TERMINOLOGIE ET PRÉSENT

Rūta MARCINKEVIČIENĖ

Vytauto Didžiojo universitetas

TERMINOGRAPHIE ET CORPUS

La linguistique de corpus, apparue avec le premier corpus il y a plus de trente ans, a révolutionné la lexicographie générale. Aujourd’hui, les dictionnaires explicatifs sont élaborés en s’appuyant plus ou moins sur des corpus. À cet égard, la terminographie reste jusqu’à présent négligée dans les pays qui ont davantage progressé en linguistique de corpus, sans parler de nouveaux venus comme nous. Nous tenterons ici de montrer à quel point le corpus est important, voire indispensable, pour élaborer des dictionnaires terminologiques.

L’ère des technologies informatiques et, de concert, des corpus informatisés a nettement distingué la terminologie et la terminographie traditionnelles de leurs formes nouvelles. Les points de vue des terminologues ont fortement divergé sur plusieurs aspects: la notion même de terme, les sources terminologiques, les critères permettant de distinguer un terme d’un non-terme, les qualifications du terminologue, la normalisation des termes et quelques autres encore. Avec l’expansion considérable et l’entrecroisement des domaines des sciences spécialisées, la charge de travail des terminologues s’est fortement accrue, car, en travaillant selon les méthodes traditionnelles, il est difficile de suivre les progrès scientifiques et technologiques. C’est précisément pourquoi le regard porté sur les termes a changé: l’accent est davantage mis sur l’usage que sur la norme.

La terminologie traditionnelle, apparue au début de ce siècle à la suite d’un immense essor technologique, visait avant tout à désigner les concepts, à mettre de l’ordre dans la grande diversité de termes apparus en peu de temps, et à systématiser et normaliser la terminologie des différentes branches et disciplines scientifiques. Depuis les débuts de la terminologie comme science autonome, les termes étaient considérés autrement que les autres mots. Wüster, fondateur de la terminologie (cité d’après Pearson 1998: 10), affirmait qu’il fallait traiter les termes différemment des mots de la langue générale, puisque la terminologie commence par l’analyse des concepts. Or, les concepts, comme chacun sait, exis-

5

tent indépendamment non seulement des termes qui les désignent, mais aussi des différentes langues. Les termes ne sont rien d’autre que des noms de concepts, qui, dans l’idéal, entretiennent avec les concepts eux-mêmes une relation de type: un concept – un terme. Les termes étaient définis principalement en fonction de la place des concepts qu’ils désignaient dans la hiérarchie conceptuelle et de leurs relations avec d’autres concepts. La terminologie reposait sur les termes créés et/ou normalisés et approuvés par les spécialistes du domaine concerné, dont le sens était clairement défini, fixé et donc protégé. Il n’est donc guère étonnant que les terminologues traditionnels attachés aux principes prescriptifs (cf. Wüster, pour qui Sein-Norm était bien plus importante qu’Ist-Norm) ne s’intéressent nullement à l’état réel de la langue dans les différentes branches scientifiques ni à l’usage authentique des termes.

En allant du concept au terme et en constituant ainsi la terminologie de chaque branche selon le principe onomasiologique, les terminologues de l’époque ne rencontraient pas — et ne pouvaient rencontrer — le problème de l’identification des termes, mais seulement celui de leur création. En outre, à cette époque, les différentes branches scientifiques étaient encore assez autonomes. Les terminologues se répartissaient également davantage les domaines et maîtrisaient la terminologie de secteurs relativement isolés. À mesure que les domaines communs se développent, leurs représentants commencent à s’intéresser aux termes; de plus, de nouvelles personnes arrivent dans la terminologie, sans être nécessairement spécialistes d’un domaine scientifique précis et/ou linguistes, c’est-à-dire des programmeurs, des créateurs de bases de données terminologiques et de dictionnaires électroniques, etc. Puisque l’usage réel de la langue et le nombre de nouveaux termes ont depuis longtemps dépassé les listes de termes approuvés disponibles, la terminographie des branches scientifiques en rapide évolution, qui accuse un retard considérable sur la réalité en raison de la méthode traditionnelle des fichiers, ne permet pas aux nouveaux venus de se fier aux termes enregistrés auparavant. Ils commencent à les recueillir dans des textes; le texte devient précisément le point de départ du travail du terminologue (Rogers et al. 1994: 843). On examine également leur usage réel, qui diffère souvent considérablement de l’idéal recherché par les normalisateurs de la langue. C’est là que se posent les questions: qu’est-ce qu’un terme, à quel moment un mot se terminologise-t-il, quel usage d’un mot peut être considéré comme terminologique et comment distinguer un terme d’un non-terme? Ainsi, la terminologie n’est plus une partie du lexique aussi clairement délimitée et isolée. Elle forme un groupe de mots assez difficile à distinguer, dont le centre est constitué de membres prototypiques, toujours perçus comme

6

Après les termes centraux viennent ceux qui n’acquièrent le statut de terme que dans certaines circonstances et dans un contexte donné. À la périphérie, on trouve également des mots qui, à première vue, ne ressemblent pas à des termes, mais qui devraient pourtant être considérés comme tels. C’est le cas, par exemple, des mots du vocabulaire général que l’on rencontre dans les textes de vulgarisation scientifique. Pour cette raison et d’autres encore, il est très important pour les terminographes d’identifier les termes, de les extraire de textes authentiques et de les décrire. C’est précisément pourquoi les corpus et les logiciels qui facilitent leur exploitation revêtent une grande importance. L’attention portée à l’usage réel oriente les terminologues davantage vers la description que vers la normalisation, tandis que la frontière entre prescriptivisme et descriptivisme divise la terminographie en une approche traditionnelle et une approche moderne.

