Méthodes et outils pour l’étude diachronique des

discours géographiques dans deux encyclopédies

françaises
Alice Brenon

To cite this version:

Alice Brenon. Méthodes et outils pour l’étude diachronique des discours géographiques dans deux
encyclopédies françaises. Traitement du texte et du document. INSA de Lyon, 2025. Français.
�NNT : 2025ISAL0044�. �tel-05263248�

HAL Id: tel-05263248

[Link]
Submitted on 16 Sep 2025

HAL is a multi-disciplinary open access L’archive ouverte pluridisciplinaire HAL, est

archive for the deposit and dissemination of sci- destinée au dépôt et à la diffusion de documents
entific research documents, whether they are pub- scientifiques de niveau recherche, publiés ou non,
lished or not. The documents may come from émanant des établissements d’enseignement et de
teaching and research institutions in France or recherche français ou étrangers, des laboratoires
abroad, or from public or private research centers. publics ou privés.

HAL Authorization
 N° d’ordre NNT : 2025ISAL0044

THESE de DOCTORAT DE L’INSA LYON,

membre de l’Université de Lyon

Ecole Doctorale N° 512

InfoMaths

Spécialité/ discipline de doctorat : Informatique

Soutenue publiquement le 10/06/2025, par :

Alice Brenon

Méthodes et outils pour l’étude diachronique

des discours géographiques dans deux
encyclopédies françaises

Devant le jury composé de :

Eglin Véronique Professeure des Universités INSA-LYON Examinatrice & présidente du jury
Favre Benoît Professeur des Universités Aix-Marseille Université Rapporteur
Galleron Ioana Professeure des Universités Université Sorbonne Nouvelle Rapporteure
Doucet Antoine Professeur des Universités La Rochelle Université Examinateur
Puren Marie Maîtresse de Conférences EPITA Examinatrice

Laforest Frédérique Professeure des Universités INSA-LYON Directrice de thèse

Vigier Denis Professeur des Universités Université Lumière Lyon 2 Co-directeur de thèse
Moncla Ludovic Maître de Conférences INSA-LYON Invité

Thèse accessible à l'adresse : [Link] © [A. Brenon], [2025], INSA Lyon, tous droits réservés
Thèse accessible à l'adresse : [Link] © [A. Brenon], [2025], INSA Lyon, tous droits réservés
 Département FEDORA – INSA Lyon - Ecoles Doctorales
SIGLE ECOLE DOCTORALE NOM ET COORDONNEES DU RESPONSABLE

CHIMIE DE LYON M. Stéphane DANIELE

C2P2-CPE LYON-UMR 5265
ED 206 https ://[Link] Bâtiment F308, BP 2077
Sec. : Renée EL MELHEM 43 Boulevard du 11 novembre 1918
CHIMIE Bât. Blaise PASCAL, 3e étage 69616 Villeurbanne
secretariat@[Link] directeur@[Link]

ÉVOLUTION, ÉCOSYSTÈME, MICROBIOLOGIE, MODÉLISATION Mme Sandrine CHARLES

Université Claude Bernard Lyon 1
ED 341 http ://[Link] UFR Biosciences
Sec. : Bénédicte LANZA Bâtiment Mendel
E2M2 Bât. Atrium, UCB Lyon 1 43, boulevard du 11 Novembre 1918
Tél : [Link].62 69622 Villeurbanne CEDEX
secretariat.e2m2@[Link] [Link]@[Link]

INTERDISCIPLINAIRE SCIENCES-SANTÉ Mme Sylvie RICARD-BLUM

Laboratoire ICBMS - UMR 5246 CNRS - Université Lyon 1
ED 205 http ://[Link] Bâtiment Raulin - 2ème étage Nord
Sec. : Bénédicte LANZA 43 Boulevard du 11 novembre 1918
EDISS Bât. Atrium, UCB Lyon 1 69622 Villeurbanne Cedex
Tél : [Link].62 Tél : +33(0)4 72 44 82 32
[Link]@[Link] [Link]-blum@[Link]

MATÉRIAUX DE LYON M. Stéphane BENAYOUN

Ecole Centrale de Lyon
ED 34 http ://[Link] Laboratoire LTDS
Sec. : Yann DE ORDENANA 36 avenue Guy de Collongue
EDML Tél : [Link].44 69134 Ecully CEDEX
Tél : [Link].37
[Link]-ordenana@[Link] [Link]@[Link]

ÉLECTRONIQUE, ÉLECTROTECHNIQUE, AUTOMATIQUE M. Philippe DELACHARTRE

https ://[Link] INSA LYON
ED 160 Sec. : Philomène TRECOURT Laboratoire CREATIS
Bâtiment Direction INSA Lyon Bâtiment Blaise Pascal, 7 avenue Jean Capelle
EEA Tél : [Link].70 69621 Villeurbanne CEDEX
Tél : [Link].63
[Link]@[Link] [Link]@[Link]

INFORMATIQUE ET MATHÉMATIQUES M. Hamamache KHEDDOUCI

Université Claude Bernard Lyon 1
ED 512 http ://[Link] Bât. Nautibus
Sec. : Renée EL MELHEM 43, Boulevard du 11 novembre 1918
INFOMATHS Bât. Blaise PASCAL, 3e étage 69 622 Villeurbanne Cedex France
Tél : [Link].46 Tél : [Link].69
infomaths@[Link] [Link]@[Link]

MÉCANIQUE, ÉNERGÉTIQUE, GÉNIE CIVIL, ACOUSTIQUE M. Etienne PARIZET

INSA Lyon
ED 162 http ://[Link] Laboratoire LVA
Sec. : Philomène TRECOURT Bâtiment St. Exupéry
MEGA Tél : [Link].70 25 bis av. Jean Capelle
Bâtiment Direction INSA Lyon 69621 Villeurbanne CEDEX
mega@[Link] [Link]@[Link]

ScSo1 M. Bruno MILLY (INSA : J.Y. TOUSSAINT)

Univ. Lyon 2 Campus Berges du Rhône
ED 483 https ://[Link] 18, quai Claude Bernard
Sec. : Mélina FAVETON 69365 LYON CEDEX 07
ScSo Tél : [Link].79 Bureau BEL 319
[Link]@[Link] [Link]@[Link]

1. ScSo : Histoire, Géographie, Aménagement, Urbanisme, Archéologie, Science politique, Sociologie, Anthropologie

Thèse accessible à l'adresse : [Link] © [A. Brenon], [2025], INSA Lyon, tous droits réservés
 Département de la Formation par la Recherche
et des Études Doctorales (FEDORA)
Bâtiment Charlotte Perriand 3e étage
17, av. des Arts
69621 Villeurbanne Cédex
fedora@[Link]

Référence : TH1243 BRENON Alice

L’INSA Lyon a mis en place une procédure de contrôle systématique via un outil de
détection de similitudes (logiciel Compilatio). Après le dépôt du manuscrit de thèse,
celui-ci est analysé par l’outil. Pour tout taux de similarité supérieur à 10%, le manuscrit
est vérifié par l’équipe de FEDORA. Il s’agit notamment d’exclure les auto-citations, à
condition qu’elles soient correctement référencées avec citation expresse dans le
manuscrit.

Par ce document, il est attesté que ce manuscrit, dans la forme communiquée par la
personne doctorante à l’INSA Lyon, satisfait aux exigences de l’Etablissement concernant
le taux maximal de similitude admissible.

Thèse accessible à l'adresse : [Link] © [A. Brenon], [2025], INSA Lyon, tous droits réservés
 Remerciements

Mes premiers remerciements vont à Denis Vigier pour avoir su voir en moi la chercheuse que je
pouvais devenir quand j'ai poussé la porte de son bureau pour la première fois, il y a un peu plus
de sept ans. Je tiens aussi à remercier chaleureusement Frédérique Laforest pour la qualité de
son encadrement, sa disponibilité et tout ce qu'elle m'a transmis sur le plan pédagogique. J'aimerais
également dire merci à Ludovic Moncla pour son exigence constante, jusque dans les moments les
plus difficiles de cette thèse. Merci infiniment aux membres de mon jury pour leur patience, ayant
attendu mon manuscrit bien au-delà de la date de fin initialement prévue quand nous les avons
contactés il y a plus d'un an : je ne sais comment remercier Benoît Favre et Ioana Galleron pour
m'avoir lue et critiquée en détail, Antoine Doucet pour son intérêt renouvelé pour mon travail après
trois ans de suivi annuel ainsi que Marie Puren et Véronique Églin pour leur bienveillance et leurs
encouragements.
Je suis en outre extrêmement redevable aux autres membres du projet GEODE et en particulier à
Thierry Joliveau pour les échanges passionnants sur la Géographie au XIXème siècle, à Katherine
McDonough pour son travail sur les domaines de connaissance et pour son bon accueil à Lancaster
ainsi qu'à Olivier Kraif, toujours disponible pour me faciliter la vie avec le Lexicoscope.
Au vu de la place qu'a pris la préparation de La Grande Encyclopédie dans ce travail, j'adresse un
grand merci à Christine Jacquet-Pfau pour sa connaissance précieuse de l'œuvre qu'elle commu-
nique avec enthousiasme. Les présents travaux m'ont également confrontée à des questions de re-
productibilité que j'ai pu aborder sereinement grâce au travail fantastique de la communauté Guix,
extrêmement accueillante et que je tiens aussi à saluer, notamment Ludovic Courtès, Céline Acary-
Robert et Simon Tournier. J'étends ces remerciements aux esprits stimulants croisés dans les évé-
nements autour de la science ouverte, et aux personnes qu'ils m'ont à leur tour permis de rencon-
trer : deux grands mercis, à Jonathan McHugh et J.-P. Ascher, pour les discussions fertiles sur
l'organisation des connaissances.
Plus généralement, je dois dire toute la gratitude que je ressens envers les personnels, chercheuses
et chercheurs avec qui j'ai eu le privilège de travailler ces dernières années. Je remercie en particulier
Jean-Philippe Magué pour ses conseils toujours judicieux, Matthieu Decorde, Alexei Lavrentiev
ainsi que toute la communauté autour du logiciel TXM pour leur réactivité et leur aide inestimable.
Je suis très reconnaissante à mes collègues ayant terminé leur thèse il y a peu pour m'avoir partagé
leur expérience et permis de me projeter peu à peu dans l'après-thèse : merci à Luisa, Lucien, San-
tiago, Louis, Gabriel et François. Merci aussi à toutes mes collègues en master ou en thèse dont j'ai eu
la chance de partager un quotidien fait de travail (beaucoup), de soucis (parfois) et de bons moments
(souvent): ma demi-sœur de thèse Ghayoung, Moa et Corentin, Liv, Zeina, Lison, Luce, Alexandre,
Morgane, Sinem, Antoine et Zeinab. Une mention spéciale aux meilleures co-bureaux du monde :
Louise, Katherine et Taegan. Vous êtes toujours les bienvenues dans mon futur bureau, où qu'il se
trouve. J'ai conscience de l'injustice que je commets en ne pouvant pas prendre davantage de place
pour nommer entièrement chaque membre des laboratoires ICAR, LIRIS et LIP (que j'ai fréquenté
sur la dernière année) ni dire tout ce que je leur dois mais : Matthieu, Carole, Magali, Daniel, Lu-

3
Thèse accessible à l'adresse : [Link] © [A. Brenon], [2025], INSA Lyon, tous droits réservés
 Table des Matières

cie, Justine, Tarek, Audrey, Stéphanie, Lionel, (l'autre) François, Michele, Rémi, Diane, Pascal, Lois,
Nathalie… merci. Je pense à vous. Enfin, je n'aurais jamais même pu envisager de faire une thèse
sans ma prof de maths de sup'. Merci à Hélène Benhamou pour m'avoir inspirée, et accessoirement
appris la rigueur, la logique et donc à programmer.
Je dois d'ailleurs énormément à mes camarades taupes de l'époque avec qui nous travaillions de
concert en salle 356 et qui m'ont précédée dans la recherche : Thomas, Cécile et Julien. Je veux égale-
ment remercier l'entourage affectif qui m'a soutenue tout au long de ces quatre années et quelques.
Je pense avec émotion à Aure, Liolia, Ema, Alexandra, Amandine et toutes les amies avec qui j'ai
partagé des entraînements sur glace dont la régularité m'a été salutaire. Je rends grâce à Sébastien et
Maria qui ont joué les plus belles mesures de la musique qui m'a accompagnée pendant la rédaction ;
à mes colocs de serveurs Martin et Sergiu qui ont tenu les murs quand je n'avais plus d'énergie pour
regarder les logs ; à Grégory qui — même outre-Atlantique — sait parler de n'importe quel travail scien-
tifique comme si c'était la découverte la plus importante de tous les temps ; à Paul, pour moi tout à
la fois collègue, ami et famille ; et à Céline, Florent, Pierre ainsi qu'à la famille Maynié-Grauwin au
grand complet toujours là pour parler, rire et me redonner de l'énergie. Pour finir, je remercie mes
parents pour leurs encouragements continus à me dépasser sans cesse, de la maternelle à la fin de
cette thèse. Enfin, ces derniers mots sont pour toi, Isa, mon amour. Merci d'avoir d'avoir traversé ça
avec moi.

4
Thèse accessible à l'adresse : [Link] © [A. Brenon], [2025], INSA Lyon, tous droits réservés
 Table des matières

Remerciements 3

1 Introduction 7
1.1 Aux sources de cette thèse . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.2 Réflexions prospectives . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.3 Plan de l'étude . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14

2 Un instantané des Humanités Numériques 17

2.1 Structuration et encodage des données . . . . . . . . . . . . . . . . . . . . . . . . . 18
2.1.1 Les formats XML . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
2.1.2 Le format XML-TEI . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
2.1.3 Succès et limites du format XML-TEI . . . . . . . . . . . . . . . . . . . . . . 21
2.2 (Méta)lexicographie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
2.2.1 Portée conceptuelle des ouvrages lexicographiques . . . . . . . . . . . . . . 23
2.2.2 Dictionnaires et encyclopédies . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.2.3 L'Encyclopédie au centre des attentions . . . . . . . . . . . . . . . . . . . . 26
2.3 Histoire et terminologie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
2.3.1 Rivalité historique entre les approches symbolique et statistique . . . . . . 28
2.3.2 L'avènement des méthodes statistiques . . . . . . . . . . . . . . . . . . . . . 29
2.3.3 Nommer des pratiques très différentes . . . . . . . . . . . . . . . . . . . . . 29
2.4 Traitement Automatique de la Langue . . . . . . . . . . . . . . . . . . . . . . . . . . 30
2.4.1 Vectorisation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
2.4.2 Classification . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
2.4.3 Étiquetage morphosyntaxique et syntaxique . . . . . . . . . . . . . . . . . . 34
2.5 Linguistiques de corpus . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
2.5.1 Du texte au corpus . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
2.5.2 Les outils de la linguistique . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
2.5.3 Études contrastives . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40

3 Préparation et enrichissement du corpus 43

3.1 Les œuvres du corpus . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
3.1.1 Contextes historiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
3.1.2 Organiser les connaissances . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
3.1.3 Prétraitements . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
3.2 Encodage des fichiers . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
3.2.1 Des différences entre Encyclopédies et Dictionnaires . . . . . . . . . . . . . 62
3.2.2 Proposition d'un schéma d'encodage . . . . . . . . . . . . . . . . . . . . . . 71
3.2.3 Le mythe du «texte brut» . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
3.3 Des textes au corpus . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80
3.3.1 Différents formats pour différents usages . . . . . . . . . . . . . . . . . . . 80

5
Thèse accessible à l'adresse : [Link] © [A. Brenon], [2025], INSA Lyon, tous droits réservés
 TABLE DES MATIÈRES

3.3.2 Principes de structuration . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82

3.3.3 Reproductibilité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86

4 Classification automatique en domaines de connaissance 91

4.1 Comparaison de méthodes de classification automatique . . . . . . . . . . . . . . . 92
4.1.1 Démarche . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 92
4.1.2 Choix des modèles et préparation des jeux de données . . . . . . . . . . . . 93
4.1.3 Évaluation des performances . . . . . . . . . . . . . . . . . . . . . . . . . . 94
4.1.4 Classification non supervisée . . . . . . . . . . . . . . . . . . . . . . . . . . 100
4.2 Relations entre Géographie et autres domaines de connaissance . . . . . . . . . . . 102
4.2.1 Observations préliminaires des erreurs . . . . . . . . . . . . . . . . . . . . . 103
4.2.2 Similarités lexicales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 112
4.2.3 Application de la centralité à la structure du modèle . . . . . . . . . . . . . 119
4.3 Annotation des articles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 123
4.3.1 Choix d'un classifieur . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 123
4.3.2 Extension à LGE . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 126

5 Études contrastives 133

5.1 Tracer les contours de la géographie . . . . . . . . . . . . . . . . . . . . . . . . . . . 133
5.1.1 La place de la géographie . . . . . . . . . . . . . . . . . . . . . . . . . . . . 134
5.1.2 Des articles qui changent de domaine . . . . . . . . . . . . . . . . . . . . . 146
5.2 La biographie cachée . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 157
5.2.1 Spécificité des lemmes «naître» et «mourir» en Géographie . . . . . . . . . 158
5.2.2 L'influence des domaines . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 164
5.2.3 Différents profils de passages biographiques . . . . . . . . . . . . . . . . . . 166

6 Conclusion 171
6.1 Synthèse des résultats . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 171
6.2 Perspectives . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 174

Glossaire 185

Bibliographie 189

6
Thèse accessible à l'adresse : [Link] © [A. Brenon], [2025], INSA Lyon, tous droits réservés
 Chapitre 1

Introduction

1.1 Aux sources de cette thèse . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7

1.2 Réflexions prospectives . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.3 Plan de l'étude . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14

1.1 Aux sources de cette thèse

Le genre encyclopédique
Si l'on en croit André Marcel Berthelot, la Géographie serait la science encyclopédique par excel-
lence :

Le géographe aborde successivement le domaine de plusieurs sciences définies ; il

en prend les résultats et les place dans sa description synthétique : astronomie,
physique, chimie, géologie, botanique, zoologie, anthropologie, linguistique, sociologie,
statistique, démographie, histoire, toutes les branches des connaissances humaines lui
apportent leur contingent de faits […].
— La Grande Encyclopédie, T18, p.767

Cet extrait de l'article GÉOGRAPHIE qu'il rédige pour La Grande Encyclopédie, Inventaire raisonné
des Sciences, des Lettres et des Arts par une Société de savants et de gens de lettres — LGE dans le reste
de cette thèse —rappelle en effet l'«enchaînement de toutes les connaissances» à l'origine du mot
«encyclopédie». Plus d'un siècle après la fin de la publication de l'Encyclopédie, Dictionnaire raisonné
des sciences, des arts et des métiers, par une Société de Gens de lettres — EDdA dans le reste de cette
thèse — l'«esprit encyclopédique» qui a présidé à l'apparition du genre encyclopédique au tournant
des XVIIème et XVIIIème siècles (Macary, 1973, p. 145) semble donc continuer à inspirer les auteurs.
L'EDdA a en effet eu de nombreux précurseurs, au rang desquels on peut compter le Dictionnaire
Universel de Furetière (Galleron & Williams, 2022), le Dictionnaire François-Latin publié à Trévoux
(Le Guern, 1983) et la Cyclopedia de Chambers dont l'EDdA ne devait initialement être qu'une tra-
duction (Kafker & Loveland, 2016). Mais la portée de cet esprit encyclopédique se mesure davantage
à la descendance fournie qu'il a laissée : le Supplément à l'EDdA (Doig, 1990), l'Encyclopédie Métho-
dique de Panckoucke (Groult, 2019a) puis dans le courant du XIXème siècle le Grand Dictionnaire
Universel de Larousse et LGE (Jacquet-Pfau, 2022), et cela rien qu'en France. Ailleurs dans le monde,

7
Thèse accessible à l'adresse : [Link] © [A. Brenon], [2025], INSA Lyon, tous droits réservés
 Chapitre 1 : Introduction

l'Encyclopedia Britannica, la Brockhaus Enzyklopädie et l'Encyclopedia Americana entre autres contri-

buent à diffuser cet esprit. Les encyclopédies restent des objets pertinents au XXIème siècle, ayant
atteint une portée universelle comme le montre le succès de projets comme Wikipédia.

Le genre encyclopédique fait l'objet de nombreuses études depuis la thèse de Quemada (1968), notam-
ment en diachronie. Le XVIIIème siècle est marqué par une augmentation de la taille des équipes édi-
toriales ainsi que par des rectifications et des augmentations des contenus comme celles observables
entre le Furetière et le Trévoux (Macary, 1973, pp. 150 – 155). C. Rey (2022) montre que ce mouvement
se prolonge au début du XIXème siècle par une professionnalisation de la rédaction d'encyclopédies
et il est naturel de se demander ce que devient ce mouvement au tournant des XIXème et XXème
siècles.

