Lorsque j'étais étudiant, à la fin des années 70, je n'aurais jamais osé imaginer, même dans mes rêves les plus fous, que la communauté scientifique ait un jour les moyens d'analyser des
corpus de textes informatisés de plusieurs de centaines de milliards de mots. A l'époque, j'étais émerveillé par le
Brown Corpus, qui comportait la quantité extraordinaire d'un million de mots d'anglais américain, et qui après avoir servi à la compilation de l'
American Heritage Dictionary, avait été mis assez largement à disposition des chercheurs. Ce corpus, malgré sa taille, qui apparaît maintenant dérisoire, a permis une quantité impressionnante d'études et a contribué largement à l'essor des technologies du langage... L'étude que publiera demain dans
Science une équipe composée de chercheurs de Google, de Harvard, du MIT, de l'Encyclopaedia Britannica et d'Houghton Mifflin Harcourt (éditeur de l'
American Heritage Dictionary) a porté sur
le plus gros corpus linguistique de tous les temps : 500 milliards de mots. Il s'agit des données engrangées par Google dans son programme (parfois controversé) de numérisation de livres, qui servent ainsi à ma connaissance pour la première fois à une étude linguistique de grande ampleur.
J'ai eu la chance d'avoir pu accéder à l'étude avant publication, et j'ai eu quelque peu le vertige... Les doigts me démangeaient d'en parler sur ce blog, mais je me suis forcé à respecter l'embargo (je crois que l'équipe a quelque peu organisé un buzz, vous devriez voir ça dans la presse si j'en juge par les appels de journalistes que j'ai reçus). Ce corpus contient
4% des livres jamais publiés sur Terre. Comme le disent les auteurs, pour lire seulement les textes de l'année 2000 (c'est à dire une toute petite portion du tout, qui s'étale sur plus de deux siècles !), sans s'arrêter pour manger ni pour dormir, il faudrait 80 ans, soit une vie entière, à un être humain. La séquence de lettres du corpus dans sa totalité est 1000 fois plus longue que notre génome, et si on écrivait le tout sur une ligne, celle-ci ferait 10 fois l'aller-retour de la Terre à la Lune !
Hélas, il ne faut pas trop rêver tout de même, le corpus ne sera pas accessible au commun des mortels, qui devra se contenter de résultats précalculés, en l'occurrence
la liste des mots et "n-grammes" (c'est-à-dire des suites de
n mots consécutifs) extraits du corpus (avec une limite à 5 mots), pour l'anglais et six autres langues dont le français. Mais c'est déjà beaucoup, ne boudons pas notre plaisir, d'autant que les données sont organisées avec une consolidation par année qui permettra des études tout à fait intéressantes, comme le montre l'
interface de recherche en ligne, qui, j'en suis sûr va avoir un franc succès !
Les auteurs donnent quelques exemples édifiants, illustrés par des courbes qui ne sont pas sans rappeler celles du
Chronologue — quelques lecteurs se souviennent peut-être de cet outil que je m'étais amusé à réaliser en 2005 (et qui malheureusement est mort avec le déclin du moteur Dir.com de Free, avec qui je collaborais à l'époque). Sauf que, bien entendu, je n'avais ni les moyens ni le matériau engrangé par Google, qui permettent de tracer de telles
courbes lexicales sur plus de deux siècles ! Les domaines couverts sont aussi variés que l'évolution grammaticale (l'usage comparé des formes régulières et irrégulières pour des verbes anglais comme
burnt/burned), ou l'effet de la censure (la disparition de noms comme Marc Chagall pendant la période nazie)...
La corrélation entre l'usage des noms de maladie et les pics d'épidémie m'a particulièrement frappé, car elle m'a rappelé très exactement les courbes que j'avais obtenues sur la
grippe aviaire — sauf que les nouvelles données permettent de remonter au XIXè siècle ! Je ne vais pas reprendre une image de
Science, je vous laisse y lire l'article, mais voici une autre image, issue d'un rapport interne de l'équipe, qui illustre les pics d'usage du mot
cholera (en anglais) depuis 1800. Les zones bleutées correspondent aux terribles périodes d'épidémie qui ont frappé les Etats-Unis et l'Europe (notamment le sud de la France, avec des milliers de morts à Marseille, Toulon, etc.).
