Pratiques d’annotation de corpus 1.0

Exemplaires de travail, Push et Trainspotting

Dans mon temps libre (comprendre : le temps qui ne me sert pas ni à faire des trajets à travers la France, ni à donner des cours, ni à corriger), j’écris ma thèse.

Pour écrire ma thèse, j’ai besoin d’autopsier, de découper et de recoller une sorte de Frankenstein de corpus, moitié fiction, moitié internet, moitié dialecte, moitié netspeak, moitié vernaculaire. Ça fait trop pour une seule femme (et un seul tableau Excel).

Pour l’annotation du corpus internet, je ferai un message (une fois que j’aurai compris le moyen de tout mouliner automatiquement, je me fendrai certainement d’un tutoriel dans la partie Ressource–pour le moment, le corpus est recueilli à la main comme des grappes de raisin dans un vignoble).

 

En revanche, en voyant les progrès de mes pratiques d’annotation in situ, dans le livre même, et le site So Book Online qui est une mine concernant l’annotation, j’ai décidé de faire un billet. Pour parler à la fois de la porosité entre média papier et média computerisé, et des particularités d’annotations académiques et textométriques que je réalise.

Certains amis littéraires s’inquiètent que, en partant d’une œuvre, j’arrive à un découpage presque sadique des éléments graphiques et/ou dialectaux. J’ai presque envie de leur dire “c’est bien pire que ça, les gars. Je fais des statistiques et des pourcentages de fréquence, ainsi que des observations phonétiques et/ou graphophonémiques avec des tableaux et des diagrammes en camembert[1] .” Certains amis moins cyborg que moi s’inquiètent que je sois dans une sorte d’entre-deux flottant Cloudesque et ne comprennent pas pourquoi mon agenda pro et des notes diverses se trouvent en ligne, au lieu d’être dans un bon vieil agenda. J’ai envie de leur dire “c’est bien pire que ça, les gars. Ma liste de courses et les journaux que je lis sont aussi numériqués[2]”.

Je travaille sur Push et Trainspotting. Je dispose d’une copie physique et d’une copie numérique des deux ouvrages (ainsi que d’une copie physique des films tirés de ces oeuvres, et d’une copie numérique des sous-titres en anglais). Le tout sert à écrire un premier lexique des deux dialectes de l’anglais qui m’intéressent (l’afro-américain vernaculaire et le Scots, respectivement), et à repérer des séquences graphiques alternatives et/ou appartenant aux deux dialectes étudiés.

Il était hors de question, pour moi, d’annoter directement le corpus numérique. En plus, j’estime qu’un livre vit avec son propriétaire, qu’il doit être le témoin physique du temps passé en sa compagnie. Rien ne me glace plus qu’un “tiens, je vais te prêter un bouquin qui m’a plu”… Et de me rendre compte que le livre en question est comme neuf, pas corné, la reliure intacte, la page de garde vierge. Là, j’ai envie de sortir les gants blancs et de le lire comme un incunable précieux précieux, et il faut que je résiste à mes habitudes de lectrice tout-terrain, à une main dans le métro.

Idem, pour les livres prêtés par mon directeur de thèse : hors de question de les abimer, j’ai donc recours à divers rajouts de post-its, ou à l’annotation hors-livre, dans mon fidèle carnet qui me suit un peu partout. Même cas pour les livres récupérés au fil des années; j’ai quelques ouvrages annotés de main de linguistes célèbres, donc strict verboten de mettre mes gros doigts pleins d’encre dessus, ou des annotations de travers réalisées dans le métro, ce qui, somme toute, est très embêtant (mais assez enivrant : j’aime bien voir l’auteur du livre et l’auteur des notes comme une sorte de grand tout avec lequel je suis d’accord ou non, mais qui sera de toute façon plus intéressante qu’une lecture à cru, bien que plus contraignante, puisque je ne pourrai pas poser mes réflexions forcément ultra-pertinentes dans les marges déjà prises).

Justement, je suis amusée par ce billet, où la sacralisation de l’oeuvre passe par la séparation de la seconde voix, celle du lecteur, qui sépare son activité active de celle passive, de lecture. Pour moi, la “sacralisation” du livre passe par l’ajout de notes (et il m’arrive de relire des livres des années plus tard, et de compléter mes premières annotations de lecture).