La Géographie, une science en recomposition

Le lien entre la Géographie et les encyclopédies n'a pourtant pas toujours autant relevé de l'évidence
que ne pourrait le laisser croire la citation de Berthelot. Les contenus géographiques sont très peu
présents dans le Furetière (Galleron & Williams, 2022, p. 38 ; Vigier et al., 2022, p. 60) et ne font
vraiment leur entrée dans les encyclopédies qu'avec la deuxième édition du Trévoux (1721). Dans
l'Avertissement des Éditeurs (L'Encyclopédie, T3, [Link]), d'Alembert doit même défendre le choix
d'avoir inclus des articles de Géographie dans l'EDdA alors que «plusieurs personnes ont pensé
que les articles de Géographie étoient de trop dans ce Livre».

Le XVIIIème siècle voit émerger l'association de la Géographie aux cartes (Verdier, 2015) alors que
l'activité des géographes semblait pouvoir s'en dispenser auparavant. La carte apparaît alors comme
une simple technique de visualisation, intéressant davantage les mathématiciens pour les construc-
tions géométriques qu'elles requièrent. L'article CARTE (L'Encyclopédie, T2, p.706) le montre assez
clairement et, bien qu'il ne comporte pas de signature, il est d'ailleurs communément attribué à
d'Alembert, un mathématicien. La valeur du travail du géographe réside dans l'exactitude de ses
relevés, à partir desquels pourront être construites les cartes. Il n'y a d'ailleurs pas de cartes dans
l'EDdA et Diderot se satisfait d'une géographie «sèche», «scientifique», «la seule qui nous suffi-
roit pour construire de bonnes cartes des tems anciens, si nous l'avions, & qui suffira à la posté-
rité pour construire de bonnes cartes de nos tems» ainsi qu'il l'écrit à l'article ENCYCLOPÉDIE
(L'Encyclopédie, T5, p.646). Cette thématique de la carte reste pourtant présente dans l'œuvre et
permet d'introduire une métaphore frappante que d'Alembert file dans le Discours Préliminaire des
Éditeurs (L'Encyclopédie, T1, [Link]) : l'Encyclopédie décrit les différentes sciences comme autant
de «pays» qu'elle situe les uns par rapport aux autres, permettant d'«entrevoir même quelquefois
les routes secrètes qui les rapprochent». Ses articles sont des «cartes» qui couvrent en détail des
portions de la «mappemonde» que constitue le «Systême Figuré des connoissances humaines», un
«arbre encyclopédique» matérialisé sous forme d'une gravure au tome 1er dans le but de montrer
une vue d'ensemble des liens entre sciences.

La relation entre Géographie et encyclopédies à l'origine de cette réflexion est donc en réalité à
double-sens : à la Géographie comme science encyclopédique, nourrie de toutes les autres, s'ajoute
la pratique encyclopédique comme une «géographie des sciences» dont elle révèle le paysage. Ce-
pendant, au-delà de cette relation, la Géographie est soumise aux XVIIIème et XIXème siècles à des
forces transformatrices profondes. Chevalier (1997, p. 4) distingue quatre pôles du savoir géogra-
phique, opposant les géographies scolaires et universitaires mais aussi la géographie grand public et
la géographie appliquée. L'École des géographes forme depuis 1797 des topographes (Verdier, 2015,
p. 41) pour dresser des cartes utiles aux états-majors dans les nombreux conflits qui parsèment le
XIXème siècle. Avec la période révolutionnaire, l'école reçoit la charge de former des citoyens dont les
connaissances doivent progressivement intégrer de la géographie (Chevalier, 2013, para. 2 ; Todorov,
2018, para. 15). La géographie est aussi mise à contribution, associée à l'histoire, pour développer le

8
Thèse accessible à l'adresse : [Link] © [A. Brenon], [2025], INSA Lyon, tous droits réservés
 Chapitre 1 : Introduction

sentiment national qui émerge au XIXème siècle non seulement en France dès 1833 et jusqu'aux cé-
lèbres lois «Jules Ferry» qui mettent en avant la puissance coloniale française dans les programmes
de géographie (Chevalier, 2013, para. 3) mais aussi ailleurs en Europe, comme en Italie, en Allemagne
ou en Hollande (Todorov, 2018, para. 1 et 9). Vers la fin du XIXème siècle la Géographie se hisse enfin
au rang de véritable discipline scientifique grâce à des auteurs comme Vidal de la Blache.

Opportunités pour l'informatique

La conduite d'investigations sur des objets à la fois massifs et historiques comme peuvent l'être les
œuvres encyclopédiques évoquées soulève cependant un certain nombre de difficultés, notamment
techniques. La volumétrie particulièrement élevée de ce type d'ouvrage représente un premier frein
évident : sans moyens automatiques, il est en pratique impossible de rechercher des phénomènes
linguistiques, de les cataloguer exhaustivement ou même de naviguer rapidement de l'un à l'autre.
Les encyclopédies exacerbent bien sûr ce problème mais il apparaît néanmoins dans de nombreux
projets dès qu'il s'agit de travailler sur un corpus d'œuvres ou de productions langagières assez large
pour prétendre à une certaine représentativité. Pour les travaux portant sur les siècles passés, le ca-
ractère historique des documents étudiés ajoute encore des contraintes : la fragilité des exemplaires
s'oppose à toute consultation intensive tout en exigeant des précautions techniques lourdes pour ne
pas les abîmer ; leur rareté empêche également toute étude simultanée par les membres du projet
— à fortiori dans le cadre de collaborations internationales. Ces quelques raisons suffisent ample-
ment à justifier l'intérêt de numériser les œuvres et de les exploiter via des moyens électroniques.
Leur dématérialisation permet en outre de les partager sans limite au sein de la communauté scien-
tifique mais également de les faire connaître au grand public. Les intérêts des sciences humaines
et celles de l'information convergent donc naturellement, un mouvement à l'origine des «Humani-
tés Numériques» (HN). L'ordinateur y apporte des possibilités techniques originales au service des
questionnements des autres disciplines mais ne se limite pas à un rôle de soutien technique : ces
thématiques nouvelles créent aussi en retour des problématiques de recherche intéressantes pour
l'informatique elle-même.
La mise à disposition des équipes de grandes quantités de données et parfois de logiciels d'analyses
en ligne requiert des infrastructures complexes qui soulèvent déjà des questions d'ingénierie non tri-
viales liées entre autres au stockage, à la vitesse d'accès aux données ou même à la prise en charge
du travail collaboratif. Les efforts entrepris sur ces sujets ont donné naissance à des organisations
comme Ortolang (Pierrel & Parisse, 2016) ou Huma-Num (Larrousse et al., 2023) en France, et comme
CLARIN (Jong et al., 2020) à l'échelle européenne. L'augmentation du nombre de plateformes de ce
type et la nécessité de pouvoir les interconnecter dans des réseaux comme le European Open Science
Cloud (Di Donato et al., 2020) amène à devoir développer des formats ouverts et normaliser les don-
nées et métadonnées. L'apport des sciences du numérique ne se résume donc pas à l'implémentation
de services mais inclut aussi la spécification de langages formels utilisables pour encoder les données,
processus aboutissant à la production de standards comme la XML-TEI (Ide & Sperberg-Mcqueen,
1995), omniprésente en HN.
De plus, le recours à des outils numériques pour le traitement et l'analyse des données fait peser
une responsabilité accrue sur ces derniers : leur qualité et leur précision deviennent des enjeux pour
la solidité des connaissances produites. C'est ainsi que s'engagent de véritables courses en vue de
repousser l'état de l'art, par exemple de la reconnaissance optique de caractères (Patel et al., 2012 ;
Wick et al., 2018) ou du repérage et de la classification d'entités nommées (Humbel et al., 2021 ;
Nadeau & Sekine, 2007). Parfois, des progrès significatifs ne peuvent être obtenus qu'au prix de
l'adoption d'approches radicalement différentes comme ont pu l'être les méthodes d'Apprentissage
Automatique (AA) par rapport aux méthodes symboliques. Ces ruptures technologiques peuvent
s'accompagner d'un bouleversement des usages (concepts observables, métriques d'évaluations) qui
amène en retour à repenser le rapport aux objets examinés pour comprendre le sens du résultat

9
Thèse accessible à l'adresse : [Link] © [A. Brenon], [2025], INSA Lyon, tous droits réservés
 Chapitre 1 : Introduction

d'un calcul, comme par exemple une prédiction faite par un classifieur automatique. Cet enjeu est
en lien avec la visualisation des données, qui peut demander des efforts de développement logiciel
mais interroge surtout sur l'interprétation pouvant être faite des concepts statistiques ou informa-
tiques mobilisés. Enfin, la question des chaînes de traitement peut paraître secondaire, ne consti-
tuant qu'un assemblage «évident» ou même «nécessaire» des outils requis par un projet donné mais
suscite en réalité de nombreuses réflexions sur les formats des données ainsi que sur l'équilibre à
trouver entre commodité d'utilisation, flexibilité et réutilisabilité des états intermédiaires. Si de très
nombreux projets en HN semblent partager une structure commune allant de la numérisation de
données à l'application d'outils linguistiques automatisés (Jentsch & Porada, 2020), la diversité des
besoins spécifiques d'analyse ou des formats requis en entrée ou en sortie de chaîne pour chaque
projet complique en réalité le réemploi de chaînes existantes. Quelle que soit la direction envisagée,
les thématiques d'étude choisies apparaissent donc potentiellement fructueuses pour la recherche
informatique.

Le projet GEODE
Au-delà des résultats d'analyse auquels ils parviennent, l'enjeu des présents travaux repose donc
davantage sur l'exploration des solutions techniques à disposition ainsi que des manières dont elles
peuvent être combinées pour répondre à des besoins d'analyse correspondant aux pratiques des HN.
Cette thèse s'inscrit en effet dans le cadre du projet GEODE 1 qui adopte cette approche interdiscipli-
naire. Pour ce faire, il étudie un corpus de quatre encyclopédies de la deuxième moitié du XVIIIème
au XXIème siècle de langue française principalement (Bender, 2019), émaillées ici et là de mots et
parfois de citations complètes en latin et en grec pour les deux plus anciennes. Autour de ces textes,
le projet réunit des spécialistes de linguistique, d'informatique, de géographie et d'histoire.

La première des œuvres du corpus de GEODE dans l'ordre chronologique est l'EDdA, publiée de
1751 à 1772 et témoin de la deuxième moitié du XVIIIème siècle. Le deuxième jalon de l'étude est
posé par LGE qui permet d'observer la toute fin du XIXème siècle, de 1885 à 1902. L'étape suivante
dans la progression est marquée par l'Encyclopedia Universalis, lancée en 1966. L'édition versée au
corpus est la 23ème , datant de 2018 et tenue à jour de l'évolution des connaissances scientifiques et
des événements historiques les plus récents. Toutefois certains articles tel que CONSCIENCE ou
LIBERTÉ signés respectivement par Ey (décédé en 1977), et Ricœur (en 2005) sont nécessairement
plus anciens et font de cette œuvre une bonne représentante de contenus encyclopédiques de la fin
du XXème siècle et du début du XXIème . La dernière œuvre utilisée est la version francophone de
Wikipédia, qui par sa nature collaborative et vivante est mise à jour en continu et contient donc des
états de langues tout à fait contemporains. Les travaux conduits dans le cadre de cette thèse se sont
concentrés sur le premier intervalle allant de l'EDdA à LGE et au cours duquel se sont produites
les transformations de la Géographie décrites par les spécialistes de la discipline dans les références
évoquées p.8.

1.2 Réflexions prospectives

Problématique
Le lien privilégié qui unit les encyclopédies à la Géographie amène à s'interroger sur les effets qu'ont
pu avoir dans ce type d'ouvrages les changements subis par la discipline après le siècle des Lumières.
Puisqu'il y a lieu de faire l'hypothèse que ces mutations ont eu des conséquences sur la manière dont
on écrit la Géographie, il faut se donner les moyens d'observer leurs effets, ce qui constitue l'enjeu
principal de cette thèse.

1. [Link]

10
Thèse accessible à l'adresse : [Link] © [A. Brenon], [2025], INSA Lyon, tous droits réservés
 Chapitre 1 : Introduction

La question que soulève immédiatement une telle problématique concerne donc les moyens
d'accéder aux discours géographiques présents dans les encyclopédies du corpus. De nombreux
projets en HN ont déjà développé des outils pour traiter des textes antérieurs au XXème siècle ;
d'autres s'intéressent à l'importance d'un ensemble d'articles pour une discipline en particulier mais
sans intégrer d'analyse de discours et sans les opposer aux autres sciences. Ici, l'objectif est à la
fois de pouvoir traiter les textes des encyclopédies dans leur ensemble à l'aide de méthodes auto-
matiques et, simultanément, d'être à tout moment capable de restreindre l'étude à des sous-corpus
pertinents ou d'adopter une démarche contrastive, principalement selon deux axes. Le premier,
celui du champ disciplinaire, repose sur la possibilité d'identifier des discours géographiques par
opposition à d'autres qui ne relèveraient pas du même domaine. Le deuxième axe est temporel
puisqu'il faut comparer les discours du genre encyclopédique à deux époques : le XVIIIème d'une
part et le tournant des XIXème et XXème siècles d'autre part.

Cette thématique de recherche mobilise plusieurs des apports de l'informatique aux HN. Il est d'abord
nécessaire de déterminer un encodage qui convienne à la fois à l'EDdA et à LGE malgré leurs diffé-
rences, de façon à pouvoir regrouper les deux œuvres au sein d'un même corpus et leur appliquer les
mêmes traitements puis les mêmes analyses. Cette tâche de normalisation, avec celle d'organisation
des textes et des métadonnées représente un important travail d'ingénierie des données. À ces ef-
forts s'ajoutent ensuite ceux à fournir pour identifier les discours pouvant relever de la Géographie.
Les articles d'encyclopédies se répartissent généralement selon le domaine de connaissance dont
relèvent les notions qu'ils abordent, ce qui offre un premier accès à ces discours. À cette échelle,
associer un domaine de connaissance aux articles prend la forme d'un problème de classification.
Plus près des phrases, l'annotation automatisée des textes et l'écriture de requêtes basées sur des
critères lexicaux ou syntaxiques permettent de mettre en évidence des motifs utiles pour révéler
une structure plus fine. En faisant appel à la fois à l'informatique et aux sciences du langage, elles
rendent compte de la diversité des concepts traités dans chaque discipline.

La Géographie et ses traces

Cependant, même au niveau des articles pris dans leur ensemble une évidence apparente doit être
critiquée sous peine de fragiliser la démarche : celle de l'identification implicite entre d'une part la
discipline ”géographie” et d'autre part l'ensemble des articles assignés à cette discipline par le choix
éditorial des encyclopédistes. Alors que la première peut s'entendre comme un ensemble vivant de
pratiques et de savoirs, nécessairement fini, elle renvoie à une idée bien plus vaste. Par contraste, la
seconde demeure contingente et dans une certaine mesure arbitraire. Ces articles ne sont que l'écho
de la discipline, nécessairement en retard sur ses progrès : ils sont écrits après réverberation dans un
ou plusieurs des dictionnaires universels dans lesquels les encyclopédistes ont puisé leurs sources,
parfois d'après des récits de voyages passés. Une expression du XVIIIème siècle illustre parfaitement
cette source d'information : «terme de relation» (Quemada, 1968, p. 309), sous laquelle sont classées
certaines entrées dans l'EDdA et qui sous-entend le mot «voyage». Ces entrées peuvent entre autres
servir à définir du vocabulaire utilisé lorsqu'un texte relate un voyage, par exemple une francisation
d'un mot de la langue parlée dans le pays visité comme PILAU (L'Encyclopédie, T12, p.618) emprunté
au Turc pour parler de la cuisson du riz.

L'objet qui intéresse fondamentalement cette thèse est bien sûr la Géographie en tant que disci-
pline (qu'on distinguera typographiquement en conservant la majuscule) mais il ne se réduit pas
aux discours présents dans une encyclopédie. Les présents travaux s'efforcent de s'en rapprocher en
étudiant ces discours, c'est-à-dire la trace textuelle laissée par la discipline (pour laquelle on réser-
vera l'emploi sans marquer l'initiale : «géographie»). De la même manière, le terme de «discipline»
sera pris dans le sens large de «science» alors que l'expression «domaine de connaissance» renverra
plus spécifiquement à un choix éditorial de découpage dans une encyclopédie particulière.

11
Thèse accessible à l'adresse : [Link] © [A. Brenon], [2025], INSA Lyon, tous droits réservés
 Chapitre 1 : Introduction

La situation est tout à fait analogue à celle en traitement du signal d'un processus d'échantillonnage
par lequel on tente de connaître une fonction continue du temps à partir d'un ensemble fini de
mesures, comme représenté à la figure 1.1. Tout l'enjeu est alors de savoir si les points échantillon-
nés sont assez représentatifs et couvrent suffisamment l'intervalle complet pour rendre fidèlement
compte du phénomène observé. Mais là où en systématisant l'échantillonnage suivant une grille ré-
gulière on parvient à connaître et limiter la quantité d'information perdue grâce aux résultats des
travaux de Nyquist (1928) repris et étendus par Shannon (1949) 2 , la sélection opérée par les choix
éditoriaux des encyclopédistes ne constitue pas un échantillonnage car, n'ayant pas été faite dans
le but de fournir de l'information sur la discipline elle-même, elle est nécessairement irrégulière et
probablement lacunaire. C'est la raison pour laquelle les mesures sont réparties aléatoirement sur
la figure 1.1 plutôt qu'espacées entre elles d'un pas constant comme cela aurait été le cas sur un
graphe similaire destiné à illustrer un vrai processus d'échantillonnage, par exemple d'un signal ac-
coustique. Le problème est donc de travailler à partir d'une «trace» de la Géographie, passée et finie,
sans pouvoir limiter ni même seulement connaître la quantité d'information perdue par rapport au
«signal» que constituerait la discipline géographique. C'est pourtant le parti qu'il faut prendre, en
l'absence d'un meilleur, tout en gardant cette distinction à l'esprit.

Figure 1.1 – Échantillonnage d'un processus sinusoïdal par un ensemble de points répartis aléatoi-
rement

Faire correspondre des époques

À la lumière de la remarque ci-dessus, apparaît un deuxième questionnement sur l'identité des ob-
jets à comparer. En effet, puisqu'il est impossible d'accéder directement à la Géographie de chaque
époque et qu'il faut se contenter de ses traces sous forme d'ensembles d'articles, il est naturel de
s'interroger sur le bien-fondé d'une mise en regard de ces ensembles au seul motif qu'ils sont es-
tampillés Géographie chacun à leur époque. Intuitivement, l'identité paraît évidente car c'est bien la
même discipline qui a évolué continûment d'une époque à l'autre, et les encyclopédistes de chaque
époque ont choisi les articles qu'ils considéraient relever de cette même discipline.
Mais en toute rigueur, avec les seuls éléments disponibles — c'est-à-dire des collections d'articles
non seulement finies mais surtout disjointes, sans continuité temporelle — il n'est pas possible de
l'affirmer : le nom aurait pu subir un glissement sémantique et désigner des disciplines entièrement
distinctes aux deux époques. De plus, l'ensemble des catégories selon lesquelles les articles se ré-
partissent diffère à chaque époque. Cela peut être dû à l'apparition d'une discipline entière comme
par exemple «Industrie» dans LGE qui aurait été anachronique dans la deuxième moitié du XVIIIème
siècle avant la révolution industrielle. Des redécoupages peuvent également avoir lieu : ainsi, là où
la Géographie se retrouvait dans le «Systême Figuré» des encyclopédistes des Lumières aux côté
2. le théorème de Nyquist-Shannon dit qu'en échantillonnant à la fréquence F on peut récupérer sans déformation
toutes les composantes de fréquence < 𝐹2 dans le signal initial

12
Thèse accessible à l'adresse : [Link] © [A. Brenon], [2025], INSA Lyon, tous droits réservés
 Chapitre 1 : Introduction

de l'Uranographie et de l'Hydrographie dans la Cosmographie, au sein des sciences mathématiques 3 ,

elle se retrouve associée à l'Histoire dans l'Avant-Propos de LGE qui en dresse le projet (La Grande
Encyclopédie, T1, [Link]), comme l'illustre la figure 1.2 4 . D'ailleurs, si la liste des collaborateurs du
projet n'associe pas chacun à une discipline précise, il est à noter que sur les 12 membres dont la
qualité contient le mot «géographie», la moitié exactement d'entre eux sont des enseignants, agré-
gés ou professeurs, à la fois d'histoire et de géographie puisque les deux disciplines sont rassemblées
à l'agrégation de 1831 à 1943, date à laquelle celle de géographie a été créée. Ce rapprochement est
tout à fait cohérent avec le rôle que la Géographie joue à cette époque dans la constitution d'une
identité nationale.

Figure 1.2 – Exemple schématique de rebrassage des domaines de connaissance

Pour reprendre la métaphore géographique de d'Alembert, les frontières des sciences bougent et se
redécoupent donc et les présents travaux visent entre autres à rendre compte de ces mouvements.
Pour avoir une chance d'atteindre leur objectif, ils devront donc éviter l'écueil consistant à prendre
pour acquise la correspondance de deux ensembles d'articles au seul prétexte qu'ils sont regroupés
sous la même étiquette à deux époques différentes et mettre d'abord en évidence assez de ressem-
blance pour s'assurer qu'il s'agit bien des mêmes objets. C'est seulement après avoir vérifié cette
égalité «au premier ordre» que pourront se justifier des comparaisons ultérieures raffinant l'étude
et la pertinence d'éventuelles différences trouvées. De plus, ils ne pourront pas se contenter de de-
meurer à l'intérieur des collections d'articles censés représenter la Géographie à chaque époque et
devront nécessairement prendre en compte également ce qu'il y a «autour».