Pourquoi un corpus

En tant que source de termes, un corpus est utile aux terminographes pour de nombreuses raisons. Les auteurs qui préconisent sa création et son utilisation en indiquent les principales. La plus importante est sans doute qu’un seul et même corpus permet d’obtenir d’emblée trois éléments dont les terminographes ont besoin: les termes eux-mêmes, leurs définitions, c’est-à-dire des informations spécialisées sur le concept, ainsi que des exemples d’emploi et, par conséquent, la fréquence d’utilisation, la combinatoire des termes, etc. (Sager 1990, Meyer et al. 1996, Pearson 1998). Bien entendu, les chercheurs qui disposent déjà d’une liste de termes peuvent également utiliser un corpus. Dans ce cas, ils y trouvent des informations spécialisées et linguistiques. Mais lorsque les termes sont extraits d’un corpus, ils présentent un avantage majeur: ils sont systématiques et reliés entre eux, car les textes individuels contiennent des ensembles de termes employés par leurs auteurs respectifs, et les termes de chacun de ces ensembles ont été soigneusement réfléchis et s’accordent harmonieusement les uns avec les autres. C’est précisément pour cette raison — afin que les termes obtenus reflètent des systèmes distincts — qu’il faut intégrer au corpus des textes entiers, et non des extraits, c’est-à-dire des échantillons (Meyer et al. 1996: 268). Un corpus constitué de textes entiers est également indispensable pour recueillir les informations spécialisées qui seraient perdues si l’on se contentait de parties de textes.

Aujourd’hui, les corpus que les terminographes créent eux-mêmes servent encore principalement à recueillir des informations sur des termes déjà connus. On vérifie,

7

s’ils sont toujours employés et, dans l’affirmative, comment; si leurs caractéristiques d’emploi ont changé et, avec elles, leur signification; ou si l’étendue des concepts qu’ils désignent a changé à la suite de l’apparition de nouveaux termes. Toutefois, un corpus est bien plus utile pour obtenir de nouveaux termes. C’est peut-être pourquoi l’identification des termes et leur extraction automatique ou semi-automatique constituent aujourd’hui l’un des sujets les plus populaires de la terminographie électronique. À cet égard, le terminographe se distingue du lexicographe. Ce dernier ne se demande pas ce qu’est un mot, mais seulement quels mots inclure dans quels dictionnaires; le terminographe, lui, se pose assez souvent la question: qu’est-ce qu’un terme? Les nouveaux termes extraits d’un corpus et conservés et gérés dans des bases de données spécialisées présentent une autre caractéristique: leurs sources sont précisément indiquées et datées, ce qui permet de tirer des conclusions sur leur apparition, leur diffusion et leur disparition.

Si l’on imagine le résultat final du travail du terminographe sous la forme d’une base de données électronique (DB) ou d’un dictionnaire papier élaboré à partir de celle-ci, le corpus sera important à toutes les étapes de la préparation de cette DB. Les ordinateurs couvrent l’ensemble du cycle de travail du terminographe: des corpus informatisés, en passant par des programmes spécialisés de recherche et d’identification des termes, jusqu’à la création de bases de données terminologiques, à la rédaction des fiches terminologiques et à leur diffusion sous forme électronique ou sous la forme traditionnelle d’un livre (Ahmad et al. 1994: 267).

Le cycle de travail du terminographe se déroule comme suit. À la première étape, un corpus est constitué à partir d’une archive de textes électroniques selon certains principes; les termes en sont ensuite extraits puis transférés dans la DB et décrits. Autrement dit, des champs distincts de la DB présentent des exemples typiques de leur emploi, tirés du concordancier, ainsi que des définitions obtenues à partir de la même source. Ensuite, sur la base des informations linguistiques et spécialisées recueillies dans le corpus, on indique les mots liés au terme décrit: synonymes, antonymes, hyponymes, hyperonymes; on ajoute des renvois à leurs rubriques, on précise l’appartenance du terme à un domaine spécialisé et sa place dans le système général des concepts. On présente également les caractéristiques grammaticales et pragmatiques, les contraintes de combinatoire ou autres restrictions d’emploi, des informations sur le caractère recommandé du terme et, si cela a été prévu, ses équivalents de traduction (pour une présentation plus détaillée des caractéristiques de la description terminographique, voir Sager 1990: 142–163). Ainsi, le corpus est indispensable dès le début, c’est-à-dire dès la découverte de la discipline elle-même

8

jusqu’à la dernière étape, celle de la rédaction de l’article de dictionnaire. Les terminologues d’aujourd’hui se montrent très sceptiques à l’égard de l’informatisation de dictionnaires papier existants élaborés sans corpus, c’est-à-dire de leur transfert dans des bases de données (Sager 1990: 141).

