Adapter Prospéro à l’analyse de corpus en espagnol

Juan Carlos Guerrero Bernal

Chercheur du CEPI (Centre d’études politiques et internationaux) de l’Université du Rosario. Coordinateur de l’Observatoire de réseaux et action collective (ORAC) de la même université. Responsable en Colombie du projet Ecos-Nord « Les ressorts de la mobilisation internationale: des contextes locaux aux arènes cosmopolites. Le cas colombien »1.

Depuis septembre 2009, le GSPR et l’ORAC (Observatoire de réseaux et de l’action collective de l’Université du Rosario) ont réalisé plusieurs missions d’échanges scientifiques dans le cadre d’un projet financé par le programme Ecos-Nord et par Colciencias. L’un des objectifs des échanges entre chercheurs français et colombiens a été l’adaptation de Prospéro à l’espagnol, afin de pouvoir introduire cet outil informatique dans le milieu académique hispanophone (non seulement en Colombie, mais aussi dans d’autres pays latino-américains et en Espagne).

Bien entendu, une telle adaptation a exigé un travail de création d’un jeu standard de dictionnaires permettant à Prospéro de lire les structures textuelles de corpus en espagnol. Ce billet vise à présenter de manière synthétique le travail réalisé pour la constitution de ces dictionnaires. Il s’agit essentiellement d’expliquer la méthodologie et les procédures adoptées, tout en soulignant un certain nombre de difficultés et de questions qui ont émergé tout au long du travail effectué.

Une telle synthèse est nécessaire, étant donné qu’il est important de savoir de quelle manière et avec quels critères a été construit le jeu standard de dictionnaires qui est maintenant disponible à tout chercheur souhaitant accomplir un travail interprétatif  en espagnol à l’aide de Prospéro. Soulignons d’emblée qu’un bon usage du logiciel suppose toujours de réfléchir à la structure et au contenu des dictionnaires avec lesquels les corpus sont traités. Ceci veut dire que le jeu standard de dictionnaires en espagnol n’a pas a été conçu pour produire des analyses complètement automatisées de toutes sortes de corpus. Il sert seulement de point de départ du travail interprétatif. C’est pourquoi le chercheur doit toujours réfléchir aux ajustements des dictionnaires qu’il faut faire pour analyser un corpus spécifique.

Si les futurs utilisateurs de Prospéro en espagnol peuvent s’intéresser particulièrement à ce billet, il peut également être utile aux non hispanophones, notamment ceux qui envisagent de travailler avec le logiciel dans d’autres langues. En effet, les méthodes et procédures que nous avons adoptées pour constituer un jeu de dictionnaires en espagnol peuvent probablement servir d’inspiration et de guide, notamment des langues latines proches du français comme le portugais.

Première étape : identifier les terminaisons du dictionnaire « dictio.cfg »

La première étape du travail d’adaptation de Prospéro à l’espagnol fut l’identification de la liste de terminaisons de mots qui permet au logiciel de typifier automatiquement les termes qui apparaissent dans les textes en tant qu’entités, qualités, épreuves et marqueurs. Cette liste de terminaisons pour la langue française se trouve dans un fichier appelé « dictio.cfg »2, il contient aussi une série de mots qui permet à Prospéro d’identifier les langues dans lesquels ont été rédigés les textes des corpus soumis au logiciel3. Pour l’espagnol, nous avons introduits plusieurs mots qui indiquent une forte probabilité que les textes d’un corpus soient en espagnol, à savoir: él, una, y, del, en, a, y, las, con, los, que, el, nos, por, su, los, hoy, ayer, para, la, o, un, por, es, pero, muy, luego, más. Cette liste a été établie en considérant que, dans n’importe quel texte en espagnol, on a de fortes chances de trouver ces mots outils à plusieurs reprises. Dans ce même fichier, il est possible d’introduire des listes de terminaisons des mots pour d’autres langues, de telle sorte que Prospéro puisse, lors d’un premier traitement des corpus, faire par lui-même un travail de typification de nombreux mots présents dans les textes.