Mais puisqu'il faut — une fois les réserves levées — identifier la Géographie de l'EDdA et celle de LGE,
il n'y a pas de sens à utiliser des jeux d'étiquettes différents aux deux époques pour représenter les
domaines de connaissance. Et si c'est bien la nécessité technique qui motive initialement ce choix, les
remarques ci-dessus montrent cette approche pragmatique sous un nouveau jour. Certes, appliquer
la grille de lecture d'une époque à une autre va causer des erreurs, mais leur mesure attentive éclai-
rera ces changements, alors qu'essayer de réconcilier deux réalités de toute façon disjointes n'aurait
laissé aucune prise à l'analyse.

3. le Systême est surtout un manifeste dont les auteurs ont su s'émanciper là où il le fallait mais il témoigne en revanche
assez bien des idéaux taxonomiques de ses auteurs
4. dans le préambule de l'EDdA déjà, un paragraphe dressait un parallèle entre Chronologie, «science des tems» et
Géographie celle «des lieux». C'est peut-être là déjà un des premiers mouvements de ce qui deviendra l'Histoire-Géographie
de LGE, mais les Encyclopédistes n'identifient pas Chronologie et Histoire, puisqu'ils font de celle-ci la mère de celle-là,
attribuant en parallèle la même relation de parenté à la Géographie et à l'Astronomie respectivement.

13
Thèse accessible à l'adresse : [Link] © [A. Brenon], [2025], INSA Lyon, tous droits réservés
 Chapitre 1 : Introduction

1.3 Plan de l'étude

Les trois apports principaux de cette thèse concernent la préparation du corpus, un modèle de classi-
fication automatique et une étude des contenus géographiques à l'aide d'outils de textométrie. Ils cor-
respondent à trois composantes présentes dans de nombreux projets en HN : le travail d'ingénierie
nécessaire à la mise en forme des données, l'application de méthodes d'AA et enfin la conduite
d'analyses expertes propres à une discipline, ici de la linguistique outillée puisqu'il s'agit de données
textuelles.

Organisation
Hormis le chapitre consacré à l'état de l'art, le manuscrit est construit en suivant ces trois versants.
S'il existe une relative dépendance entre ces composantes, le découpage des chapitres vise à leur
conserver une certaine autonomie, bien que les premières contributions présentées soient davan-
tage préparatoires et laissent progressivement la place aux analyses des données et métadonnées
produites.
Le chapitre 2 dresse un portrait du domaine des Humanités Numériques. Il commence par décrire
les formats utilisés, avant d'expliciter le lien privilégié qu'entretiennent les œuvres lexicographiques
et la linguistique. Enfin, il décrit et replace dans leur contexte historique deux familles d'approches
statistiques, en présentant les outils et les techniques couramment utilisées par chacune.
La majeure partie du travail de mise en forme et d'encodage du corpus fait l'objet du chapitre 3. La
description détaillée des deux œuvres étudiées et de la structure des contenus que l'on peut y trou-
ver est suivie d'une discussion des efforts entrepris pour représenter le corpus et les métadonnées
qui lui sont associées. Le chapitre introduit également la notion de domaine de connaissance des
articles, centrale dans le lien entre encyclopédies et géographie et sur laquelle repose un des axes
d'investigation suivis dans les études contrastives.
L'importance de cette notion justifie la place centrale qui lui est accordée au chapitre 4 en tant que
focale de tâches de classification. Après la description de l'entraînement de modèles d'AA capables
de prédire le domaine de connaissance d'articles des deux encyclopédies étudiées à partir de leur
contenu, le chapitre décrit l'application du classifieur retenu à la totalité du corpus afin de pouvoir
ajouter aux métadonnées des articles le domaine dont ils relèvent.
Enfin, le chapitre 5 constitue l'aboutissement des deux précédents et se consacre aux analyses
contrastives. Il commence par cerner la place accordée aux discours géographiques, de manière tout
à fait quantitative d'abord puis, en s'intéressant aux transferts d'articles entre classes en diachronie,
de façon plus qualitative. La dernière étude qu'il contient observe l'hétérogénéité des articles en
termes de domaine de connaissance en prenant le cas notoire des biographies dans les articles de
géographie.

Contributions
Les recherches présentées dans ce manuscrit se situent à l'interface de l'informatique et des sciences
du langage mais la répartition des trois contributions entre ces deux sciences reste nettement en
faveur de la première.

Version numérique structurée de LGE

Présentée au chapitre 3, la publication de la première version numérique complète de LGE struc-
turée en XML-TEI représente la première contribution de cette thèse. Au-delà de l'objet produit,
l'originalité de ce travail réside dans l'emploi de méthodes de graphes pour évaluer les possibilités
offertes par un schéma XML.

14
Thèse accessible à l'adresse : [Link] © [A. Brenon], [2025], INSA Lyon, tous droits réservés
 Chapitre 1 : Introduction

Si les premiers succès sur ce versant avaient été obtenus dès 2021 à l'issue du projet DISCO-LGE 5 ,
les analyses conduites sur LGE dans le cadre des présents travaux nécessitaient une amélioration
de la qualité. La nouvelle version apporte plusieurs progrès à l'encodage de l'œuvre. D'abord, elle
gagne en précision sur la segmentation des articles. Elle s'accompagne également de métadonnées
permettant la navigation et le retour au texte.

Modèle de classification en domaines de connaissance

La deuxième contribution, développée dans le chapitre 4, concerne la tâche de classification automa-
tique. Elle débute par une étude comparative de méthodes d'AA pour prédire le domaine d'articles
encyclopédiques qui actualise et complète un travail similaire réalisé par Horton et al. (2009) en
considérant notamment des méthodes d'Apprentissage Profond (AP).
Ensuite, au lieu de réduire les prédictions incorrectes des modèles à un horizon technique à dépasser,
elle observe que ces erreurs ne ressemblent pas à un bruit aléatoire mais relèvent dans la plupart
des cas d'une certaine logique. Elle les utilise comme un point d'entrée possible vers les articles
en appliquant des méthodes algébriques — en particulier la notion de centralité — pour mettre en
évidence des proximités thématiques ou stylistiques entre les domaines de connaissance.

Biographies et discours géographiques

Enfin le chapitre 5 apporte des éléments nouveaux pour comprendre la place des biographies dans
les articles de Géographie. En effet, il n'y a pas officiellement de notice biographique dans les pages de
l'EDdA et la biographie, genre discursif, ne s'intègre pas au «Systême» des domaines de connaissance
des Encyclopédistes.
Plusieurs biographies comme celle de Newton sont pourtant bien connues des spécialistes de l'EDdA,
spécifiquement sous la plume du Chevalier de Jaucourt, contributeur incontournable des entrées géo-
graphiques. En mettant en évidence un régime particulier pour les philosophes puis en définissant
deux critères sur les articles contenant des biographies, l'étude propose un modèle progressif pour
rendre compte des liens qui unissent les biographies et la Géographie.

Choix
La rédaction de ce manuscrit a fait l'objet d'un certain nombre de choix et de partis pris qu'il est bon
d'avoir en tête avant d'entamer sa lecture et qui tiennent en partie à son caractère autoréférentiel.
Au contact du genre encyclopédique, il a fini par en prendre certaines caractéristiques.
Le texte comporte des renvois fréquents, non seulement à des figures mais également à des sections
ou à des passages précis dans le texte pour éviter de répéter des explications. La version PDF fa-
vorise naturellement une lecture transversale selon ces renvois grâce aux liens hypertextes qu'elle
comporte ; pour faciliter une navigation semblable dans l'exemplaire papier, la plupart des renvois
précisent le numéro de la page où se trouve la figure ou la section mentionnée. Ces numéros de page
sont parfois omis pour les renvois «proches» à l'intérieur d'une même section ou à quelques pages
d'intervalle.
En écrivant cette thèse il est en outre apparu que plusieurs sigles et acronymes mais aussi du lexique
scientifique revenaient assez souvent pour justifier la création d'un court Glossaire alphabétique de
la terminologie du manuscrit. À leur première occurrence, les termes sont explicités, leurs initiales
étant précisées entre parenthèses pour les acronymes. Les occurrences suivantes n'utilisent plus
que la version courte sous forme de lien hypertexte également. Ces liens, à la différence des renvois
précédents, ne sont jamais accompagnés de la page où se trouve l'entrée : du vocabulaire qui ne
5. [Link]

15
Thèse accessible à l'adresse : [Link] © [A. Brenon], [2025], INSA Lyon, tous droits réservés
 Chapitre 1 : Introduction

serait pas défini juste avant son utilisation est à chercher dans le Glossaire à partir de la page 185.
La version numérique est donc là encore avantagée puisque de nombreux lecteurs PDF affichent
une prévisualisation de la cible d'un lien au survol avec la souris, ce qui suffit le plus souvent pour
consulter ces définitions assez brèves. Le format PDF est donc celui recommandé pour lire cette
thèse.
Le manuscrit ne possède en revanche pas d'Annexe alors que cela est courant dans ce type de do-
cument pour présenter des tableaux de données, des algorithmes utilisés, etc. À la place, puisqu'un
certain nombre de traitements des données et de génération des figures est effectué automatique-
ment au moment de la génération de ce texte, le code source 6 utilisé tient lieu d'annexe (voir la
section 3.3.3 sur la reproductibilité page 86 à ce sujet).
Enfin, du point de vue du langage, le texte reçoit par sa composante informatique l'influence de
l'anglais, systématique dans cette discipline quelle que soient les langues maternelles des équipes
qui publient alors que le français semble plus présent dans les publications de la communauté lin-
guistique francophone. Le français est la langue du corpus, et le manuscrit a été rédigé en français.
Pour la cohérence de l'ensemble, les termes français et les acronymes correspondants ont été préfé-
rés à ceux d'origine anglaise même d'un emploi répandu en France pour le vocabulaire technique,
tant que cela ne donnait pas lieu à des termes trop artificiels. Certaines initiales peuvent toutefois
paraître obscures quand l'habitude des termes anglophones a popularisé les leurs à la place d'un
terme francophone pourtant utilisé. C'est le cas par exemple d'AA pour Apprentissage Automatique
(l'expression développée est parfois utilisée en français mais l'abréviation ML pour «Machine Lear-
ning» est bien plus courante dans la littérature que «AA») ou pour HN qui peut surprendre par
rapport à DH pour «Digital Humanities» alors qu'«Humanités Numériques» se rencontre couram-
ment. Par souci d'homogénéité, ce sont pourtant les versions francophones qui ont été préférées ;
dans tous les cas, le Glossaire est là (p.185) si besoin. Pour certains termes comme les noms de mé-
thodes de classification automatique où aucune traduction ne parvient à s'imposer, des concessions
à ce principe ont été faites.

6. [Link]

16
Thèse accessible à l'adresse : [Link] © [A. Brenon], [2025], INSA Lyon, tous droits réservés
 Chapitre 2

Un instantané des Humanités Numériques

2.1 Structuration et encodage des données . . . . . . . . . . . . . . . . . . . . . . . . . 18

2.1.1 Les formats XML . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
2.1.2 Le format XML-TEI . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
2.1.3 Succès et limites du format XML-TEI . . . . . . . . . . . . . . . . . . . . . . 21
2.2 (Méta)lexicographie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
2.2.1 Portée conceptuelle des ouvrages lexicographiques . . . . . . . . . . . . . . 23
2.2.2 Dictionnaires et encyclopédies . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.2.3 L'Encyclopédie au centre des attentions . . . . . . . . . . . . . . . . . . . . 26
2.3 Histoire et terminologie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
2.3.1 Rivalité historique entre les approches symbolique et statistique . . . . . . 28
2.3.2 L'avènement des méthodes statistiques . . . . . . . . . . . . . . . . . . . . . 29
2.3.3 Nommer des pratiques très différentes . . . . . . . . . . . . . . . . . . . . . 29
2.4 Traitement Automatique de la Langue . . . . . . . . . . . . . . . . . . . . . . . . . . 30
2.4.1 Vectorisation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
2.4.2 Classification . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
2.4.3 Étiquetage morphosyntaxique et syntaxique . . . . . . . . . . . . . . . . . . 34
2.5 Linguistiques de corpus . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
2.5.1 Du texte au corpus . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
2.5.2 Les outils de la linguistique . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
2.5.3 Études contrastives . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40

Les travaux présentés dans ce manuscrit reposent sur des considérations issues d'un spectre de disci-
plines centré sur l'informatique (encodage, complexité algorithmique, AA) mais allant des mathéma-
tiques (statistiques, théorie des graphes) à la linguistique (syntaxe, cooccurrences). Cette pratique
pluridisplinaire constitue une illustration représentative des HN, un courant interdisciplinaire né
à la fin du XXème siècle, ou au moins constitué sous ce nom à cette époque à partir de la pratique
en développement depuis les années 1960 consistant à appliquer des techniques de calcul automa-
tique à des thématiques des humanités (Beaudouin, 2016, p. 17). Cette rencontre entre l'informatique
d'une part et les sciences humaines et sociales d'autre part a rendu possible l'émergence de projets
ambitieux, capables d'aborder de nouveaux objets d'études et de révéler ceux déjà connus sous un
jour nouveau.
L'encodage des données pour permettre leur manipulation par des outils informatisés, rappelé par

17
Thèse accessible à l'adresse : [Link] © [A. Brenon], [2025], INSA Lyon, tous droits réservés
 Chapitre 2 : Un instantané des Humanités Numériques

l'adjectif «Numérique» dans l'expression «Humanités Numériques» est un point commun à tous
les projets du domaine. La première section de ce chapitre s'intéresse aux efforts entrepris pour
standardiser les formats utilisés dans le but de rendre les fichiers produits facilement exploitables,
interopérables et réutilisables. La place privilégiée qu'occupent les ouvrages lexicographiques dans
les HN et leur lien étroit avec les questionnements linguistiques sont ensuite traités à la section 2.2.
Des travaux existants sur les dictionnaires et les encyclopédies y sont présentés, notamment sur
l'EDdA, œuvre majeure qui intéresse de nombreuses branches des HN. Puis la section 2.3 dresse un
bref historique du pan informatique de la discipline et, enfin, les sections 2.4 et 2.5 présentent les
appareils conceptuels, formats et outils déployés respectivement dans les chapitres 4 (classification
automatique) et 5 (linguistique de corpus).

2.1 Structuration et encodage des données

Les formats de fichiers les plus manipulés au cours de cette thèse appartiennent principalement à
deux familles présentes très fréquemment en HN : ceux structurés en tableaux et ceux possédant
des structures arborescentes représentées par un langage de balisage.
Les métadonnées des fichiers du corpus ont été représentées par des formats tabulaires de la fa-
mille CSV, un format très simple en usage depuis le début des années 1970 et formalisé bien plus
tard (Shafranovich, 2005). L'acronyme signifie Comma-Separated Values («des valeurs séparées par
des virgules») qui décrit la manière d'organiser les cellules au sein d'une ligne (les lignes elles-
mêmes sont séparées par un caractère «nouvelle ligne» '\n'). De nombreuses variantes de ce for-
mat utilisant différentes conventions sont en usage, si bien qu'on parle également parfois de «SSV»,
Something-Separated Values («des valeurs séparées par quelque chose») pour désigner plus généra-
lement cette famille où le caractère délimiteur peut varier. La variante utilisée en pratique dans les
présents travaux est TSV qui se sert du caractère tabulation ('\t') pour séparer les cellules.
L'autre format principal dans cette thèse est le format XML-TEI, un langage à balises (markup lan-
guage, c'est l'origine de la séquence «ML» dans les noms de langage mentionnés dans cette partie).
Ce format possède une histoire bien plus riche ponctuée d'étapes importantes de normalisation et
de standardisation qu'il faut expliciter pour donner un sens aux travaux exposés dans la section 3.2.
Il joue un rôle majeur actuellement en HN et c'est à lui que s'intéresse cette section.

2.1.1 Les formats XML

Les langages de balises constituent des outils précieux pour représenter des informations structurées
et détaillées. Dans cette famille, la lignée du langage SGML — dont les origines remontent via COCOA
et GML jusqu'aux années 1960 — se distingue par sa grande fertilité en ayant donné naissance à
un très grand nombre de formats dont une partie est visible à la figure 2.1. Ces formats trouvent
des applications dans des domaines très variés comme le dessin vectoriel pour SVG, la messagerie
instantanée pour XMPP et bien sûr les pages web pour le format HTML.

Figure 2.1 – Quelques membres éminents de la famille SGML

SGML (Standard Generalized Markup Language, 1986) est en fait un métalangage, c'est-à-dire qu'il

18
Thèse accessible à l'adresse : [Link] © [A. Brenon], [2025], INSA Lyon, tous droits réservés
 Chapitre 2 : Un instantané des Humanités Numériques

décrit une syntaxe pour définir des structures de fichier plutôt que de donner des règles sur un
format précis. Il se caractérise par l'emploi de chevrons (ouvrant '<' et fermant '>') et d'une barre
oblique ('/') pour donner un sens spécial à une séquence de caractères, en vert sur la figure 2.2. C'est
ainsi qu'il est possible de créer des balises, ouvrantes (figure 2.2a) et fermantes (2.2b), dont le nom
est défini par la séquence entre chevrons (et éventuellement la '/' pour une balise fermante). Une
balise ouvrante et une balise fermante de même nom s'associent pour former ensemble l'équivalent
paramétrable d'une paire de parenthèses servant à délimiter une portion du document : un élément
comme celui visible à la figure 2.2c. Il est en outre possible d'ajouter des propriétés aux balises à
l'aide d'attributs qui associent des valeurs à des clefs. Sur la même figure 2.2c, la clef id est ainsi
associée à la valeur doc0 (le symbole = est syntaxique et ne fait pas partie de la clef ni de la valeur,
de même que les guillemets à l'intérieur desquels doit être placée la valeur).

(c) Une paire de balises

«p» délimitant le texte
(a) Une balise ouvrante (b) Une balise fermante «Contenu» et dont l’attri-
(dont le nom est «text») (dont le nom est «author») but «id» vaut «doc0»

Figure 2.2 – Des balises SGML

Quand un élément ne contient ni texte ni aucun autre élément — un cas qui peut se rencontrer assez
régulièrement, un élément vide reste utile par rapport à son élément parent ou pour ses attributs —
il est également possible d'utiliser une syntaxe dite «autofermante» qui permet de le représenter en
une seule balise. Ainsi un élément <p></p> peut se noter <p/>. C'est cette notation qui sera utilisée
dans toute la thèse pour désigner les éléments afin de distinguer la balise et son nom. Ainsi <p/>
pourra être utilisé pour parler de l'entité abstraite que constitue un élément (la classe de tous les
éléments XML qu'il est possible de construire avec des balises dont le nom est «p») aussi bien que
pour une de ses instances particulières («l'élément racine de la figure 2.2c est un <p/>»).
Le langage XML (Bray et al., 2008) forme un sous-ensemble de SGML qui ajoute des contraintes
pour rendre le langage plus simple à analyser automatiquement mais il reste lui aussi au niveau
de la structure. Pour définir un langage concret utilisable dans un cadre précis pour représenter un
certain type de données, il faut décrire un ensemble de balises, d'attributs et de règles indiquant
quelles balises peuvent en inclure combien de quels autres types, et quels attributs elles peuvent
recevoir (affectés de quelles valeurs). Ces informations constituent un schéma de données, qui est
spécifié historiquement sous la forme d'une Document Type Definition (Bray et al., 2008, sec. 2.8),
format de référence des schémas défini en même temps que XML lui-même. D'autres formats plus
récents et plus expressifs ont vu le jour pour décrire des schémas : XSD (Gao et al., 2012) publié
également par le consortium W3C à l'origine de XML, Schematron (Jelliffe, n.d.) ou encore RELAX
NG (Clark & Murata, 2001).
Deux formats XML définis par des schémas particuliers, ALTO et TEI, sont principalement utilisés
dans les présents travaux. Le format ALTO (Analyzed Layout and Text Objects, c'est-à-dire «Mise en
page analysée et objets textuels») est publié par la Librairies du Congrès des États-Unis d'Amérique
(ALTO, 2023). Il sert à représenter des pages numérisées après l'application de systèmes de reconnais-
sance optique de la disposition (Optical Layout Recognition ou OLR) puis de reconnaissance optique
de caractères (Optical Character Recognition ou OCR). Il contient essentiellement des éléments de
structure à différents niveaux (page, bloc de texte, ligne, mot) comme le montre l'extrait de la figure
2.3. L'imbrication de ces éléments modélise la structure du document représenté, et leurs attributs
donnent des informations sur leurs coordonnées pour les positionner sur la page (HPOS et VPOS) et

19
Thèse accessible à l'adresse : [Link] © [A. Brenon], [2025], INSA Lyon, tous droits réservés
 Chapitre 2 : Un instantané des Humanités Numériques

sur les séquences de caractères lues (CONTENT pour le contenu lui-même et WC — word confidence ou
«confiance dans le mot» — qui donne un indice de qualité d'après l'OCR). Le standard, qui a atteint
sa version 4.4 est spécifié par un schéma XSD 1 . Il est utilisé par exemple pour encoder des journaux
(Gutehrlé & Atanassova, 2022) et sert de format de référence pour des outils développés dans le but
d'améliorer la qualité d'OCR (Maurer et al., 2023).