L'équipe a pour l'occasion forgé un mot,
culturomics, pour qualifier ce nouveau type d'activité, un mot-valise qui débute comme
culture et qui finit comme
genomics, et il est tout à fait intéressant de noter qu'à part des informaticiens (
Dan Clancy et
Peter Norvig de Google, par exemple) et des lexicographes (dont
Joe Pickett, le directeur actuel de l'American Heritage Dictionary), l'équipe comporte des cogniticiens et biologistes, dont les bien connus
Steven Pinker et
Martin Nowak, et de jeunes et brillants mathématiciens-biologistes principaux auteurs de l'étude :
Jean-Baptiste Michel (c'est un français, issu de l'Ecole Polytechnique et en post-doc à Harvard) et
Erez Liberman Aiden. Ce n'est pas un hasard : la biologie et le traitement des langues partagent beaucoup de choses du côté des algorithmes et des mathématiques (j'en ai moi-même donné un exemple avec les arbres phylogénétiques -- par exemple
ici,
ici ou
ici).
Et pour le français ? Eh bien, tout est à faire. Je remonte les manches ! Voici la toute première courbe, obtenue en avant première grâce à la complicité de l'équipe, que je remercie vivement au passage. Il s'agit du mot
blog, dont on peut assister à la naissance en direct [voir mise à jour en bas du billet]...
Je ressens aujourd'hui la fascination qu'ont eue sans doute les astronomes qui ont braqué pour la première fois
Hubble vers un coin inexploré de l'univers. Quelque chose s'est passé, une étape a été franchie dans l'outillage à disposition du linguiste.
Les linguistes (français en tout cas) en auront-ils conscience ? C'est une autre histoire. Entre les chiffres et les lettres, il y a parfois un bien grand fossé...
PS
Mise à jour : superposition des courbes pour
blog en français (bleu pâle) et en anglais américain (bleu soutenu). On voit clairement le décalage entre les deux langues ! (NB: les échelles verticales ne sont pas identiques, seule l'échelle horizontale l'est).
Pour en savoir plus
29 Commentaires:
Moi, je veux bien que Sarkozy touche par sa rhétorique talentueuse, selon ce que vous laissez entendre. Mais on ne me retirera pas de l'idée que la connaissance de la langue, de sa syntaxe,de sa prononciation font partie de l'étiquette qui légitime (ou du moins rend crédible)le pouvoir.
Les Fançais sont entrain de s'apercevoir que non seulement ils n'ont pas voté pour un Marchais, mais pour un sous-Poulidor.
Ceci dit émission très intéressante.
S'il s'agit d'un serpent dont la tête repousse, ne devrait-on pas parler d'hydre (de Lerne) ?
0> Je suis bien d'accord: en écrivant je me disais que ni le serpent de mer, ni l'Hydre ne correspondaient tout à fait à l'image dont j'avais besoin, et je me suis permis de fabriquer un croisement... Mais peut-être que l'Hydre était un serpent de mer, finalement ?
Estellebeaurivage> Ce n'est pas contradictoire. On peut être bête de rhétorique et massacrer la langue académique. C'était le cas de Georges Marchais par exemple. Parler "popu" dans son cas était quasiment une garantie d'authenticité... En ce qui concerne le président de la République, je partage votre avis: cela le desservira. Je suis convaincu que la majorité des français, y compris des classes populaires, ouvrières ou rurales, qu'il tente de séduire, ont en tête le stéréotype du monarque lettré, qui représente et glorifie la France, et constitue en quelque sorte le but ultime de l'ascenseur social à la française.