Bref, l’objet physique-corpus littéraire doit vivre, et pour se faire, doit subir mes assauts. Il n’est pas rare que j’ajoute des blocs de 4-5 post-its sur la page de garde histoire d’annoter en sortant des marges, par exemple. Idem pour mes cours manuscrits (le tapuscrit est plus simple, je triche sur la mise en page), où je découpe des rajouts de pages, des volets en plus et des post-its en pagaille.

 

Repérages grammaticaux et lexicaux, Push

 

Revenons-en à Push et Trainspotting. Ici, sur Push, l’annotation est multiple : le surligneur rose sert à voir les usages grammaticaux non standard, le jaune pour les graphies alternatives. Et parfois, une note manuscrite en plus, pour isoler un type de phénomène rencontré. Et les signets jaunes servent à montrer les différentes parties, et les plus petits signets bleus et roses, les chapitres ou les sous-parties des ouvrages. Tout ceci fait partie intégrante de l’annotation, puisque j’ajoute du sens et/ou des clefs de lecture des oeuvres selon mes besoins. L’annotation est donc sémiotiquement signifiante, mais pas forcément rédigée ou écrite.

Push, annoté

C’est le premier ouvrage qui a été disséqué, et, forcément, la technique est peu élégante, voire erronée (mais je voudrais vous y voir, un surligneur dans chaque main, le stylo dans la bouche, à travailler sur un livre, aussi !). Ces annotations ont développé mon ambidextrie, et suscité des regards curieux dans le métro; il est très très rare que je travaille en silence, et j’aime assez pouvoir m’isoler dans la foule.

Ces annotations seraient mortes sans l’exploitation multimédia que j’en fais (la constitution d’un lexique pour pouvoir étiqueter chaque élément de mon corpus internet). En fait, le livre physique n’est qu’un vecteur vers une vie supérieure, le tronçonnage dans un tableau et le passage à un Treetagger customisé pour séparer les graphies alternatives du reste, et les différents usages langagiers dont je parle dans ma thèse (en gros, le nirvana de la vie de ces livres).

Trainspotting, doubles annotations

Pour Trainspotting, le travail est plus élégant. On voit que j’ai un peu amélioré mes techniques de travail, entre le surlignage bourrin systématique, et le repérage sobre des formes alternatives. J’ai choisi les pages 22-23 pour montrer le passage d’une technique à une autre. P. 22, on a du repérage systématique, p. 23, j’ai recours aux points sous les mots pour signaler que je les ai déjà étiquetés dans mon lexique écossais. Il faut dire que j’avais déjà plus de 200 léxèmes différents, et qu’il fallait que je puisse trouver la première occurrence d’un mot pour pouvoir le commenter.  “Thum”, c’est “them” ou “thumb” avec une réduction de groupe consonantique final ? Voire un scottisme non apparenté à l’anglais ? Sans contexte, point de salut. D’où raffinement de la technique de corps.

 

Le travail d’annotation est donc réalisé à moitié dans le livre, à moitié dans un tableau d’étiquetage. L’étiquetage, c’est la taxinomie de tous les phénomènes importants pour moi : Est-ce une retranscription de l’oral, avec des “cu-maauugghhnn” pour montrer la parole sous influence du personnage ? Un “DUUUHHH” d’interjection méprisante ? Plus dur, est-ce qu’on écrit “beyotch” pour “bitch” parce qu’on a peur d’être censuré, ou parce qu’on remet la graphie en ligne avec ce qu’on aurait prononcé ? (Parallèle en français : la scène de “La Vie est un Long Fleuve Tranquille”, où D. Gélin traite un personnage de “salope”. Ou de “saloooope” ? Voire de “laaaaa SA-lope” ?)

L’annotation devient donc complexe, et hautement informatisée. C’est là où je remercie tout le monde d’être née à un moment cyborg, où on peut passer 35h à programmer un script, ou plus à écrire un tableau propre des lexèmes rencontrés et des lemmes auxquels ils appartiennent, pour ensuite appuyer sur un bouton et voir la machine autopsier le contenu du corpus et les instructions qu’on lui a données, pour produire du sens interprétable et fiable.