Pour établir la liste des terminaisons de mots en espagnol, nous avons repris la liste de terminaisons pour la langue française existantes dans le fichier « dictio.cfg » afin de tester s’il y avait des équivalents qui pourraient également fonctionner pour l’espagnol. Nous avons décidé de procéder ainsi étant donné la proximité entre le français et l’espagnol (deux langues latines). Pour faire le test, nous avons utilisé Prospéro de la manière suivante :

  1. En travaillant sur un corpus de textes en français, nous avons utilisé la fonction « Recherche par préfixe/suffixe » de Prospéro4, pour y introduire un par un chaque élément de la liste des terminaisons de mots pour la langue française. En utilisant l’option de recherche par la terminaison des mots, nous avons obtenu des listes de mots en français présents dans le corpus qui correspondaient aux terminaisons du fichier dictio.cfg.
  2. En prenant comme référence les mots en français obtenus pour chaque terminaison, nous avons cherché leurs équivalents en espagnol afin d’imaginer ensuite des terminaisons qui pourraient éventuellement être utilisées pour typifier automatiquement des mots d’un corpus en espagnol. Ces possibilités ont ensuite été testées sur un corpus de textes en espagnol en utilisant la fonction du logiciel « Recherche par préfixe/suffixe ». Le test était simple à réaliser : à l’aide de Prospéro, nous obtenions des listes des mots pour chaque terminaison de l’espagnol qui pouvait apparemment nourrir le fichier « dictio.cfg » et nous vérifions si ces mots étaient vraiment d’un type spécifique (une entité, une qualité, une épreuve ou un marqueur). Ainsi, nous nous sommes rendus compte, par exemple, que la terminaison « cial », utilisée pour typifier comme qualités de nombreux mots en français (par exemple : social, spécial, commercial, etc.), équivalait à la terminaison « ial » en espagnol car celle-ci renvoyait aussi à une longue liste de qualités (par exemple : social, oficial, mundial, etc.).
  3. Bien sûr, toutes les terminaisons de la langue française n’avaient pas toujours un équivalent en espagnol. Néanmoins, au fur et à mesure que nous avons réalisé les tests, nous avons trouvé ou imaginé des nouvelles terminaisons possibles pour l’espagnol qui n’existaient pas en français. À chaque fois que ces possibilités ont émergé, nous avons fait de nouveaux tests pour les valider ou les rejeter5. Ces éléments nous ont conduits, par exemple, à établir que la terminaison « iones » permettait de repérer de nombreuses entités dans les corpus en espagnol (condiciones, operaciones, acciones, relaciones, aviones, etc.).

Cette première étape du travail a duré un peu plus d’un semestre, mais elle nous a permis d’épargner du temps par la suite car nous sommes parvenus à construire des listes de terminaisons de mots assez longues (c.f. l’Illustration 1) avec lesquelles Prospéro est capable de typifier automatiquement un grand nombre de vocables d’un corpus en espagnol6.

Une partie de la liste des terminaisons utilisées pour identifier des mots qui peuvent être typifier comme épreuves

Illustration 1 Une partie de la liste des terminaisons utilisées pour identifier des mots qui peuvent être typifier comme épreuves

Deuxième étape : construire les dictionnaires de concepts

La deuxième étape fut la traduction des représentants des dictionnaires de concepts (les Êtres-fictifs@, les Collections* et les quatre classes de Catégories). Là, de nouveau, nous avons pris comme point de repère initial les versions des dictionnaires en français et, en regardant leur contenu, nous avons établi les représentants correspondants en espagnol. Au cours de ce travail de traduction, nous avons essayé au maximum de standardiser les types qui se trouvent à l’intérieur de chaque entrée pour les Etres-fictifs@ et les Collections*. Par exemple, pour les Etres-fictifs@, nous avons souvent utilisé les types suivants : le « générique », les « formes spécifiques », les « variations » ou « les représentants » (c.f. Illustration 2). Pour les Collections*, nous avons établi d’autres types comme : « liste », « mots clés » ou des listes spéciales pour rassembler des représentants en considérant comme critère de classification un pays (c’est-à-dire, des listes de partis politiques séparées pour la France et la Colombie ou des listes de chaînes de télévision différenciés pour la France, les États-Unis, l’Angleterre et la Colombie) (c.f. Illustration 3).