L'hydre de Lerne est effectivement un serpent des marécages!
bonjour, j'ai écouté l'émission et j'y ai découvert que le corpus français comptait entre 500 000 et 800 000 mots !(à 2 min 55) Mais en cherchant confirmation sur le net, je n'ai rien trouvé de cet ordre. (Le chiffre des mes cours en SCL tournait autour de 100 000)
Je sais bien que la notion de "mot" est variable mais où trouver la source du chiffre donné par J Bordeau ?
Emmanuel> Non, ce chiffre est totalement fantaisiste (ce n'est pas moi qui l'ai donné d'ailleurs !). Tout comme les affirmations du journaliste sur le nombre de mots dans les discours de Nicolas Sarkozy. Il est extrêmement difficile de quantifier le lexique du langue. La notion même ne veut pas dire grand chose... Compte-ton les mots techniques (et qu'est-ce qu'un mot technique ?) Si oui, rien que la chimie nous en offre des centaines de milliers... De plus, le langage est potentiellement infini par le jeu des préfixes et des suffixes. Très difficile. Trop difficile pour jeter des chiffres à la va-cite à la radio !
Et comment qu'on l'écrit la France ?
"ce n'est pas moi qui ai" (je pense que c'est de l'indicatif et en plus à la limite si c'était du subjonctif, ç'aurait été "aie", non ?)
Oui, bien sûr, l'accord se fait avec l'antécédent du pronom relatif. Merci d'être passé(e).
Dans la série tout vient à point à qui sait refréner sa rage infinie, libé propose un joli article sur le président et sa façon de parler.
On y apprendra avec joie que, d'après Luc Chatel, si le président parle comme le beauf-frêre de mon voisin, c'est parce qu'il a envie que celui-ci le comprenne. Donc son élocution n'est que le reflet de sa proximité avec la France qui parle mal la France.
"(..) Juger de son expression en puriste, c'est donc non seulement lui intenter un injuste procès, mais aussi ignorer son sens de la proximité."
CQFD.
http://www.liberation.fr/politiques/01012311588-sarkozy-ne-parle-pas-mal-il-refuse-le-style-amphigourique
Bonne année pleine de posts amphigouriques (j'ai bon, je crois pas..? je suis toujours ému quand j'emploi un nouveau mot, désolé)
Djamé
Bonjour Mr Véronis. J'ai appris, en écoutant la revue de presse de France Inter de ce matin, l'existence de votre analyse sur le langage de Nicolas Sarkozy et votre analogie avec Georges Marchais.
je souhaitais donc vous faire part de l'article que j'avais rédigé en mars 2009 sur ce sujet et qui recouvre une bonne part cette analyse.
http://carnet.causeur.fr/antidote/la-strategie-des-deux-georges,00239
Cordialement à vous,
David Desgouilles
Blog Antidote
Collaborateur à Causeur.fr et blogueur associé de Marianne2.fr
Bonjour,
Je suis désolé, je n'ai pas pu trouver votre analyse donc je ne connais pas son contenu. Avez-vous effectué une analyse statistique des fautes de français commises par notre Président ?
Si tel est le cas, il faudrait pour que cela soit significatif comptabiliser le nombre de fautes par rapport au nombre de mots prononcés et non seulement "dans l'absolu".
Vous le savez, notre Président s'exprime beaucoup, sur tous les sujets et souvent spontanément il n'est donc pas impossible que ses fautes ne soient finalement pas si fréquentes.
Un autre argument que j'ai lu ici et là me dérange : On dit d'une part qu'il parle "popu" par démagogie et d'autre part qu'il n'est pas lettré et donc qu'il ne maîtrise pas son langage.
C'est - comme la plupart des critiques à son égard, mais ceci est un autre débat - tout à fait contradictoire : S'il est peu lettré et qu'il parle réellement comme cela, alors où est le calcul ? S'il calcule un langage "popu" alors comment expliquer qu'il réussisse à ne jamais "déraper" et à parler toujours sur le même ton ?
A mon avis, un homme (ou une femme) médiatisé ne peut pas vraiment tricher sur sa façon de communiquer, car à force de débats, d'interviews, de discours, ses défauts et sa véritable "nature" se révèlent.
