L’expression du pronom personnel sujet en français médiéval : étude de la variation dans les textes du XIIe au XIVe siècle

Compte-rendu de la séance du mercredi du 31 mars 2021 du master Humanités Numériques de l’École nationale des Chartes

La dernière séance de séminaire du master humanités numériques du 31 mars 2021 s’ouvre par une présentation liant linguistique romane et humanités numériques. Ce premier projet de recherche porte sur l’expression du pronom personnel sujet dans les textes du XIIe au XIVe siècle.

Ce sujet est un des points caractéristiques de la langue ancienne. En effet, le latin autorise l’omission du pronom sujet et ce jusqu’à l’ancien français, qui fut longtemps considéré comme une langue à sujet nul. Aujourd’hui contrairement aux autres langues romanes, le français a adopté l’expression obligatoire du sujet grammatical.

À l’époque médiévale, deux entités linguistiques coexistaient et s’influençaient entre elles, le latin « savant » et le latin de la vie de tous les jours, la langue parlée. Nous sommes donc face à deux codes distincts, et le latin des érudits tend à laisser la place au latin parlé. Ce dernier s’émancipe et devient une langue à part entière. La construction de la nouvelle langue orale est liée à l’évolution culturelle et sociale dont le XIIIe siècle est marqueur. Cette période de plurilinguisme place la recherche dans un cadre interdisciplinaire : les chercheurs peuvent lier une étude statistique sur la fréquence d’apparition des pronoms sujets sur un axe à la fois diachronique et diatopique. En effet, chaque région possède un système langagier qui la caractérise, cela engendre une vitesse d’évolution et d’unification de la langue différente dans chaque zone linguistique pouvant impacter l’expression du pronom sujet. C’est jusqu’au XIIIe siècle que le pronom sujet n’appartient pas pleinement à la zone verbale et se distingue du pronom sujet clitique du français moderne. « Le mot « clitique » correspond à un mot outil qui permet de relier deux propositions et qui, phonétiquement, se prononce comme un préfixe ou un suffixe. La place grammaticale d’un clitique détermine la signification du mot » (définition du dictionnaire). La cliticisation transformera le pronom sujet dès l’ancien français. Ce processus de grammaticalisation le placera alors entre un élément lexical indépendant et un affixe, le faisant perdre certaines de ses propriétés.

On peut distinguer trois caractéristiques notables pour le pronom sujet en ancien français : son expression non obligatoire (lié le plus souvent à ces phénomènes syntaxiques), sa disjonction avec le verbe et son autonomie. Autrement dit, une grande souplesse est permise dans l’ordre des mots grâce à la richesse de la morphologie verbale. Cette dernière suffisait pour récupérer le référent associé au sujet lorsque celui-ci est éloigné dans la phrase, comme en latin.

Plus tard, la langue véhiculaire qui s’est tournée vers le parler de l’Île-de-France, région de langue d’oïl, bénéficie d’un rayonnement au-delà de ses frontières linguistiques et se diffuse grâce aux écrits juridiques des chartes, entre autres. Même si la francisation s’est faite indépendamment dans chaque domaine dialectal et n’a pas eu la même évolution, le parler parisien marque les prémices d’une utilisation quasi-obligatoire du sujet pronominal. Le sujet pronominal est ici étudié sur l’expression, la position et l’accentuation.

Même si la production orale nous fait défaut, un corpus a été constitué pour représenter au mieux ce à quoi ressemblait la langue de l’époque. Cette étude explore les microsystèmes présents dans les textes, mettant en évidence des régularités, des ressemblances et des différences. On observe une vacillation par le polymorphisme, l’instabilité syntaxique et les diverses conditions d’expression et de non-expression dans chacun des textes du corpus, tout cela plus ou moins organisé par des règles syntaxiques et grammaticales.

Le but de cette recherche linguistique diachronique est double : il s’agit de reconstruire l’état de langue, de la grammaire des locuteurs à un moment donné dans l’histoire et de suivre l’évolution de cette grammaire à travers le temps. Nous visons donc à décrire l’usage langagier dans un corpus historique pour essayer d’inférer les structures et représentations mentales internes d’un locuteur individuel dans une époque historique.

Ce sujet demande des critères de sélection pour la constitution des textes du corpus, dont une datation et une localisation précise, ce qui répondait au choix de deux corpus numérisés : le Nouveau Corpus d’Amsterdam, composé de textes littéraires en ancien français constitué par Anthonij Dees et ses collaborateurs en 1980, édité par Pierre Kunstmann et Achim Stein. La Docling ou la Collection des Documents linguistiques gallo-romans correspond à un ensemble de textes documentaires médiévaux, corpus rassemblé par Paul Meyer en 1909. « Il est mis en œuvre depuis 1998 par Martin Glessgen en collaboration avec Françoise Vielliard et Olivier Guyotjeannin d’abord (1ère éd. 2009), avec Frédéric Duval et Paul Videsott ensuite (2e éd. 2013) ainsi qu’avec Hélène Carles (3ème éd. 2016) »1. Ce corpus plus homogène permet de confronter la fréquence des pronoms sujets dans les textes littéraires, plus sujets à la variation que les documents juridiques et les chartes, ces derniers respectant une certaine stabilité langagière. La prise en compte du nombre de mot a également son importance pour l’analyse.

