utiliser et de désigner ce qui est de la lexicométrie par de nouveaux noms (lexicologie, analyse textuelle assistée par ordinateur[39])  de façon à masquer le caractère lexicométrique de leurs travaux, et d’être enfin reçus et compris de leurs confrères. Ce déni pose une question essentielle : pourquoi, alors que les méthodes informatiques d’analyse du discours commencent à être particulièrement performantes, les historiens continuent-ils à les rejeter ?

Je crois que deux pistes pourraient être privilégiées. La première serait celle d’une résistance globale des historiens français d’accéder à une formation en informatique. Le cursus universitaire en serait un symptôme[40]. L’informatique est très souvent délaissée au profit de matières considérées comme plus nobles. Les historiens pensent qu’il est inutile d’acquérir ces outils pourtant devenus indispensables. Cette inertie serait alors à penser comme une exception française, ce que la comparaison avec l’Allemagne et le monde anglo-saxon tendrait à prouver. Les théories de l’information et l’utilisation de la lexicométrie y sont beaucoup plus répandues.

La seconde serait à trouver dans un refus, de la part des historiens, de changer leurs habitudes de recherche, fondées sur un modèle hypothético-déductif[41]. La plupart du temps, les chercheurs en histoire interrogent leurs sources à partir des questions issues d’une problématique. Les utilisateurs de la lexicométrie  mettent à distance cet habitus, puisque, s’ils ne rejettent en aucune façon la formulation d’une problématique[42], ils choisissent de ne pas se prononcer à l’avance sur ce que nous dit une source, mais de laisser cette dernière « parler d’elle-même » par le résultat statistique. Le principe est en quelque sorte de se laisser surprendre par ce dernier et de l’analyser en fonction des problématiques que l’on a bâties, ou de réviser ces hypothèses. Cette méthode ne résout pas le problème de l’interprétation nécessairement subjective de l’historien, puisqu’aucun chiffre n’a de sens en lui-même et qu’il doit obligatoirement être interprété.  Cependant elle recule le moment de l’interprétation en nous permettant, grâce aux résultats bruts, de nous abstraire de nos préjugés sur la source et de nos désirs de résultats. Elle est un outil heuristique d’une très grande qualité. Elle permet aussi de solutionner le problème récurrent du statut de la citation en histoire, comme le montre Antoine Prost. Grâce aux outils d’aide à la sélection de la citation, celles que l’historien utilise pour fonder son propos ne sont pas le fruit d’une préférence personnelle, mais bien une citation véritablement représentative d’un corpus. L’usage de la lexicométrie peut être extrêmement bénéfique puisqu’il met fin à certains problèmes. Pour que les résultats statistiques aient un sens et soient recevables, le corpus doit suivre des règles strictes de composition, que je détaillerai dans un prochain billet.

*

La lexicométrie a donc connu trois phases de développement. Elle est née des deux courants intellectuels majeurs des années 1960 : le structuralisme et le quantitativisme. Ses résultats ont très vite été contestés puisqu’elle utilisait des mots pivots, fétichisait le chiffre et se rendait coupable d’anachronisme. Il semble cependant que l’on ait « jeté le bébé avec l’eau du bain », puisque le rejet brutal de ces méthodes n’a pas tenu compte de leur renouveau et du développement de logiciels qui avaient intégré les critiques que leur avaient faites leurs opposants. Ce rejet est sans doute la manifestation d’une crainte plus profonde, d’une remise en cause plus globale des travaux qui n’utilisent pas ces méthodes. Il est très regrettable que ces méthodes extrêmement efficaces demeurent si marginales dans notre pratique de l’histoire, alors qu’elles pourraient constituer un complément très intéressant à la lecture non médiatisée par le recours à l’ordinateur. J’insiste ici sur le terme de complément : les historiens qui utilisent la lexicométrie n’ont pas pour but de remettre en question les résultats de ceux qui ne l’utilisent pas, mais bien de proposer une méthode renouvelée et efficace qui pourrait apporter de nouvelles perspectives de recherches. Je conclurai en citant l’appel lancé par Antoine Prost à ses collègues (désignés par « les premiers) : « Les premiers sont en France les plus nombreux, et l’on désespère de le convaincre, à moins d’une tentative loyale de leur part, comme celle que nous leur proposons. Qu’ils commencent, comme nous l’avons fait nous-mêmes, par lire les textes sans appareil statistique, et qu’ils consignent par écrit leurs remarques. Qu’ils procèdent ensuite à une seconde lecture, en se pliant cette fois aux contraintes quantitatives : ils feront des remarques qualitatives qu’ils n’auraient même pas soupçonnées quand ils refusaient les servitudes du nombre. »[43]

.

.


[1] Claire Lemercier et Claire Zalc, Méthodes quantitatives pour l’historien, Paris, La Découverte, 2008, 120 p.

[2] J’ai assisté à l’atelier de Claire Lemercier et Claire Zalc, l’histoire et l’historien-ne face au quantitatif. Pour plus d’informations sur ce séminaire, voir : http://www.quanti.ihmc.ens.fr/Atelier-2011-2012.html.