Sur le "fond" (même si on parle de forme), je ne pense pas que le langage "familier" soit incompatible avec la politique. On demande aux politiciens d'écouter, d'organiser, de légiférer, de prendre des décisions. Il ne faut pas attendre d'eux une maîtrise parfaite de tous les domaines comme le font les français.
Enfin, un argument évident : A l'oral n'importe qui commet bien plus de fautes qu'à l'écrit et se permet des raccourcis, et on ne peut pas se "relire".
Alors Monsieur Veronis, ma question est simple : Si vous vous adressiez à plusieurs millions de français tous les jours, êtes-vous bien certain que vous ne feriez pas de fautes ?
Anonyme> Votre commentaire est long et nécessiterait peut-être un billet en réponse... Je vais essayer de répondre sur ces quelques points.
> Avez-vous effectué une analyse statistique des fautes de français commises par notre Président ?
Non, j'adorerais pouvoir le faire. Mais il faudrait pour cela disposer de la transcription (fidèle, pas retouchée) de nombreuses heures d'enregistrement, ce dont nul dispose.
> Si tel est le cas, il faudrait pour que cela soit significatif comptabiliser le nombre de fautes par rapport au nombre de mots prononcés et non seulement "dans l'absolu".
Oui, et non. Il y a certes un point de vue quantitatif: les meilleurs lettrés s'embrouillent parfois la langue dans un lapsus ou un "accident" d'élocution. C'est normal, et c'est le propre de l'oral. Dans le cas de Nicolas Sarkozy, si autant de monde remarque les erreurs, c'est très probablement qu'elles dépassent le seuil de l'habituel. Mais au-delà du quantitatif, il y a le qualitatif. Certaines fautes sont "typantes". Quant vous les faites, elles suffisent à vous "cataloguer" comme "non-éduqué" (c'est un constat, pas une approbation du phénomène de ma part). C'est le cas de mauvaises constructions du type "Qu'est-ce que j'm'aperçois" ou "si y'en a qu'ça les démange", ou bien de pronnociations du type "chu pas sûr, M'ame Chabot". Prenez des personnalité politique du même âge et à peu près du même parcours: Villepin, Royal, et vous verrez que, s'ils "buggent" à l'oral comme tout un chacun, ils ne produisent pas ce type d'énoncé.
Comme je l'ai dit à plusieurs reprises, le seul équivalent parmi les personnalités politiques connues, c'est Georges marchais, ce qui est paradoxal.
> Un autre argument que j'ai lu ici et là me dérange : On dit d'une part qu'il parle "popu" par démagogie et d'autre part qu'il n'est pas lettré et donc qu'il ne maîtrise pas son langage. C'est - comme la plupart des critiques à son égard, mais ceci est un autre débat - tout à fait contradictoire : S'il est peu lettré et qu'il parle réellement comme cela, alors où est le calcul ? S'il calcule un langage "popu" alors comment expliquer qu'il réussisse à ne jamais "déraper" et à parler toujours sur le même ton ?
Je ne suis pas d'accord avec cet argument. Nicolas Sarkoy ne calcule pas son "langage popu". C'est bel et bien son langage, même si, en bon politique, il se connaît et le "surjoue" de temps à autre (comme chez Alsthom). Mais c'est ancré en lui, depuis son enfance.
... suite -->
--suite-->
> A mon avis, un homme (ou une femme) médiatisé ne peut pas vraiment tricher sur sa façon de communiquer, car à force de débats, d'interviews, de discours, ses défauts et sa véritable "nature" se révèlent.
Nous sommes d'accord.
Sur le "fond" (même si on parle de forme), je ne pense pas que le langage "familier" soit incompatible avec la politique. On demande aux politiciens d'écouter, d'organiser, de légiférer, de prendre des décisions. Il ne faut pas attendre d'eux une maîtrise parfaite de tous les domaines comme le font les français.
