Archives par mot-clé : linguistique

Le projet PALM – Plateforme d’Analyse Linguistique Médiévale

http://palm.huma-num.fr/PALM/

Responsables scientifiques : Jean-Philippe Genet, Christopher Fletcher, Aude Mairey (LaMOP)

La plateforme d’analyse linguistique PALM est une plate-forme d’analyse linguistique en ligne qui, associée à la bibliothèque de textes médiévaux disponibles en accès libre MEDITEXT, permet de constituer, de gérer et de lemmatiser automatiquement un corpus de textes en trois langues : latin, moyen français et moyen anglais. Les textes de la bibliothèque sont exportables sous trois formats (HYPERBASE, Lexico3 et TXM), soit sous leur forme originale, soit sous forme lemmatisée, l’objectif étant de permettre un traitement textométrique. La lemmatisation automatique repose pour chacune de ses langues sur un tagger et sur un dictionnaire, le tagger étant entraîné sur le dictionnaire. Mais la lemmatisation automatique laisse subsister une proportion non négligeable de formes ambigües (une forme qui peut correspondre à plusieurs lemmes différents, le contexte immédiat ne permettant pas de trancher) et de formes qui ne correspondent à aucun lemme du dictionnaire. La résolution des ambiguïtés et l’addition de nouveaux lemmes au dictionnaire enrichit donc celui-ci : au fur et à mesure de la lemmatisation des textes et après chaque campagne de lemmatisation importante, le couple tagger-dictionnaire est mis à jour et donc amélioré.

Après les quatre années du programme SAS financé par l’ERC, le logiciel qui fait fonctionner la plate-forme et qui a été développé par Mourad Aouini donne toujours pleine satisfaction ; Mourad Aouini, qui utilise le logiciel pour sa thèse de doctorat en ingénierie linguistique et est vacataire dans une équipe du CNRS, en a assuré la maintenance et a apporté des améliorations significatives. Il sera disponible pour l’entraînement des taggers si nous améliorons les dictionnaires : c’est d’ailleurs ce qui s’est passé pour le dictionnaire de moyen anglais, langue pour laquelle de nouveaux textes ont été introduits dans la bibliothèque par Christopher Fletcher et par Aude Mairey, tandis que les lemmatisations étaient validées par une philologue du CESCM de Poitiers. Le présent projet porte sur le latin médiéval, langue pour laquelle nous voudrions améliorer nos outils en profitant du fait que Mourad Aouini ne s’est pas encore éloigné de notre laboratoire. Le travail de lemmatisation a été commencé dans le cadre de SAS par Laura Albiero, mais elle a surtout utilisé des textes, d’ailleurs fort difficiles, de latin poétique insulaire. Le dictionnaire latin, grâce à son noyau primitif constitué par les lemmes issus du dictionnaire du latin médiéval conçu par Michel Parisse et Monique Goullet est cependant de bonne qualité, mais il doit encore être amélioré par le traitement de textes appartenant à des corpus que nous n’avons pas ou peu abordés jusqu’ici, comme les textes de latin scolastique. Par ailleurs, l’un des objectifs initiaux de MEDITEXT était de rassembler l’ensemble des textes ressortant du champ du politique en France, en Angleterre et il nous paraît utile de mettre à la disposition de la communauté scientifique à la fois le full-text et le texte lemmatisé. En effet, chaque utilisateur peut lemmatiser un texte pour son propre usage dans le cadre de son espace de travail mais cela prend un certain temps et tous les chercheurs n’ont pas forcément une bonne formation philologique dans nos trois langues de travail.

Il serait donc très utile de pouvoir mettre à la disposition de la communauté scientifique des versions lemmatisées de grands textes politiques médiévaux, puisque l’absence d’orthographe fait de la lemmatisation une phase préalable et nécessaire au traitement textométrique de ces textes. Nous avons donc projeté la lemmatisation systématique d’un corpus de textes politiques qui doit servir au développement de méthodes statistiques d’exploration des corpus diachroniques que Stéphane Lamassé et Jean-Philippe Genet ont l’intention de présenter au prochain colloque JADT à Nice en Juin 2016. Le corpus est constitué de 12 textes, auxquels seront ajoutés si possible ceux du Defensor Pacis de Marsile de Padoue, le De ecclesiastica potestate de Gilles de Rome, un sous-corpus de textes de soutien à Philippe le Bel et, plus tard, la traduction latine de la Politique d’Aristote. Le parti pris est celui de la diachronie, en rupture avec l’exigence canonique de la synchronie affirmée par les théoriciens de la linguistique de corpus. C’est que nous ne nous situons pas dans l’optique de la production des textes, mais dans celle de leur lecture (ou audition). Le De Civitate Dei de Saint Augustin figure ainsi dans ce corpus parce que c’est le livre « politique » le plus lu (et de très loin) pendant toute la période médiévale (comme l’atteste l’enquête BIB menée par Jean-Philippe Genet sur les « bibliothèques » individuelles anglaises de 1100 à 1550 et qui porte sur environ 40000 mentions de livres), le De Officiis de Cicéron ne reparaissant dans les bibliothèques qu’à la seconde moitié du XVe siècle. L’un des points forts du corpus est la présence du De Regimine principum rédigé par Gilles de Rome à l’attention du futur Philippe le Bel, le texte politique phare produit pendant la période médiévale, dont subsistent aujourd’hui plus de 300 manuscrits pour 29 versions en dix langues : il n’y a pas d’édition moderne de ce texte et grâce au programme SAS, le LAMOP a pu faire numériser le texte d’une édition romaine du XVIe siècle. Les deux textes de la fin du Moyen âge, le De vita, moribus et regimine principum adressé vers 1356-1358 à Pierre IV par l’Infant Pierre d’Aragon que nous devons à la générosité d’Alexandra Beauchamp et le Tractatus de Regimine Principum ad regem Henricum Sextum adressé vers 1438-1440 à Henri VI d’Angleterre sont là comme simples témoins de l’évolution de la langue du conseil politique, car leur diffusion a été très limitée à la différence de celle des autres textes qui peuvent presque tous être considérés comme des « best-sellers » médiévaux.

Le principal obstacle à la mise en place de ce corpus lemmatisé est celui du temps. Si environ 80% des formes sont lemmatisées automatiquement – mais même ces formes doivent être vérifiées, car un lemme nouveau peut être confondu avec un lemme déjà présent dans le dictionnaire ce qui génère une lemmatisation fautive – il reste environ 20% de formes correspondant à des lemmes nouveaux ou dont l’ambigüité doit être résolue. Grâce au soutien du consortium COSME, nous avons pu commencer ce travail, en lemmatisant le « De Regimine Principum » de Gilles de Rome. En utilisant les ressources linguistiques ainsi créées, nous allons pouvoir améliorer la performance de PALM pour la langue latine, suite au réentrainement des taggeurs et du enrichissement des dictionnaires à base de cette première lemmatisation.