[3] J’ai suivi le TD de Benjamin Deruelle sur l’histoire et l’informatique à Paris 1. Ses cours sont disponibles sur l’ENT de la Sorbonne à l’adresse : http://tdhist.univ-paris1.fr/(uniquement pour les étudiants de Paris 1)

[4] Cette question de la prise en compte de la forme même du texte est très bien exposée dans le livre de Dinah Ribard et Judith Lyon-Caen, L’historien et la littérature, Paris, La découverte, 122.p. Cet objectif est défini en introduction : « Le présent ouvrage se situe résolument du point de vue de l’histoire, mais d’une histoire qui ferait de la littérature non pas un réservoir de sources, mais son objet même. » p.5. Sur Devenir historien-ne on pourra consulter le billet consacré aux usages historiens de la littérature, par Émilie Gimenez et Maxim Martignon.

[5] Ce billet, nécessairement synthétique, ne prétend pas à l’exhaustivité, notamment en ce qui concerne le structuralisme, la linguistique et le lacanisme.

[6] Oswald Ducrot, Qu’est-ce que le structuralisme ? 1. Le structuralisme en linguistique, Paris, Seuils,1968, 123 p.

[7] Idées exprimées successivement par Rousseau et Locke. Jean-Jacques Rousseau, Les Confessions, Paris, Gallimard, 2009, 858 p. et John Locke, Essai sur l’entendement humain, Paris, Vrin, 2002, 640 p.

[8] Entre autres livres : Claude Lévi-Strauss, Tristes Tropiques, Paris, Pocket, 2001, 513 p.

[9] Ce concept d’homoncule est mis en évidence par Irène Théry dans son commentaire de la philosophie individualiste. Voir Irène Théry, Des humains comme les autres, bioéthique, anonymat et genre du don, Paris, EPHE, 2010, 309 p.

[10] Idée de Paratopie qui définit l’auteur est définie par Dominique Maingueneau dans Le Discours littéraire, paratopie et scène d’énonciation, Paris, Armand Colin, 2004, 261 p.

[11] Ferdinand de Saussure, Cour de linguistique générale, Paris, Payot, 2005, 520 p. Saussure a développé ces idées de structures bien avant Lévi-Strauss puisqu’il est mort en 1913. Cependant il n’a pas eu d’écho à son époque et ce n’est que grâce à Jackobson et à Lacan, qui ont redécouvert ses théories et les ont diffusées que ses idées ont été reconnues.

[12] Platon, Le Cratyle, Paris, Garnier Flammarion, 1999, 317 p.

[13] Aphorisme lacanien expliqué par Michel Arrivé dans Linguistique et psychanalyse, Freud, Saussure, Hjelmslev, Lacan et les autres, Paris, Meridiens Klincksieck, 1987,180 p.

[14] Antoine Prost dans « Les mots » (in René Rémond, Pour une histoire politique, Paris, Seuil, 1988, pp. 255-287) souligne lui aussi ce passage. « L’affirmation, dans les années 60 d’une linguistique bien différente de la philologie qui en tenait lieu jusqu’alors, a constitué un tournant majeur. » p.255.

[15] Oswald Ducrot, Qu’est-ce que le structuralisme…, op. cit., p.18.

[16] Le manifeste du cercle de Vienne exprime clairement cette idée, comme le rappelle François Rastier, Arts et sciences du texte, Paris, PUF, 2001, 303 p.

[17] Claude Lévi Strauss nous explique dans Tristes Tropiques (op.cit, chapitre XX) que les sociétés sont composées, tout comme les objets qui nous entourent de différents éléments que l’on peut recenser tout comme l’avait fait Mendeleiev dans sa table et que son objectif est de trouver le « tableau périodique des sociétés ».

[18] Dominique Maingueneau, L’analyse du discours, introduction aux lectures de l’archive, Paris, Hachette supérieur, 1991, p.13.

[19] Christian Delacroix, François Dosse, Patrick Garcia, Les courants historiques en France XIXe-XXe siècles, Paris, Gallimard, Folio Histoire, 2005, 724 p.

[20] Cité par Claire Lemercier et Claire Zalc, Méthodes quantitatives…, op.cit, p.9.

[21] Ibidem.

[22] Méthode inventée par Bloomfield dans les années 1930. Consiste à tenter de comprendre et de quantifier les différentes positions que prennent les syntagmes dans une phrase. Sur ce point, voir les deux sites suivants : http://www.larousse.fr/encyclopedie/nom-commun-autre/distributionnel/44076#328607 et http://www.universalis.fr/encyclopedie/distributionnalisme/2-le-debat-avec-la-linguistique-generative/

[23] Régine Robin, Histoire et linguistique, Paris, Armand Colin, 1973, 306 p.

[24] Ibidem, p.16.

[25] Ibid.

[26] Antoine Prost, Vocabulaire des proclamations électorales de 1881, 1885 et 1889, Paris, PUF, 1974, p.6.