Une autre raison pour laquelle les terminographes devraient élaborer des corpus spécialisés tient au fait que les exemples de langue authentique sont encore plus importants en terminographie qu’en lexicographie. Ils sont beaucoup plus importants que l’introspection, car, contrairement au lexicographe, le terminographe n’est pas spécialiste: il ne produit pas les textes dans la variété de langue qu’il décrit. Face à un cas problématique, il ne peut pas se demander: « Comment est-ce que j’emploierais ce mot? », mais seulement: « Que signifie ce mot pour un spécialiste du domaine? Comment un scientifique, un technologue ou un expert l’emploierait-il? » Ainsi, parce que le sentiment linguistique est peu applicable à son travail, le terminographe dépend beaucoup plus du corpus que le lexicographe. Atkins et al. répartissent tous les utilisateurs de corpus en trois groupes: a) ceux qui s’intéressent à la langue des textes, b) ceux qui s’intéressent au contenu des textes et c) ceux qui s’intéressent aux textes en tant que textes, c’est-à-dire à leur structure, à leur élaboration, etc. (cité d’après Meyer et al. 1996: 269). Les lexicographes appartiennent au premier groupe, tandis que les terminographes relèvent des deux premiers, puisque les connaissances linguistiques et celles portant sur le domaine lui-même leur sont toutes deux indispensables. Une fois comprise l’importance du corpus pour la terminologie et les possibilités qu’il offre, il est nécessaire de définir les caractéristiques que devrait présenter le corpus du terminographe.

Quel corpus

Comme indiqué, le terminographe a besoin de deux éléments d’importance égale dans un corpus: des informations linguistiques et des informations relatives au domaine. Il est donc essentiel de pouvoir y trouver l’une comme l’autre. Du point de vue linguistique, le corpus doit présenter les termes clairement et correctement et, de préférence, accompagnés de définitions. Il est souhaitable que les termes soient aussi nombreux et variés que possible, idéalement qu’ils comprennent tous ceux qui ont été créés et sont employés par une communauté linguistique donnée. Il importe également que les termes soient employés dans des contextes riches et variés. Du point de vue du domaine, le corpus doit réunir des textes faisant ressortir le contenu des concepts désignés par les termes, ainsi que leurs relations et leur interdépendance. Il est très important que les termes soient définis dans ces textes.

9

Pour les raisons indiquées, les spécialistes préconisent d’inclure dans les corpus tout l’éventail des textes possibles, envisagé sous l’angle communicationnel et pragmatique, des plus simples aux plus complexes. Pearson répartit les textes de langue spécialisée en quatre groupes selon la probabilité d’y trouver des termes: a) ceux dans lesquels le destinataire du spécialiste est un partenaire dont les connaissances sont équivalentes aux siennes — un autre spécialiste, c’est-à-dire les articles publiés dans des revues scientifiques à comité de lecture et les monographies; la densité terminologique y est la plus élevée; b) les textes adressés par un spécialiste à un professionnel du même domaine, mais de niveau inférieur au sien, par exemple diverses instructions et des manuels; les termes y sont un peu moins nombreux; c) les textes de vulgarisation scientifique, destinés à des personnes qui ne connaissent pas le domaine spécialisé. On y évite délibérément les termes complexes, voire tout terme; on préfère expliquer, reformuler et recourir à des analogies et à des comparaisons. Ainsi, si l’auteur le souhaite vraiment, il peut se passer entièrement de termes; d) les textes correspondant à une communication entre enseignant et élève: manuels et supports pédagogiques. Ils contiennent des termes, mais ceux-ci y sont employés quelque peu différemment. Une caractéristique importante de ces textes est que les termes y sont expliqués (Pearson 1998: 36–40).

Décrire les textes d’un corpus terminographique uniquement sous l’angle communicationnel et pragmatique ne suffit pas. D’autres paramètres et proportions textuels sont tout aussi importants pour la qualité du corpus et sa représentativité. À la question de savoir combien de textes il faut recueillir pour pouvoir se fier aux données du corpus qui en est constitué, les spécialistes répondent: « Contrairement aux corpus généraux, ici la qualité compte bien davantage que la quantité » (Meyer et al. 1996: 268). Pour des raisons évidentes, les corpus spécialisés sont généralement plus petits que les corpus généraux. Pourtant, même s’ils sont plus petits, ils sont constitués de textes intégraux et non abrégés. En outre, ils doivent couvrir l’ensemble du domaine représenté, avec toutes ses subdivisions, choisies au préalable par les terminographes. Il est souvent difficile de tracer une frontière nette entre les différentes branches scientifiques, surtout lorsque la branche en question est liée à des sujets généraux et que les concepteurs du corpus sont tentés d’approfondir, c’est-à-dire d’inclure davantage de textes écrits par des spécialistes à l’intention d’autres spécialistes et relevant indubitablement de ce domaine. Il est donc conseillé aux terminologues de consulter des experts du domaine décrit afin qu’ils leur indiquent quels textes inclure, de façon à constituer un corpus représentatif à tous égards, et à éviter que des concepts systémiquement importants

10

et les termes qui les désignent ne soient omis avec les textes exclus et, surtout, que les priorités d’un seul concepteur ne dominent (Ahmad 1993: 60). Dans le cas d’un corpus terminographique, le principe parfois appliqué par les lexicographes aux corpus généraux — « Je mets ce que j’ai » — ne convient absolument pas.

Compte tenu de la typologie des corpus et des principaux types de corpus du point de vue de leur évolution — fini, évolutif et de remplacement (monitor) —, il est recommandé de constituer le corpus terminographique comme un corpus du deuxième type, ou mieux encore, du dernier type. Le corpus sera alors continuellement enrichi de nouveaux textes, les anciens étant soit conservés (dans le cas d’un corpus évolutif), soit transférés dans une archive si le corpus est de remplacement. Un corpus évolutif ne cesserait de s’agrandir, sans que ses principes de composition définis à l’avance soient nécessairement respectés, car l’évolution des tendances éditoriales pourrait faire pencher la balance d’un côté ou de l’autre. Les proportions du corpus de remplacement resteraient inchangées, les nouveaux textes n’occupant que la place initialement prévue pour les textes du type correspondant. Dans tous les cas, il est indispensable de mettre régulièrement le corpus à jour, car les termes vieillissent bien plus vite que les mots de la langue courante.