Pour uniformiser le corpus, le choix s’est porté pour la XML-TEI. Les avantages de cette méthode sont les suivants : un fichier XML est une sorte d’archive numérique, très stable et compatible avec beaucoup d’autres logiciels et formats divers ; par ailleurs, il y a la possibilité de créer des index en transformant le fichier XML en fichier XSLT ; ce format est proche du HTML, qui permet de faire des pages web, entre autres. Pour la lemmatisation, l’utilisation de la bibliothèque Pie et Pyrrah (développé par l’ENC, pour la post correction) permet de préciser pour chaque mot-lemme et POS (Part Of Speech, les parties du discours pour identifier les catégories de mots) et ainsi faciliter le repérage des pronoms personnels. De plus il s’agit également de repérer les verbes conjugués pour faire apparaître les omissions du sujet pronominal.

Après une première analyse exploratoire sur le logiciel de textométrie TXM2, R Studio est choisi pour interroger les textes, pour le repérage des individus, la fréquence des lemmes les plus utilisés, leurs variantes graphiques et leur contexte d’emploi. Ceci permettra ensuite de mettre en évidence les clusters, les regroupements de textes afin d’observer les rapprochements (méthode des k-means, utilisation d’une classification hiérarchique ascendante). Il s’agit de déterminer où et quand a débuté le changement linguistique. Une représentation multidimensionnelle sera envisageable par l’analyse factorielle des correspondances (AFC) ou par l’analyse en composante principale (ACP). Le calcul du khi2 de conformité, test utilisé pour les observations des répartitions d’effectifs en statistique, révélera l’écart entre les données théoriques et les données trouvées, selon nos hypothèses. Des cas d’ambiguïté ont demandé des retours au contexte, les désinences verbales disparaissant au cours du moyen français. (on peut retrouver la même graphie pour plusieurs mots. Dans ce cas, on trouve la qui peut être un pronom clitique, un déterminant défini ou adverbe. kil peut correspondre à un pronom relatif, à la contraction avec un pronom sujet, qui + il ou avec un pronom objet, qui + le.

Le langage Python permettra également une recherche par requêtes et une représentation graphique. Notre objectif, s’il est possible, est d’obtenir une cartographie à l’image des atlas de Dees pour les pronoms sujets sur une borne chronologique large. Nous pourrons également proposer d’ajouter une comparaison de l’expression et de la position du pronom personnel sujet dans le discours direct en opposition au discours indirect en ancien français.

On observe néanmoins quelques tendances : le changement linguistique débute par la première personne du singulier et la troisième personne du singulier et pluriel présents en grande quantité, la disparition progressive de certaines formes archaïques, une augmentation de la fréquence des pronoms sujets : la progression est linéaire, cela marque une stabilité de la langue et une volonté d’unification et enfin on constate une prédominance de la position pré-verbale. L’étude quantitative montre que l’expression et que l’antéposition est particulièrement associée au verbe de dire, c’est le cas dans les incises.

En ce qui concerne les pistes de recherche, il a été évoqué l’idée d’utiliser le topic modeling,méthode d’apprentissage non supervisée, pour une analyse de la fréquence et de la position du pronom en fonction du thème des textes dans le cadre d’une lecture distante. De plus, il serait intéressant d’approfondir les relations qu’entretient le sujet pronominal avec les autres sujets. Pour les difficultés, le repérage de l’omission du pronom personnel sujet reste encore un point de difficulté dans le projet.

Déterminer les causes d’une évolution est souvent difficile, l’interprétation est risquée. Cela suppose de se fonder sur une analyse exhaustive des données, lesquelles doivent être aussi nombreuses que possible. Cette étude est conçue comme une contribution à une connaissance accrue de l’évolution du sujet pronominal, elle constitue une étape à une meilleure compréhension du phénomène.

Ce projet est en cours de réalisation et la présentation de résultats n’est pas encore possible, mais il démontre tout de même l’intérêt des Humanités numériques dans les analyses textuelles de la langue ancienne.

