Adapter Prospéro à l’analyse de corpus en italien : le travail effectué à partir d’un corpus de textes réglementaires et législatifs

Fabio MARCODOPPIDO

membre du laboratoire PRINTEMPS (CNRS-UVSQ UMR 8085) et ATER à l’IUT de l’Université d’Orléans.

Ce billet, qui  existe aussi en version italienne : Adattare Prospéro all’analisi di corpora in lingua italiana : breve presentazione di un lavoro effettuato sur un corpus di testi normativi e legislativi, s’inspire de la démarche suivie par Juan Carlos Guerrero Bernal (Universidad del Rosario, Bogota) afin d’adapter les dictionnaires de Prospéro à l’espagnol.

Si l’on choisit d’utiliser un logiciel comme Prospéro, conçu et développé principalement pour des corpus en français, l’analyse d’un corpus en langue italienne présuppose un travail d’adaptation de dictionnaires. Cette phase préliminaire est nécessaire car les opérations de calcul du logiciel présupposent des catégorisations qui ne sont pas indépendantes de la langue du corpus et de l’objet sociologique traité. Je me suis trouvé face à ce travail d’adaptation lorsque, dans le cadre de mon travail de thèse, je me suis proposé d’analyser un corpus de textes réglementaires et législatifs concernant les politiques psychiatriques en Italie1. Ce billet présente de manière synthétique le travail réalisé, pas à pas, pour la constitution des dictionnaires en langue italienne. Un bon usage du logiciel suppose toujours de réfléchir à la structure et au contenu des dictionnaires avec lesquels les corpus sont traités2.

marco1

1. Première étape : faciliter le typage automatique par l’identification de terminaisons régulières

Dans le cas d’une première analyse d’un corpus en langue italienne, tous les mots sont, dans un premier temps, typés dans la catégorie des « indéfinis ». Vider progressivement cette catégorie c’est donc le premier objectif d’un travail d’adaptation. Pour automatiser cette étape, j’ai d’abord travaillé sur la liste de terminaisons de mots qui permet au logiciel de typer rapidement les termes qui apparaissent dans les textes en tant que substantifs, adjectifs, verbes, adverbes, articles. Pour établir cette liste de terminaisons, qui se trouve normalement dans le fichier « dictio.cfg », j’ai consulté des manuels de grammaire et des dictionnaires sur Internet. J’ai pu ainsi introduire ces terminaisons directement dans ce fichier afin d’automatiser cette étape (c.f. par exemple, l’illustration 1 et le tableau 1).

Illustration 1. Une partie de la liste des terminaisons utilisées pour identifier des verbes italiens afin de les typer dans la catégorie Épreuve

Illustration 1. Une partie de la liste des terminaisons utilisées pour identifier des verbes italiens afin de les typer dans la catégorie Épreuve

Tableau 1. Les listes des terminaisons utilisées pour typer les différentes catégories grammaticales

Catégorie grammaticale Catégorie  Prospéro Principales terminaisons en langue italienne
Substantifs Entités accio, aggine, aggio, aglio, aglia, aio, aia, aiolo, ame, ano, ante, ente, anza, astro, enza, ario, ata, ato, eria, esca, esimo, età, eta, eto, etto ezza, fice, fero, ia, iere, iera, igia, ile, ina, ino, ìo, ione, ismo, ista, ità, ito, tù, itudine, izia, legio, mento, oio, orio, olaio, oide, ota, oto, ore, otto, tteria, sore, tore, tura, uccio, ucolo, uto, trice, uglio, ura, uta, vendolo, zione, archia, filia, grafia, logia, mania, teca, iatra, scopia
Adjectifs Qualités ale, ambulo, bile, ario, ese, evole, ico, issimo, oso, tivo, istico
Verbes Épreuves are, ere, ire, arre, orre, urre, aimo, ate, ano, ete, ono, ite, erò, erai, erà, eremo, erete, eranno, irò, irai, irà, iremo, irete, iranno, ò, rà, à, emo, ete, anno, avo, avi, ava, avamo, avate, avano, evo, evi, eva, evamo, evate, evano, ivo, ivi, iva, ivamo, ivate, ivano, ai, asti, ammo, aste, arono, ei, etti, emmo, este, erono, isti, immo, iste, irono, esti, emmo, este, ero, assi, asse, assimo, aste, assero, essi, esse, essimo, este, essero, issi, isse, issimo, iste, issero, erei, ereste, erebbe, eremmo, ereste, erebbero, irei, iresti, irebbe, iremmo, ireste, irebbero
Adverbes Marqueurs mente
Articles Mots outils Il, lo la, gli, li, le, etc.