Après avoir examiné les questions générales relatives à la taille et à la nature du corpus, ainsi qu’à la délimitation de son domaine, et pris les décisions nécessaires, il faut ensuite déterminer quels textes précis y inclure pour qu’il soit représentatif et équilibré. Dans chaque cas particulier, il faut tenir compte du genre du texte, de sa date de rédaction, de son auteur et de son statut linguistique, et rechercher la plus grande diversité possible. En effet, seule la diversité des genres et un vaste éventail de textes, des plus sérieux aux plus populaires, permettent de sélectionner aussi bien des termes scientifiques et formels, parmi lesquels abondent les néologismes d’auteur, que des termes populaires, beaucoup plus répandus et ancrés dans la langue parlée.

Pour évaluer l’ancienneté des textes, la priorité est donnée aux plus récents; toutefois, les textes plus anciens peuvent aussi se révéler précieux, surtout du point de vue du domaine. Les auteurs devraient également être très divers, afin que les particularités stylistiques d’un auteur fortement représenté ou d’un autre ne prennent pas le dessus. La diversité stylistique des textes scientifiques n’est certes pas très grande, si on la compare, par exemple, à celle de la littérature, mais la manière d’écrire d’un auteur importe non seulement pour l’emploi des unités linguistiques, mais aussi pour leur sélection. Il n’est donc pas étonnant que différents chercheurs, surtout s’ils appartiennent à des écoles de pensée scientifique différentes, emploient ki-

11

de tels termes. Pour la standardisation et la normalisation des termes, tout comme pour la recherche de néologismes, la plus grande diversité possible des termes du corpus est essentielle. Le dernier aspect, qui n’est pas moins important que les autres, est le statut linguistique des textes. La priorité est accordée aux textes originaux plutôt qu’aux traductions, rédigés par des auteurs de langue maternelle, puis évalués par des pairs et révisés.

Outils d’analyse de corpus pour les terminographes

Au cours de la dernière décennie, divers logiciels ont été créés pour faciliter la recherche de mots et d’autres types d’analyses de corpus par les lexicographes. Bien que le travail des lexicographes et des terminographes soit, en général, différent, ils recourent toutefois à presque les mêmes fonctionnalités logicielles, à savoir: a) des listes de fréquences des mots; b) des concordances, c’est-à-dire tous les contextes d’emploi du mot étudié, dans un contexte d’une certaine longueur, généralement une ligne; et c) des statistiques sur les partenaires de cooccurrence (Meyer et al. 1996: 274). Ces outils permettent d’étudier le corpus sous l’angle linguistique.

À côté des outils logiciels linguistiques utilisés en commun avec les lexicographes, apparaissent progressivement des programmes spécialisés conçus uniquement pour les terminographes. Ils se distinguent des programmes généraux non plus par leur caractère linguistique, mais par leur orientation thématique, puisqu’ils servent à analyser les informations présentes dans le corpus. Dans ce cas, le corpus n’est plus considéré comme un ensemble de contextes d’emploi des termes, mais comme une source de connaissances spécialisées relevant d’un domaine ou d’une discipline scientifique. On peut distinguer plusieurs groupes de ces outils: a) les programmes destinés à analyser le texte sous l’angle des informations qu’il contient — recherche de mots porteurs de sens, de passages riches en informations où sont indiquées les relations et les dépendances entre les concepts, etc.; b) les programmes qui sélectionnent les passages du corpus nécessaires au terminographe, par exemple les définitions des termes; c) les programmes qui facilitent l’analyse des concepts désignés par des termes et l’organisation des connaissances extraites du corpus (knowledge acquisition systems). Ce dernier groupe, bien qu’entièrement nouveau et très prometteur, reçoit encore trop peu d’attention dans la littérature spécialisée. On a beaucoup plus écrit sur la possibilité de recueillir de manière semi-automatique les définitions de termes présentes dans un corpus (Pearson 1998: 121–204).

12

Pour recueillir aussi bien les définitions que les termes complexes, il faut disposer d’un corpus annoté morphologiquement, c’est-à-dire dont tous les mots sont étiquetés selon leur catégorie grammaticale. La première étape du travail doit être effectuée par le lexicographe lui-même: il lit les textes et relève les termes définis. À partir de ces informations, il établit ensuite des modèles morphologiques de définition — toutes les combinaisons de séquences de catégories grammaticales obtenues lors de la définition. L’ordinateur recherche alors ces combinaisons de mots dans l’ensemble du corpus. On obtient ainsi non pas encore une liste de termes et de leurs définitions, mais une liste de candidats à des termes définis. Celle-ci est soumise à un spécialiste du domaine, chargé de l’examiner et d’éliminer les phrases inutiles. Afin de réduire le nombre de combinaisons morphologiques superflues, dues à des coïncidences, on indique à l’ordinateur les unités lexicales qui apparaissent le plus souvent dans les définitions, c’est-à-dire les mots fréquents des définitions. Les termes complexes peuvent être extraits du corpus de manière similaire; tel est le principe des programmes de première génération d’identification automatique des termes LEXTER (Bourigault 1995) et TERMINO (Lauriston 1994).

Bien entendu, le traitement du corpus de cette manière pose quelques problèmes. Tout d’abord, les groupes de mots retenus ne sont de loin pas tous des termes. Ce problème est résolu en établissant et en saisissant dans l’ordinateur une liste de mots inutiles (stop-list), qui ne sont pas inclus dans les listes de candidats aux termes. En outre, il est souvent difficile de déterminer quels mots appartiennent au terme complexe lui-même et lesquels ne font que l’entourer. Mais ces aspects ne sont pas toujours évidents non plus lorsqu’on recueille les termes manuellement.

