Compte-rendu de la séance du 3 novembre 2021

Détection de remploi et analyse stylométrique des sermons d’Augustin d’Hippone et de Césaire d’Arles

À l’occasion de la séance du 3 novembre 2021, nous avons pu assister à la présentation d’Étienne Ferrandi, étudiant en deuxième année de master “Humanités numériques” à l’École nationale des Chartes, qui fut suivie d’une séance de question animée avec l’audience. Professeur certifié en histoire-géographie et diplômé d’un master de recherche en histoire ancienne de l’université d’Aix-Marseille, la spécialisation d’Étienne se situe autour des auteurs de textes religieux issus de l’antiquité tardive. 

Pour son mémoire, Étienne s’intéresse à la question du remploi des sermons d’Augustin d’Hippone (354-430) par Césaire d’Arles (470-542). L’objectif de cette recherche est de mobiliser les outils numériques afin de déterminer dans quelle mesure les sermons d’Augustin ont été réemployés par Césaire. Étienne a ainsi fondé son analyse sur les travaux de Germain Morin, datant du début du XXe siècle, qui a identifié un certain nombre de sermons présents dans les collections de Césaire d’Arles comme étant ceux d’Augustin en étudiant les évolutions du style littéraire. Étienne cherche à comparer les résultats issus de l’analyse philologique (lecture proche) avec ceux qui s’appuient sur des méthodes quantitatives et la lecture distante, selon la formule proposée par Franco Moretti, professeur émérite en littérature à l’université de Stanford et père de la lecture distante, dans les années 1990..

Étienne base son étude sur deux corpus complémentaires : un corpus d’entraînement constitué de sermons d’Augustin remployés par Césaire et un corpus de test avec des textes dont la paternité n’est pas assurée. Son travail s’effectue sur trois volets d’analyse : la détection de remploi, l’analyse stylométrique et le topic modeling.

1 – La détection de remploi

Pour l’étape du preprocessing, qui consiste en la préparation des données pour optimiser leur utilisation, Étienne a sérialisé en XML/TEI différentes versions des sermons présents dans la collection de Césaire d’Arles, à partir des éditions critiques déjà publiées. Il a par la suite utilisé l’outil TEI critical apparatus toolbox1 afin de prendre en compte toutes les variantes des sermons. Enfin, il a procédé à la lemmatisation des textes grâce à l’interface Deucalion2 qui utilise l’API de Pie développée par Thibault Clérice, Pie-extended. Étienne a pu préciser lors de la séance de questions qu’il serait intéressant d’étendre le champ d’application de sa méthode sur des textes fragmentés, anonymes ou simplement dont la tradition manuscrite est hétérogène, afin d’évaluer éventuellement des différentes leçons manuscrites comme outil par exemple pour établir une édition critique.

Une fois ces textes lemmatisés, il passe à la tokenisation, à savoir la transformation du texte en un format exploitable par la machine avec la librairie textreuse en R, où il tokenize ses textes en trigrammes de mots (groupage des mots du texte en 3). Il emploie la méthode du hashing pour transformer les chaînes de caractères en vecteurs de nombres entiers relatifs, pour faciliter la comparaison de séquences. Pour l’étape d’analyse exploratoire, la détection automatique de similarité entre les sermons du corpus s’effectue à l’aide de l’algorithme de Smith-Waterman, issu de la comparaison de séquences d’ADN en biologie, et de l’ approche Locality Sensitive Hashing qui aboutit à la détection des paires de mots proches. Par conséquent, les textes qui présentent les taux de similarité les plus élevés sont les plus intéressants à employer comme cas d’étude pour la lecture proche, sur les axes posés par Moretti. Le remplacement des caractères manuscrits par des vecteurs de nombres soulève chez certains opposants à cette méthode souvent la question de la dénaturation d’un texte écrit par la main de l’homme. Étienne a précisé lors des débats qui suivirent sa présentation qu’il restait sensible à ces questionnements, même s’il préfère rester neutre en ne se positionnant pas directement.

2 – Analyse stylométrique

Afin de déterminer la paternité des œuvres, Étienne procède à une analyse stylométrique. Il utilise d’abord la méthode de classification d’apprentissage machine supervisée : le SVM (Support-vector machine). Ceci concerne le corpus d’entraînement dans le but de rechercher un hyperplan de marge optimal pour séparer les classes comme le montre le graphique ci-dessous. Il s’agit d’un essai sur un sermon dont on sait qu’il est d’Augustin : l’attribution claire du sermon à Augustin est caractérisée par la couleur rouge (classe « AU ») et la détection d’une seconde main intervient avant le 600e mot caractérisée par la couleur verte correspondant à Césaire (classe « CAE »). Pour la dénomination des classes, il reprend la façon dont Roger Gryson nomme les théologiens dans son Répertoire général des auteurs ecclésiastiques latins de l’Antiquité et du Moyen Âge.

Fig 1 - Exemple de classification par SVM sur un texte d'Augustin
Fig 1 – Exemple de classification par SVM sur un texte d’Augustin

Étienne voit des perspectives d’amélioration dans l’utilisation de cette méthode en augmentant la taille du corpus d’entraînement tout en équilibrant le nombre de sermons de Césaire et d’Augustin. Il pourrait également employé d’autres méthodes de classification (KNN, NSC ou naïve Bayes) sur des textes non lemmatisés ou non tokenisés. Après avoir classé les textes avec la méthode SVM, Étienne peut dorénavant classer son corpus à différents types d’analyses :

1- Utilisation de la librairie stylo de R pour faire la Cluster Analysis du corpus de sermons (distance : delta de Burrows). Cela permet de réunir dans des groupes et sous-groupes les sermons selon leur proximité.