Figure 2.3 – Un court extrait d'un document XML-ALTO

Dans le cadre de cette thèse, XML-ALTO représente le format d'entrée dans lequel une des deux
œuvres du corpus, LGE, est représentée. C'est à partir de ce format qu'il a fallu travailler pour gagner
l'accès au texte de l'œuvre, opération décrite à la section 3.1.3, en vue de pouvoir en produire un
encodage dans le format de référence pour le corpus d'étude : XML-TEI.

2.1.2 Le format XML-TEI

De la même façon qu'ALTO, XML-TEI est donc un dialecte du XML obtenu en définissant un schéma.
Celui du format TEI est publié et maintenu par la Text Encoding Initiative 2 , un collectif de volon-
taires issus du monde de la recherche. Cette organisation a été créée en 1988 (Huitfeldt, 1994, p. 237 ;
Ide, 1995, para. 5) suite aux principes adoptés en novembre 1987 à la conférence de Vassar (Ide &
Sperberg-Mcqueen, 1995, p. 2). La TEI publie ses premières recommandations en novembre 1990
(Ide & Sperberg-Mcqueen, 1995, p. 11), la TEI P1 (Proposal 1, «proposition n°1»). Les années sui-
vantes voient se poursuivre l'essentiel des travaux de normalisation et deux autres versions (P2 et
P3) sont publiées, respectivement en avril 1992 et à l'automne 1993 (Ide & Sperberg-Mcqueen, 1995,
p. 12). La TEI est alors stabilisée pour l'essentiel et le rythme de sortie des recommandations diminue
fortement.
Fondée dès l'origine sur le standard SGML, la TEI est reformulée en termes de XML peu après sa
normalisation (les premières versions de XML datent de 1996), conduisant à la TEI P4 publiée en
juin 2002. L'étape suivante, la TEI P5, sortie le 2 novembre 2007 est toujours la version officielle du
consortium TEI et continue d'être mise à jour (la version 4.8.0 3 a été publiée le 8 juillet 2024).
Un des objectifs à l'origine du projet est de proposer un format unifié pour favoriser la réutilisabilité
des données de recherches et éviter l'apparition d'encodages incompatibles au fil des projets, une
démarche en accord avec ce qui sera par la suite formalisé sous le nom des principes FAIR 4 pour des
données découvrables, accessibles, interopérables et réutilisables (Findable, Accessible, Interoperable
and Reusable). Dès ses débuts, le consortium vise un format unique pour représenter tous types de
1. [Link]
2. [Link]
3. [Link]
4. [Link]

20
Thèse accessible à l'adresse : [Link] © [A. Brenon], [2025], INSA Lyon, tous droits réservés
 Chapitre 2 : Un instantané des Humanités Numériques

documents — nativement numériques, imprimés, manuscrits ou même épigraphes — dans des genres
allant du théâtre aux écrits religieux en passant par les dictionnaires et la correspondance, en mêlant
potentiellement plusieurs langues à la fois. Les documents peuvent être représentés avec une grande
finesse, en marquant par exemple des passages rayés ou reformulés ou en faisant coexister dans un
même document des versions alternatives d'un texte à des fins de comparaisons. Il est également
possible d'enrichir un document d'annotations compilées dans le cadre des recherches comme des
parties de discours, des liens entre les entités mentionnées dans le texte et une base de connaissance
voire des informations géo-sémantiques (Moncla & Gaio, 2023). Ces couches additionnelles donnent
une profondeur supplémentaire aux textes et permettent leur analyse suivant différents axes, allant
au-delà de l'unidimensionalité imposée par le format numérique (Huitfeldt, 1994, p. 236).
Pour rendre cela possible sans trop accroître la complexité du schéma, la TEI opte pour une approche
modulaire combinant des composantes très génériques communes à tout type de documents tels que
les modules core et tei et d'autres au contraire très spécialisées et adaptées aux besoins spécifiques
de certaines disciplines. La TEI P5 comporte ainsi 587 éléments répartis en 21 modules et définit
84 attributs pour ces éléments 5 . Cette modularité est implémentée en morcelant le schéma en plu-
sieurs fichiers indépendants qui peuvent être inclus ou non sans remettre en cause la cohérence de
l'ensemble. Le consortium TEI a mis en ligne l'interface ROMA 6 pour permettre de générer des sché-
mas personnalisés adaptés aux besoins de chaque projet et il existe même une telle personnalisation
du schéma TEI dont le but est d'aider à en écrire d'autres directement dans un éditeur XML sans
avoir besoin de ROMA (Bauman, 2019). Des schémas alternatifs au schéma standard de la TEI sont
repartagés au sein de la communauté et rencontrent une certaine popularité comme le Comic Book
Markup Language (CBML, le «langage à balises pour les bandes dessinées») de Walsh (2012) ou la
TEI Lex-0 (Romary & Tasovac, 2018) pour les ouvrages lexicographiques.
Un module est présent depuis la TEI P3 (Ide & Véronis, 1995 ; Sperberg-McQueen & Burnard, 1999) :
le module dictionaries. Il comprend 33 éléments et se focalise sur les entrées, niveau à partir duquel
les ouvrages lexicographiques diffèrent des autres types d'œuvres (Ide & Véronis, 1995, p. 168). Il
permet également de représenter les sous-entrées, objets utilisés par les lexicographes pour rendre
compte de la polysémie des mots. Ce module a servi de point de départ à la détermination d'un
encodage pour représenter LGE (travail présenté à la section 3.2).
Les besoins de la TEI en outillage spécifique restent modestes : s'appuyant sur des technologies stan-
dards (SGML puis XML) pour lesquelles existent de nombreux outils, la communauté a accès à un
riche panel d'outils pour travailler sur ses fichiers. Il existe ainsi déjà des éditeurs de texte spéciali-
sés pour les langages de balisage, des moteurs de validation vérifiant la conformité d'un document à
un schéma donné ainsi que des feuilles de transformation XSLT (Kay, 2017) permettant d'appliquer
des règles de réécriture automatique pour changer la structure d'un document et éventuellement
le convertir vers ou à partir d'autres formats XML ou HTML. D'autres outils de conversion comme
pandoc 7 peuvent prendre en entrée d'autres formats que des dialectes SGML et permettent de pro-
duire de la TEI automatiquement à partir de fichiers dans de nombreux formats tels que Markdown,
HTML, LaTeX et même ODT (format de traitement de texte).

2.1.3 Succès et limites du format XML-TEI

La communauté qui s'organise autour du format TEI possède sa propre revue, le Journal of the Text
Encoding Initiative (JTEI) 8 depuis le début des années 2010 (Schreibman, 2011). Le volume de don-
nées encodées en XML-TEI a connu une croissance rapide au cours des années 1990, pour dépasser

5. [Link]
6. [Link]
7. [Link]
8. [Link]

21
Thèse accessible à l'adresse : [Link] © [A. Brenon], [2025], INSA Lyon, tous droits réservés
 Chapitre 2 : Un instantané des Humanités Numériques

les centaines de millions de mots (Ide & Sperberg-Mcqueen, 1995, p. 5).

Le format s'est imposé comme un standard incontournable dans de nombreux logiciels en HN. C'est
par exemple le format utilisé en interne par le logiciel d'analyse textométrique TXM (Heiden et al.,
2010) pour représenter les textes d'un corpus. Le format d'entrée pour importer les corpus dans le
Lexicoscope (Kraif, 2016) est également basé sur le format XML-TEI sans en respecter exactement
le schéma : les fichiers ne possèdent pas l'en-tête minimal requis et utilisent certains éléments non
conformes comme <doc/> ou <meta/>. De plus, au lieu de représenter directement un texte, les
éléments <meta/> et <s/> contiennent des «îlots» d'autres formats de données, respectivement
TSV et CoNLL-U (voir la section 2.4.3 à propos de ce format). Enfin, des interfaces de visualisation
existent pour exposer des corpus encodés en TEI sur le web. Le projet TAPAS 9 permet ainsi de
parcourir des fichiers dans ce format en alternant entre différents modes d'affichage, de l'édition
diplomatique au code XML des fichiers. Philologic 10 (Allen et al., 2013) développé à l'ARTFL permet
non seulement d'afficher les fichiers d'un corpus au format TEI mais offre en outre la possibilité
d'effectuer des requêtes sur leurs contenus et de visualiser les résultats dans un concordancier simple
avec un contexte autour des motifs trouvés.

La version de l'EDdA de l'ARTFL est encodée en TEI et publiée à l'aide de Philologic4. D'autres projets
portant sur des ouvrages lexicographiques ont utilisé le même format pour représenter leurs corpus.
C'est le cas par exemple de Nenufar 11 qui s'intéresse à plusieurs éditions du Petit Larousse (Bohbot et
al., 2019) qu'il permet de comparer dans une interface dédiée ou de BASNUM 12 qui s'intéresse ainsi
au Dictionnaire Universel de Furetière, ou plutôt à sa seconde édition, améliorée par Henri Basnage
de Beauval (Galleron & Williams, 2022 ; Williams, 2017). Le format est répandu pour des textes de
différentes époques et l'énumération qui suit se contente de citer quelques exemples parmi la grande
variété qui existe. Le format TEI a ainsi été utilisé pour encoder des textes du moyen-âge comme
les «Chroniques rimées du Mont Saint-Michel» 13 (Saint Pair, 2022) ou la Base du Français Médié-
val 14 , mais aussi des textes de la Renaissance avec le corpus Epistemon 15 qui utilise Philologic4 et
la version web de TXM pour proposer des interfaces publiques de parcours et de requête des textes.
Dans d'autres langues que le français, Salgado et al. (2024) ont publié une version en TEI Lex-0 du
Diccionario da Lingua Portugueza d'António de Morais Silva (fin du XVIIIème siècle); il existe égale-
ment une édition de la correspondance de Mary Hamilton 16 . L'Oxford Text Archive 17 des Bodleian
Libraries rassemble des textes dans plus de 25 langues différentes sur plus de 2 000 ans. Enfin, le pro-
jet Perseus 18 présente la spécificité d'intégrer les œuvres qu'il étudie dans un système d'information
géographique (GIS) à l'aide d'une couche d'annotation géo-sémantique riche.

Malgré ces succès et une large adoption, certaines réserves ont toutefois été émises à l'encontre de
la TEI en général et du module dictionaries en particulier. Ainsi, Ide & Véronis (1998, p. 6) déplorent
que le haut degré de généricité de la TEI entraîne une forte abstraction qui complique l'encodage. De
plus, la très grande flexibilité de la TEI offre souvent une multiplicité de solutions pour représenter
un phénomène donné dans une œuvre. Si cette souplesse peut être vue comme un avantage certain,
elle accroît les risques que des projets différents utilisent des conventions incompatibles. Le reproche
sur la complexité est partagé par Tutin & Véronis (1998, p. 364) dans leurs travaux sur l'encodage du
Petit Larousse Illustré.
9. [Link]
10. [Link]
11. [Link]
12. [Link]
13. [Link]
14. [Link]
15. [Link]
16. [Link]
17. [Link]
18. [Link]

22
Thèse accessible à l'adresse : [Link] © [A. Brenon], [2025], INSA Lyon, tous droits réservés
 Chapitre 2 : Un instantané des Humanités Numériques

Enfin malgré l'expressivité de la boîte à outils que représente la TEI dans son ensemble, il est à
noter que la version de l'EDdA encodée par l'ARTFL n'utilise pas le module dictionaries. Ce point
ne constitue pas en soi une critique mais conduit à s'interroger sur l'expressivité du module dictio-
naries et sa pertinence pour les œuvres encyclopédiques. Quelques angles morts demeurent dans
ses règles, empêchant parfois l'utilisation d'éléments simples dans certains contextes, un point que
n'hésitent pas à reconnaître Ide & Véronis (1995, pp. 172 – 173), encourageant même à ne pas res-
pecter tout à fait le schéma du module quand cela est nécessaire. Il est ainsi impossible d'utiliser
l'élément <p/> représentant les paragraphes dans une définition (<def/>) comme le rapportent Ha-
gen et al. (2020, p. 6). Parmi les autres projets cités précédemment, Nenufar est moins concerné par
ces limites d'expressivité car le Petit Larousse qu'il traite et encode est un dictionnaire et ne possède
pas de développements structurés sur plusieurs niveaux comme ceux des encyclopédies. Le projet
prend le parti d'utiliser l'élément <note/> pour représenter les quelques paragraphes présents dans
certaines entrées (voir par exemple l'entrée AIR 19 ) en dépit de la sémantique qui lui est associée par
la documentation. Le projet BASNUM le rejoint sur ce choix qui, avec les problèmes d'expressivité
du module dictionaries en général, seront développés à la section 3.2.

2.2 (Méta)lexicographie
En s'intéressant à l'encodage en XML-TEI, la section précédente a montré qu'un module spécifique
était dédié aux dictionnaires et mis en évidence plusieurs projets consacrés à l'étude de ce type
d'ouvrages ou aux encyclopédies. Au-delà du seul prisme des présents travaux, le genre lexicogra-
phique semble occuper une place particulière dans les HN et jouer un rôle fondateur pour la linguis-
tique de corpus. La section qui débute tâche de cerner ces liens.

2.2.1 Portée conceptuelle des ouvrages lexicographiques

Dictionnaires et encyclopédies représentent, malgré leur apparence de simple table associative entre
termes et définitions, des objets intrinsèquement complexes, dont la difficulté d'encodage a pu dérou-
ter des spécialistes des HN et de la lexicographie tels que Ide & Véronis (1995, p. 177). L'identification
de ces complexités et leur prise en compte dans le schéma de la TEI s'est montrée fructueuse non
seulement pour ce genre mais aussi pour les autres (Ide & Véronis, 1995, ibid) ce qui constitue un
premier signe de l'importance du genre lexicographique en HN.
La structure associative de ces ouvrages implique également une discontinuité dans «le» texte. Un
dictionnaire rassemble en réalité un ensemble de textes distincts dont l'adjacence apparente n'est
due qu'à l'arbitraire de l'ordre alphabétique et qui ne se lisent pas linéairement du début à la fin (Ide
& Véronis, 1995, p. 167). La dernière phrase d'un article ne vient pas «avant» la première de l'article
suivant ; chacune existe dans son propre espace.
Ces textes sont séparés mais pas indépendants : des renvois invitent à un parcours transverse des
entrées basé typiquement sur la synonymie dans les dictionnaires et des proximités thématiques
dans les encyclopédies (Blanchard & Olsen, 2002, p. 46). Cette structure transversale se prête bien à
des études de graphes surtout pour les dictionnaires de synonymes (Ploux & Victorri, 1998). D'autres
approches basées seulement sur les occurrences de mots dans les entrées de dictionnaires de langues
bénéficient également des apports de la théorie des graphes (Loiseau et al., 2011).
Mais à cette seule complexité structurelle s'ajoute une portée conceptuelle extraordinaire, autant
pour les dictionnaires de langues que pour ceux de choses, pour suivre la distinction couramment
faite. Les premiers, en ayant pour but de définir les mots, constituent un relevé de signes : la ve-
dette qui sert de clef aux articles représente un signifiant, son signifié étant apporté ensuite par la

19. [Link]

23
Thèse accessible à l'adresse : [Link] © [A. Brenon], [2025], INSA Lyon, tous droits réservés
 Chapitre 2 : Un instantané des Humanités Numériques

définition qui forme le reste de l'entrée. Les énoncés qu'on trouve dans les dictionnaires de langue
ne portent pas tant sur le monde que sur le langage lui-même d'après Sinclair (1966, p. 6). Le choix
du lexique lui-même reflète la façon de parler puisque «la nomenclature d'ensemble est imposée par
l'usage de la langue» (A. Rey, 2006, p. 39). Les définitions dans les dictionnaires de chose au contraire
donnent «accès au domaine à décrire», toujours selon A. Rey (2006, ibid) et, en cela, concernent da-
vantage le référent des signes. Dans les deux cas le dictionnaire constitue ainsi en lui-même un
«traité métaphysique sur le sens» (Willinsky, 2001, pp. 189 – 190) : le genre lexicographique intéresse
donc la sémantique la plus abstraite jusqu'à la logique et la philosophie. Le problème du sens des
mots représente un sujet de réflexion vertigineux. D'Alembert avait déjà compris son ampleur en
écrivant à l'article DICTIONNAIRE (L'Encyclopédie, T4, p.958) :

un dictionnaire de langues, qui paroît n'être qu'un dictionnaire de mots, doit être
souvent un dictionnaire de choses quand il est bien fait : c'est alors un ouvrage
très-philosophique.

Il n'est pas possible de définir les mots en demeurant au niveau du seul langage, sous peine de
produire des tautologies selon Haiman (1980, p. 330), ce qui l'amène à attaquer lui aussi la distinc-
tion faite entre dictionnaires et encyclopédies. Russell (1940, p. 25) en adoptant une approche pa-
rallèle à la déduction mathématique basée sur des hypothèses, distingue des mots qui ne peuvent
s'expliquer qu'au moyen d'autres mots et des mots dont le sens provient au contraire de l'expérience
sensible du monde : les «mots-objets», qui ne présupposeraient aucun autre mot (Russell, 1940, p.
26) et joueraient ainsi le rôle d'axiomes du langage (tant du point de vue logique que de celui de
la chronologie individuelle puisqu'il écrit que ce seraient les premiers mots appris par les enfants
lors de l'acquisition du langage). S'il reste possible de définir certains d'entre eux en intension (au
prix d'une description introduisant plusieurs nouveaux mots pour chacun) d'autres, typiquement
ceux rattachés à des qualia comme la couleur ne peuvent espérer recevoir qu'une définition exten-
sionnelle (Lehmann & Martin-Berthet, 2018, chap. 2, §2) nécessairement incomplète (il est possible
d'énumérer des objets de couleur rouge mais pas tous ces objets). Mais sans explications ni liens,
une expérience du monde ne constitue pas une définition, ce qui fait écrire à Teubert (2005, p. 137)
que les descriptions des livres d'images pour enfant jouent sans doute un rôle supérieur à celui des
dictionnaires dans l'acquisition du langage.

Élève de Russell, Wittgenstein ne se satisfait pas des «mots-objets» et refuse le statut d'évidence
que Russell accepte de leur concéder. Pour lui, le vrai sens des mots échappe nécessairement aux
définitions du dictionnaire car elles établissent des frontières nettes entre eux alors que la réalité est
bien plus floue : les mots tirent selon lui leur signification de la manière dont ils sont employés dans
le langage (Willinsky, 2001, p. 196). À la suite de Wittgenstein, Firth (1957, p. 11) base le sens des
mots sur leur relation avec la notion de collocations :

You shall know a word by the company it keeps !

(«vous reconnaîtrez un mot à ses fréquentations»). Harris (1954, p. 146) se propose même de quan-
tifier ces fréquentations en comptant les occurrences conjointes de différentes classes de mots dans
une approche distributionnelle. Cette approche ainsi que l'aphorisme de Firth sont à la source de
l'application de méthodes statistiques à la linguistique et trouvent un écho jusque dans la façon de
modéliser les mots dans la plupart des outils actuels (voir les sections 2.4 et 2.5). L'héritage de Firth,
en passant par Halliday puis Sinclair (Léon, 2015, p. 161) développe une pratique centrée sur l'étude
des collocations d'un point de vue probabiliste et distributionnel qui aboutira plusieurs décennies
plus tard à la conception de dictionnaires radicalement nouveaux (Krishnamurthy, 2008, p. 239).