Références bibliographiques :

Banniard, Michel, ‘Sur La Notion de Fluctuation Langagière En Diachronie Longue (IIIe+ VIIIe s.) à La Lumière Des Enquêtes Dialectologiques Contemporaines’, Revue Belge de Philologie et d’Histoire, 80.3 (2002), 779–88

Blanche-Benveniste, Claire, ‘De Quelques Débats Sur Le Rôle de La Langue Parlée Dans Les Évolutions Diachroniques’, Langue Française, 1995, 25–35

Buridant, Claude, Grammaire Du Français Médiéval:(XIe-XIVe Siècles) (ELIPHI, Éditions de linguistique et de philologie, 2019)

Capin, Daniéla, and Pierre Larrivée, ‘La Disparition Du Sujet Nul En Ancien Français et La Continuité Référentielle’, S. Prévost et B. Fagard (Éds), Le Français En Diachronie. Dépendances Syntaxiques, Morphosyntaxe Verbale, Grammaticalisation, Berne, Peter Lang, 2017, 82–107

Dufresne, Monique, ‘Etude Diachronique de La Cliticisation Des Pronoms Sujets à Partir Du Français Médiéval’, Revue Québécoise de Linguistique, 24.1 (1995), 83–109

Franzén, Torsten, ‘Etude Sur La Syntaxe Des Pronoms Personnels Sujets En Ancien Français’, Neophilologus, 26.1 (1940), 51

Marchello-Nizia, Christiane, ‘De S0 à SV: Vers Le Sujet Obligatoire et Antéposé En Français, Les Dernières Phases d’un Changement’, Journal of French Language Studies, 28.1 (2018), 1–19

Pierre Kunstmann, and Achim Stein, ‘Le Nouveau Corpus d’Amsterdam’, 2008

Prévost, Sophie, ‘Topicalisation, Focalisation et Constructions Syntaxiques En Français Médiéval: Des Relations Complexes’, 2006

Price, Glanville, ‘Sur Le Pronom Personnel Sujet Postposé En Ancien Français’, Revue Romane, 1973

1 Martin Glessgen, en partenariat avec Hélène Carles, Frédéric Duval et Paul Videsott (2016), Documents linguistiques galloromans, troisième édition. Disponible sur : Documents linguistiques galloromans (uzh.ch). (consulté le 10 janvier 2021).

2 Heiden, S., Magué, J-P., Pincemin, B. (2010a). TXM : Une plateforme logicielle open-source pour la textométrie – conception et développement. In Sergio Bolasco, Isabella Chiari, Luca Giuliano (Ed.), Proc. of 10th International Conference on the Statistical Analysis of Textual Data – JADT 2010) (Vol. 2, p. 1021-1032). Edizioni Universitarie di Lettere Economia Diritto, Roma, Italy.

Compte-rendu de la séance du 25 novembre 2020

La production de contenu politique sur Twitter

              Situons tout d’abord le parcours de Tanguy Ruault. Après avoir obtenu une Licence de géographie à la Sorbonne, il intègre le master d’Humanités Numériques de l’université Paris Sciences et Lettres. Au sein de cette formation, il oriente ses recherches sur l’analyse de médias sociaux. Dans le cadre d’un stage réalisé dans une fondation dédiée à la recherche, il participe à la description des discussions des principaux acteurs politiques français sur Twitter. Grâce aux données récupérées lors de ce stage, il analyse dans le cadre de son mémoire de M1 la construction médiatique de l’espace public français sur ce réseau social.

              À partir d’une plateforme qui cartographie les interactions entre les principaux comptes médiatiques et politiques de Twitter, Tanguy Ruault axe sa recherche sur la manière dont les concepts géographiques influencent la construction des problèmes publics. Il retrace notamment les principaux enjeux, c’est-à-dire les événements ou faits susceptibles d’être transformés en problème public par un groupe, de décembre 2019. Cette période est notamment marquée par le débat sur la réforme des retraites, la COP25 et quelques manifestations liées au mouvement des gilets jaunes.

              Il s’agit d’abord d’analyser l’importance des représentations de l’espace dans la constitution du débat public ; comment les différents acteurs médiatiques français parlent-ils des manifestations sur Twitter ? Quels peuvent être les effets de ces discours ? Certains groupes médiatiques traitent-ils davantage certains sujets que d’autres ? Constate-t-on à travers ces traitements une polarisation politique de Twitter ?

              Dans la continuité de cette analyse, l’auteur analyse également la construction de l’espace géographique français à travers les productions médiatiques ; comment certains lieux sont-ils rendus visibles ou non ? L’opposition Paris/province est-elle pertinente pour analyser la construction du débat public à l’échelle nationale ?

              Pour mener cette étude, Tanguy Ruault utilise des données obtenues lors de son stage par la fondation. Les données ont été collectées entre début décembre 2019 et début janvier 2020. A partir de cette base de données et de l’outil Graphika, il analyse les tweets émis par différents groupes médiatiques répartis via un système d’étiquetage en fonction de leurs abonnements.

