L'observatoire de néologie de l'Université de Barcelone (Obnub) a été créé en 1988 dans le but de détecter des néologismes dans la presse. Ce travail sert à la recherche, à l'amélioration des dictionnaires et à l'aménagement linguistique. Il a été financé par l'Institut d'Estudis Catalans (qui détient l'autorité linguistique dans le domaine de la langue catalane) et par la Fundació Enciclopèdia Catalana (maison d'édition de dictionnaires en catalan). En janvier 1995, le siège de l'Obnub a été transféré à l'Institut Universitari de Lingüística Aplicada de la Universitat "Pompeu Fabra"; il a alors pris le nom d'"Obneb" (Observatori de Neologia de Barcelona), mais les liens qu'il entretient avec l'Université de Barcelone demeurent toujours les mêmes.
La néologie lexicale comprend les aspects sémantiques, fonctionnels et formels; cela veut dire qu'il ne s'agit pus exclusivement de trouver des mots nouveaux, mais aussi des déplacements de signifiés qui sont enregistrés dans les dictionnaires (restriction, changement ou amplification du signifié) et des modifications dans le jeu fonctionnel d'un mot (la rection verbale, la concordance...).
Pour identifier un mot en tant que néologisme ou repérer le type de changement qu'il a subi, on consulte un corpus d'exclusion, constitué par les principaux dictionnaires catalans et castillans (voir l'Annexe 1).
1.4 La néologie de large diffusion vs. la néonymie
On recherche les néologismes dans la presse genérale, parce que le principal objectif consiste à identifier les néologismes qui ont obtenu droit de cité dans des textes standards et/ou qui sant employés par un grand nombre de sujets parlants. On exclut préalablement toute nouvauté terminologique qui appartient à un domaine spécifique de la technologie, de la science ou de l'industrie.
Jusqu'à maintenant, la détection des phénomènes néologiques se faisait "manuellement", c'est-à-dire en se fiant à la compétence lexicale des collaborateurs et collaboratrices qui lisaient les journaux en y cherchant tout ce qui était intéressant pour la recherche; quand ils croyaient qu'un mot présentait une certaine nouveauté, ils le confrontaient avec le corpus d'exclusion lexicographique et, si un caractère nouveau se confirmait, ils remplissaient une fiche dont la structure et un exemple sont présentés à l'Annexe 2.
Les fiches des néologismes sont vérifiées par des personnes différentes de celles qui les ont rédigées et, si nécessaire, discutées lors de sessions collectives. Si la vérification est positive, la fiche est introduite dans une base de données qui constitue le fichier de dépouillement. Celui-ci est structuré par langue et par période. De 1989 à 1994, 35 000 données ont été recueillies pour le catalan et 22 500 pour le castillan.
Des chercheurs appartenant à l'Observatori analysent chaque fiche du fichier de dépouillement et y ajoutent des informations et des avis sur l'intérêt qu'il y a à conserver le néologisme potentiel. Dans cette procédure de vérification, les étapes sont:
a. L'identification.
b. L'analyse linguistique.
c. L'analyse sociolinguistique.
d. Les relations et les équivalences interlinguistiques.
e. Les résultats de la synthèse.
f. La diffusion.
3.1 Justification
Le projet Obneb, tel qu'il a été entrepris en 1988, continue à fonctionner, mais il exige d'importants coûts en ressources humaines. Nous avons donc décidé qu'il faudrait trouver des modes de recherche et de fonctionnement moins onéreux du point de vue du personnel et, si possible, plus systématiques et plus fiables. Nous avons consideré qu'il serait intéressant d'explorer les possibilités d'exploiter des corpora de presse en recourrant à la localisation automatique, d'abord pour le repérage des néologismes formels, puis pour l'identification des néologismes fonctionnels.
3.2 Le corpus textual CECA
Au même moment, le Département de Philologie Catalane de l'Université de Barcelone décidait de la création d'un corpus représentatif du catalan non littéraire écrit et parlé d'aujourd'hui. Dans ce corpus, appelé CECA, pour "Corpus Escrit del Català Actual", il y a une section réservée à la presse.
Type de corpus: Il s'agit de 119 journaux complets, qui vont du 17 février au 25 juin 1993. La publicité ajoutée en phase de maquettage n'y figure pas. Quelques jours manquent, et cela en raison de difficultés incontrôlables dans le système informatique du journal.
Acquisition: Les matériaux ont été transférés sur un PC qui communique avec l'ordinateur central au moyen d'un câble de type "null modem" et gràce à l'aide d'un logiciel de communication programmable. Cette technique a rendu possible l'automatisation de la réception de plusieurs numéros quotidiens (intégrés dans un fichier pour chaque page), et cela en une seule opération.
Stockage: Les quelque 7 000 fichiers, en format de photocomposition, ont été stockés dans un lecteur "Kodak WritableCD" et mis dans un CD-ROM pour mieux les conserver et pour en faciliter le transport et la manipulation.