24
Thèse accessible à l'adresse : [Link] © [A. Brenon], [2025], INSA Lyon, tous droits réservés
 Chapitre 2 : Un instantané des Humanités Numériques

2.2.2 Dictionnaires et encyclopédies

Identifier des collocations exige des corpus assez grands (Teubert, 2005, p. 134) pour pouvoir obser-
ver assez d'occurrences des phénomènes étudiés pour qu'elles puissent être significatives statisti-
quement, et c'est pourquoi l'approche de ce qui restera connu sous le nom d'École britannique a pu
révolutionner la lexicographie une fois que les capacités des ordinateurs leur ont permis de traiter
automatiquement du texte. La section 2.3 revient plus en détail sur les grandes étapes qui ont ja-
lonné le XXème siècle dans ce domaine pour donner un sens plus précis à l'expression «Traitement
Automatique des Langues» (TAL) mais l'acronyme sera utilisé dès la présente section pour désigner
tous les traitements statistiques de la langue opérés à l'aide d'ordinateurs.
Équipé de ces moyens nouveaux, Sinclair (1990) concrétise en quelque sorte les idées de Wittgenstein
avec le projet COBUILD qui aboutit à la création d'un dictionnaire dont les définitions sont fondées
sur des observations d'occurrences réelles trouvées dans des grands corpus de textes. Dans d'autres
pays aussi des projets similaires voient le jour.
En France, le Trésor de la Langue Française 20 (TLF) est lancé au début des années 1960 (Surmont,
2006, p. 56) sur un corpus reprenant les données de Frantext. Il comporte 270 000 définitions et
430 000 exemples et emploie dès ses débuts des techniques de TAL et des ordinateurs Bull Gamma 60
(Surmont, 2006, p. 57). Les français restent toutefois à la traîne sur les britanniques et les américains
sur le versant informatique (Léon, 2015, p. 159) et ces moyens ne sont déployés qu'en vue d'écrire
le contenu du dictionnaire dont la finalité est d'être imprimé, l'idée d'un dictionnaire comme fichier
étant reléguée à un futur relevant de la science-fiction (Surmont, 2006, ibid). L'informatisation du TLF
(le TLFI) n'interviendra que bien plus tard dans les années 1990, et il est frappant de constater que la
première version mise en ligne l'a été grâce à l'ARTFL, en 1998 (Surmont, 2006, p. 57). En Allemagne,
Teubert (2005, p. 127) rapporte l'existence d'un dictionnaire basé sur un corpus, le Schlüsselwörter
der Wendezeit paru en 1997.
La linguistique de corpus nourrit et guide donc la conception de dictionnaires, mais à l'inverse les
dictionnaires sont des objets utiles pour le TAL. Il y a donc deux mouvements contraires simulta-
nés, mais en reprenant la distinction faite par Lehmann & Martin-Berthet (2018, p. 255) il est même
possible de diviser le mouvement «retour» de l'apport des œuvres lexicographiques au TAL en deux
flux comme le montre la figure 2.4 : les produits de la lexicographie sont nécessaires dans de nom-
breuses branches du TAL, mais les dictionnaires et les encyclopédies constituent également un genre
dont les œuvres sont étudiées pour elles-mêmes, ce que les deux autrices distinguent sous le nom
de métalexicographie.

Figure 2.4 – La triple relation qu'entretiennent le TAL et les œuvres lexicographiques

Le premier de ces deux mouvements concerne l'emploi de lexiques et de bases associatives de mots
en TAL, qui semble remonter à ses origines. En 1959, alors qu'il est encore anachronique de parler de
TAL et que l'ensemble des activités qui relèveraient de ce domaine se résume à la Traduction Automa-
tique (TA), des objets comme la Machine de Trojanski reposent sur des dictionnaires pour des tâches
de traduction automatique depuis et vers un langage symbolique servant de passerelle centrale entre
les langues naturelles (Léon, 2015, pp. 99 – 100). Plus récemment de nombreux outils font usage de
lexiques pour la segmentation du texte en tokens ou leur étiquetage morphosyntaxique (Léon, 2015,
p. 143). C'est le cas par exemple de la chaîne de traitement utilisée dans le projet PRESTO (Diwersy
20. [Link]

25
Thèse accessible à l'adresse : [Link] © [A. Brenon], [2025], INSA Lyon, tous droits réservés
 Chapitre 2 : Un instantané des Humanités Numériques

et al., 2017, p. 33) et d'outils comme Talismane (Urieli & Tanguy, 2013, p. 191) ou Stanza 21 (Qi et
al., 2020). Leur emploi est tel que de nombreux efforts ont été déployés pour rendre l'information
contenue dans des dictionnaires accessible à des traitements automatiques avec des succès parfois
en dessous des attentes initiales selon Ide & Véronis (2000, p. 9).

La métalexicographie s'est quant à elle développée en tant que discipline à part entière parmi les
sciences du langage depuis la fin des années 1960 (Vigier, 2022, p. 9). Zhu (2022, p. 129) fait obser-
ver que les dictionnaires constituent «un excellent terrain d'expérimentation» et les encyclopédies
représentent également des sources d'information précieuses non seulement pour les nombreuses
disciplines dont elles traitent mais aussi pour la philosophie et l'histoire des sciences. La métalexico-
graphie partage donc ses objets d'étude — les répertoires alphabétiques — avec la lexicographie histo-
rique dont elle diffère cependant par ses méthodes empruntées à la linguistique outillée. C'est dans
ce rapport entre encyclopédies et TAL que s'inscrivent les présents travaux.

Des projets de recherche couvrent les époques marquant des phases majeures dans l'évolution des
dictionnaires et des encyclopédies. Quemada (1968) remonte ainsi jusqu'au Dictionnaire françois-
latin de Robert Estienne, en 1539, premier relevé alphabétique de mots en français à offrir, outre
leur traduction latine, une définition rédigée en français (Quemada, 1968, p. 12). L'apparition d'un
genre encyclopédique en tant que tel est un phénomène progressif mais un palier important a été
atteint avec le Dictionnaire Universel de Furetière en 1690 qui dépasse le cadre du seul langage pour
s'intéresser aux choses (Leca-Tsiomis, 2009, paras. 5 – 9). Bien qu'on puisse lui reprocher certaines
lacunes, sa deuxième édition, parue en 1701 et évoquée à la section 2.1.3, est largement revue et
augmentée par Basnage de Beauval ce qui achève d'offrir au Furetière sa place dans l'histoire de
l'encyclopédisme en Europe et en fait un précurseur important de l'EDdA. Le mouvement se pour-
suit dans le reste du XVIIIème siècle, période très étudiée pour la richesse des innovations dans les
dictionnaires universels et les encyclopédies (Leca-Tsiomis, 1995). La première édition du Diction-
naire Universel François et Latin (Dictionnaire de Trévoux ou juste Trévoux dans le reste de cette
thèse) est publiée par les jésuites (catholiques au contraire de Basnage qui était protestant) en 1704,
peu après la parution de la seconde édition du Furetière, celle de Basnage, dont il reprend assez
d'éléments pour être accusé de plagiat (Le Guern, 1983, p. 51 ; Macary, 1973, p. 152). S'il y a tout de
même quelques additions, il s'agit en effet surtout de le purger de tout ce qui contredit la doctrine de
Rome (Le Guern, 1983, p. 56). Le Trévoux connaîtra au total 9 éditions jusqu'à 1771 au fil desquelles
il fait l'objet d'augmentations importantes et se démarque progressivement du Furetière (Macary,
1973, pp. 153 – 154). Grand rival de l'EDdA, ses auteurs se montrent de redoutables adversaires des
philosophes des Lumières.

Au travers de ces quelques exemples glanés parmi une myriade d'œuvres et de projets, une régularité
se dégage : si les dictionnaires semblent intéresser le TAL aussi bien comme outil que comme objet
d'étude, en revanche les encyclopédies ne sont exploitées que comme objet d'étude.

2.2.3 L'Encyclopédie au centre des attentions

Parmi toutes les encyclopédies étudiées en HN, l'EDdA se singularise par le nombre de travaux qui
y ont été consacrés dans de nombreux domaines. Il existe même une revue en ligne spécialisée
sur le sujet, «Recherches sur Diderot et sur l'Encyclopédie» 22 . Des publications retracent l'histoire
romanesque de sa publication entravée de censure royale (Moureau, 2001). D'autres s'intéressent aux
personnages centraux dans le projet (Kafker & Loveland, 2016), en particulier à leurs motivations et
à leurs stratégies en tant que contributeurs de l'EDdA (Lojkine, 2013) ou bien au contraire au reste
de leur vie. Pruvost (2022) montre ainsi la place majeure qu'a occupée l'Académie française dans la

21. [Link]
22. [Link]

26
Thèse accessible à l'adresse : [Link] © [A. Brenon], [2025], INSA Lyon, tous droits réservés
 Chapitre 2 : Un instantané des Humanités Numériques

vie de d'Alembert en dehors de sa participation à l'EDdA et l'influence déterminante qu'il a eue sur
la cinquième édition du Dictionnaire de l'Académie.

Plusieurs études comparatives mettent en valeur l'importance de cette œuvre centrale du siècle des
Lumières au travers de ses liens avec les autres grandes entreprises encyclopédiques du même siècle
ou du suivant. Morin (1989) confronte ainsi l'EDdA à son prédécesseur et rival le Dictionnaire de Tré-
voux en explicitant le dialogue qui existe entre les deux œuvres malgré une ignorance feinte. Bien
que les dernières éditions du Trévoux soient contemporaines de l'EDdA, cette rivalité se double en
réalité d'une relation de filiation via la Cyclopedia anglaise de Chambers (Leca-Tsiomis, 1995) que
Diderot et d'Alembert devaient initialement se contenter de traduire. Le caractère innovant de son
titre aurait suscité chez son lectorat français des espoirs d'originalité infondés d'après Leca-Tsiomis
(2023, p. 437), et ce malgré l'avertissement de Chambers lui-même dans sa préface. Le processus
de traduction s'avère décevant pour les encyclopédistes en révélant de nombreux emprunts parfois
passés sous silence (Leca-Tsiomis, 2023, p. 441), notamment au Dictionnaire de Trévoux 23 qui s'était
lui-même servi copieusement chez Basnage. Certains travaux donnent même des éléments pour iden-
tifier les versions des différentes œuvres auxquelles ont pu avoir accès les contributeurs (Passeron,
2006). La lignée se prolonge après l'EDdA avec des œuvres comme la monumentale Encyclopédie
Méthodique que Panckoucke envisage d'abord comme une simple amélioration de l'«ancienne En-
cyclopédie» (Groult, 2019a, p. 8) mais qui deviendra une collection de dictionnaires en plusieurs
tomes pour chaque discipline (Groult, 2019b, p. 123) et dont la publication se poursuivra bien après
sa mort jusqu'en 1832 grâce à ses descendants (La Cotardière, 2019). L'héritage de l'esprit encyclopé-
dique passe ainsi au XIXème et donnera lieu à d'autres tentatives d'actualisation des connaissances
de l'EDdA à travers des œuvres comme le Grand Dictionnaire Universel de Pierre Larrousse et LGE
(Jacquet-Pfau, 2022), l'autre encyclopédie du corpus auquel s'intéresse cette thèse.

Naturellement, l'organisation de la connaissance dans l'EDdA fait également l'objet d'études. Blan-
chard & Olsen (2002) décrivent ainsi les renvois et la composition hiérarchique des domaines de
connaissance qui, en sus de l'ordre alphabétique que les encyclopédies partagent avec les diction-
naires, structurent les articles de l'EDdA.

Ces articles constituent ainsi une source d'information précieuse sur l'évolution de nombreux do-
maines scientifiques. En s'intéressant à l'Histoire, Hardesty Doig (2006) souligne la part d'arbitraire
résidant dans tout système d'organisation de la connaissance et montre que sa valeur ne se limite
pas à la vue synthétique qu'il offre mais qu'il possède aussi une composante analytique des rap-
ports entre sciences. L'appartenance d'un article à un domaine est marquée par un ou plusieurs
désignants, dont les combinaisons, loin d'être de simples juxtapositions, obéissent à des logiques
révélatrices (Cernuschi, 2006). Les désignants peuvent ainsi être des lieux d'innovation, faisant par
exemple se rencontrer les termes «économie» et «politique» dans des articles qui, s'ils n'inventent
pas le domaine ex nihilo semblent néanmoins fondateurs pour la discipline (Salvat, 2006). Reflets de
l'état de la connaissance au XVIIIème siècle, les désignants mettent en évidence des différences fon-
damentales dans le traitement de concepts aujourd'hui compris comme proches, et qui expliquent
les limites des théories de l'époque, par exemple en Physique (Viard, 2006).

La Géographie est bien sûr concernée par ce type de travaux au même titre que les autres sciences.
Laboulais (2003) relate comment elle peine d'abord à s'imposer dans les discours encyclopédiques 24
puis à trouver sa place parmi les autres domaines de connaissance, d'une affiliation théorique mais
quelque peu artificielle aux mathématiques à une pratique bien plus ancrée dans les réalités hu-
maines sous la plume d'auteurs comme Robert de Vaugondy ou de Pâris de Meyzieu (voir la section

23. ce qui vaudra aux encyclopédistes des accusations de plagiat de la part des mêmes jésuites qui avaient pourtant
encensé la Cyclopedia
24. elle n'est vraiment introduite en masse dans une œuvre à vocation encyclopédique qu'à partir de l'édition de 1721
du Dictionnaire de Trévoux

27
Thèse accessible à l'adresse : [Link] © [A. Brenon], [2025], INSA Lyon, tous droits réservés
 Chapitre 2 : Un instantané des Humanités Numériques

3.1.2 p.58 sur ce point). L'importance des approches et des styles personnels des différents auteurs
est également discutée par Laramée (2017) qui saisit le contraste édifiant entre la géographie de Di-
derot et celle du chevalier de Jaucourt avant d'expliciter la vision du continent américain qui ressort
implicitement des pages de l'EDdA. Enfin, des études contrastives entre l'EDdA et d'autres œuvres,
de manière similaire à celles mentionnées précédemment dans cette partie, existent aussi pour la
Géographie. Vigier et al. (2022) montrent par exemple la continuité dans les profils discursifs des
articles entre les dictionnaires de géographie spécialisés et les encyclopédies, tout en soulignant les
différences d'approches entre le Trévoux et l'EDdA.

Après avoir présenté un format dans la section précédente et un objet d'étude essentiel pour les
HN dans la présente, il reste avant de pouvoir clore cet état de l'art à s'intéresser à deux approches
utilisées en HN. Pour bien les comprendre et tenter de les nommer, il est utile de commencer par un
bref historique afin de montrer leurs origines communes.

2.3 Histoire et terminologie

Il est difficile de trouver un terme pour regrouper ces deux approches sans risquer d'en effacer une
en donnant l'impression qu'elle n'est qu'un cas particulier de l'autre. Le terme «TAL» a été utilisé
dans la section précédente (p.25) mais il vaut mieux bien comprendre ce qu'il recouvre avant de
l'adopter. Pour cette raison, on se contente pour l'instant de désigner ces familles de méthodes par
ce qu'elles ont en commun : une approche plus statistique que symbolique du langage. Pour bien
cerner cette distinction, il est utile de revenir à la chronologie esquissée dans la section 2.2 et de la
développer.

2.3.1 Rivalité historique entre les approches symbolique et statistique

Aux origines de cette lignée, il est d'abord question de «Traduction Automatique» (TA) et le domaine
de recherche est surtout exploré pour ses applications potentielles, notamment militaires (Léon, 2002,
para. 5). Ainsi ça n'est pas «TAL» mais seulement «TA» qu'il faut reconnaître dans «ATALA», le nom
de l'Association pour l'étude et le développement de la Traduction Automatique et de la Linguistique
Appliquée 25 créée en 1959 (Léon, 2002, para. 1).

Tout comme le terme plus général d'Intelligence Artificielle (IA) dont il constitue un champ, le TAL
ne faisait initialement aucune hypothèse quant au moyen d'automatiser le traitement de la langue.
Depuis ses origines, le domaine a d'après Church (2011, p. 2) connu une alternance de phases em-
piristes (axées sur des méthodes statistiques) et rationalistes (axées sur des méthodes symboliques).
Après des succès rapides, l'accroissement des difficultés amenait un ralentissement des progrès pour
l'approche dominante permettant à l'autre approche de reprendre l'initiative.

Au sortir de la guerre, l'IA est saisie d'un véritable engouement pour les réseaux de neurones arti-
ficiels. McCulloch & Pitts (1943) montrent comment ils peuvent être utilisés pour implémenter des
fonctions logiques, puis Minsky (1952) met leurs idées en pratique en construisant une machine (phy-
sique) sur ces principes : le SNARC. Avec le perceptron de Rosenblatt (1958), un réseau de neurones
monocouche, ces travaux établissent les fondations de l'Apprentissage Automatique (AA), dont les
perspectives semblent alors illimitées.

Dans les années 1960 Chomsky, Pierce et même Minsky lui-même ont critiqué les gains techniques
sans vision scientifique d'ensemble de ces méthodes empiristes et statistiques. Le rapport ALPAC
(Language and Machines, 1966) — auquel Pierce a d'ailleurs contribué (Church, 2011, p. 16) — est à
l'origine d'une réduction des financements pour ces approches, un «hiver» (Church, 2011, p. 4) au

25. [Link]

28
Thèse accessible à l'adresse : [Link] © [A. Brenon], [2025], INSA Lyon, tous droits réservés
 Chapitre 2 : Un instantané des Humanités Numériques

profit des rationalistes. C'est à cette époque que fleurissent les travaux sur les grammaires formelles,
décrites et catégorisées notamment par Chomsky (1956).

2.3.2 L'avènement des méthodes statistiques

Au cours des décennies suivantes, l'augmentation exponentielle des puissances de calcul disponibles
selon la loi de Moore (1998) a permis de traiter de plus grandes sources de données ce qui a gra-
duellement redonné l'avantage aux empiristes. Il s'est ainsi écoulé une trentaine d'années entre les
premières solutions statistiques mentionnées ci-dessus et l'apparition d'architectures vraiment utili-
sables en pratique telles que les Réseaux de Neurones Récurrents (RNN), décrits par Werbos (1974)
puis implémentés séparément par Rumelhart et al. (1986) et Le Cun (1986) ou les Réseaux de Neu-
rones Convolutionnels (CNN), descendants du Neocognitron de Fukushima (1980).
Mais depuis 2010, le balancier semble cassé si l'on en croit Church (2011, p. 2), qui s'inquiète de ne
pas voir les méthodes rationalistes faire leur retour à l'issue de la période d'une vingtaine d'années
qui séparait les pics d'activité dans chacune des deux approches lors des oscillations précédentes.
Loin de revenir dans les recherches pour combler les lacunes des méthodes statistiques, elles se
retrouvent éclipsées jusque dans les contenus pédagogiques (Church, 2011, p. 19 et seq.).
Plus d'une décennie plus tard, ses inquiétudes semblent on ne peut plus fondées : l'approche em-
piriste occupe plus que jamais le devant de la scène et le terme «IA» est désormais utilisée de
manière interchangeable avec «AA», voire parfois seulement pour désigner des modèles généra-
tifs. L'Association pour l'Avancement de l'Intelligence Artificielle 26 semble ainsi ne plus s'occuper
que d'AA, contrairement à ses débuts. Hors du monde académique l'IA est devenue un «cataly-
seur de croissance» (Verdegem, 2024) à l'origine d'un type d'économie, le «capitalisme d'IA» (Dyer-
Witheford et al., 2019). Le mot, devenu un but en soi, est suffisant pour définir le cap de politiques
publiques (Aghion & Bouverot, 2024).
Les travaux conduits dans cette thèse s'inscrivent dans l'approche empiriste. Ils utilisent des outils
produits par ce courant aux deux époques où le «pendule» de Church oscillait de son côté, et qui
correspondent à deux mouvements distincts dans la pratique de l'informatique linguistique. Après
avoir identifié leurs origines communes, il reste à caractériser ce qui les sépare pour pouvoir convenir
d'une dénomination à utiliser dans le reste de cette thèse.

2.3.3 Nommer des pratiques très différentes

La linguistique n'a pas attendu l'arrivée de réseaux de neurones artificiels utilisables pour que sa
pratique bénéficie des apports des méthodes statistiques. Avant la période rationaliste autour des
années 1970, les linguistes ont déjà vu leur boîte à outils s'étoffer au fil d'une mathématisation pro-
gressive de la discipline dans les deux décennies qui ont suivi la 2nde guerre mondiale (Léon, 2015, p.
6).
Au départ, ces nouvelles méthodes représentent seulement un moyen d'accélérer les recherches en
décuplant la capacité des linguistes à aller trouver des exemples. En effet à partir des années 1960
la lecture attentive de textes pour repérer des occurrences de motifs, par exemples syntaxiques, est
jugée trop inefficace (Léon, 2002, para. 63) et les équipes s'emploient à automatiser leur détection. Le
projet de Wittgenstein de fonder le sens des mots sur leur emploi peut enfin être réalisé en étudiant
leur «vrai» usage dans de grands échantillons de productions des locuteurs plutôt que de se satisfaire
d'expériences de pensée (Willinsky, 2001, p. 197). L'école britannique, de Firth à Sinclair, s'inscrit
naturellement tout à fait dans cette approche. En France aussi, mais de façon tout à fait différente,
les mathématiques s'intéressent à la linguistique à cette époque et vont apporter énormément à la
discipline à travers les contributions de chercheurs comme Benzécri.
26. [Link]

29
Thèse accessible à l'adresse : [Link] © [A. Brenon], [2025], INSA Lyon, tous droits réservés
 Chapitre 2 : Un instantané des Humanités Numériques

Il ne s'agit donc pas d'un mouvement homogène mais bien d'une constellation de pratiques, ce qui
complique déjà le choix d'un nom satisfaisant pour cette seule sous-partie du domaine et amène
Léon (2015, p. 157) et Nazarenko et al. (1997) à parler de «linguistiques de corpus» au pluriel. C'est
cet usage qui a été retenu pour ce manuscrit car il possède en effet une qualité précieuse : en faisant
de «linguistique» le noyau du syntagme nominal, il rappelle qu'il s'agit d'une «automatisation des
sciences du langages» pour reprendre le titre de Léon (2015). Il s'agit certes de l'utilisation de tech-
niques nouvelles, mais par des linguistes et dans le cadre d'une pratique centrée sur la linguistique.
Pour revenir au terme «TAL» sur lequel s'ouvrait cette brève section, il est maintenant possible de
lui donner un sens. Il semblerait parfait pour désigner l'ensemble du domaine : l'arrivée des machines
dans les tâches linguistiques initiée dans les années 1960 et mentionnée ci-dessus consistait effecti-
vement déjà à traiter le langage de manière automatique. Toutefois, le terme reste peu employé par
les linguistes et semble en réalité bien plus populaire sur l'autre versant de la discipline : dans une
pratique de l'informatique dont la linguistique représente un objet d'application. Il y est revendiqué
autant par des (rares, désormais) héritiers de Chomsky établissant de nouveaux modèles formels de
la langue que par des empiristes développant de nouveaux outils statistiques.
Au vu des succès écrasants des approches empiristes, le sens de «TAL» tend à se réduire à «ap-
plication de méthodes d'AA à des problèmes linguistiques». C'est pourtant le sens plus général
d'«informatique appliquée à la linguistique» sans hypothèse sur le type de méthodes utilisée qui
a été retenu dans ces pages, non pas par refus d'une évolution du langage mais pour ne pas contri-
buer à occulter une réalité qui a été productive par le passé et pourrait l'être à nouveau. S'il fallait
un terme pour distinguer la pratique du TAL restreinte à l'AA, il serait alors tentant d'exploiter la re-
marque faite à la section 1.3 (p.16) en employant «NLP» (Natural Language Processing) tant l'emploi
de l'acronyme anglais équivalent est massif même chez des francophones quand il s'agit d'AA.
Ainsi, à l'issue des considérations historiques et réflexions précédentes la place relative des ap-
proches couvertes dans les deux sections suivantes de cet état de l'art devient claire. La section
2.4 s'intéresse au versant informatique de la discipline, majoritairement à des méthodes empiristes
mais sans exclure quelques techniques rationalistes. La section 2.5 sera au contraire centrée sur les
pratiques linguistiques enrichies d'outils informatiques, héritières des travaux initiés dans les années
1960 par les écoles britannique et française.