Première étape : l’étiquetage sous Excel

 J’utilise volontairement (je reste malicieuse, même dans le sérieux) des métaphores médicales, mais je sais que ces annotations physiques et celles, mécaniques, de la machine, sont tout sauf mortes : elles sont un tremplin à l’annotation de mon corpus internet, qui ne va qu’enrichir et rendre encore plus vivant mes lexiques divers.

Étiquetage (erroné) de Trainspotting, premier passage sous Treetagger

***

Du coup, ça a été un peu délicat, lors de mon travail, de prêter Push à une amie qui voulait le lire. J’ai fait des “eeeuh, mais tu sais eeeeuh, j’ai *beaucoup* écrit dedans… Beaucoup beaucoup…”. Et pourtant, elle l’a embarqué et l’a lu en un temps record. Moi qui y voyais un ouvrage-clé-vers-un-Frankenstein-de-thèse, elle n’y a vu que Push et les émotions que ce livre remue dans tous les lecteurs (qu’évidemment, je ne peux que vous conseiller, sauf si c’est un peu la déprime en ce moment, vu qu’il n’est pas très tagada-tsoin-tsoin). Comme quoi, malgré les notes et les rajouts, on peut n’y voir que la première voix, celle de l’auteur.

 

En plus, les signets collants de mes livres bougent et évoluent : en faisant cet article, je me suis rendue compte qu’il manquait un marqueur à Push. Ce qui peut être dû à un transport hardi dans un sac de cours, ou à une intervention féline. Évidemment, il m’arrive aussi de changer moi-même l’ordre des marqueurs et/ou de les remobiliser ailleurs. Comme quoi, ces annotations mobiles (les signets) ont aussi toute leur légitimité, tout autant que les annotations immobiles des marges ou des mots.

Toutes ces annotations sont très différentes de celles qui ornent mes livres de chevet de thèse, où il ne s’agit plus de chipoter sur un seul mot mais de comprendre ou analyser une phrase particulièrement intéressante ou pertinente. Ou, d’ailleurs, à manifester mon agacement quand je ne suis pas d’accord avec ce que je lis (qui ne recoupe pas forcément cette catégorie d’annotation puisque je suis plus dans l’ironie narquoise et/ou la rectification du tort fait à la science, of course). D’ailleurs, mes petites parenthèses dans le cœur de ce message (et des autres) ne sont que d’énièmes annotations linéaires, certes, mais omniprésentes.

Plus qu’une créature de Palimpsestes (je sais que je fais un heureux quand je cite Genette, rien que le titre), je suis une créature  de métatextualité (dis donc, comme ça sonne pédant ! C’est pour ça que je limite souvent les citations) dans le sens où l’annotation n’est qu’un commentaire paratextuel qui est lui-même l’origine de toute une théorie développée dans ma thèse (comme je dis à chaque fois, venez à ma soutenance, ça me fera peur/plaisir). Un peu comme une chenille qui redémarre, œuvre papier écrite/orale/retranscrite -> œuvre numérisée et annotations -> lexique 1.0 -> corpus multimédia numérique indigène -> lexique 2.0 -> statistiques fines -> aboutissement numérique (que je donnerai à imprimer physiquement avec une belle reliure) -> thèse papier avec un CD-rom (qui sera elle-même annotée, manuellement et/ou numériquement par diverses mains– c’est l’instant “accroche tes mains à ma taille/faut pas que la chenille déraille”).

 

Mise à jour : 14/12/12 : Après la rédaction de ce billet, j’ai continué à annoter devant l’enfant d’un universitaire. Je lui ai montré mon Trainspotting, qu’elle a regardé d’un air docte, et a dit “C’est marrant, papa fait pareil. Il écrit aussi dans les marges des livres. Moi, j’ai l’impression qu’il est pas d’accord, et qu’il corrige.” Ça m’a étrangement plu, cette interprétation de l’annotation.

 

Références :

Chatillez, E. (1988) La vie est un Long Fleuve Tranquille. [DVD] France : TF1 Vidéo

Jahjah, M. (2010) So Book Online [site internet] http://www.sobookonline.fr/ Dernière consultation : 14 décembre 2012

Sapphire, . (1996). Push :a novel. New York: Vintage Contemporaries.