Les représentants de l’être fictif « PARAMILITARES@ »

Illustration 2 Les représentants de l’être fictif « PARAMILITARES@ »

Les représentants de la collection « TELEVISION* »

Illustration 3 Les représentants de la collection « TELEVISION* »

Il convient ici de faire quelques remarques à propos de certains choix effectués pendant ce travail de traduction des dictionnaires de concepts. D’abord, nous en avons profité pour nous interroger sur la pertinence du contenu de ce que nous avons trouvé dans les dictionnaires en français pris comme point de repère. Ainsi, nous n’avons pas réalisé une traduction littérale des dictionnaires en français. Il n’était pas toujours évident de comprendre pourquoi un représentant se trouvait dans une entrée spécifique d’un dictionnaire de concepts. Certainement ces représentants « bizarres » avaient été introduits parce qu’à un moment donné un chercheur a considéré qu’un tel choix faisait sens dans son travail d’interprétation d’un corpus spécifique. Puisque les mots n’acquièrent leur sens que par rapport à un contexte d’énonciation, on ne doit pas s’étonner de trouver dans les entrées des dictionnaires des représentants qui paraissent « mal classés », mais qui en réalité renvoient à un contexte d’énonciation très particulier. Néanmoins, à chaque fois que nous avons eu des doutes sur la pertinence de la présence d’un mot ou d’une expression, nous avons fait le choix de ne pas l’inclure dans les dictionnaires en espagnol. Nous avons procédé de cette manière car notre but était d’élaborer un jeu standard de dictionnaires pouvant être initialement utilisé avec n’importe quel corpus. Autrement dit, nous avons tenté au maximum de classer les mots et les expressions en considérant leurs significations les plus proches du sens commun et non pas celles dérivées d’un contexte d’énonciation en particulier. Cette remarque est importante pour les futurs utilisateurs des dictionnaires en espagnol qui doivent être attentifs aux sens spécifiques que certains mots ou expressions peuvent prendre dans leurs corpus, et qui doivent donc enrichir ces dictionnaires.

D’autres types de questionnements ont surgi à l’égard de certaines entrées des dictionnaires en français qui ne nous paraissaient pas avoir beaucoup de cohérence. C’est le cas, par exemple, d’une entrée du dictionnaire de Catégories d’entités appelé « Sociologie politique » (c.f. l’Illustration 4). En regardant de près les représentants de cette catégorie, nous nous sommes demandé pour quoi se trouvaient ensemble des mots tels que « aristocratie », « anarchisme », « Démocratie », « extrême gauche », « gouvernance », « impérialisme », « parlement ». Nous n’avons pas réussi à déceler la cohérence de cette catégorie dont la majorité des représentants en espagnol étaient déjà classés soit dans certains être fictifs comme ANARQUISTAS@ (anarchistes), LA-IZQUIERDA@ (la gauche), ou CONGRESO@ (Parlement), soit dans certaines catégories d’entités comme Retórica democrática (rhétorique démocratique) ou Modos de denuncia (modes de dénonciation). Ce genre d’entrées des dictionnaires en français dont la cohérence ne nous semblait pas évidente, nous les avons ignorées pour la création du jeu de dictionnaire en espagnol.