> Nous sommes d'accord aussi. Je crois que ce qui surprend c'est
1. La "rupture" avec les autres présidents de la Ve, tous extrêmement lettrés
2. le côté "langage popu" plus que le langage familier (ce n'est pas la même chose, et hélas on confond souvent les deux).
> Enfin, un argument évident : A l'oral n'importe qui commet bien plus de fautes qu'à l'écrit et se permet des raccourcis, et on ne peut pas se "relire".
Oui.
> Alors Monsieur Veronis, ma question est simple : Si vous vous adressiez à plusieurs millions de français tous les jours, êtes-vous bien certain que vous ne feriez pas de fautes ?
J'en ferais. J'en ai fait très probablement à l'instant dans l'émission à laquelle je viens de participer sur le sujet sur RMC. Je ne saurais pour autant "parler popu", car ce n'est pas mon "sociolecte" (bien que je ne sois pas né avec une cuiller en argent dans la bouche, loin de là). Le paradoxe, c'est que ce "parler popu" est en voie de régression, car les classes populaires (ouvriers, agriculteurs) avec lesquelles on l'associait, à tort ou à raison, vont désormais suffisamment longtemps à l'école de la République pour qu'elle parlent un français tout à fait standard, sans parler, bien sûr, de l'effet de nivellement des médias, et de la télévision en particulier.
Vous avez beau jeu aujourd'hui de souligner les fautes des autres et en particulier celles de Sarkozy, m'est souvenir que vous prenez mal qu'on vous reprenne vous sur des erreurs que vous faites volontiers. (Je parle d'une fois où vous aviez été repris sur ce blog, et aviez répondu vertement que non, vous aviez raison)
Mais je suppose que vous êtes ravi de revenir sur le devant de la scène en vous attaquant au président.
Cher anonyme courageux(se)> Ah bon? si vous le dites...
Quel était le cas en question au fait?
Un peu en vrac, et je n'ai pas pris le temps d'écouter l'émission :
En d'autres termes, ce qui frappe chez Sarkozy, c'est le hiatus entre tous les autres signes de distinction supposée auxquels on n'aurait rien à redire (costards, petits fours, épouse, véhicules, etc., un rien trop affichés mais bon) et celui de la langue (gestuelle comprise), qu'il n'arrive pas à maîtriser, qui jure. Ce manque de maîtrise en un point dévoile d'emblée ce que l'entassement des autres signes prétendait masquer. Patatras !
Tenter de rattraper la mayonnaise en clamant «foin de l'amphigourique je parle pour être compris du "peuple"», c'est surimposer l'insulte à la vulgarité du galimatias. Dans le coin on ne peut peut plus rural et sinistré où j'habite, ceux qui ont voté pour lui sont les premiers à rejeter cette posture, en un français parfois singulier, toujours parfaitement adéquat et qu'ils n'entendent pas qu'on essaie de singer. — Bien sûr, le tout-puissant «stéréotype du monarque lettré» est pour beaucoup dans ces protestations : un monarque, oui, mais parlant un français qui a de la gueule dans tous les sens du terme (les références à Charles de Gaulle rivalisant avec le goût pour les brèves de comptoir compilées par J.-M. Gouriau — et ma foi...).
Faire le compte des fautes de français me semble vain : les meilleurs en commettent parfois délibérément, parce que respecter la règle donne parfois des formes hideuses (© Paul Valéry). On en revient au début : trousser la règle en brûlant ses jupons ? Patatras !
@ Estellebeaurivage : «sous-Polidor», on ne saurait mieux dire.
Cher Professeur,
Ayant entendu une radio faire état de votre article dans Libé de ce jeudi, j'ai eu le plaisir de constater que pour une fois on vous avait accordé l'espace mérité et particulièrement apprécié le rappel de cette "fatitude" bien oubliée.
Pour ma part, j'ai réagi à la réponse de Luc Chatel. Si vous en avez le temps, vous pourrez la lire ici :
http://malesherbes.blogs.nouvelobs.com/archive/2011/01/06/si-pres-des-gens.html
Cordialement.