Fig 2 – Classification ascendante hiérarchique, dendrogramme pour la classification des sermons

2- L’analyse factorielle de correspondances (AC) toujours sur R et en utilisant la librairie FactoMineR. Elle classe les textes suivant leur distance et par conséquent le dressage d’ un tableau des deux cent mots les plus fréquents dans le corpus sur les dix premiers textes du corpus. Avec le package R wordcloud il a procédé à la création d’un tableau lexical (DocumentTermMatrix) avec le package TM, des mots les plus fréquents et d’un nuage de mots du corpus sans les mots-outils (stopwords)3. Si ces analyses stylométriques sont fondées sur les mots-outils, révélateurs du style propre d’un auteur, Étienne cherche en revanche à les enlever pour les analyses plus thématiques dont le topic modelling car ils ne sont pas révélateurs des principaux sujets abordés. Dans le graphique ci-dessous, les points bleus représentent les mots et leurs occurrences. S’ils sont proches des points rouges, représentant les textes, alors cela signifie qu’ils apparaissent à de multiples reprises dans ledit texte.

Fig. 3 – Graphique issu de l’analyse factorielle de correspondances

3- Classification ascendante hiérarchique via le package R.Temis afin de constituer de groupes de sermons. On obtient un dendrogramme qui rapproche les textes entre eux en créant des groupes et sous-groupes de textes.

Fig. 4 – Représentations en nuage des mots avec le plus d’occurrences

3 – Topic modelling : détermination du choix des sujets abordés

Pour la dernière étape, Étienne a utilisé le package STM (Structural Topic Model) de R pour opérer l’apprentissage machine non supervisé en incluant comme variable les métadonnées des textes du corpus (en particulier l’auteur). 

En reprenant de la méthode Latent Dirichlet Allocation (LDA) les textes sont représentés comme des mélanges aléatoires de sujets (topics) latents (la prevalence topic fait référence à la proportion qu’un document soit associée à un sujet) où chaque sujet est caractérisé par une distribution de mots (topic content – ou proportion de mots utilisés dans un sujet). La génération de chaque occurrence d’un mot est attribuable à l’un des sujets du document via un algorithme d’Espérance-Maximisation (EM), qui fonctionne tel une inférence bayésienne : Itération de la mise à jour, le teste et  l’évaluation des paramètres de topic content et de prevalence topic jusqu’à ce que le modèle converge. Dans ce cas précis, l’exécution d’un tel algorithme donne lieu à un une classification des topic selon leurs occurrences dans les sermons, représentés par le graphique suivant.

Fig. 5 – Graphique affichant les topics et leur proportion au sein du corpus

À l’occasion de la séance de questions, Étienne précise que l’étape qui suit le topic modeling représente davantage alors la lecture proche, une analyse philologique proprement qualitative qui se base sur des données quantitatives générées par un algorithme.

Pour conclure, un nombre considérable d’outils des humanités numériques ont été employés pour répondre aux besoins de l’analyse des sermons d’Augustin par rapport à ceux de Césaire d’Arles. L’approche d’Étienne donne un nouveau souffle à l’état de l’art du sujet. Il reste à voir à l’achèvement de son projet comment cette analyse quantitative répond aux besoins et aux questionnements posés et comment elle contribue à la problématique, son apport global restant de toute manière très innovant et prometteur.

Bibliographie

Blei (David M.), Ng (Andrew Y.) et Jordan (Michael I.), « Latent Dirichlet Allocation », J. Mach. Learn. Res.3–null (mars 2003), Publisher : JMLR.org, p. 993-1022.

Burghart (Marjorie) et Rehbein (Malte), « The Present and Future of the TEI Com-munity for Manuscript Encoding », Journal of the Text Encoding Initiative – Issue 2 (févr. 2012), doi:10.4000/jtei.372.

Eder (Maciej), Rybicki (Jan) et Kestemont (Mike), « Stylometry with R : A Package for Computational Text Analysis », The R Journal, 8–1 (2016), p. 107, doi:10.32614/RJ-2016-007.

Kestemont (M.), Moens (S.) et Deploige (J.), « Collaborative authorship in the twelfth century : A stylometric study of Hildegard of Bingen and Guibert of Gem-bloux », Digital Scholarship in the Humanities, 30–2 (juin 2015), p. 199-224.

Lebart (Ludovic), Pincemin (Bénédicte) et Poudat (Céline), Analyse des données textuelles, Québec, 2019 (Mesure et évaluation, 11).

Pinche (Ariane), Camps (Jean-Baptiste) et Clérice (Thibault), « Stylometry for Noisy Medieval Data : Evaluating Paul Meyer’s Hagiographic Hypothesis », dans DigitalHumanities Conference 2019 – DH2019, Utrecht, Netherlands, 2019, url:https://hal.archives-ouvertes.fr/hal-02182737.

  1. http://teicat.huma-num.fr []
  2. https://tal.chartes.psl.eu/deucalion/latin []
  3. Sélection issue de la liste du site Perseus http://www.perseus.tufts.edu/hopper/stopwords []