2.4 Traitement Automatique de la Langue

La section qui s'ouvre présente les différents outils employés pour une part lors de la préparation du
corpus (voir chapitre 3) mais plus encore dans les travaux de classification (présentés au chapitre 4).
Comme le laissent présager les remarques historiques de la section précédente, l'AA y occupe une
part importante.
Les méthodes basées sur des réseaux de neurones travaillent sur des entrées sous forme numérale.
Pour pouvoir travailler sur des textes, ils doivent nécessairement à un moment de leur traitement
être représentés par des nombres ou plutôt des tableaux de nombres : des vecteurs.

2.4.1 Vectorisation
Pour vectoriser un document, une première approche consiste à le considérer comme un «sac de
mots» (Salton & McGill, 1986). L'ensemble des mots dans un corpus (tokens ou lemmes selon les
implémentations) constitue le vocabulaire utilisé comme base d'un espace vectoriel de très grande
dimension dans lequel chaque document est représenté. Pour chaque vecteur de cette base (corres-
pondant donc à un mot unique du corpus), la composante associée dans le vecteur qui représente
un document est un entier positif ou nul égal au nombre d'occurrences du mot (sa fréquence) dans

30
Thèse accessible à l'adresse : [Link] © [A. Brenon], [2025], INSA Lyon, tous droits réservés
 Chapitre 2 : Un instantané des Humanités Numériques

ce document. Le terme anglophone consacré est «Bag of Words», et bien que ce terme soit le seul
pour lequel l'équivalent français s'emploie, l'acronyme BoW sera également utilisé dans ce qui suit
par souci d'homogénéité avec les autres méthodes. Cette approche produit des représentations vec-
torielles très grandes (beaucoup de nombres) et avec peu de valeurs non nulles (la plupart valent
0) car chaque document n'utilise qu'une fraction de l'ensemble du vocabulaire défini par le corpus
entier. On parle de représentation creuse (sparse en anglais).

La deuxième approche, TF-IDF (Term Frequency - Inverse Document Frequency, «fréquence du terme
- fréquence inverse de document») est un type de représentation en BoW qui au lieu de simplement
pondérer les mots par leur fréquence dans le document considéré tempère ce nombre en le divisant
par la proportion de documents du corpus qui contiennent ce mot. De la même manière que les BoW
«purs», les vecteurs produits par cette méthode sont creux, ce qui tend à dégrader les performances
des algorithmes d'AA en augmentant leurs consommation de mémoire et leurs temps d'exécution.

Par contraste avec les deux approches précédentes, les plongements de mots produisent des vecteurs
de plus petite dimension et denses en coefficients non nuls. Ils constituent une famille de méthodes
fondamentalement différentes des deux précédentes du fait qu'elles capturent le contexte des mots
dans leurs représentations vectorielles. Il y a deux approches pour entraîner des plongements de
mots : CBOW (Continuous Bag of Words, «sacs de mots continus») et skip-gram («fenêtres à trou»).
La première consiste à prédire un mot en fonction de son contexte. À l'inverse, une architecture
skip-gram apprend à prédire le contexte à partir d'un mot. Initialement pensée au niveau des mots
individuels, Word2Vec (Mikolov et al., 2013) permet déjà de représenter un texte en combinant les
vecteurs des mots qu'il contient (par exemple en faisant leur moyenne). Peu adapté aux textes longs,
on lui préfère souvent la méthode voisine Doc2Vec (Le & Mikolov, 2014) sur ce type d'entrées. Ces
méthodes de plongements nécessitent un entraînement sur le corpus sur lequel elles vont être uti-
lisées car elles ne peuvent pas gérer de mots spécifiques à ce corpus et qu'elles n'auraient jamais
rencontrés. D'autres telles que FastText (Bojanowski et al., 2017) sont disponibles préentraînées car
elles considèrent des fenêtres de quelques caractères plutôt que des mots entiers, ce qui leur per-
met de calculer un vecteur même pour des termes absents de leur vocabulaire d'entraînement. On
parle pour ces méthodes de plongement «statique» parce qu'elles produisent un vecteur unique
pour représenter un mot, en combinant tous les différents contextes dans lesquels il peut apparaître.
Plus récemment, BERT (Devlin et al., 2019) — Bidirectional Encoder Representations from Transfor-
mers («Représentations d'Encodeur Bi-directionnels à partir de Transformeurs», voir p.32) — utilise
un plongement contextuel pour la phase de vectorisation qu'il intègre, c'est-à-dire où la représenta-
tion d'un mot dépend du contexte dans lequel il apparaît dans une phrase. BERT utilise des réseaux
de neurones de type transformer et le concept de masque pour prédire les mots qui complètent une
amorce de phrase donnée.

2.4.2 Classification
La classification de documents est un problème général en IA qui consiste à regrouper ensemble des
objets jugés plus proches ou ressemblants pour une certaine sémantique ou une certaine métrique
par opposition à ceux qui aboutissent dans les autres groupes. Il existe dès le début des années
1970 une littérature fournie portant sur les stratégies de classification et les mesures de similarités
utilisées que Cormack (1971) entreprend d'organiser.

Les problèmes de classification couvrent un grand nombre d'applications pratiques variées. On

trouve des études portant sur la classification de sons (Nogueira et al., 2022), d'images (Adriyanto
et al., 2022) — même hors du spectre visible (Yu et al., 2020) — ou bien d'événements sur un système
informatique en vue de détecter des attaques (Gavari Bami et al., 2022).

31
Thèse accessible à l'adresse : [Link] © [A. Brenon], [2025], INSA Lyon, tous droits réservés
 Chapitre 2 : Un instantané des Humanités Numériques

Classer des textes

En TAL, classer un texte peut signifier lui attribuer par exemple un sujet («infrastructure» ou «po-
litique étrangère»), un type de contenu («dépêche» ou «publicité») voire une sensibilité politique
(«gauche» ou «droite») dans le cas d'une étude de Peterson & Spirling (2018).
Appliquées aux encyclopédies, les méthodes de classification permettent de prédire les domaines
de connaissance des articles (voir à ce sujet la section 3.1.2 p.47). Dans le cadre des travaux de
l'ARTFL sur l'EDdA, Horton et al. (2009) ont ainsi testé la classification Bayesienne dite «naïve»
(Naive Bayes) pour prolonger la classification des auteurs de l'œuvre sur les entrées laissées sans do-
maine. L'Encyclopedia Britannica a de même été étudiée par le Nineteenth-Century Knowledge Pro-
ject 27 qui a utilisé des méthodes d'AA mais aussi des approches basées sur des règles pour indexer
400 000 articles à travers 4 éditions de l'œuvre (Grabus et al., 2019).

Classification supervisée
Dans tous les cas évoqués ci-dessus, l'ensemble de classes à attribuer aux documents est défini en
amont de l'étude. Il n'est pas pour autant indépendant du corpus mais correspond au contraire à un
axe d'analyse que l'on suppose pertinent : observer une sensibilité politique peut avoir un intérêt
pour classer des discours parlementaires ou des professions de foi électorales, mais serait à priori
beaucoup moins adapté à des prévisions météorologiques ou des recettes de cuisine.
À partir de l'ensemble de classes, un échantillon des documents doit être annoté manuellement pour
servir de référence pour l'entraînement du modèle de classification : il s'agit de classification super-
visée. Plus précisément, on distingue un jeu d'entraînement qui aide directement à ajuster les coeffi-
cients du modèle et un jeu de test qui permet d'en évaluer les performances une fois l'entraînement
réalisé et avant d'appliquer le modèle à l'ensemble des documents à classer.
Les méthodes les plus simples utilisées pour la classification apparaissent à la suite du renouveau
de l'AA dans les années 1990 : Naive Bayes (Domingos & Pazzani, 1997), les Support Vector Machines
(SVM) de Christianini & Shawe-Taylor (2000) puis les Random Forests (Breiman, 2001) et la Logistic
Regression (Kleinbaum et al., 2002). D'autres telles que les RNN et les CNN mentionnés précédem-
ment (voir p.29) reposent sur de nombreuses couches de neurones qui abstraient progressivement
le signal d'entrée et amènent à parler d'Apprentissage Profond (AP). Les CNN s sont basés sur deux
opérations : la convolution et un sous-échantillonnage des entrées gardant les valeurs maximales
(max-pooling). La convolution extrait des éléments caractéristiques des données et le max-pooling
compresse le résultat, permettant à ces architectures d'analyser des images avec succès. Les RNN,
davantage adaptés à l'analyse de données séquentielles, trouvent un prolongement dans les LSTM
(Long Short-Term Memory, «mémoire à court-terme longue») qui permettent de mieux capturer des
dépendances éloignées dans les séquences d'entrées (Hochreiter & Schmidhuber, 1997), ce que les
RNN ne parviennent pas à faire en pratique. Une autre technique d'AP pour garder accès aux pre-
miers éléments d'une séquence d'entrée, nommée l'«attention», est au centre de l'architecture des
transformeurs, un autre modèle d'AP qui définissait l'état de l'art au début de cette thèse. Un mo-
dèle tel que BERT, basé sur des transformeurs, permet à la fois la vectorisation et la classification
de ses entrées. Son très grand nombre de paramètres requiert des ressources de calcul considérables
pour entraîner un tel modèle à partir de rien. Puisque de tels moyens ne sont à l'heure actuelle
disponibles que sur des infrastructures dédiées au calcul dont l'accès est coûteux et restreint, le
modèle est distribué préentraîné sur des tâches générales et ne doit subir qu'un réentraînement su-
perficiel sur quelques époques pour l'adapter à une tâche en particulier — on parle de fine-tuning en
anglais et s'il est tentant de proposer la traduction «spécialisation» par analogie avec la pédagogie
et l'apprentissage humain, là encore le terme anglais semble s'être imposé en français.

27. [Link]

32
Thèse accessible à l'adresse : [Link] © [A. Brenon], [2025], INSA Lyon, tous droits réservés
 Chapitre 2 : Un instantané des Humanités Numériques

Topic-modeling
Au contraire des méthodes de classification précédentes, d'autres approches tâchent de révéler la
structure propre à l'ensemble de documents qu'il s'agit de classer sans à priori en les groupant par
«clusters». Certaines sont basées exclusivement sur des mesures de distance dans un espace métrique
où sont représentés les objets (Lance & Williams, 1967), d'autres comme l'Allocation Latente de
Dirichlet (LDA) créent des clusters de mots ce qui permet de mettre automatiquement en évidence
les différents thèmes présents dans les documents du corpus. Ces méthodes permettent d'approcher
les données avec moins de préconçus mais demandent davantage de travail dans l'interprétation des
résultats.
La modélisation de thèmes par LDA connaît une certaine popularité pour déterminer les contenus
saillants dans de vaste ensemble de données textuelles. Ce succès s'explique sans doute au moins
en partie par le fait qu'elle ne demande pas de posséder au préalable des métadonnées ni de créer
des annotations pour l'entraînement car c'est une méthode non supervisée. Dans son analyse de
discours prononcés au parlement britannique, Guldi (2019) emploie le Topic Modeling pour mener
une «recherche critique» des «tensions et des moments charnière» dans les débats politiques du
Royaume-Uni. Barron et al. (2018) utilisent le Topic Modeling comme un point d'entrée à partir du-
quel mesurer la «nouveauté» et le caractère plus ou moins «éphémère» des discours prononcés lors
des premières années de la Révolution Française. L'intérêt de cette approche est qu'elle ne requiert
pas de métadonnées sur chaque discours outre celles disponibles à la constitution du corpus d'étude
et utilisées pour organiser les textes (dans le cas précédent, le nom du député à qui il est attribué et
la date à laquelle il a été prononcé).
Après les travaux de classification sur Naive Bayes évoqués plus haut, une autre étude menée à
l'ARTFL a consisté à utiliser la LDA pour constituer automatiquement des groupes d'articles qui ont
ensuite été analysés en les comparant aux classes originales des encyclopédistes (Roe et al., 2016). À
l'issue de ces recherches, ils concluent que les thèmes identifiés par la LDA peuvent être compris en
termes de discours sous-tendant l'EDdA de part en part et qui ne sont pas en correspondance simple
avec les classes originales.
En utilisant la LDA ainsi que d'autres modèles d'AA, Underwood a examiné l'histoire et l'instabilité
de genres littéraires (Underwood, 2016, 2018, 2020). Il trouve les méthodes computationnelles utiles
en ce qu'elles peuvent «détecter et comparer des ressemblances de familles floues qu'il serait difficile
de définir avec des mots sans être simpliste» (Underwood, 2016, p. 6). De telles approches de la
classification de texte, quantitatives et prédictives offrent aux recherches en HN la possibilité de
comprendre les résultats dans un cadre interprétatif nouveau.

Reconnaissance Optique de Caractères

Enfin, avant de clore complètement cet aperçu des travaux en Classification Automatique, il est
intéressant de mentionner un champ de recherche qui utilise des techniques de classification sans s'y
réduire. Si la localisation des caractères sur la page et la compréhension des liens qu'ils entretiennent
représentent certes un type de problèmes entièrement différent, l'identification des zones trouvées
constitue quant à elle un problème de classification. Les moyens classiques semblent inefficaces
pour produire des résultats généralisables sur des données jamais rencontrées par l'algorithme ce
qui conduit Sayre (1973, p. 216 et seq) à explorer des méthodes statistiques pour reconnaître les
caractères.
En implémentant les CNN, Le Cun et al. (1989) parviennent à créer des modèles capables de lire les
codes postaux écrits à la main sur des enveloppes. De nombreux systèmes récents sont basés sur les
LSTM (Wick et al., 2018, p. 79), architecture utile en classification, ce qui souligne encore la parenté
entre les deux tâches. On distingue généralement cette tâche encore plus difficile de reconnaissance

33
Thèse accessible à l'adresse : [Link] © [A. Brenon], [2025], INSA Lyon, tous droits réservés
 Chapitre 2 : Un instantané des Humanités Numériques

de caractères tracés à la main — donc moins réguliers — sous le nom de Handwritten Text Recogni-
tion (HTR) par rapport au problème plus général d'OCR. Pour favoriser l'évaluation de système de
HTR, Chagué et al. (2021) proposent la diffusion de jeux de données pouvant servir de vérité terrain.
Aujourd'hui, tous les systèmes d'OCR sont basés sur des méthodes d'AA.
Les travaux de classification effectués dans cette thèse n'ont pas porté sur cette tâche mais elle re-
présente un prérequis absolu à leur existence, puisqu'on lui doit l'existence d'OCR capables de four-
nir automatiquement des versions numériques des textes d'encyclopédies. L'existence de systèmes
d'OCR rend donc possible cette étude ainsi que d'autres semblables qui travaillent sur de grandes
masses de données imprimées comme le projet NewsEye 28 qui s'intéresse à la presse imprimée des
siècles passés (Doucet et al., 2020).

2.4.3 Étiquetage morphosyntaxique et syntaxique

Une autre tâche très commune en TAL concerne l'annotation automatique des textes en morphosyn-
taxe et en syntaxe : bien qu'avec une approche souvent différente de celle de la linguistique classique,
le TAL s'intéresse aussi aux mots. D'abord il s'agit de les délimiter lors d'une phase de segmentation
en unités lexicales (on trouve, particulièrement en TAL, l'emploi du mot «token» pour rendre compte
du caractère artificiel et conventionnel de ces unités). Ensuite, il faut identifier à quelle classe gram-
maticale ils appartiennent lors de l'annotation morphosyntaxique. On parle aussi pour désigner les
classes grammaticales de «partie de discours» (en anglais part of speech — POS). Enfin l'annotation
syntaxique établit leurs relations au sein des phrases. En rendant faisables en pratique de telles an-
notations sur de larges volumes de texte, les méthodes automatiques constituent des outils précieux
pour les linguistiques de corpus (voir section 2.5). De même que pour l'OCR, les présents travaux ne
contiennent pas de contribution sur ces tâches mais elles sont indispensables pour comprendre les
phases de préparation et d'analyse du corpus.
La question de la seule segmentation du texte constitue déjà un problème «délicat» (Diwersy et al.,
2017, p. 29) qui ne relève en rien de l'évidence. Pour commencer, il n'existe pas de caractère qui
délimite les mots sans aucune ambiguïté : l'espace qui apparaît comme un délimiteur évident fait
pourtant partie de mots composés comme «compte rendu» (Lebart et al., 2019, p. 44), les caractères
de ponctuation comme l'apostrophe peuvent parfois séparer deux mots («l'ami») et parfois faire
partie d'un seul mot («aujourd'hui») de même que le point marquant une fin de phrase ou bien un
mot abrévié (Habert, 2005, p. 13).
La tâche d'annotation morphosyntaxique qui vient ensuite peut s'apparenter au problème de classifi-
cation décrit dans la sous-section précédente en ce qu'elle associe à chaque mot en entrée une classe
possible (sa POS) parmi celles prédéfinies. Il existe plusieurs jeux d'étiquettes morphosyntaxiques
de référence comme celui du Penn Treebank (Marcus et al., 1993) mais le jeu à utiliser doit être déter-
miné en fonction des besoins de l'étude que l'on souhaite mener. Ainsi Vigier (2017, p. 100) recourt
à une catégorie «G» qui regroupe des participes présents, adjectifs verbaux et gérondifs pour tenir
compte du fait que ces objets ne sont pas encore bien différenciés dans les états de langues les plus
anciens de son corpus d'étude.
Toutefois, à la différence des problèmes de classification habituels, l'annotation en POS est fortement
compliquée par une dépendance contextuelle aiguë. Des mots différents, auxquels il faut donc attri-
buer des POS différentes, peuvent revêtir la même forme et nécessiter le contexte des autres mots de
la phrase pour être distingués. Ce peut être le cas par exemple pour des raisons d'homonymie : «été»
peut être le nom d'une saison ou bien une forme du verbe «être». Puisqu'il s'agit de «reconnaître»
les mots, cette phase d'analyse est généralement l'occasion d'associer aussi à chaque mot une forme
normalisée, son «lemme». L'existence d'amalgames tels que «des» dans «le temps des cerises» ou

28. [Link]

34
Thèse accessible à l'adresse : [Link] © [A. Brenon], [2025], INSA Lyon, tous droits réservés
 Chapitre 2 : Un instantané des Humanités Numériques

«aux» dans «une tarte aux prunes» (qui rassemblent en un seul mot en réalité deux mots — «de» et
«les» pour le premier, «à» et «les» pour le second) vient complexifier les choses en montrant que
la segmentation ne peut coïncider tout à fait avec le fonctionnement de la grammaire. Une stratégie
pour annoter les amalgames peut consister à leur associer une combinaison des lemmes et des POS
des mots qui les constituent comme le fait Vigier (2017, p. 101). Il existe de nombreux algorithmes
pour calculer la POS des mots dont les implémentations ont donné lieu à des outils comme le Brill
Tagger (Brill, 1992) ou TreeTagger (Schmid, 1995). Ces outils produisent généralement des formats
tabulaires comme TSV (voir section 2.1 p.18) qui représentent un token par ligne, stockant dans
différentes colonnes la forme précise rencontrée dans le texte, le lemme et la POS correspondante.