Méthode semi-automatique de sélection des termes

Afin d’illustrer les possibilités offertes aux terminographes par les outils logiciels les plus simples, nous avons choisi pour notre analyse la version électronique de « Sintaksė » de V. Labutis „Sintaksės“ (T.I, V., 1994) et étudié le texte à l’aide du logiciel d’outils linguistiques de Mike Scott WordSmith Tools, version 2.0 (Oxford, 1997). L’objectif de l’analyse statistique était d’obtenir plusieurs listes de mots ou de groupes de mots, parmi lesquels il serait ensuite possible de sélectionner des candidats aux termes et les termes eux-mêmes.

Les indicateurs statistiques du texte analysé sont les suivants: le texte entier compte 37 319 mots et formes de mots; après suppression des répétitions, il en reste

13

9 249 mots et leurs formes. Le coefficient de diversité lexicale (type/token ratio) est de 24,78. Le texte entier contient 2 364 phrases, d’une longueur moyenne de 15,78 mots.

Tout d’abord, l’opération la plus simple a été réalisée: une liste de fréquence de tous les mots du texte a été établie, ce qui permet de s’attendre à y trouver des termes parmi les mots les plus fréquents. Comme le montre l’extrait de la liste présenté, le texte est constitué de mots et de formes de mots, classés par fréquence. Le texte ne comportant pas d’annotations grammaticales indiquant l’appartenance de chaque forme de mot à une partie du discours particulière, la liste n’est pas lemmatisée; les différentes formes grammaticales d’un même mot y figurent donc séparément. Par souci de brièveté, les mots invariables comme les différentes formes fléchies des mots seront ci-après désignés simplement par le terme « mots ».

Tableau 1. Les 20 mots et formes de mots les plus fréquents du texte

N°

Mot et forme du mot

Fréquence dans le texte étudié

Part du texte occupée (%)

1.

IR

1,319

3.53

2.

SU

479

1.28

3.

AR

390

1.05

4.

PHRASE

288

0.77

5.

CELA

284

0.76

6.

MOTS

258

0.69

7.

PEUT

243

0.65

8.

O

229

0.61

9.

IŠ

206

0.55

10.

PHRASES

196

0.53

11.

Į

194

0.52

12.

EST

194

0.52

13.

COMME

187

0.50

14.

NE

182

0.49

15.

SEULEMENT

171

0.46

16.

SELON

170

0.46

17.

ÊTRE

155

0.42

18.

JŲ

143

0.38

19.

PHRASES

143

0.38

20.

GROUPES

141

0.38

14

Comme d’habitude, un texte se compose d’un nombre relativement faible de mots utilisés de nombreuses fois et d’un grand nombre de mots employés rarement. Les mots employés une seule fois représentent 62% de toutes les occurrences. En général, ils constituent la moitié du texte; après lemmatisation de la liste, il semble qu’ils ne seraient plus aussi nombreux, puisque les formes dérivées des mots seraient regroupées sous les formes de base. Les mots employés une seule fois et ceux qui sont rares, c’est-à-dire dont le nombre d’occurrences varie de 2 à 10, n’intéressent pas le terminographe, car la probabilité d’y trouver des termes est faible. Il reste une partie relativement courte de la liste: seulement 6% des mots du texte fréquemment utilisés, parmi lesquels il vaut déjà la peine de recueillir les termes monolexicaux.

Diagramme

Répartition des mots du texte et de leurs formes selon la fréquence d’emploi (nombre d’occurrences)

Mots et formes employés plus de 10 fois: 6%

Mots et formes employés de 2 à 10 fois: 32%

Mots et formes employés 1 fois: 62%

Si ces données d’usage étaient présentées sous la forme d’une courbe plutôt que d’un diagramme, on verrait que 10 occurrences constituent une limite, un seuil très net, au-delà duquel les mots sont employés beaucoup plus fréquemment qu’en deçà. Une analyse approfondie a montré que, parmi les 599 mots employés 10 fois ou plus, 239 sont des termes monolexicaux ou des éléments de termes complexes, autrement dit des mots importants pour le terminographe. Il s’agit des noms des parties du discours, des cas, des phénomènes linguistiques, des unités et des branches de la linguistique.

L’avantage de la liste générale de fréquence des mots est la limite de fréquence d’emploi très nette déjà mentionnée; elle présente toutefois plusieurs inconvénients. L’un d’eux est que la liste se compose de mots isolés, alors que, comme on le sait, les termes monolexicaux ne sont pas si nombreux. D’autre part, la plupart des termes nouveaux, absents des dictionnaires et qui intéressent donc particulièrement les terminologues, sont précisément des termes polylexi-

15

...mots. Le deuxième inconvénient: une grande partie de la liste est occupée par des mots-outils très fréquents, qui sont également peu instructifs pour les terminologues. On peut remédier à ce dernier inconvénient en établissant une liste quelque peu différente, constituée de mots porteurs de sens. Les mots porteurs de sens sont extraits du texte d’une manière légèrement plus complexe, en comparant le texte étudié à un corpus beaucoup plus volumineux, dans notre cas, au corpus informatisé de l’université Vytautas Magnus, qui compte 55 millions de mots. Si un mot apparaît dans le texte étudié relativement plus souvent que la moyenne dans un grand corpus, il est alors considéré comme un mot porteur de sens de ce texte. Pour le dire plus simplement, si le texte porte sur le cinéma, ce mot y sera mentionné beaucoup plus souvent et figurera donc dans la liste des mots porteurs de sens. Comme le montre le tableau, il y a ici beaucoup moins de mots-outils, car leur fréquence est à peu près égale dans le texte et dans le corpus. Ainsi, les mots plus spécifiques du texte étudié occupent la première place — dans le cas d’un texte scientifique, il s’agit des termes. Malheureusement, dans cette liste, comme dans la première, ils sont présentés isolément, et non en syntagmes.