              Pour analyser les enjeux soulevés en décembre 2019 par les différents groupes médiatiques étudiés, l’auteur a utilisé une analyse par « n-gram » ; un bigramme de mots est un ensemble composé de 2 mots, un trigramme de mots un ensemble composé de 3 mots. L’appellation « n-gramme » correspond ici à tout tri-gramme, bi-gramme de mots ou mot. En lançant une recherche dans la base de données, on peut retrouver ensuite les fichiers contenant les n-grammes souhaités.

              Certains résultats ont pu être observés. On constate par exemple une faible polarisation dans le champ médiatique sur Twitter en France, contrairement à d’autres pays comme les États-Unis. Cette faible polarisation se mesure notamment grâce à la fréquence d’interaction des comptes avec des contenus émis depuis d’autres comptes ayant une étiquette politique différente.

              Sans surprise, certains sujets sont plus traités, voir uniquement traités par certains groupes de médias. Les traitements de ces sujets sont souvent très liés aux convictions politiques des groupes étudiés.

              Si la couverture médiatique des manifestations reste parisiano-centrée, ce qui est notamment lié au fait que les sièges des rédactions se trouvent majoritairement en région parisienne, cela n’épuise pas néanmoins l’analyse des contenus diffusés. En effet, la couverture médiatique des manifestations n’est pas nécessairement fonction du nombre de participants, mais est aussi par exemple fortement influencée par le caractère des évènements qui surviennent. Des circonstances exceptionnelles, comme des dégradations ou des blocages vont avoir tendance à être particulièrement relayées, quel que soit le lieu.

              Dans l’optique d’élargir la discussion, nous avons pu ensuite échanger sur plusieurs points relatifs à cette étude. Puisque les données ont été obtenues par le biais de la fondation, l’auteur a eu peu de souplesse dans le traitement des données et les analyses qu’il a pu mener.

              D’autres limites peuvent être rencontrées en rapport cette fois avec la plateforme en elle-même. Par exemple, il n’est pas toujours évident d’analyser les lieux d’émission des tweets ; contrairement à d’autres médias qui détectent automatiquement le lieu où se trouve l’utilisateur, le système de localisation de Twitter laisse le choix de définir sa propre localisation. Beaucoup de localisations ne sont donc pas forcément fiables.

              De plus, Twitter n’est pas non plus représentatif de toute la population française. Néanmoins, il reste le média social mainstream le plus facilement analysable en termes de données, du fait de son API (Application Programming Interface) relativement accessible. Il est intéressant de voir ici une limite inhérente à l’analyse de médias sociaux qui est celle de l’extraction de données ; l’accès aux API étant limité, il peut être compliqué de trouver des jeux de données structurés, complets et pertinents lorsqu’on veut mener des analyses de ces plateformes.

              Par ailleurs, si l’auteur a ici analysé les n-grams et les hashtags, il pourrait aussi être intéressant de plonger davantage dans les différents outils mis à dispositions des utilisateurs sur Twitter. On pourrait par exemple prendre en compte l’interactivité des tweets ; commentaires postés sous un tweet, nombre de retweets, de likes, de citations, de mentions etc.

              Pour son Master 2, Tanguy Ruault envisage de travailler sur le traitement en ligne du sujet du climat, tout en gardant l’angle d’analyse de la vision et de l’occupation de l’espace public par différents acteurs. En menant un travail de manière plus approfondie sur ce sujet en particulier, il est possible de mieux comprendre l’évolution des discours autour de cet enjeu et donc de mieux identifier la manière dont s’est progressivement constitué ce problème public.

Bibliographie indicative pour cette présentation :

Comby (Jean-Baptiste), La question climatique : genèse et dépolitisation d’un problème public, Paris, 2015 (Cours et travaux).

Neveu (Érik), Sociologie politique des problèmes publics, 2015, doi: 10.3917/arco.neve.2015.01.

Pariser (Eli), The filter bubble: how the new personalized web is changing what we read and how we think, 2012.

Patino (Bruno), Zuckerman (Ethan), Media polarization “à la française” ?, tech. rep., Institut Montaigne, url: https://www.institutmontaigne.org/ressources/pdfs/ publications/media-polarization-a-la-francaiserapport.pdf.

Smith (J.), McCarthy (J. D.), McPhail (C.), Augustyn (B.), “From Protest to Agenda Building: Description Bias in Media Coverage of Protest Events in Washington, D.C.”, Social Forces, 79–4 (Juin 2001), pp. 1397–1423, doi: 10.1353/sof.2001.0053.

Vosoughi (Soroush), Roy (Deb), Aral (Sinan), “The spread of true and false news online”, Science, 9 Mars 2018 : Vol. 359, Issue 6380, pp. 1146-1151, doi: 10.1126/science.aap9559.