Cette liste permet au logiciel d’effectuer une première catégorisation automatique, mais l’opération effectuée n’exclut pas des erreurs d’étiquetage. J’ai dû, en effet, manuellement apporter des corrections pour les mots ayant des terminaisons communes à plusieurs catégories grammaticales. À partir de la fonction « Recherche par préfixe/suffixe » du logiciel, j’ai pu vérifier et, éventuellement, corriger cette première catégorisation de mots qui, malgré leur terminaison, ne font pas partie de la catégorie dans laquelle le logiciel les avait classifiés. C’est le cas de mots qui se terminent en -are ou en -ire, et qui ne sont pas des verbes, comme singolare (singulier) et familiare (familial), ou lire (l’ancienne unité monétaire de l’Italie). Les dictionnaires ont été ensuite nourris manuellement, à partir de la liste des mots indéfinis qui n’avaient pas été reconnus lors de l’étiquetage automatique. J’ai pu ainsi également continuer à travailler et typer des mots dont la terminaison n’avait pas été prise en compte dans la liste de départ, comme par exemple la terminaison –uto. Dans ce cas, j’ai pu typer des mots comme venuto (venu) et muto (muet) respectivement dans la catégorie des verbes et des qualités. Toujours au cours de cette étape, le dictionnaire des verbes a été nourri sur la base de ce que j’ai trouvé dans mon corpus et en construisant des formules. Ces dernières ont permis d’identifier des formes verbales composées, du genre sono delegate (« sont déléguées ») ou avere verificato (« avoir vérifié »). Sans négliger l’évidente polysémie de la langue, toutes ces opérations ont été menées après avoir étudié leur contexte d’emploi. Le logiciel permet, en effet, de revenir rapidement aux textes et aux contextes lexicaux d’origine de chaque mot.

Illustration 2. Une partie de la liste des verbes typés dans la catégorie « épreuves » à partir de la terminaison -ire


Tableau 2. Présentation synthétique du travail réalisé pour la définition des dictionnaires de base en italien

Désignation en français = désignation en italien

(nom du dictionnaire en italien)

Quantité d’entrées pour chaque dictionnaire Quatre exemples d’entrées

Épreuves = Prove

(ital_epreu.dic)

6 248 entrées assicurare (assurer), sarà (sera), sono nominati (sont nommés), usufruire (bénéficier)

Entités = Entità

(itla_etre.dic)

10 322 entrées interventi (interventions), territorio (territoire) direttore (directeur), articolo (article)

Qualités = Qualità

(ital_quali.dic)

4 803 entrées regionale (régional), sanitario (sanitaire/de la santé), professionale (professionnel), pubbliche (publiques)

Marqueurs = Marcatori

(ital_marqu.dic)

895 entrées Annualmente (chaque année), implicitamente (implicitement), inutilmente (inutilement), sicuramente (surement)

Mots outils

(ital_outi.dic)

460 entrées di (de), il (le), alla (à la), per (pour)

Nombres

(ital_nombr.dic)

393 entrées

 

 

Illustration 3. Liste des Entités

Illustration 3. Liste des Entités

 

2. Seconde étape : définir les dictionnaires de concepts

La seconde étape a consisté à définir la liste des formes et des expressions lexicales de dictionnaires de concepts (les Êtres-fictifs, les Collections et les Catégories). Comme pour les dictionnaires travaillés lors de la première étape, je disposais déjà de quelques catégories en italien, précédemment traitées par Federico Ferretti, mais la plupart étaient en français. Mon but principal était de fabriquer des classes pouvant être utilisées pour l’analyse de mon corpus sans pour autant me priver de la base de catégories mises au point en français. Cette exigence m’a poussé à faire le travail suivant : j’ai d’abord procédé en essayant de traduire en italien les catégories et les représentants déjà disponibles en langue française et que j’estimais en rapport, même indirect, avec les questions émergentes du corpus. Il s’agit bien entendu de catégories générales comme « LOI@ » (LEGGE@) pour les Êtres-fictifs, ou « relations familiales ». Ensuite, j’ai dû créer des catégories de toute pièce car il n’existait pas d’équivalent dans les dictionnaires français, comme par exemple l’Être-fictif SSN@ (Système Sanitaire National) ou 180@ (loi de réforme psychiatrique n° 180). J’ai pu, pour cette étape, former des classes à partir de dictionnaires mis au point lors de la première étape de travail et en utilisant des formules du logiciel. Celles-ci permettent d’opérer des recherches en croisant entités, qualités, épreuves, marqueurs et mots outils. En ce qui concerne les collections, je me suis essentiellement concentré sur un petit nombre, en me limitant à traduire le nom de quelques collections en français mais pas leurs représentants. Enfin, puisque mon travail visait tout d’abord l’analyse de mon corpus d’enquête, j’ai supprimé les catégories en français qui ne correspondaient pas à ce que disaient les auteurs-acteurs, ce qui permettait au passage d’avancer dans mon analyse. Cela m’a permis d’utiliser plus aisément la liste de concepts en italien, aux fins de mon enquête. La traduction des catégories que je n’ai pas pu travailler pourrait sans doute être poursuivie au cours d’une prochaine étape d’adaptation et par des futurs utilisateurs italiens de Prospéro.