Welsh, I. (2011). Trainspotting. London: Vintage.

Les photographies ont été commises à mon bureau de travail; on peut donc y apercevoir un Bescherelle ouvert et également orné de petits signets chamarrés.

 

 

  1. Ce qui n’a pas que des désavantages; je peux aussi me glisser entièrement dans ma peau linguiste, oublier mon rôle de lectrice, et résister vaillamment aux assauts mentaux des scènes les plus trash des deux opus. Bon, ok, j’ai peut-être un peu pleuré en lisant Push, et j’ai peut-être un peu résisté à une nausée montante en lisant Trainspotting, mais c’est rien en comparaison d’une lecture fervente au premier degré. []
  2. Pour des raisons évidentes et/ou techniques : une liste de courses manuscrite est faite pour être égarée et/ou laissée sur un bureau surchargé, et un journal papier sert souvent uniquement à être déchiqueté par des griffus qui ne comprennent même pas le concept de lecture. []

Dans la jungle de l’arbre à perles

[Dernière mise à jour : 20/01/2013]

 

A droite, vous pourrez voir un lien vers mon Pearltree, qui est en fait une vraie jungle. Il contient des liens internet répartis par intérêt, dont voilà la liste presque exhaustive, au cas où vous en auriez besoin.

Présentation rapide du concept :

Pearltree, c’est une sorte de compromis entre une carte mentale et un Scoopit, où on peut “perler” (soit, ajouter) des éléments dans des arbres complets et séparés, ou dans des branches en vue d’un tri ultérieur.

L’inscription est gratuite (bien qu’il existe des comptes Premium à 45€/an) et les arbres sont mis à disposition de tous; en plus, on peut explorer les arbres voisins par intérêts connexes, et le tout est synchronisable entre un téléphone (application iPhone native, mais possibilité de mettre un “bookmarklet” sous n’importe quel navigateur) et son ordinateur (une option “Pearler” existe sous Chrome, Firefox, Explorer…).

Bref, c’est très pratique, et assez intuitif puisque les éléments se déplacent d’un simple glisser-déposer, et que l’on peut non seulement perler des pages internet, mais aussi des photos, des notes, des vidéos… C’est une sorte d’Evernote en carte mentale et entièrement public, si vous appréciez la comparaison (personnellement, je me sers d’Evernote pour préparer mes cours, et de Pearltree pour gérer les milliers d’onglets que j’ouvre sous mon navigateur. Au moins, si je ne finis pas une recherche immédiatement, je peux hiérarchiser les informations plus tard, et/ou les rouvrir n’importe où… Du coup, ma RAM et mon navigateur me disent merci).

 

Cet article sera remis à jour périodiquement pour s’adapter aux changements d’architecture de Pearltree.

Mes Pearltrees :

a) Sur la linguistique computationnelle :

Python Forum Scraping : pour récupérer des données de forums sous Python, mais il contient aussi des informations générales sur Python et des outils pratiques.

Treetagger : qui contient aussi des outils pour faire communiquer Treetagger avec R ou avec Python

b) Par sujets :

Phonetics (le plus petit), complété par un arbre Winpitch et un arbre Praat 

Readability : sur les outils de Flesh-Kincaid, et le calcul du FOG, ou Frequency of Gobbledygook. Ce sont surtout des outils en ligne pour comprendre la lisibilité de textes (article à venir)

Computer-Mediated Communication : Références en CMO (communication médiée par ordinateur), avec quelques liens vers des livres intéressants

c) Sur mes recherches :

AAVE Generators : scripts internet pour transcrire l’anglais standard en afro-américain. J’étudie ce genre de scripts, ce qui ne veut pas dire que je soutiens forcément l’initiative.

Scots : surtout sur les graphies alternatives de l’écossais (notamment dans Trainspotting).

Il contient aussi d’autres branches, comme un lien vers ce blog, une vers Marie-Anne Paveau (MAP) avec quelques références, une autre sur le facework (que je vais certainement transformer en arbre seul une fois que j’aurai assez de liens), et deux-trois liens pas encore triés mais potentiellement amusants (un testeur de mot de passe, dont je vais parler dans ces colonnes; et un article Wikipedia sur la fréquence des lettres qui est pas mal pour un début, avec sa biblio).
J’ai aussi des liens vers Webscraping with Python et Web Mining, des initiatives collectives qui me semblent assez synpathiques, et qui complètent un peu mes arbres sur la collecte d’informations avec Python.