Les représentants de la catégorie d’entités en français appelée « Sociologie politique »

Illustration 4 Les représentants de la catégorie d’entités en français appelée « Sociologie politique »

Une fois que nous avons fini le travail de traduction du français à l’espagnol, nous avons enrichi les dictionnaires de concepts avec de nouveaux représentants en recourant à des dictionnaires de synonymes disponibles sur Internet. De cette manière, nous avons réussi à construire un jeu de dictionnaires de concepts en espagnol très complet. La Table 1 synthétise, avec quelques exemples, la dimension du travail effectué au niveau des dictionnaires de concepts.

Table 1 Présentation synthétique du travail réaliséau niveau des dictionnaires de concepts en espagnol

Type de dictionnaire

(Designation en français = designation en español)

Quantité d’entrées pour chaque dictionnaire

Trois exemples de classes différentes contenus dans chaque un des dictionnaires avec quelques représentants

Êtres fictifs (Personnages) = Seres ficticios (Personajes) 97 entrées différentes de personnages contenant un total de 2492 représentants - Le personnage appelé ACTORES-ARMADOS@ contient des représentants comme : milicia armada (milice armée), partes beligerantes (parties belligérants), actor armado (acteur armé), grupo armado(groupe armé), etc.- Le personnage appelé ECOLOGISTAS@ contient des représentants comme : ecologista (écologiste), los verdes (les verts), movimientos ecológicos (mouvements écologiques), Verdes(Verts), etc.- Le personnage appelé CONGRESO@ contient des représentants comme : poder legislativo (pouvoir législatif), Congreso de la República (Congrès de la République), legislador (législateur), congresistas (parlementaires), etc.
Collections = Colecciones 81 entrées différentes de collections contenant un total de 5401 représentants - La collection appelée PAISES* contient des représentants comme : Colombia (Colombie), Francia (France), Angola (Angola), China(Chine), etc.- La collection appelée AGENCIAS-ONU* contient des représentants comme : ACNUR (HCR), UNESCO, Alto Comisionado de Naciones Unidas para los Derechos Humanos (Haut commissaire des Nations Unies pour les droits de l’homme), Junta Internacional de Fiscalización de Estupefacientes(Junte internationale pour la fiscalisation des stupéfiants), etc.- La collection appelée PARTIDOS-POLITICOS* contient des représentants comme : Partido Liberal (Parti libéral), AD-M19, Partido Comunista (Parti communiste), Partido de la U (Parti de l’U), etc.
Catégories d’entités = Categorías de entidades 92 entrées différentes de catégories d’entités contentant un total de 7618 représentants - La catégorie appelée Violencia y malos tratos contient des  représentants comme : agresión (agression), asesinato (meurtre), golpes (coups), homicidio(homicide), etc.- La catégorie appelée Modos de protesta contient des  représentants comme : huelga de hambre (grève de la faim), luchas sociales (luttes sociales), marchas (marches), movilización social(mobilisation sociale), etc.- La catégorie appelée Inquietud contient des  représentants comme : aprehensión (appréhension), desconfianza (méfiance), angustia (angoisse), ansiedad (anxiété), etc.
Catégories de marqueurs = Categorías de marcadores 77 entrées différentes de catégories de marqueurs contentant un total de 5761 représentants - La catégorie appelée Hipótesis-Apariencia contient des  représentants comme : es probable que (il est probable que), al parecer (il paraît que), aparentemente (apparemment), podría ser(pourrait être), etc.- La catégorie appelée Ejemplificación contient des  représentants comme : por ejemplo (par exemple), en los casos en que (dans les cas où), como cuando (comme lorsque), como en el caso de(comme dans le cas où), etc.- La catégorie appelée Equivalencia contient des  représentants comme : como si (comme si), de igual manera (de la même manière), lo mismo (le même), comparables a (comparables à), etc.
Catégories d’éprueves = Categorías de pruebas 56 entrées différentes de catégories d’épreuves contentant un total de 5492 représentants - La catégorie appelée Vigilar-verificar contient des  représentants comme : ausculten, verifiquen (vérifient), supervisen, inspeccionen, etc.- La catégorie appelée Unir contient des  représentants comme : asocien(associent), fundieron, ensamblaban, unifiquen (unifient), etc.- La catégorie appelée Sensibilizar contient des  représentants comme : sensibilizar (sensibiliser), llamar la atención (appeler l’attention), advertir (avertir), avisar, etc.
Catégories de qualités = Categorías de cualidades 50 entrées différentes de catégories de qualités contentant un total de 6887 représentants - La catégorie appelée Terminación-clausura contient des  représentants comme : finalizada (finalisée), terminadas (finies), acabado (achevé), cerradas(fermées), etc.- La catégorie appelée Sublime contient des  représentants comme : maravillosa (merveilleuse), monumental (monumentale), radiante (rayonnante), magnífica(magnifique), etc.- La catégorie appelée Emociones contient des  représentants comme : felices (heureux), enamorados (passionnés), deprimido (déprimés), emocionada (émue), etc.

