La documentation réunie dans la base de données, essentiellement diplomatique (environ 27 000 unités textuelles), est maintenant lemmatisée et disponible pour installation sous le logiciel TXM (Textométrie) (par Nicolas Perreaux).
Rappels
Le Corpus Burgundiae Medii Aevi (CBMA, http://www.cbma-project.eu/) est aujourd’hui le premier corpus diplomatique lemmatisé en accès ouvert. La base pour TXM contient dans son état actuel 27 094 documents, essentiellement latins, répartis du VIe au XIVe siècle, soit plus de 6,1 millions de mots. Au total, plus de 70 éditions ont été numérisées depuis 2004 afin d’aboutir à cet ensemble[1]. Disponible dans divers formats, déjà interrogeable grâce au logiciel Philologic (dir. Mark Olsen, ARTFL, Université de Chicago)[2], la base est ainsi disponible dans un nouveau format, adapté au logiciel TXM.
La lemmatisation est une étape essentielle dans l’examen numérique des textes anciens, car elle rend possible des interrogations philologiques et sémantiques formalisées complexes. Grâce à elle, il devient envisageable d’interroger non seulement des formes (ex. : « aquam »), mais aussi des lemmes subsumant toutes les formes qui lui sont liées (ex. : « aqua » permet d’obtenir les informations pour « aqua », « aquam », « aquae », « aquas », « aquarum », etc.). Les textes du corpus CBMA ont été lemmatisés grâce aux paramètres développés par l’équipe de l’ANR Omnia (http://www.glossaria.eu/treetagger/) pour le logiciel TreeTagger[3]. Cette lemmatisation offre d’ores et déjà d’excellents résultats, même s’ils restent perfectibles : merci de nous signaler les erreurs rencontrées au cours de vos recherches.
Les logiciels permettant l’exploitation d’une base de textes anciens lemmatisés sont peu nombreux. TXM-Textométrie, développé depuis 2007 (dir. Serge Heiden, ENS Lyon) offre de nombreux avantages. Open Source, la plateforme d’interrogation présente une interface simple, efficace et flexible. La formulation des requêtes se fait sur le modèle du CQL (Corpus Query Language), grâce à l’utilisation du moteur de recherche plein texte CQP (Corpus Query Processor)[4].
Installation et métadonnées du corpus
L’installation de la base CBMA requiert au préalable celle de TXM[5]. Le logiciel est téléchargeable sur le site mentionné ci-dessus, pour Linux, Mac OS X et Windows[6]. Une fois celui-ci disponible sur votre système d’exploitation, il s’agit d’installer la base CBMA.
Ces réalisations ont été possibles grâce au soutien du Lamop (UMR 8589), du LabEx haStec (en partenariat avec l’IRHT, le CESOR, le Centre Jean Mabillon, le CERCOR) et du SFB 1095-Université de Francfort.
[1] La liste des éditions employées est disponible à cette adresse : http://www.cbma-project.eu/%C3%A9ditions/textes-diplomatiques.html. L’historique du projet, ici : http://www.cbma-project.eu/accueil2/historique.html
[2] http://philologic.cbma-project.eu/
[3] Le logiciel TreeTagger est un étiqueteur morphosyntaxique (POS – Part of Speech) permettant la lemmatisation : http://www.cis.uni-muenchen.de/~schmid/tools/TreeTagger/. Concernant le développement de l’ANR Omnia, voir B. Bon, « OMNIA – Outils et Méthodes Numériques pour l’Interrogation et l’Analyse des textes médiolatins », in : Bulletin du Centre médiéval d’Auxerre, vol. 13 (2009) : https://cem.revues.org/11086 ; vol. 14 (2010) : https://cem.revues.org/11566 ; vol. 15 (2011) : https://cem.revues.org/12015.
[4] http://cwb.sourceforge.net/
[5] TXM possède un manuel détaillé, auquel s’ajoute une liste de diffusion où il est possible de poser des questions techniques : https://sourceforge.net/projects/txm/files/documentation/
[6] Au 30.08.2017, la version actuelle est la 0.7.8., datée du 20.04.2017 : http://perso.ens-lyon.fr/serge.heiden/txm/files/software/TXM/0.7.7/