Complémentarité

La principale raison, selon nous, de recourir à des corpus comparables, est leur disponibilité : il est bien plus facile de regrouper de vastes corpus multilingues lorsqu’on s’affranchit de la contrainte de la traduction.

Cela explique sans doute, outre les réserves méthodologiques précédemment discutées, que la plupart des travaux en lexicographie bilingue s’appuient aujourd’hui sur des corpus comparables. Notons que depuis les travaux de pionnier de John Sinclair (1991) et la sortie du Collins COBUILD English Language Dictionary (1987), basé sur le corpus COBUILD de 7 millions de mots, le recours à de grandes bases textuelles dans le processus de la rédaction de dictionnaires est devenu incontournable. Comme le note Sinclair, l’introspection seule ne peut être une source fiable pour déterminer ce qu’est l’usage réel de la langue :

(…) l’écart entre le sentiment linguistique des locuteurs, concernant les détails de la langue, et les faits récoltés objectivement à partir des textes est énorme et systématique. Il nous conduit à émettre l’hypothèse que l’intuition humaine à propos de la langue est spécifique aux individus, et qu’elle ne peut pas du tout constituer un bon guide pour décrire ce qui se passe réellement lorsque ces mêmes individus font usage de la langue (Sinclair 1991 : 4)63

Dans le cadre de la lexicographie bilingue, le dépouillement de corpus en langue source et cible est également très profitable. Pour l’Oxford-Hachette French Dictionary, deux corpus ont été utilisés : l’Oxford Pilot Corpus pour l’anglais (60 M de mots) et un corpus de français moderne de 10 M de mot réunis pour le projet par Oxford University Press. Comme le note Grundy (1998), le corpus permet de donner des réponses à de nombreuses questions précises concernant les usages, notamment sur le plan de leurs fréquences :

(…) aucune équipe de lexicographes ne peut espérer mener à bien ce travail herculéen de documentation et d’analyse sans avoir accès à des textes. Quelle est la fréquence de telle ou telle unité lexicale et quelle est son importance pour la communication ? Quelle place doit-on lui accorder dans un dictionnaire ? Quels sont les modèles syntaxiques de base qu’elle exploite ? Quelle acception est la plus fréquente ? Quels sont les exemples les plus typiques de son utilisation dans chacune de ses acceptions ? Quelles acceptions sont devenues vieillies ou obsolètes ? Qu’est-ce qui constitue un véritable changement de sens et qu’est-ce qui relève simplement d’une préférence contextuelle ? (Grundy, 1996 : 131)

63 "(…) the contrast exposed between the impressions on language detail noted by people, and the evidence compiled objectively from texts is huge and systematic. It leads one to suppose that human intuition about language is highly specific, and not at all a good guide to what actually happens when the same people actually use the language "

Ainsi, lors des étapes d’analyse (analyse des mots-vedettes en langue source) et de transfert (recherche des équivalents et traduction des exemples en langue cible)64 ce sont des corpus monolingues qui sont utilisés – et non des corpus multilingues parallèles.

La terminologie est également un domaine où l’on fait abondamment usage de corpus comparables. Des recherches en TAL ont montré, depuis un certains temps déjà, comment extraire des lexiques bilingues à partir de corpus comparables (Daille et al. 1994, Rapp, 1999, Déjan & Gaussier 2002). Ces recherches s’appuient généralement sur une identification préalable des termes candidats (simples ou complexes) dans chaque langue séparément, puis sur l’appariement des termes en se basant sur une comparaison de leurs contextes (ou des contextes de leurs voisins distributionnels), les vecteurs contextuels étant traduits avec des ressources dictionnairiques bilingues (Morin et al., 2004). Pour les termes complexes, on peut combiner une approche compositionnelle, consistant à traduire séparément, au moyen d’un dictionnaire, chaque composant du terme complexe, et l’approche contextuelle, consistant à traduire les vecteurs de contextes des composants du terme complexe, lorsqu’ils n’ont pas d’équivalents directs dans le dictionnaire (Morin & Daille, 2011, 2012).