Illustration 4. Les représentants de la catégorie « Logica della rete » (Logique du réseau)

Illustration 4. Les représentants de la catégorie « Logica della rete » (Logique du réseau)


Tableau 3. Présentation synthétique du travail réalisé pour la définition des dictionnaires de base en italien

Type de dictionnaire

(Désignation en français = designazione in italiano)

Quantité d’entrées pour chaque dictionnaire Des exemples de classes différentes : nom de la classe et quelques uns de ses représentants en italien
Êtres-fictifs = Personaggi 118 entrées différentes de personnages contenant un total de 1107 représentants
  • SSN@ (Service Sanitaire National)
    SERVIZIO SANITARIO NAZIONALE, Servizio Sanitario Nazionale, SSN, Servizio sanitario nazionale, servizio sanitario nazionale.
  • SOCIOLOGI@ (sociologues) SOCIOLOGO, Sociologo, Sociologi, sociologo.
  • CORPO-MEDICO@ (corps médical) medico, medici, medici di medicina generale, Medici, MEDICO.
  • ARTICOLO@ (Article) articolo, ARTICOLO, articoli, Articolo, Articoli.
Collections = Collezioni 60 entrées différentes de collections
  • REGIONI* (Régions) : Abruzzo, Campania, Basilicata, Molise.
  • MINISTERI-ITALIANI* (Ministères italiens) : Ministero dell’Interno, Ministero della Difesa.
Catégories d’Entités = Categorie di Entità 75 entrées différentes de catégories d’entités
  • Tutela politiche sociali (Politiques sociales) : difesa della salute, politiche per gli anziani, politiche per i minori.
  • Categorie di beneficiari (Catégories de bénéficiaires) : alienati, ammalato psichico, disabili psichiatrici, utenti psichiatrici.
Catégories de marqueurs= Categorie di Marcatori 25 entrées différentes de catégories de marqueurs
  • Estenzione temporale (extension temporelle) : decennale, pluriennale, ventennale
  • Necessità/urgenza (nécessité/urgence) : drasticamente, tempestivamente, prioritariamente
Catégories d’Épreuves= Categorie di Prove 56 entrées différentes de catégories d’épreuves
  • Delegare (déléguer) : possono essere delegati, essere delegate, può essere delegato, sono state delegate,
  • Cambiare (changer) : realizzare, riconvertire, trasformare, superare
Catégories de qualités = Categorie di qualità 36 entrées différentes de catégories de qualités
  • Territoriale/Periferico (territorial/ périphérique) : comunale, distrettuale, locale, multizonale, provinciale
  • Importante/Essenziale (important/essential) : vitale, colossale, cruciale, decisiva

3. Étape à venir : enrichir les dictionnaires de base et les concepts

Au cours du travail d’adaptation présenté ici, j’ai enrichi les dictionnaires de base et les jeux de concepts avec les représentants qui se présentaient au cours de mon analyse. Ainsi, un travail systématique de traduction de tous les dictionnaires disponibles en français reste à accomplir. De plus, comme cela a été le cas pour l’adaptation à l’espagnol, le travail peut être sans doute prolongé en recourant également à des dictionnaires de synonymes disponibles sur Internet. Une communauté d’utilisateurs italiens de Prospéro pourrait ainsi voir le jour, afin de construire un jeu de dictionnaires de base et de concepts toujours plus riches et plus complets.

marco2

  1. Constitué autour de la question psychiatrique en Italie, ce corpus formé de 283 textes (20142859 octets) couvre une période de 50 ans, de 1960 à 2010. []
  2. Dans le cadre du séminaire Socio-informatique des controverses que j’ai suivi de 2011 à 2013 à l’École des Hautes Études en Sciences Sociales (EHESS), j’ai pu bénéficier d’échanges avec les concepteurs et avec des utilisateurs du logiciel. De plus, les connaissances nécessaires pour mener ce travail d’adaptation à la langue italienne, ont été développées au cours d’une formation qui a eu lieu au GSPR. J’ai mené ensuite une collaboration en 2012 avec Federico Ferretti, alors ingénieur d’études dans ce laboratoire, qui avait déjà commencé le travail d’adaptation que j’ai entrepris de prolonger. Voir, à ce propos les textes sur « l’amiante au tribunal ». Prolonger son travail de création de dictionnaires permettant à Prospéro de lire les structures textuelles de corpus en italien, n’aurait pas été possible sans son soutien initial. []

Laisser un commentaire

Votre adresse de messagerie ne sera pas publiée.