[27] C’est le groupe de Fontenay qui s’en occupe prioritairement. Voici une liste des principaux contributeurs des deux groupes ainsi que leurs successeurs avec le type de travaux qu’ils ont menés : Jean Dubois (directeur de l’équipe de l’ENS St Cloud), Antoine Prost (propose la première étude fondée sur la lexicométrie grâce au Vocabulaire…, op. cit.), Louis Girard, Jean-Philippe Genet (historien du Moyen Âge et de la construction de l’État moderne), Ludovic Lebart (polytechnicien qui a travaillé avec André Salem pour créer le logiciel lexico3), André Salem (linguiste),  Jean-Pierre Faye, Régine Robin (historienne et sociologue, étudie les discours des contre-révolutionnaires), Jacques Guilhaumou (avec Régine Robin, travaille essentiellement sur l’analyse de l’événement à l’ENS de St Cloud), Denise Maldindier (participe avec Guilhaumou dans les années 70 à l’analyse de discours. Son travail de thèse porte sur les discours de la guerre d’Algérie),  Denis Peschanski (analyse le vocabulaire de l’Humanité entre 1934 et 1936), Alphonse Dupront (analyse le vocabulaire des cahiers de doléance).

[28] François Rastier, Arts et sciences du texte, Paris, PUF, 2001, 303 p.

[29] Viallaneix, trouve, dans l’étude de l’œuvre de Michelet, des couples de notions telles que peuple/race, peuple/patrie, peuple/révolution et oublie de justifier ces choix purement personnels. Le concept de mot pivot est expliqué par Jacques Guilhaumou, Discours et événement, op.cit, p.15.

[30] Antoine Prost, un historien spécialiste de la lexicométrie, souligne ce problème : « Une fréquence est un fait brut, sans signification par lui-même. Dans les proclamations de 1881, (…), le terme France est employé 60 fois sur 10.000 mots de texte. Que pouvons-nous tirer de cette constatation ? Rien ». Antoine ProstAntoine Prost, Le vocabulaire…, op.cit, p.14.

[31] Régine Robin, pourtant partisane de la lexicométrie, met en évidence cette dérive : «  En réalité on peut faire dire à l’appareil statistique n’importe quoi » in Histoire et linguistique, Paris, Armand Colin, 1973, p.16

[32]Christian Delacroix, François Dosse, Patrick Garcia, Les courants historiques en France XIXe-XXe siècles, Paris, Gallimard, Folio Histoire, 2005, 724 p.

[33] Logiciel conçu par Max Reinert dans les années 90. Pour en savoir plus voir : http://www.image-zafar.com/index_alceste.htm.

[34] Logiciel créé dans les années 80 pour mettre les textes de la Révolution à disposition. Voir http://www.unice.fr/bcl/spip.php?rubrique38.

[35] Damon Mayaffre, Paroles de président : Jacques Chirac et le discours présidentiel sous la Ve République, Paris, Champion, 2004, 291 p.

[36] L’Analyse Facorielle des Correspondances est une méthode de visualisation des répartitions des mots dans un corpus. J’y reviendrai plus précisément dans un prochain billet voir : voir http://www.quanti.ihmc.ens.fr/-Analyse-factorielle-.html et Philippe Cibois, L’Analyse factorielle, analyse en composantes principales et analyse des correspondances, Paris, PUF,1983, 126 p.

[37]Benjamin Deruelle, « Enjeux politiques et sociaux de la culture chevaleresque au XVIe siècle : les prologues de chansons de geste imprimées », Revue historique, n°655, 2010, pp.551-576.

[38] Tiago Mata, et Claire Lemercier, , « Speaking in Tongues, a Text Analysis of Economic Opinion at Newsweek, 1975-2007 »,  Duke University Center for the History of Political Economy Working Paper, n°2,  2011, http://ssrn.com/abstract=1753164, lien valide le 29/11/11.

[39] Dominique Maingueneau, L’analyse du discours, introduction aux lectures de l’archive, Paris, Hachette supérieur, 1991,268 p.

[40] Sur ce point voir les réflexions proposées par Émilien Ruiz dans « La boite à outils des historiens : (in)formations numériques pour les jeunes chercheurs », Les aspects concrets de la thèse, 9 juin 2011 : http://act.hypotheses.org/1195 et « Les historiens seront-ils finalement programmeurs ? », La boîte à outils des historiens, 22 sept. 2011 : http://www.boiteaoutils.info/2011/09/les-historiens-seront-ils-finalement.html.

[41] J’ai compris ces seconds éléments d’explication grâce à l’intervention de Benjamin Deruelle à l’occasion d’une conférence sur les usages de la lexicométrie en histoire lors de la 3e édition des « outils informatiques pour les historiens » qui s’est tenue à l’EHESS le 25 octobre 2011 (voir le compte rendu sur La boîte à outils des historiens : http://www.boiteaoutils.info/2011/11/outils-informatiques-pour-les-historien.html)

[42] Aucun des historiens que je cite dans ce billet ne remet en question l’histoire problématisée.

[43] Antoine Prost, Vocabulaire…, op.cit, p.14.