Tableau 2. Les 20 mots porteurs de sens et formes de mots les plus fréquents

N° | Mot et forme du mot | Fréquence dans le texte étudié | Fréquence dans le corpus | Coefficient de pertinence sémantique 1. | SAKINIO | 288 | 707 | 2 974,8; 2. | SAKINIAI | 196 | 370 | 2 108,4; 3. | ŽODŽIŲ | 258 | 6 504 | 1 554,3; 4. | SAKINIŲ | 143 | 386 | 1 453,6; 5. | JUNGINIAI | 141 | 405 | 1 418,4; 6. | DĖMENŲ | 103 | 130 | 1 171,5; 7. | JUNGINIŲ | 103 | 591 | 909,2; 8. | DĖMUO | 77 | 124 | 847,4; 9. | SAKINYJE | 85 | 310 | 819,6; 10. | DĖMENYS | 73 | 106 | 815,0; 11. | DĖMENS | 71 | 84 | 814,2; 12. | SAKINYS | 91 | 528 | 801,4; 13. | DĖMENIU | 69 | 78 | 795,8; 14. | SINTAKSĖS | 68 | 163 | 704,7; 15. | SAKINĮ | 73 | 634 | 588,1; 16. | SAKINIUS | 61 | 315 | 550,1; 17. | TARINIO | 44 | 60 | 495,3; 18. | SAKINIAIS | 49 | 205 | 460,5; 19. | SUDĖTINIO | 42 | 75 | 455,4; 20. | TARINIU | 36 | 36 | 421,4

16

La troisième possibilité offerte par un logiciel fondé sur des méthodes statistiques consiste à extraire du texte étudié les groupes de mots qui y sont employés sous une forme identique deux fois ou plus. Le programme permet de détecter des chaînes pouvant compter jusqu’à huit mots. Il va de soi que le texte ne contient pas beaucoup d’unités de cette longueur. Les groupes figés de quatre mots, de trois mots et, surtout, de deux mots sont bien plus nombreux. Dans le texte étudié de V. Labutis, on trouve 2 groupes de huit mots employés au moins deux fois, 6 de sept mots, 23 de six mots, 65 de cinq mots, 211 de quatre mots, 756 de trois mots et pas moins de 2 695 groupes de deux mots. Ci-dessous sont présentées des chaînes de mots de différentes longueurs; les groupes dont les éléments pourraient être considérés comme des termes complexes sont mis en gras, et le nombre d’occurrences de chaque chaîne dans le texte est indiqué à côté.