 

Troisième étape : nourrir les dictionnaires de base

La dernière étape a consisté à alimenter les principaux dictionnaires de base (entités, épreuves, qualités, marqueurs, mots outils, prénoms).

Table 2 Présentation synthétique du travail réalisé au niveau des dictionnaires de base en espagnol

Types de dictionnaires de base

Désignation en français = désignation en espagnol

(nom du dictionnaire en espagnol)

Un équivalent en termes grammaticaux

Quantité d’entrées pour chaque dictionnaire

Quatre exemples d’entrées

Epreuves = Pruebas

(esp_epreu.dic)

Verbes 2904 entrées mantendría (maintiendrait), sirviéndose (en train de se servir), ha secuestrado (a été enlevée), ser parte (être part),

Entités = Entidades

(esp_etre.dic)

Substantifs 4226 entrées territorio (territoire), bases aéreas (bases aériennes), Consejo Nacional electoral (Conseil nationale électorale), grupo étnico (groupe ethnique)

Qualités = Cualidades

(esp_quali.dic)

Adjectifs 2132 entrées pluralista (pluraliste), en vigor (en vigueur), atroces (atroces),  justo (juste)

Marqueurs = Marcadores

(esp_marqu.dic)

Formes adverbiales 2764 entrées nada (rien), aquí (ici), en virtud de (en vertu de), de uno u otro modo (d’une manière ou d’une autre),

Mots outils = Palabras herramientas

(esp_outi.dic)

Pronoms, articles, etc. 1343 entrées yo (je), que (que), las (les), esas (celles-ci)

Prénoms = Nombres

(prenoms.dic)

Prénoms de personnes 2681 entrées (y compris les prénoms en français) Álvaro, Sergio, Mauricio, Juan Carlos

Nous avons débuté par les mots outils (palabras herramienta), en faisant en repérage sur Internet de toutes les formes d’articles définis ou indéfinis, des pronoms, prépositions, etc. Nous nous sommes appuyés sur des manuels de grammaires pour faire une liste exhaustive des mots outils en espagnol.

Le dictionnaire d’épreuves (pruebas) a été ensuite nourri sur la base de ce que nous avions trouvé dans des corpus et en construisant des formules avec lesquelles nous avons identifié des formes verbales composées du genre « avoir appris » (haber aprendido) ou « être éveillé » (ser despertado). Ces formules peuvent être chargées sur d’autres corpus par les futurs utilisateurs du logiciel afin de nourrir le dictionnaire d’épreuves en espagnol (cf. Illustration 5).