 

Libre à vous de vous (en)  servir; un petit merci ne fait jamais de mal (et surtout, si vous avez des idées de liens, n’hésitez pas à m’en faire part).

Le syndicat du crime est un plat italien

Avant propos :
Ce message est plus compréhensible en phonologue :
<> est utilisé pour la graphie,
// pour les transcriptions phonémiques
[] pour les transcriptions phonétiques.
Les transcriptions ont été réalisées par une professionnelle et ont été vérifiées avec Wells (2008).
Ne tentez pas de reproduire ceci chez vous.

Merci

 

En affinant mon corpus de thèse (j’ai encore honte du manque d’automatisme entre “corpus en liberté” et “Pauquémaunesque entité étiquetée et statistiquement observable”), c’est-à-dire en copiant et collant des messages de forums innocents dans un tableau Excel gigantesque, il m’arrive de rompre la monotonie en lisant de travers ce qu’ils racontent, mes locuteurs de dialecte.

Parfois, c’est anecdotique (pour le moment graphophonémique où je suis; la discursiviste dans le placard se frotte déjà les mains), et parfois, leurs productions sont étonnantes. Et justement, je suis tombée sur un message que je vous livre, intégral,  dans sa pure simplicité :

 

“Real G’s move in silence like lasagna”.

 

G, je le sais bien, c’est le gangster. Mais quid de la lasagne ? La lasagne… silencieuse ? Qui bougerait…? Comme un gangster…?

 

Après l’étourdissement suivant les réflexions sur les implications de la lasagne et des membres de gangs, puis l’évanouissement compréhensible, et, enfin, l’utilisation de sels pour revenir à moi, cette phrase a remué un sentiment de déjà-vu. Mais comment ? D’où connais-je ? Le côté incongru de la lasagne associée à mes amis et la sourde certitude de connaissance m’ont fait penser à un Text from Bennett (qui fut un Tumblr assez populaire en 2011, consistant en captures d’écran laullesques de SMS entre Bennett, un petit jeune qui voulait faire son loubard, et son cousin, l’auteur du blog. Apparemment, c’est un fake, mais c’était très amusant. La chose que j’avais surtout retenue de ce site était  Hustla da Rabbit. Le nom de la peluche de Bennett).

Du coup, je me suis jetée dans les bras de Google.

Qui m’a dit “Ce sont des paroles d’une chanson. Plus précisément, 6 foot 7 foot, de Lil Wayne”. Ce qui ne m’avance pas tellement plus, vu que je n’écoute pas de rap dans le civil. Ca m’a amenée vers un site qui explique les paroles des chansons de hip-hop, parfois assez obscures entre les afro-américanismes et l’argot personnel. Bref, Rap Genius m’a ouvert ses portes, ses explications et, en bonus, un beau morceau de folk phonologie m’attendait : ” Le <g> de “lasagne” est muet en anglais, alors qu’en italien il est prononcé /ɲ/”. Apparemment, c’est la raison pour laquelle Lil Wayne s’est lancé dans une comparaison aussi provocante que saugrenue.

On retrouve la même démonstration dans les commentaires de cette vidéo sur Youtube (où l’utilisateur a astucieusement placé les paroles, comme ça on comprend encore mieux Lil Wayne. “Real G’s move in silence” est à 2:30-2:33). On admire au passage le manque de compréhension de TheRocklobster qui souligne l’incongruité des paroles avec des “fucking” d’intensification :

Source : Youtube; commentaires de la vidéo [url

Bon. La phonologue en moi reprend le dessus. Déjà, il me semble que ce <g> graphique n’est pas si silencieux que ça du tout, puisqu’il entraîne une palatalisation post/n/ qui s’articule très clairement (dans la bouche de Lil Wayne comme dans celle de Wells) [ləˈzɑːnjə], avec /j/… Mais ai-je raison ?