Épuration: Puis, on a analysé les codes de photocomposition et développé un logiciel qui transforme l'ensemble des fichiers, un par un, en des fichiers ASCII. On a cependant conservé une partie des codes de photocomposition recodifiés, notamment ceux qui sant utiles à nos objectifs et qui facilitent le repérage de la date, de la page, de la section, de l'auteur, de la structure du texte (avant-titre, titre, sous-titre, paragraphe...), etc.
a) La désambiguïsation. Les éléments ambigus sont des occurrences pour lesquelles l'ordinateur a plus d'un lemme possible, tandis que les néologismes formels sont des mots pour lesquels l'ordinateur n'a pas d'information. C'est une phase qui n'est donc pas strictement nécessaire pour la localisation des néologismes formels. Mais pour le néologisme fonctionnel, il faut une analyse et une compréhension de la phrase. Nous avons alors décidé, bien que le repérage des néologismes fonctionnels ne soit pas l'objectif principal du travail actuel, d'intégrer cette étape dans le processus de préparation du texte pour la localisation du néologisme formel.
b) La localisation. Pour des raisons d'efficacité, on localise d'abord les mots vides.
c) La lemmatisation. Pour cette étape, nous disposons d'un dictionnaire électronique de 68 514 lemmes qui se développe en 596 718 formes (avec les catégories morphologiques), dont les trois quarts sont des formes verbales; toutes les occurrences de mots du corpus qui se trouvent sur cette liste sont considérées comme des mots connus.
d) La production des index. Les mots du corpus qui ne se trouvent pas sur la liste des lemmes ou des formes dérivées sont cherchés dans des listes auxiliaires de formes onomastiques (patronymiques, toponymiques, etc.) ou de formes normalisées (formes abrégées, symboles, etc.).
e) Les erreurs. Si une occurrence n'a pas été résolue dans les phases précédentes, il est très possible qu'il s'agisse d'une erreur. L'analyse d'erreurs commence par la recherche du mot inconnu dans un fichier d'erreurs détectées au cours de contrôles antérieurs, parce que les erreurs se répètent souvent. Si le mot ne se trouve pas dans le fichier d'erreurs, la difficulté est résolue manuellement par le chercheur et le résultat est consigné au fichier. Afin d'éviter ces problèmes, on est en train d'élaborer une stratégie de repérage des erreurs basée sur une méthode "soundex" adaptée au catalan. Cette méthode consiste à rechercher des mots qui se ressemblent (permutations, suppressions, additions, altérations de lettres...) puis à les ordonner non seulement en fonction de leur proximité phonétique, mais aussi en s'appuyant sur leur probabilité d'apparition dans le corpus.
f) Les cas non résolus. Pour les mots non encore résolus, on est en train d'améliorer un analyseur morphologique, qui performe actuellement avec 80 % de succès. Si l'analyseur valide une recherche sur un mot, il s'agit probablement d'une unité parfaitement recevable, mais qui n'est pus consignée dans les dictionnaires parce qu'elle est automatiquement prédictible, comme c'est le cas de la plupart des superlatifs. Lorsque le mot est validé par un chercheurde l'équipe, il est ajouté au dictionnaire électronique.
g) Les néologismes. Les mots qui ont résisté à toutes les analysés décrites dans les phases précédentes sont considérés comme des néologismes. Ils seront passés au crible par le personnel de l'"Observatori".
Il faut considérer que toute cette démarche d'analyse suit une progression croissante parce que chaque décision prise sur un mot enrichit le corpus de données nouvelles et qu'elle sert à établir de nouveaux critères, de telle sorte qu'on peut effectivement traiter un plus grand nombre de journaux avec le même nombre de personnes dans l'équipe, tout en augmentant la qualité des résultats obtenus.
Nos travaux ont bien progressé jusqu'à présent, mais il reste toujours beaucoup à faire. Nous continuons nos recherches afin d'améliorer les méthodes de détection semi-automatique. Par ailleurs, nous avons également commencé à préparer d'autres travaux:
1. Pour la langue catalane:
Enciclopèdia catalana (1982). Diccionari de la llengua catalana.
Enciclopèdia catalana (1993). Diccionari de la llengua catalana.
Enciclopèdia catalana (1990). Gran enciclopèdia catalana (2a. edició).
FABRA, P. (1932). Diccionari general de la llengua catalana.
2. Pour la langue castillane:
Real Academia Española (1992). Diccionario de la lengua española.
Real Academia Española ( 1989). Diccionario manual e ilustrado de la lengua española.
VOX-Biblograf (1987). Diccionario general ilustrado de la lengua española.
Observatori de neologia Fitxa de buidatge Data:
|
1 antidisturbis | |||||||
|
2 m pl |
3 |
4 DLC GEC2 | |||||
|
5 Com era de preveure, van venir els antidisturbis al cap de poc i van començar a repartir llenya a tort i a dret... | |||||||
|
6 | |||||||
|
7 a DB |
b 14-10-90 |
c POLIT |
d 35 |
8 TRA 01-12-90 |
9 ASS | ||
|
10 18-12-90 | |||||||
Identification des champs dans la fiche:
|
Numéro |
Code |
Signifié |
|
1 |
EN |
Entrée |
|
2 |
CG |
Catégorie gramaticale |
|
3 |
AT |
Aspects typographiques |
|
4 |
DC |
Dictionnaires consultés (corpus d'exclusion) |
|
5 |
CO |
Contexte |
|
6 |
NO |
Note |
|
7 |
RF |
Référence: a. Source; b. Date; c. Section; d. Page |
|
8 |
AU/DT |
Auteur et date de la fiche |
|
9 |
AV |
Auteur de la vérification |
|
10 |
DV |
Date de la vérification |
Per veure l'annex 3 i 4, us remetem a la versió en paper.