"Popu" pour "popu" et impératif pour impératif, il est plus efficace de dire "Taisez-vous Elkabbach" que "Casse-toi, pôv' con".
@pièce détachée : belle analyse
Il n'y avait pas de mépris dans la phrase de Marchais.
David> Merci pour ce lien vers Causeur. Je ne partage pas tout à fait votre avis, cependant. Nicolas Sarkozy ne singe pas le parler "popu". C'est sa vraie façon de parler (ce qui, comme je l'ai dit dans l'article de Libé ou sur la BBC l'autre soir, est assez incompréhensible pour un enfant élevé dans les beaux quartiers de Paris). On ne peut pas imiter à ce point en toute situation, le naturel reviendrait au galop. Et les vidéos les plus anciennes montrent qu'il avait déjà ces caractéristiques de parler "popu" dans son langage.
Ceci dit :
1) il le "surjoue" notamment comme vous le dites quand il va dans des usines ;
2) il assume et ne cherche pas à se corriger le moins du monde, sauf rare exception comme sa dernière interview avec Pujadas etc. où les spin doctors lui avaient manifestement conseillé de se "présidentialiser". Mais on voit que ça ne dure pas.
Piève détachée> Y a-t-il forcément hiatus entre des signes extérieurs de richesses et un langage peu soigné ? Ca colle au contraire assez bien avec un style bling-bling nouveau riche, cf. "La vérité si je mens...".
Sinon, je pense aussi que les classes populaires, rurales, n'aiment pas ce style, et que cela nuira à Sarkozy en 2012, à moins que les spin doctors le travaillent en profondeur, et qu'il nous dise (encore) "J'ai changé...".
réponse au com du 6 jan 19h45.
(Traitez-moi de "courageux" entre guillemets pour vous moquer et continuer à prendre les contradictions de haut!)
la conversation était celle-ci :
http://blog.veronis.fr/2008/05/actu-la-une-du-mondefr.html
Eh bé, comme on dit par ici ! si vous trouvez que j'ai été péremptoire dans ma réponse sur ce post (ici), alors les bras m'en tombent. Les lecteurs jugeront.
En tout cas, merci de venir troller un peu, ça manque sur ce blog ;-)
Dieu merci la politique, et son analyse, ne se résume pas à l'orthographe, et à sa stigmatisation publicitaire. Le linguiste-poticien est un poisson d'eau trouble.
@jean veronis
C'est vrai que ça sent le troll.
Laissons tomber.
@ J.V. :
Ce que je voulais souligner, ce n'est pas tant l'entassement de «signes extérieurs de richesse», amplement ressenti et commenté, que le manque de maîtrise, en un point qui suffit à tout flanquer par terre, de «signes de distinction supposée auxquels on n'aurait rien à redire». Même sans bling-bling, cela suffirait pour que Sarkozy ruine ce que vous appelez à raison le «stéréotype du monarque lettré» — un stéréotype tout-puissant pour nous tous, plus ou moins consciemment, que nous le voulions ou non. Un indice : même des gens que leur formation et leurs opinions politiques porteraient à penser les questions de statut selon d'autres schémas, formulent leurs critiques, sans s'en rendre compte le moins du monde, en des termes parfaitement conformes à ce stéréotype : noblesse oblige, Sarkozy déroge...
Ben Ali, lui aussi, a tenté de parler"popu" : son dernier discours télévisé a été prononcé en arabe dialectal (il paraît que c'était la 1° fois).
ça n'a pas marché.
Trop tard pour écouter le podcast, mais j'aurais voulu revenir sur l'objet original du billet.
Depuis bientôt dix ans RFI diffuse à 21 h TU et publie sur son site un journal en français facile.
Il est bien écrit, bien articulé, moins francocentré que les autres, il parle bien la France.
Pourtant, je n'arrive pas à analyser l'intérêt de cette initiative, unanimement raillée par mes connaissances puristes.
Est-ce une simple copie des journaux en easy english ? Est-ce que cela contribue à la diffusion du français ?
Quelle est votre analyse ?
Enregistrer un commentaire