Formule créée pour identifier des formes verbales composées en espagnol

Illustration 5 Formule créée pour identifier des formes verbales composées en espagnol

Enfin, les autres dictionnaires ont été nourris surtout manuellement, en typifiant des mots à partir des listes d’indéfinis7. Ce processus est cependant confronté au problème récurrent de la polysémie d’un mot en fonction de sa place et/ou de sa fonction au sein d’un énoncé. C’est le cas par exemple du mot secuestrado (sequestré) qui peut être classé comme une entité si il est précédé d’un article défini ou indéfini (el secuestrado / le séquestré), comme une épreuve dans une forme verbale composée (ser secuestrado / être séquestré), ou comme une qualité (hombre secuestrado / homme séquestré). Toutefois, l’usage des formules de Prospéro permet de simplifier ce travail de codage : elles permettent de repérer les formes verbales composées dans lesquelles le mot s’insère (cas dans lequel il s’agit d’une épreuve) ou si le terme est accompagné d’un article défini ou indéfini (cas dans lequel il s’agit d’une entité). Néanmoins, l’effort qui consiste à typer les indéfinis n’a pas de sens s’il n’est lié à un projet précis d’analyse du corpus.


Juan Carlos Guerrero présente Prospéro

  1. programme du Comité ECOS-Nord 2009-2012. Coordination pour le GSPR : Francis Chateauraynaud et pour l’Université de Rosario à Bogota : Juan Carlos Guerrero []
  2. lorsque le logiciel est installé pour la première fois, ce fichier est normalement placé dans C:\Program Files\DOXA\prospero\dictio.cfg []
  3. sous la borne  [IDENTIFICATION_LANGUE]. []
  4. Voici l’accès à la fonction depuis les menus de Prospéro : Outils → Recherche par préfixe et suffixe. []
  5. Bien entendu, ce genre de tests doivent être produits sur des corpus contenant un nombre significatif de textes. Autrement, il n’est guère possible de valider ou de rejeter avec un haut degré de certitude les options repérées pour établir les listes du fichier « dictio.cfg ». []
  6. La liste complète des terminaisons du fichier « dictio.cfg » utilisée pour identifier les qualités en espagnol se trouve en dessous de la balise « [TERM_QUALITE] espagnol » ; l’identification des épreuves s’effectue en dessous de la balise « [TERM_EPREUVE] espagnol » ; les terminaisons pour identifier les entités sous la balise « [TERM_ENTITE] espagnol » ; et la liste des terminaisons pour identifier les marqueurs en dessous de « [TERM_MARQUEUR] espagnol ». Le fichier « dictio.cfg » contient par ailleurs une liste des mots ou d’abréviations qui normalement servent dans les textes pour introduire des personnes. Cette liste dans laquelle se trouvent des mots comme señor, doctor ou ministro est en dessous de la balise « [INTRO_PERSONNE] espagnol ». Enfin, le fichier « dictio.cfg » inclut une liste de pronoms en espagnol en dessous de « [PRONOMS] espagnol ». []
  7. Les listes d’indéfinis sont des listes de mots d’un corpus que Prospéro ne parvient pas à typifier car il ne trouve ni terminaison ni dictionnaire pour les classer automatiquement. Les indéfinis doivent être typifiés par le chercheur, sauf s’ils n’ont aucune portée pour l’analyse du corpus. Pour accéder à cette liste il faut suivre le chemin suivant : Modes d’accès → Listes → Indéfinis. []

Imprimer ce billet Imprimer ce billet
This entry was posted in Logique d'enquête. Bookmark the permalink.

Laisser un commentaire

Votre adresse de messagerie ne sera pas publiée.

Vous pouvez utiliser ces balises et attributs HTML : <a href="" title=""> <abbr title=""> <acronym title=""> <b> <blockquote cite=""> <cite> <code> <del datetime=""> <em> <i> <q cite=""> <strike> <strong> <embed style="" type="" id="" height="" width="" src="" object="" allowfullscreen="" allowscriptaccess="" cachebusting="" bgcolor="" quality="" flashvars=""> <iframe width="" height="" frameborder="" scrolling="" marginheight="" marginwidth="" src=""> <object style="" height="" width="" param="" embed=""> <param name="" value="">