La dernière phase, celle d'analyse en syntaxe, révèle la structure des phrases sous une forme arbores-
cente. On distingue généralement deux approches : l'analyse en constituants qui descend des théo-
ries de Chomsky (1965) et celle en dépendance qui est davantage fondée sur la vision de Tesnière &
Fourquet (1959). La première s'inscrit dans la lignée des grammaires non contextuelles qui procèdent
par réécritures successives de règles. Dans un tel système, une partie des symboles dits «terminaux»
représente les mots du vocabulaire tandis que les autres symboles modélisent les différentes struc-
tures abstraites, certaines récursives, disponibles pour construire des phrases. Ces éléments non
terminaux comprennent entre autres les syntagmes nominaux et verbaux ou les propositions rela-
tives qui peuvent elles-mêmes renfermer des éléments valides au niveau d'une phrase complète. Les
nœuds des arbres obtenus avec cette approche contiennent les différentes parties qu'il est possible
d'isoler dans une phrase : la phrase dans sa totalité, généralement notée S, se trouve à la racine de
l'arbre, qui peut avoir par exemple deux nœuds enfants NP et VP pour représenter un syntagme
nominal sujet d'un syntagme verbal comme c'est le cas à la figure 2.5a qui montre une analyse en
constituants de la phrase «Les cellules nerveuses appartiennent au type multipolaire» extraite de
l'article SYMPATHIQUE (La Grande Encyclopedie, T30, p.759). Dans l'analyse en dépendance au
contraire, les mots sont directement en relation les uns avec les autres et ce sont eux qui peuplent
les nœuds de l'arbre syntaxique. Les arêtes entre nœuds expriment les fonctions syntaxiques : un
adjectif peut se trouver sous un nom commun, son arête portant la fonction «amod» (qui signifie
que l'adjectif modifie le sens du nom) comme le montre la figure 2.5b qui présente une analyse en
dépendances de la même phrase.

(a) Analyse en constituants (b) Analyse en dépendances

Figure 2.5 – Deux analyses syntaxiques d’une phrase de l’article SYMPATHIQUE, LGE, T30, p.759

Ces théories apparues lors de l'âge d'or rationaliste (voir la section 2.3) s'accordent naturellement
très bien avec des méthodes symboliques. Elles ont donné lieu à de nombreux formalismes gramma-
ticaux — grammaires d'arbres adjoints (Joshi & Schabes, 1997), grammaires catégorielles abstraites
(Groote, 2001) — ainsi qu'à des algorithmes tels que Cocke-Kasami-Younger (Moll et al., 1988, p. 64)
pour les grammaires non contextuelles ou celui de Nivre & Scholz (2004) pour de l'analyse en dépen-
dances. Des outils comme Talismane (Urieli & Tanguy, 2013) intègrent toutes les couches d'analyse,

35
Thèse accessible à l'adresse : [Link] © [A. Brenon], [2025], INSA Lyon, tous droits réservés
 Chapitre 2 : Un instantané des Humanités Numériques

de la segmentation à l'analyse syntaxique conduite par un algorithme hybride qui combine appren-
tissage automatique et règles expertes.
Cependant, comme pour la classification, l'état de l'art de l'analyse syntaxique est désormais défini
par des méthodes d'AA. Cela explique l'importance dans le domaine des treebanks, ces «arboretums»
syntaxiques rassemblant de grands nombres d'exemples de phrases annotées par des spécialistes et
pouvant servir de vérité terrain pour entraîner et évaluer les modèles de langues sur cette tâche.
Il existe des treebanks pour de nombreuses langues, souvent même plusieurs pour les langues les
plus étudiées comme le French Treebank (Abeillé et al., 2003), Sequoia (Candito & Seddah, 2012) ou
encore GSD (Guillaume et al., 2019) amélioré et converti à partir du French Treebank en utilisant
Grew (Bonfante et al., 2018) un outil de réécriture de graphes. Ces grandes collections de données
que sont les treebanks sont rendues interopérables grâce à un formalisme commun pour l'annotation
syntaxique, les «dépendances universelles» (Universal Dependencies 29 ou UD dans le reste du ma-
nuscrit) introduites par Nivre et al. (2017). Ce formalisme qui s'inscrit comme son nom l'indique dans
l'analyse en dépendances de Tesnière fournit des jeux d'étiquettes pour les POS et pour les relations
syntaxiques créés dans le but de pouvoir couvrir toutes les langues naturelles. Les annotations en
UD sont généralement représentées en utilisant le format CoNLL-U 30 (Buchholz & Marsi, 2006) qui
s'apparente à un format TSV enrichi pour pouvoir représenter les séparations entre phrases, des
commentaires ainsi que les «sous-tokens» nécessaires pour rendre compte des amalgames. Des ou-
tils tels que Stanza (Qi et al., 2020) — retenu pour annoter en syntaxe le corpus de cette thèse — ou
HOPS (Grobol & Crabbé, 2021), tous deux basés sur de l'AA, permettent d'analyser un texte en UD et
produisent en sortie des fichiers au format CoNLL-U. Le modèle utilisé par HOPS prédit l'existence
de liens dans un graphe dont les nœuds représentent les mots de la phrase à annoter. Cette stratégie,
mise en regard du fait qu'il est également possible d'utiliser des règles de réécriture de graphe pour
annoter en syntaxe (Guillaume & Perrier, 2015 ; Bonfante et al., 2018, chap. 6) souligne la proximité
thématique qui existe entre la théorie des graphes et l'analyse syntaxique (bien que les arbres syn-
taxiques, qui n'admettent pas de boucles, ne soient que des cas particuliers plus simples de graphes).

2.5 Linguistiques de corpus

La branche la plus ancienne des méthodes statistiques présentées à la section 2.3 (voir p.28) est
née bien avant que des réseaux de neurones ne soient utilisables en pratique. On pourrait donc la
croire éteinte : cette dernière section entend montrer qu'il n'en est rien. Puisant aux sources des
mathématiques et de la statistique, les linguistes n'ont pas attendu ces technologies pour mobiliser
des approches très variées sur leurs problématiques de recherche.

2.5.1 Du texte au corpus

Un dénominateur commun à toutes ces approches existe dans la notion de corpus, qui peut en pre-
mière intention se comprendre comme une «collection» de textes. Avant de décrire dans le reste
de cette partie les différentes manières de réunir un tel ensemble, il est utile de commencer par
s'interroger sur la notion de «texte» puisque c'est par rapport à elle que sera définie celle de corpus.
Le terme est assez fortement polysémique puisqu'il peut être utilisé tant pour désigner une unité
sémantique d'usage du langage (Halliday & Hasan, 1976, pp. 1–2) qu'une simple «matière» travaillée
par les méthodes automatiques évoquées à la section 2.4 (p.30) voire pour signifier dans la langue
courante une production écrite (par opposition à orale). Rastier (1996, p. 19) définit la notion comme
«une suite linguistique empirique attestée, produite dans une pratique sociale déterminée, et fixée
sur un support quelconque». Comme pour de nombreux objets linguistiques, l'évidence apparente
29. [Link]
30. [Link]

36
Thèse accessible à l'adresse : [Link] © [A. Brenon], [2025], INSA Lyon, tous droits réservés
 Chapitre 2 : Un instantané des Humanités Numériques

dont la notion peut sembler relever s'estompe en essayant de mieux la cerner. Elle engendre dans la
communauté linguistique des débats dont la définition technique précédente représente une prise de
position qui refuse de «fixer dans la phrase le niveau ultime» (Benveniste, 1966, p. 131) et nourrit la
réflexion de domaines comme la sémiotique (Rastier, 2001). Dans le cadre de cette section, la notion
de texte envisagée se rapproche de la définition de Halliday & Hasan sans en conserver toute la porté
conceptuelle puisque la cohérence sémantique des textes établit surtout la base de la segmentation
des œuvres utilisée pour l'analyse. Le dernier sens évoqué ci-dessus — le texte comme «matière» —
joue un rôle important dans le reste de cette thèse et il faut d'abord en dire quelques mots.
Les deux emplois sont presque contraires ; car le texte comme unité se définit implicitement par ses
contours, par contraste avec les autres textes qui en sont distincts, alors qu'en considérant le texte
comme une matière à travailler, la notion de frontière ne s'y applique plus. D'ailleurs, dans le premier
cas «texte» est dénombrable alors que dans le second, traité véritablement comme un continu, il se
retrouve manipulé comme une quantité indénombrable : Rastier & Pincemin (1999, p. 85) marquent
cette opposition entre des et du texte(s). L'école londonienne perçoit l'importance cruciale de la taille
des corpus pour produire des descriptions exhaustives des lexiques (Krishnamurthy, 2008, pp. 232 –
233) mais l'attention que porte par exemple Sinclair (2004) à l'authenticité et à l'intégrité des textes
l'empêche de considérer le texte comme une simple substance. En revanche cet emploi prévaut dans
les méthodes d'AA traitées à la fin de la section 2.4 où «texte» ne désigne souvent plus que la nature
des données en entrée — par opposition à «image» ou «audio» — souvent même qualifiées de texte
«brut» (voir la section 3.2.3 à ce sujet).
Une distinction semblable se retrouve dans la manière dont le texte ou les textes peuvent être assem-
blés pour former un corpus d'étude. Léon (2015, p. 159) oppose ainsi les mouvements corpus-based
et corpus-driven déjà présents au sein de l'école britannique. Le premier correspond à l'approche
de Quirk ou de Leech par exemple (Léon, 2015, p. 163) qui assemblent des textes choisis dans un
but précis : l'étude est basée sur un corpus. À l'inverse, l'approche corpus-driven de Firth, Sinclair et
l'école londonienne avec eux requiert des textes intégraux par souci d'objectivité et d'authenticité
des productions étudiées : c'est ce qui émerge du corpus qui oriente l'analyse.
Au XXIème siècle, la notion de corpus demeure plurielle, s'appliquant à des objets, des usages, des
domaines de la linguistique et même des méthodes de traitement très différentes (Cori et al., 2008,
p. 6). Parmi ces méthodes, la textométrie accorde une importance décisive au corpus, qui doit être
composé avec soin et équipé de métadonnées pertinentes en vue de la conduite d'analyses précises
(Pincemin, 2022, p. 9). Pincemin (2012, pp. 13–14) affirme qu'il ne suffit pas de regrouper des données
pour obtenir un corpus, qui doit selon elle se fonder entre autres sur des critères de cohérence, de
représentativité, de complétude et d'exploitabilité. Elle singularise la textométrie par rapport à la
linguistique de corpus pour laquelle le paramètre majeur serait le volume de données (Pincemin,
2012, p. 15). La profusion de textes en libre accès sur internet permet en effet l'apparition d'approches
assez opposées comme le Web as Corpus (WAC 31 ) où toute ressource est bonne à prendre pourvu
qu'elle augmente la quantité de données d'une étude, partant du principe que cela la rendra plus
robuste — argument rapporté mais critiqué par Pincemin (2012, ibid).
Dans tous les cas, le corpus joue un rôle assez déterminant dans la discipline pour justifier
l'appellation Corpus Linguistics, «linguistique de corpus», apparue en 1984 (Léon, 2015, p. 159).
Elle est parfois opposée à Computational linguistics, «linguistique computationnelle», préférée par
les américains (Léon, 2015, p. 130) non seulement pour les approches statistiques, en particulier
dans les applications de l'AA à la linguistique évoquées à la section 2.4, mais également pour les
approches symboliques. L'opposition semble dépasser le cadre de la terminologie, Wilks (2010,
p. 408) appelant à dépasser des «malentendus», ce qui n'empêche pas Leech d'utiliser l'hybride

31. l'acronyme n'est plus à la mode mais la pratique est en filiation directe avec celle utilisée pour entraîner les Large
Language Models une décennie après la remarque de Pincemin.

37
Thèse accessible à l'adresse : [Link] © [A. Brenon], [2025], INSA Lyon, tous droits réservés
 Chapitre 2 : Un instantané des Humanités Numériques

Computer Corpus Linguistics (Léon, 2008, p. 26) — «linguistique de corpus par ordinateur». Léon
(2015, p. 13) parle quant à elle d'une véritable «guerre des dénominations» (Léon, 2015, p. 130) : en
plus des traductions de ces deux termes on trouve également en français linguistique «quantitative»,
«appliquée» et «outillée»…

2.5.2 Les outils de la linguistique

Ces termes recouvrent de nombreuses pratiques communes et semblent refléter autant des véritables
différences de positions scientifiques que des traditions académiques. Elles partagent une variété de
méthodologies dont la plupart connaissent des implémentations dans les outils courants du domaine
tels que TXM (Heiden et al., 2010), IRaMuTeQ 32 ou encore Hyperbase (É. Brunet & Luong, 1989). Un
état des lieux très complet des différents types de traitements et d'analyses utilisés est déjà dressé
par Pincemin (2022, p. 2.2, pp.2-7) mais cette sous-section s'applique à les replacer dans leur contexte
historique et disciplinaire.
La notion de collocation occupe une place centrale depuis les débuts britanniques de la discipline,
chez Firth par exemple (Léon, 2015, p. 161) jusqu'à des travaux plus récents (Fellbaum, 2007). Le
sens du mot a changé progressivement mais il reste étroitement lié à celui de cooccurrence, c'est-à-
dire l'apparition conjointe de deux termes dans un même empan textuel. Motivé par la recherche de
termes fréquemment associés en vue de caractériser le sens des mots dans le cadre de la production
de dictionnaires (voir section 2.2.1), le concept de collocation en est progressivement venu à dési-
gner des cooccurrences particulièrement fréquentes jusqu'à créer une «attente mutuelle» chez les
locuteurs (Léon, 2008, p. 16). Caractériser cette attente demande une mesure statistique précise de
leur surreprésentation (Lafon, 1981).
En pratique, l'implémentation du calcul des cooccurrences le rapproche de celui des spécificités
comme le fait remarquer Pincemin (2022, p. 4). Avant d'expliciter la notion de spécificité, il est utile
de remarquer que la plupart des outils utilisés dans les linguistiques de corpus reposent sur des
décomptes de différents objets avec une approche statistique. En creux, ces décomptes supposent
un découpage : il s'agit de recenser les occurrences d'un phénomène dans une partie du corpus
par rapport aux autres pour dégager des critères quantitatifs objectifs qui caractérisent cette partie.
Ce concept de «partition» est fondamental dans l'approche contrastive et dans l'ensemble de la
discipline.
Guiraud le premier, à la tête des stylisticiens (Léon, 2015, p. 129) remarque que «la linguistique est
la science statistique type» (E. Brunet, 2014). Bientôt rejoint par Muller, ils forment dans les années
1960 un courant que Beaudouin (2016, p. 21) nomme la statistique lexicale et dont les travaux sont
initialement basés sur des décomptes de fréquence. Il s'agit seulement au départ d'établir des concor-
danciers répertoriant les occurrences des mots dans leur contexte, de dénombrer ces occurrences,
leur distribution et d'établir un vocabulaire caractéristique des textes (E. Brunet, 2014, p. 21). On
parle aussi pour cette branche de lexicométrie. L'ordinateur n'est pas encore devenu indispensable
dans cette pratique de la linguistique car les calculs restent très simples, accessibles à une calculette
(E. Brunet, 2014, p. 17). Le premier grand débat qui agite le champ concerne l'utilisation de formes
lemmatisées ou non (Beaudouin, 2016, p. 30 ; Pincemin, 2022, p. 14). Muller prendra parti en faveur
de la lemmatisation (E. Brunet, 2009, p. 1).
Cependant, considérer les seules fréquences souffre de limites intrinsèques comme le fait de ne
pas pouvoir saisir les absences (Pincemin, 2022, p. 3) : impossible en effet de compter des «non
occurrences» de phénomènes qui ne se réalisent pas dans une partie d'un corpus par rapport à la
normale définie par les autres textes avec lesquelles elle serait mise en contraste. En rapportant
les fréquences observées à la taille des différentes parties, Lafon (1980) définit la spécificité d'une

32. [Link]

38
Thèse accessible à l'adresse : [Link] © [A. Brenon], [2025], INSA Lyon, tous droits réservés
 Chapitre 2 : Un instantané des Humanités Numériques

forme comme une mesure de la probabilité que la distribution observée résulte d'une répartition
purement aléatoire au sein du corpus. En ce sens, la spécificité quantifie la surprise que constitue
la surreprésentation (ou la sous-représentation) d'un motif dans une partie du corpus. Avec la loi
de Zipf, ce point constitue un deuxième lien entre la lexicométrie et les travaux menés en théorie
de l'information dès les années 1950 notamment par Shannon ou Markov (Léon, 2015, chap. 4 et en
particulier p.56).
Différentes lois ont été utilisées pour modéliser la distribution des mots en vue de calculer des spéci-
ficités comme la loi du Khi2 . La distribution des mots dans un langage étant fortement inhomogène
(la fréquence d'un terme étant inversement proportionnelle à son rang selon la loi de Zipf), il a éga-
lement été proposé pour mieux modéliser leur répartition d'utiliser une loi normale pour les formes
les plus communes combinée à une loi de Poisson pour les plus rares. C'est finalement pour une loi
hypergéométrique qu'opte Lafon (1980, p. 128) et c'est sur ce choix qu'est basée l'implémentation
dans le logiciel TXM (Heiden et al., 2010). Dans ce logiciel, la spécificité est exprimée sur une échelle
logarithmique : une valeur de spécificité de 2 signifie qu'il y a 1 chance sur 100 (102 = 100) que
le hasard puisse expliquer la distribution observée. On considère généralement que le seuil à partir
duquel une spécificité devient significative, dit «seuil de banalité» est de 3 (c'est-à-dire au plus 1
chance sur 1 000 que le hasard explique le phénomène). Pour des raisons pratiques d'affichage, le lo-
giciel TXM «sature» et n'affiche pas plus de 1 000 comme valeur pour une spécificité. Peu importe la
valeur réelle dans ce cas puisque cela correspond déjà à des distributions ayant seulement au mieux
1 chance sur 101000 de se produire par hasard, donc l'affichage de cette valeur dans TXM suffit en
pratique à exclure totalement une coïncidence.
Le calcul des spécificités permet entre autres d'étudier les associations lexicales fréquentes à travers
le concept de cooccurrences. La notion classique de cooccurrent se base uniquement sur la réali-
sation dite «de surface» — c'est-à-dire sujette à l'ordre particulier dans lequel les mots apparaissent
dans une phrase (par opposition à la «profondeur» d'un arbre syntaxique). En réitérant les mesures
de cooccurrence pour former peu à peu un groupe de mots, il est même possible de repérer des mo-
tifs discursifs (Longrée et al., 2008) grâce la technique dite des «segments répétés». Comme de telles
tournures de phrase ne sont pas entièrement figées, de nombreux mots peuvent occuper leurs po-
sitions encore libres et cette technique souffre donc d'un «bruit considérable» (Tutin & Kraif, 2016,
p. 124). Pour lever ces difficultés, Tutin & Kraif (2016, p. 126) introduisent une méthode itérative
semblable mais fondée sur des cooccurrents syntaxiques. L'idée consiste à rechercher les cooccur-
rents en se basant sur les relations de syntaxe plutôt que sur la proximité séquentielle des mots. À
la différence d'une recherche traditionnelle, il n'y a donc pas de notion de «fenêtre» d'une taille pa-
ramétrable autour du motif considéré, la recherche se limite par construction à la phrase entière (au
sens d'«arbre syntaxique», dont les éléments sont nécessairement connexes). En ajoutant progres-
sivement à un noyau initial des cooccurrents syntaxiques forts, cette technique nommée «Arbres
Lexico-syntaxiques Récurrents» (ALR) permet d'extraire des motifs courants dans un corpus. Cette
approche est implémentée dans le Lexicoscope (Kraif, 2016) et a été utilisée pour mettre en évidence
des routines discursives par exemple dans certains genres littéraires (Kraif et al., 2016) ou des écrits
scientifiques (Ji et al., 2018).
Outre la notion de spécificité, la deuxième contribution majeure des mathématiques à l'école fran-
çaise de linguistique vient un peu plus tard, à partir de la fin des années 1960 avec le courant de
l'analyse des données fondée par Benzécri (Pincemin, 2022, p. 1). Reprochant les approches trop
centrées sur le vocabulaire de la statistique lexicale de Guiraud et Muller, il propose l'Analyse Fac-
torielle des Correspondances — AFC — (Benzécri et al., 1973) qui est une technique de réduction de
dimension. L'AFC permet de détecter les proximités et les différences entre les parties d'un corpus
en représentant les associations qui existent entre le vocabulaires et les textes dans un espace à deux
dimensions (Beaudouin, 2016, p. 20). L'emploi conjoint de statistiques et de techniques d'algèbre peut
faire penser à un précurseur des méthodes plus récentes utilisées en AA comme les plongements

39
Thèse accessible à l'adresse : [Link] © [A. Brenon], [2025], INSA Lyon, tous droits réservés
 Chapitre 2 : Un instantané des Humanités Numériques

de mots. Il est intéressant de noter qu'il n'en est rien : le positionnement théorique de Benzécri est
opposé non seulement à la linguistique de Chomsky mais également à l'IA (Beaudouin, 2016, p. 18).
L'AFC construit une projection dans un espace abstrait qu'il appartient à la personne qui conduit
les recherches d'interpréter. Pour Benzécri, l'ordinateur n'est pas «intelligent» ; bien au contraire le
fait qu'il ne le soit pas est vu comme un gage d'objectivité car l'ordinateur n'a dès lors pas d'à priori
et ne peut pas mentir (Beaudouin, 2016, p. 22). Cette conception est diamétralement opposée aux
promesses d'intelligence des architectures les plus récentes de modèles d'AA comme les Large Lan-
guage Models dont les «hallucinations» sont assez établies et documentées pour qu'une littérature
leur soit consacrée (Benazha et al., 2024 ; Chelli et al., 2024 ; Farquhar et al., 2024).