HUIT MOTS

IL EST COMPOSÉ D’AU MOINS DEUX MOTS AUTONOMES 2

EST COMPOSÉ D’AU MOINS DEUX FORMES DE MOTS AUTONOMES 2

SEPT MOTS

IL EST COMPOSÉ D’AU MOINS DEUX MOTS AUTONOMES 2

AU MOINS DEUX FORMES DE MOTS AUTONOMES 2

EST COMPOSÉ D’AU MOINS DEUX MOTS AUTONOMES 2

EMPLOI DE FORMES DE MOTS AVEC D’AUTRES FORMES DE MOTS 2

SIX MOTS

PAS MOINS DE DEUX MOTS AUTONOMES 4

FORMES VERBALES ET FORMES DE MOTS FONCTIONNANT COMME PRÉDICAT 3

DANS LA GRAMMAIRE ACADÉMIQUE DE LA LANGUE LITUANIENNE LKG III 2

FORMES DE DEUX OU DE PLUSIEURS MOTS AUTONOMES 2

APPLICATION DES FORMES À D’AUTRES FORMES DE MOTS 2

ET À CERTAINES CONSTRUCTIONS PRÉPOSITIONNELLES 2

UNE PARTIE DE PHRASE OU UN SEGMENT DE PHRASE COMPLEXE 2

AVEC D’AUTRES CAS ET DES CONSTRUCTIONS PRÉPOSITIONNELLES 2

AVEC LES CAS ET LES CONSTRUCTIONS PRÉPOSITIONNELLES 2

FORME D’UN MOT APPLIQUÉE DE QUELQUE MANIÈRE QUE CE SOIT À 2

APPLICATION DES FORMES DES MOTS À D’AUTRES MOTS 2

CINQ MOTS

MOINS DE DEUX MOTS AUTONOMES 4

DES VERBES ET DES MOTS FONCTIONNANT COMME PRÉDICAT 4

17

AVEC DES CAS ET DES CONSTRUCTIONS PRÉPOSITIONNELLES 3

STRUCTURES PRÉDICATIVES FORMANT UNE PHRASE COMPLEXE 3

OU PLUSIEURS FORMES DE MOTS AUTONOMES 2

ÉNONCÉ DISTINCT SUR UNE SITUATION DU MONDE RÉEL 2

UNE PARTIE OU UN MEMBRE DE PHRASE COMPLEXE 2

FONCTIONNE COMME ÉLÉMENT DÉPENDANT D’UN GROUPE NOMINAL 2

EMPLOI DES FORMES AVEC D’AUTRES MOTS 2

PEUT FONCTIONNER AUSSI COMME ÉLÉMENT D’UNE PHRASE COMPLEXE 2

ET ENTRE LES ÉLÉMENTS PRÉDICATIFS D’UNE PHRASE COMPLEXE 2

ET LES FORMES DE MOTS FONCTIONNANT COMME SUJET 2

COMME FORMES DE DEUX MOTS AUTONOMES 2

AVEC D’AUTRES CAS ET DES CONSTRUCTIONS PRÉPOSITIONNELLES 2

DU CAS OU DU CAS AVEC UNE PRÉPOSITION 2

LIEN AVEC LA CATÉGORIE GRAMMATICALE DE LA PERSONNE 2

RELATIONS SYNTAGMATIQUES ET GROUPES DE MOTS 2

LA CLASSIFICATION A ÉTÉ CRITIQUÉE À PLUSIEURS REPRISES 2

AVEC UNE SUBORDONNÉE DE SECOND DEGRÉ 2

AVEC QUELLES CONSTRUCTIONS PRÉPOSITIONNELLES 2

AVEC D’AUTRES CAS ET DES CONSTRUCTIONS PRÉPOSITIONNELLES 2

AVEC LE DATIF ET L’INSTRUMENTAL 2

AVEC UNE SUBORDONNÉE PORTANT SUR LA PHRASE ENTIÈRE 2

IL S’AGIT LE PLUS SOUVENT DE GROUPES VERBAUX AVEC 2

APPLICATION À D’AUTRES FORMES DE MOTS 2

DES PHRASES SUBORDONNÉES DE MÊME DEGRÉ 2

ONT UN COMPLÉMENT SECONDAIRE COMMUN 2

RÔLE PAR RAPPORT À L’ENSEMBLE DE LA PHRASE COMPLEXE 2

LA FORME DU MOT S’APPLIQUE ENCORE 2

APPLICATION DES FORMES DES MOTS À D’AUTRES 2

GROUPE DE MOTS OU AUTRE CONSTRUCTION 2

QUATRE MOTS

ET AVEC DES CONSTRUCTIONS PRÉPOSITIONNELLES 5

ET DES MOTS AYANT FONCTION DE PRÉDICAT 4

DONT LE CONSTITUANT PRINCIPAL EST 4

MOINS DE DEUX ÉLÉMENTS AUTONOMES 4

AU MOINS DEUX 4

FORME DU MOT AYANT FONCTION DE SUJET 4

AYANT FONCTION DE SUJET ET DE PRÉDICAT 4

FORMES DE DEUX MOTS AUTONOMES 3

COORDONNANTS ET SUBORDONNANTS 3

AVEC DES CAS ET DES CONSTRUCTIONS PRÉPOSITIONNELLES 3

DU MOT AYANT FONCTION DE CONSTITUANT PRINCIPAL 3

STRUCTURES PRÉDICATIVES CONSTITUANT LA PHRASE 3

AVEC UNE CATÉGORIE GRAMMATICALE DE PERSONNE 3

MODE D’EXPRESSION DES RELATIONS ENTRE LES MOTS 3

PAR UNE PROPOSITION SUBORDONNÉE DE SECOND DEGRÉ 2

À PROPOS DE CES CONCEPTS, VOIR 2

18

À CE SUJET, VOIR LES EXERCICES 2

OU LE CONSTITUANT D’UNE PHRASE COMPLEXE 2

RÉVÈLE UN AUTRE CONSTITUANT PRÉDICATIF 2

UNE FONCTION SYNTAXIQUE SECONDAIRE COMMUNE DE LA PHRASE 2

QUALITÉ ET QUANTITÉ DE LA MANIÈRE 2

L’ADJECTIF FORME UN GROUPE AVEC 2

COMME COMPLÉMENT DÉPENDANT DU GROUPE NOMINAL 2

TROIS MOTS

PEUT ÊTRE 14

AVEC DES CONSTRUCTIONS PRÉPOSITIONNELLES 11

PLUS OU MOINS 10

SYNTAXE DE LA LANGUE LITUANIENNE 9

LES PHRASES PEUVENT ÊTRE 9

SYNTAGMES VERBAUX AVEC 8

LES CONSTITUANTS PEUVENT ÊTRE 7

DONT LE CONSTITUANT PRINCIPAL 7

SYNTAGMES NOMINAUX AVEC 6

AU MOINS 6

COORDINATION ET JUXTAPOSITION 6

DES PHRASES PEUVENT ÊTRE 6

FORMES DE MOTS AUTONOMES 6

AVEC UN VERBE ET UN PRÉDICAT 6

DEUX MOTS AUTONOMES 5

RELATION DE CORÉFÉRENCE BILATÉRALE 5

DEUX MOTS

PEUT AVOIR 118

ET AUTRES 41

DE LA LANGUE LITUANIENNE 36

FORMES DES MOTS 35

ÉGALEMENT 34

DE LA PHRASE COMPLEXE 32

DES CONSTITUANTS DE LA PHRASE 31

FORMES DES MOTS 31

PAS SEULEMENT 29

GROUPES DE MOTS 26

GROUPES AVEC 25

DE CONSTITUANTS PRÉDICATIFS 24

PEUT AVOIR 23

NÉANMOINS 23

COMPOSANTS PRINCIPAUX 21

CENTRE PRÉDICATIF 20

COMPOSANTS PRÉDICATIFS 20

COMME SI 18

PHRASES COMPLEXES 18

19

PEUT CONSTITUER 17

COMPOSANT PRINCIPAL 17

CONSTRUCTIONS PRÉPOSITIONNELLES 17

AVEC LE GÉNITIF 17

AINSI QUE 16

SYSTÈMES LINGUISTIQUES 16

DU COMPLÉMENT 16

PHRASES COMPLEXES 16

EN OUTRE 15

ET SELON 15

GROUPE DE MOTS 15

Comme le montrent les exemples présentés, les groupes de mots plus longs ressemblent davantage à des expressions ou à des locutions, tandis que les plus courts évoquent des syntagmes syntaxiques. Le degré de figement est inégal