Pourtant les corpus parallèles peuvent aussi apporter des informations utiles, notamment pour guider la phase de transfert, en indiquant les traductions les plus communes pour un mot-vedette, une expression ou un terme. C’est ce que nous avons montré en collaborant avec Anaïch Le Serrec (Le Serrec et al., 2010), qui a travaillé sur un corpus parallèle issus d’une organisation internationale, le GIEC. Le couplage d’un outil de détection des termes comme TermoStat (Drouin & Doll, 2008) et d’un outil d’alignement bilingue des termes simples comme Alinéa, s’est révélé pertinent pour servir d’appui à l’élaboration d’une ressource terminologique. Le Serrec et al. (2010) suggèrent d’ailleurs que des fonctionnalités d’identification de terme et d’alignement bilingue puisse être intégrées dans un même outil, ce qui n’a encore pas été fait à notre connaissance.

D’un point de vue général, Teubert (1996 : 248) note avec justesse que dans la mesure où il n’existe pas d’équivalence simple entre les codes, tant sur le plan du lexique que de la

64 Grundy écrit plus loin (1996:134) : « La méthodologie mise en œuvre pour la création d’un dictionnaire varie considérablement en fonction de l’ampleur du projet, de la nature des données linguistiques disponibles, et des ressources, essentiellement financières et matérielles, qui ont été allouées. Néanmoins, quelle que soit l’ampleur ou la complexité de l’entreprise, trois processus distincts entrent en jeu (…) Ces trois étapes sont les processus que Atkins désigne respectivement par analyse, transfert et synthèse (analysis, transfer and synthesis), Atkins, 1990). »

syntaxe, la recherche d’équivalent de traduction implique des configurations complexes, qui mettent souvent en jeu des expressions polylexicales et des constructions étendues. Ces configurations font partie du savoir implicite des traducteurs, et on ne les trouve pas ailleurs que dans des corpus parallèles :

« Les traductions sont rendues possibles par le fait que les traducteurs en savent habituellement plus que ce qu’ils trouvent dans les grammaires, ou dans les dictionnaires monololingues ou bilingues (…). Si l’on veut capter la connaissance implicite que les traducteurs ont des équivalents traductionnels, il n’y a pas d’autre choix que d’analyser les traductions. Elles constituent l’archivage des appariements qui ont été proposés, testés et établis au fil du temps. Les corpus parallèles sont une des sources les plus précieuses pour la recherche des équivalents traductionnels. »

Teubert (1996 : 248-249) Il en découle que des corpus parallèles suffisamment grands permettent également d’établir inductivement, par la variété des exemples qu’ils donnent, des généralisations concernant « les conditions sémantiques qui doivent être remplies (…) dans le contexte pour que le mot a de la langue A soit traduit par le mot b de la langue B. » (Ibid.) Cette approche inductive qui cherche à identifier, par la récurrence des exemples, l’ensemble des caractéristiques contextuelles qui déterminent tel ou tel phénomène n’est ni plus ni moins que l’approche corpus driven appliquée en lexicographie par Hanks ou Sinclair, mais étendue aux corpus de traduction. Cela rappelle également l’extraction de correspondances lexicales telle que nous l’avons mise en œuvre (cf. partie 3 de cette synthèse), mais sous une forme moins formalisée et plus complexe, car intégrant tous les traits synctatico-sémantiques du contexte. D’ailleurs, notons qu’aucune des 25 thèses de Teubert (2005) sur la linguistique de corpus n’exclut les corpus de traduction.

Dans une recherche exploratoire, Bertels & Verlinde (2011) montrent comment les corpus comparables et les corpus parallèles fournissent des approches méthodologiques complémentaires et convergentes, qui peuvent être utiles pour la lexicographie bilingue, notamment dans une perspective didactique. Ils identifient deux sortes de « profils » : les corpus comparables permettent de caractériser les « profils combinatoires » des unités et d’analyser les collocatifs pertinents, alors que les corpus parallèles permettent d’extraire ce

qu’ils appellent le « profil de traduction » d’une unité – les deux étant, naturellement, intimement liés.

Nous avons nous même tenté de montrer, dans une collaboration avec Elena Melnikova et Iva Novakova, comment articuler la complémentarité entre les deux types de corpus (Melnikova et al., 2009) : tandis que les corpus parallèles permettent d’identifier, de manière directe des équivalents fonctionnels, entre unités et constructions, les hypothèses émises doivent ensuite être vérifiées sur des corpus comparables de grande taille, mieux à même de fournir des données fiables sur le plan fréquentiel.

Les deux dernières parties de cette synthèse seront consacrées à des développements centrés sur l’observation de phénomènes internes aux langues, concernant les corpus monolingues et comparables.