Les tests :

Les mots commençant en <gna-> en anglais (comme gnats,  “moucherons”) sont prononcés suivant la règle de phonologie simple de l’anglais, c’est à dire “quand la séquence <gn> se trouve dans la même syllabe, le <g> n’est pas prononcé”. Et aucune palatalisation suivant le <n>, tout le monde reste sagement à sa place. En milieu de mot, j’ai trouvé la séquence <-gna-> dans agnate et agnatic (agnat, agnatique, qui ne relève que du côté masculin d’une ascendance familiale par exemple), qui se syllabifie en ag.nat.(ic), et où, du coup, on a une prononciation /ˈæg neɪt/ ou /ægˈnæt ɪk/. Bref, pas l’ombre d’une palatalisation dans des mots savants, même empruntés au latin, pas non plus en début de mot.

C’est donc vraiment l’hypothèse de base, à savoir “la prononciation de l’italien,  dans la graphie et donc dans la prononciation anglaise,et pour remplacer le /ɲ/, on a bricolé un /nj/ un peu entre-deux, puisqu’on reconnait encore facilement l’italien sous l’anglais” qui tient encore la route.

En tant que française, j’ai plus de facilité à repérer les /ɲ/ (phonème qui n’existe pas à l’état brut en anglais, puisque la séquence graphique <gn> est rare en anglais– <g> n’a qu’une fréquence d’apparition de 2% par rapport aux autres lettres (en bas du tableau de fréquence, <g> est 17è sur 26; ces sources viennent de Cornell, qui a mouliné un corpus pour que je puisse écrire mon blog, en gros). Si j’avais besoin d’encore plus d’eau dans mon moulin, Zim (1962) cite les 20 séquences de deux consonnes différentes les plus fréquentes, mais <gn> n’y figure pas pas.

 

La conclusion :

Lil Wayne, ses amis, les commentateurs Youtube ou Rap Genius, en vérité je vous le dis, rater une petite palatalisation comme ça, c’est quand même moche, les gars.

OK, elle est placée après le /n/ donc on pourrait penser, en innocents de la phonologie, que notre <g>est silencieux comme un G(angster).

Je vous rappelle qu’un “gangster” tel que Lil Wayne le conceptualise est un monsieur avec des *tatouages sur le visage* et certainement, un attachement fort aux Bloods (un des deux grands gangs Afro-Américains), et qu’il se baladerait peut-être du coup avec un bandana *rouge* et des vêtements assortis. Après, on peut être tatoué-bariolé, et posséder d’assez bonnes chaussures pour éviter de faire scrouinch-scrouinch quand on marche, mais l’interprétation est laissée à l’auditeur.

 

Mais là (valorisation de la recherche à 250%), le phonologue peut se gausser et dire ” Si on corrige, Real G’s move in silence like gnats. Votre lasagne, c’est peanuts, je sors ma carte “Palatalisation en Yod”, j’avance d’une case et je me mets confortablement après le <n>. ÉCHEC ET MAT, jeune saltimbanque de variété !

Note pour les non phonologues, ou pour ceux qui, pris d’une soudaine passion à la lecture de mon message, voudraient se lancer dans une carrière en phonologie[1] : le “yod” c’est /j/, soit, en SexyLinguiste, une consonne spirante palatale voisée.

 

Maintenant, reste à comprendre pourquoi, selon Lil Wayne, la lasagne est silencieuse et le moucheron oublié…

***

[1] Avoue, bel enfant, la phono c’est quand même de la belle science, dure et humaine à la fois. Ça te chamboule, tu as envie d’aller courir transcrire des textes et des audios en alphabet phonétique international, hein ? Alors va, égaye-toi et souris à la vie.

Bibliographie:

Bowyer, Tim. (2006- ) Howjsay http://www.howjsay.com. [web] Dernier accès : 6 décembre 2012

Lil, W., Gunz, C., Drake, ., T-Pain, ., Legend, J., Jadakiss, ., Bun, B., … Tech-9 (Musical group). (2011). Tha carter IV. New York: Cash Money.

Rap Genius  (2009)  http://rapgenius.com [web]. Dernier accès : 6 décembre 2012

Wells, J. C. (2008). Longman pronunciation dictionary. Harlow (GB: Pearson-Longman.

Zim, Herbert Spencer. (1962) Codes and secret writing (abridged edition). Scholastic Book Services, fourth printing.