et varie également, comme le révèle le nombre d’occurrences: par exemple, certains groupes de deux mots apparaissent 118 fois, même dans un texte aussi court. De plus, certaines chaînes de mots coïncident entièrement avec des termes complexes, par exemple: proposition subordonnée de second degré, relation de liaison bidirectionnelle, système linguistique, tandis que d’autres doivent être extraits de leur contexte, par exemple: révèle un autre constituant prédicatif, la forme du mot s’applique en quelque sorte au mot occupant la fonction de constituant principal, etc. Bien qu’ils puissent être abrégés, ils restent informatifs à leur manière, car les mots prédicatifs (mis en évidence dans les exemples), qui ne font pas partie du terme lui-même mais de son environnement, fournissent des informations importantes sur la valence et les particularités d’emploi.

La dernière liste, comme les précédentes, n’est pas lemmatisée; un même terme composé de plusieurs mots y apparaît donc sous différentes formes grammaticales. En outre, il se répète dans des chaînes de groupes de mots de longueur variable, de la plus longue à la plus courte: se composent d’au moins deux formes de mots autonomes, d’au moins deux formes de mots autonomes, de formes de mots autonomes, de formes de mots. Quoi qu’il en soit, les répétitions fréquentes ne constituent pas un obstacle: elles aident au contraire à repérer les termes complexes les plus importants et les plus fréquemment employés. Même si les outils logiciels semi-automatiques mentionnés ne permettent pas d’extraire tous les termes du texte étudié, ils en font néanmoins ressortir les plus importants; le fait que les listes générées par l’ordinateur soient lues et traitées par un terminographe garantit la qualité du résultat final.

20

Conclusion

La terminologie contemporaine, qui vise à recueillir, décrire et normaliser les termes des différentes branches scientifiques, ne peut se passer d’un corpus informatisé ni des autres étapes de préparation d’une banque terminologique informatisée qui lui sont associées: logiciels généraux ou spécialisés, base de données lexicale, etc. Le corpus doit être constitué de façon à couvrir la plus grande diversité possible de textes et à représenter ainsi la langue de la branche scientifique décrite. Même en utilisant des logiciels généralistes destinés aux lexicographes, il est possible d’obtenir automatiquement des listes de mots et de groupes de mots susceptibles d’être des termes, parmi lesquels on sélectionne les termes connus et nouveaux.

Reçu le 21 juin 1999

Literatūra

1. A h m a d 1994 – Ahmad, K., Davies, A., Fulford, H., Rogers, M. What is a term? The semi-automatic extraction of terms from text. In: M. Snell-Hornby, F. Pochacker, K. Kaindl (eds.). Translation Studies: An Interdiscipline. Amsterdam – Philadelphia, 1994, P. 267–278.

2. A h m a d 1993 – Ahmad, K. Pragmatics of Specialist Terms: The Acquisition and Representation of Terminology. In: Petra Steffens (ed.). Machine Translation and the Lexicon. Thirds International EAMT Workshop. Heidelberg, Germany, April 26–28. 1993. Proceedings. Berlin – Heidelberg, 1995, P. 51–76.

3. B o u r i g a u l t 1996 – Bourigault, D., Gonzalez-Mullier, I., Gros, C. LEXTER, a Natural Language Processing Tool for Terminology Extraction. In: Euralex ’96 Proceedings II, Goteborg, 1996, P. 771 – 780.

4. L a u r i s t o n 1994 – Lauriston, A. Automatic Recognition of Complex terms: Problems and the TERMINO solution. In: Terminology. Vol 1(1), 1994, P. 147–170.

5. M e y e r 1996 – Meyer, I., Mackintosh, K. The Corpus from a Terminographer’s Viewpoint. In: International Journal of Corpus Linguistics. Vol. 1(2), 1996, P. 257–285.

6. P e a r s o n 1998 – Pearson, J. Terms in Context. Amsterdam – Philadelphia, 1998.

7. R o g e r s 1994 – Rogers, M., Ahmad, K. Computerised Terminology for Translators: the role of text. In: M. Brekke, O. Andersen, T. Dahl, J. Myking. Applications and Implications of Current LSP Research. Proceedings of the 9^th European Symposium on LSP, Bergen, Aug. 2–6, 1993. Vol. II. Bergen, 1994. P. 840–851.

21

8. Sager 1990 – Sager, J.C. A Practical Course in Terminology Processing. Amsterdam – Philadelphia, 1990.

TERMINOGRAPHY AND CORPUS

Summary

The paper deals with role of a corpus in terminology in general and terminology in particular. It argues for the necessity to use not only corpus but also general purpose and specific tools for the extraction of terminology and compilation of terminological databases. Peculiarities of the terminographer’s corpus such as its contents, size and specificity are also discussed. In addition, a wide range of possible general purpose and specific tools for term extraction are presented here. Some of them, based on statistical analyses of a text, were applied for one Lithuanian text on syntax in order to show how different tools can produce different semi-automatic lists of terms.

22