2.5.3 Études contrastives

Forte de ces outils, la linguistique est à même de décrire les contrastes qui peuvent exister entre
différents textes réunis au sein d'un même corpus. Plusieurs travaux comparent ainsi des genres
textuels (Pamuksaç & Sanvido, 2023) y compris dans des domaines spécifiques comme la justice
(Diot-Parvaz & Gianola, 2020) ou sur des thématiques particulières comme des questions sociétales
et environnementales (Dang, 2020).

De nombreuses études explorent les différences à l'échelle d'auteurs individuels. Une des promesses
des stylisticiens est bien de réussir à caractériser le style de différents auteurs (C. Labbé & Labbé,
2000 ; Muller & Brunet, 1988). Pincemin (2012, p. 19) mentionne également des travaux plus récents
de textométrie faisant la synthèse des approches de la statistique lexicale et de l'analyse des don-
nées pour opposer différents genres présents au sein du corpus Frantext (voir section 2.2.2) ou dans
l'œuvre d'un seul auteur — Victor Hugo — pour une étude de É. Brunet (2002). Il est intéressant de
noter la ressemblance avec les applications de la classification automatique pour déterminer le sujet
d'un texte ou l'orientation politique de son auteur (voir la section 2.4.2). Cependant, les deux dé-
marches sont en réalité tout à fait opposées : alors que la finalité des tâches de classification réside
complètement dans la répartition des textes dans des groupes cohérents, ces études textométriques
s'attachent au contraire à identifier les critères qui permettent de rattacher un texte à une des caté-
gories pour rendre explicite ce qui les caractérise.

À ce titre, le domaine politique semble particulièrement bénéficier des apports de la textométrie

qui permet de révéler les positionnement thématiques et idéologiques qui transparaissent dans les
discours. Un corpus regroupe les vœux prononcés traditionnellement au nouvel an par les prési-
dents de la cinquième république. Mis à jour au fil des élections, il est distribué avec TXM et ali-
mente de nombreuses études (Mayaffre et al., 2019 ; Pincemin, 2022). Les discours des syndicats font
aussi l'objet d'analyses contrastives (Brugidou & Labbé, 2000). Des époques plus reculées comme
l'entre-deux-guerres ne sont pas ignorées (Mayaffre, 2000). Enfin, la taille des intervalles de temps
considérés permet la mise en place d'études des productions d'une seule personnalité politique où
les contrastes sont envisagés selon la dimension temporelle. D. Labbé (1983) étudie ainsi le discours
public de François Mitterrand dans la quinzaine d'années avant son élection au poste de président
de la république puis celui de De Gaulle sur un peu plus d'une décennie (C. Labbé & Labbé, 2010).

De telles études, dites en diachronie, permettent de capturer des évolutions à des échelles variées
selon la durée considérée, les changements les plus profonds dans le langage nécessitant davantage
de temps pour se produire. Suivant le genre textuel considéré et l'ancienneté des époques, la finesse
et la régularité des «graduations» sur l'axe temporel peut être dure à atteindre car il devient diffi-
cile de trouver assez de texte d'un genre considéré pour chaque intervalle du corpus. Vigier (2017),
avec une segmentation par décennie, réussit à mettre en lumière les changements dans l'emploi des
prépositions en français sur quatre siècles et demie. Quand le découpage du corpus en périodes dis-
tinctes est assez précis, il devient possible d'observer quand et sous quelle influence un changement
a lieu, comme le montrent Hilpert & Gries (2016, p. 50). Les approches récentes les plus gourmandes

40
Thèse accessible à l'adresse : [Link] © [A. Brenon], [2025], INSA Lyon, tous droits réservés
 Chapitre 2 : Un instantané des Humanités Numériques

en données comme le WAC favorisent naturellement ce genre d'études, par exemple en sociolin-
guistique, permettant d'établir le cheminement d'une innovation linguistique. Tarrade et al. (2022)
décrivent ainsi les différentes phases de propagation d'une innovation linguistique entre des locu-
teurs sur un réseau social, jusqu'à ce qu'elle devienne un changement persistant dans la langue ou
bien soit abandonnée.
D'autres genres se prêtent naturellement moins à ce genre d'étude diachronique où le maillage tem-
porel est contrôlé finement puisque certains types d'ouvrages notamment scientifiques ou lexicogra-
phiques ne peuvent être produits au même rythme et en même quantité que les messages de micro-
blog. Pour les étudier, il faut se contenter des œuvres disponibles, parfois une seule par époque, en
gardant à l'esprit les lacunes dans la couverture temporelle et le risque de mesurer des particularités
propres à une œuvre donnée plus qu'à son époque. En s'appuyant de cette manière sur des manuels
de physique, Mouhouche & El-Hajjami (2014) parvient à révéler les changements profonds dans la
compréhension du phénomène physique de résonnance au travers de la terminologie employée pour
en parler, de son origine accoustique jusqu'à ses applications modernes aux planètes pour véhiculer
les notions d'accord et de transfert d'énergie. Blumenthal (2017) étudie le recours croissant aux locu-
tions prépositionnelles dans l'Encyclopédie Universalis par rapport à l'EDdA. S'il ne peut pas dater
finement les changements, il lui est tout de même possible de mettre en évidence les différences
entre les deux époques (XVIIIème et XXème siècles).
Les analyses diachroniques posent des défis techniques qui leur sont propres. Diwersy et al. (2017)
ainsi que Vigier (2017) montrent par exemple les difficultés quant à l'ordre et à la segmentation
des mots, et même quant à la graphie qu'implique le choix de rassembler dans un même corpus —
PRESTO dans les deux cas — des états de langue aussi différents que le français des XVIème et XXème
siècles. Cette question illustre elle aussi le fait qu'il n'existe pas de barrière étanche entre les ap-
proches computationnelles plus récentes considérées à la section précédente (2.4) et celles décrites
dans la présente section. Les méthodes de plongement utilisées classiquement en AA pour représen-
ter le sens des mots sont gênées par les glissements sémantiques qui surviennent dans les données
d'entraînement. Étudier le sens des mots en diachronie avec ces méthodes nécessite donc des adap-
tations particulières (Hamilton et al., 2016 ; Kutuzov et al., 2018 ; Tahmasebi et al., 2019).
L'état de l'art qui s'achève avec ce chapitre a permis d'identifier trois axes principaux qui struc-
turent l'ensemble de cette thèse et la situent sans ambiguïté en HN. Le premier est bien sûr celui
des questions d'encodage qui sous-tendent tout le chapitre 3. La section 2.1 a décrit les formats uti-
lisés, principalement le XML-TEI, et soulevé des difficultés qui seront discutées en particulier à la
section 3.2. La section 2.2 a ensuite montré le lien étroit qui unit les œuvres lexicographiques et les
travaux conduits en linguistique au cours du XXème siècle. Les quelques réflexions faites sur leur
structure et sur les études déjà menées dans ce domaine alimenteront naturellement le chapitre 3,
mais la section était également nécessaire pour amorcer un historique des contacts entre linguis-
tique et informatique. Poursuivi à la section 2.4, cet historique a aidé à comprendre d'où venaient
les outils conceptuels mobilisés dans les présents travaux et qui définissent les deux autres axes de
l'étude. Les applications de l'AA aux tâches de classification permettent d'enrichir le corpus d'étude
en associant aux articles un ensemble d'étiquettes représentant les domaines de connaissance dont
ils relèvent. Cette métadonnée partage les textes suivant l'axe des disciplines en plus celui du temps,
constitutif du corpus assemblé pour cette étude diachronique et qui distingue par construction les
articles du XVIIIème siècle issus de l'EDdA de ceux du XIXème provenant de LGE. En annotant les
textes en morphosyntaxe et en syntaxe à l'aide d'autres méthodes d'AA, ce double partitionnement
rend possible la conduite d'analyses contrastives. C'est ainsi que les méthodes des linguistiques de
corpus décrites dans la présente section 2.5 sont utilisées au chapitre 5 pour identifier et caractériser
les changements survenus dans les discours géographiques.

41
Thèse accessible à l'adresse : [Link] © [A. Brenon], [2025], INSA Lyon, tous droits réservés
 Chapitre 2 : Un instantané des Humanités Numériques

42
Thèse accessible à l'adresse : [Link] © [A. Brenon], [2025], INSA Lyon, tous droits réservés
 Chapitre 3

Préparation et enrichissement du corpus

3.1 Les œuvres du corpus . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44

3.1.1 Contextes historiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
3.1.2 Organiser les connaissances . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
3.1.3 Prétraitements . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
3.2 Encodage des fichiers . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
3.2.1 Des différences entre Encyclopédies et Dictionnaires . . . . . . . . . . . . . 62
3.2.2 Proposition d'un schéma d'encodage . . . . . . . . . . . . . . . . . . . . . . 71
3.2.3 Le mythe du «texte brut» . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
3.3 Des textes au corpus . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80
3.3.1 Différents formats pour différents usages . . . . . . . . . . . . . . . . . . . 80
3.3.2 Principes de structuration . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82
3.3.3 Reproductibilité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86

La notion de corpus occupe une place centrale dans les HN, représentant l'objet autour duquel
s'articulent de nombreux projets. Ce chapitre présente non seulement les tâches qui ont été réali-
sées le plus tôt dans cette thèse mais également celles qui ont requis le plus de travail. Toutefois, sa
place avant les autres chapitres ne reflète pas un ordre strict de dépendance : au contraire, de nom-
breux allers et retours ont été nécessaires entre les données et les outils utilisés pour les exploiter.
Ce chapitre est une tentative de saisir un état satisfaisant d'un effort en réalité continu et pouvant
se poursuivre sans fin.

Il commence par présenter les objets de l'étude et introduire les concepts requis pour décrire ces
encyclopédies et les articles qu'elles contiennent, au premier rang desquels la notion de domaine
de connaissance qui sous-tend cette thèse de part en part. Puis, la section 3.2 s'intéresse aux
conséquences des différences entre encyclopédies et dictionnaires sur l'encodage des fichiers,
qu'elle aborde à l'aide de méthodes d'exploration systématiques de graphes. Enfin, la section 3.3, en
accord avec la remarque ci-dessus sur l'impossibilité d'arrêter jamais l'amélioration de la qualité
du corpus, tente de consigner les leçons apprises au fil du projet pour structurer les données de la
manière la plus pratique et la plus flexible possible.

43
Thèse accessible à l'adresse : [Link] © [A. Brenon], [2025], INSA Lyon, tous droits réservés
 Chapitre 3 : Préparation et enrichissement du corpus

3.1 Les œuvres du corpus

Des quatre encyclopédies présentes dans le corpus du projet GEODE, cette thèse se concentre sur
les deux premières dans l'ordre chronologique : l'EDdA et LGE. Ces deux encyclopédies couvrent
respectivement la deuxième moitié du XVIIIème siècle et la fin du XIXème siècle, la publication de
LGE débutant en 1885, 113 ans après la fin de celle de l'EDdA qui s'achève en 1772.
La toute première étape des présents travaux a consisté à rassembler des versions numériques de
ces textes et à les homogénéiser assez pour pouvoir leur appliquer les mêmes traitements dans les
phases ultérieures. En effet, alors que sa position de symbole du siècle des Lumières a fait de l'EDdA
un objet d'étude fréquent et facilement disponible en format numérique, LGE reste encore bien plus
confidentielle avec une seule version imparfaite disponible au début de cette thèse. Cette section
dresse l'état des lieux des versions des deux œuvres et retrace les étapes qui ont été nécessaires pour
les constituer en corpus d'étude.

3.1.1 Contextes historiques

L'Encyclopédie de Diderot et d'Alembert
Dans le langage courant, les termes de «dictionnaire» et d'«encyclopédie» sont souvent utilisés de
manière assez interchangeables pour désigner des livres qui regroupent de nombreuses connais-
sances et les ordonnent en listes de définitions alphabétiques. Leur similarité est visible jusque dans
le titre complet de l'EDdA, «Encyclopédie ou dictionnaire raisonné». Si le mot «encyclopédie» fait
aujourd'hui partie du vocabulaire ordinaire, il était bien plus surprenant et même controversé quand
Diderot et d'Alembert ont choisi de l'utiliser pour leur œuvre.
Il ne s'agit pourtant pas d'un néologisme : le terme est déjà en usage au XVIème siècle, par exemple
chez Rabelais qui l'emploie pour faire déclarer à Thaumaste que Panurge lui a ouvert «le vray puys
et abisme de Encyclopédie». À cette époque, le terme renvoie encore principalement au concept abs-
trait de maîtrise simultanée de toutes les connaissances. C'est cette définition proche de l'étymologie
grecque du terme que donne Furetière dans la première édition de son Dictionnaire Universel : un
enchaînement de toutes les connaissances, de κύκλος, «cercle», et παιδεία, «connaissance». L'auteur
critique déjà sa poursuite en tant qu'une forme d'hubris («C'est une témérité à un homme de vou-
loir posséder l'Encyclopédie») mais Basnage de Beauval (1702, p. 760) dans la deuxième édition
de l'œuvre présente en outre le terme comme désuet et humoristique («plus en usage que dans le
burlesque»). Il a pourtant été repris par Chambers qui en a fait le titre de son propre dictionnaire
universel — «Cyclopedia».
Au-delà du reproche moral, le concept qui plaisait tant à Rabelais était quelque peu daté à la fin
du XVIIème siècle et faisait l'objet de la même critique dans le Dictionnaire de Trévoux (voir section
2.2.2 p.25). L'entrée Encyclopédie reste inchangée dans les quatres éditions parues entre 1721 et 1752,
moquant le terme et déconseillant à son lectorat d'essayer de le cultiver. Dans ce but, l'article cite
un poème de Pibrac qui encourage les gens à se spécialiser dans une seule discipline sans quoi ils
risqueraient de ne jamais parvenir à atteindre la perfection dans aucun, avec une argumentation qui
n'est pas sans rappeler le proverbe «qui trop embrasse mal étreint». Il est d'autant plus intéressant
de constater que la définition demeure inchangée jusqu'à 1752, un an après la parution du premier
volume de l'EDdA. Les Jésuites, éditeurs du Dictionnaire de Trévoux, désapprouvaient le projet de
l'EDdA et ont réussi à le faire interdire la même année par le Conseil d'État en l'accusant de chercher
à détruire l'autorité royale, à inspirer la rebellion et à corrompre la moralité de manière générale. Le
combat idéologique ne s'arrêtait bien sûr pas aux mots, mais la volonté d'effacer le mot lui-même
est tout à fait cohérent avec leur combat contre les philosophes des Lumières.
L'attaque n'est pas ignorée par Diderot qui fait commencer la définition même du mot «Encyclo-

44
Thèse accessible à l'adresse : [Link] © [A. Brenon], [2025], INSA Lyon, tous droits réservés
 Chapitre 3 : Préparation et enrichissement du corpus

pédie» dans l'EDdA par une réfutation ferme. Il commence par rejeter les inquiétudes formulées
dans le Dictionnaire de Trévoux qui ne seraient selon lui que l'expression du manque de confiance
de ses auteurs en leurs propres capacités avant de laisser l'argument principal à une citation latine
du chancelier Bacon (Lojkine, 2013, p. 5) qui explique qu'une collaboration permet d'accomplir bien
plus qu'il n'est possible à quiconque quel que soit son talent : ce qui ne serait sans doute pas à la
portée d'une seule personne au cours d'une seule vie pourrait l'être à un effort commun sur plusieurs
générations.
L'Histoire semble indiquer que les adversaires de Diderot ont pris sa défense de la faisabilité du
projet très au sérieux. Six ans après la reprise de la publication, ils sont parvenus à faire révoquer le
privilège de l'EDdA une deuxième fois (Moureau, 2001). Le résultat de cette interdiction fut que les
dix tomes de texte restant ont dû être publiés illégalement jusqu'en 1765, ce qui a été rendu possible
par la protection secrète de Malesherbes qui — malgré sa place à la tête de la censure royale — a sauvé
les manuscrits de la destruction. Leur impression a eu lieu en cachette, en dehors de Paris, et les
livres ont été (faussement) estampillés comme venant de Neufchâtel. Suite à la forte demande des
libraires qui craignaient de perdre l'argent qu'ils avaient investi dans le projet, un privilège spécial
fut émis pour les volumes de planches qui ont été publiés entre 1762 et 1772.
Malgré le tour romanesque qu'a dû prendre la publication de l'EDdA, dans leur dernière édition de
1771 les auteurs du Dictionnaire de Trévoux n'avaient plus d'autre choix que de reconnaître le succès
des projets encyclopédiques du XVIIIème siècle. Dans cette version la définition a été entièrement
retravaillée, pour se contenter de reconnaître que les bonnes encyclopédies sont difficiles à écrire du
fait de la somme de connaissances requises et de travail nécessaire pour se tenir à jour des avancées
scientifiques. Il n'est plus possible de tourner l'idée même en ridicule. L'entrée reconnaît que la
Cyclopædia de Chambers constitue une tentative décente avant de mentionner sans les nommer
— mais de manière suffisament explicite — le projet de Diderot et d'Alembert, désignant le collectif
par «Une Société de gens de Lettres» (un renvoi clair au sous-titre du projet) et précisant qu'il a
débuté en 1751. Mais juste à côté de cette reconnaissance à demi-mot du succès du projet, deux
nouvelles entrées font leur apparition : une pour un adjectif, «encyclopédique» et une autre pour
le nom «encyclopédiste», témoignages éloquents de la portée de l'entreprise encyclopédique et de
l'influence qu'elle a eu non seulement sur son époque mais sur la relation à la connaissance elle-
même. Cette reconnaissance a bien entendu un retentissement particulier dans les pages du Trévoux
mais elle ne s'y limite pas. Le terme connaît une évolution similaire dans le Dictionnaire de l'Académie
(Pruvost, 2022, pp. 115 – 117).
Il existe au moins trois versions numériques de l'EDdA disponibles en ligne publiquement sous diffé-
rentes conditions. L'Édition Numérique Collaborative et CRitique de l'Encyclopédie (ENCCRE dans
le reste de ce manuscrit) édite un site web 1 offrant de nombreuses fonctionnalités dont un parcours
linéaire du texte par tome qui associe à la version numérique du texte une photographie de la page
dont il est extrait, ainsi qu'une interface de recherche permettant d'accéder directement à un article
donné. Des métadonnées répertorient des informations objectives trouvées dans chaque article —
auteur, présence de renvois, etc. — qui sont ensuite commentées par un ensemble de notes pouvant
renvoyer à des fiches thématiques. Une deuxième source est l'American and French Research on the
Treasury of the French Language (dorénavant ARTFL) qui diffuse également sa version du texte 2
au moyen du logiciel Philologic4 3 . L'outil permet des recherches avancées incluant un filtrage des
résultats suivant certaines métadonnées. Le texte, lisible depuis l'interface web générée par Philolo-
gic4 contient des liens vers des photos des pages pour le retour au texte. Enfin, Wikisource dispose
également d'une version 4 , partiellement corrigée par sa communauté, sous forme d'un ensemble de

1. [Link]
2. [Link]
3. [Link]
4. [Link]

45
Thèse accessible à l'adresse : [Link] © [A. Brenon], [2025], INSA Lyon, tous droits réservés
 Chapitre 3 : Préparation et enrichissement du corpus

pages qu'il est possible de consulter mais sans outil de recherche et sans métadonnées.
Si ces interfaces de consultation permettent une navigation facile des textes, l'application systéma-
tique d'outils de traitement requiert un accès à des fichiers contenant à la fois le plein texte et des
métadonnées exploitables. L'ARTFL a accepté de partager ses données avec les membres du projet
GEODE et c'est donc sa version qui a servi de base à cette étude pour le contenu textuel des articles.
Chacun des 17 tomes de l'œuvre est représenté par un fichier encodé au format XML-TEI. Chaque
article au sein d'un tome contient les métadonnées accessibles depuis l'interface de Philologic4. Dans
le cadre de certains travaux du projet, elles ont été recoupées avec celles accessibles depuis l'interface
de l'ENCCRE. Toutes les photos d'article de l'EDdA proviennent du site de l'ENCCRE. Le texte com-
prend au total 74 198 articles et 23 786 713 tokens.

La Grande Encyclopédie
La Grande Encyclopédie, Inventaire raisonné des Sciences, des Lettres et des Arts par une Société de
savants et de gens de lettres fut publiée en France entre 1885 et 1902 par une équipe de plus de
deux cent spécialistes organisés en onze sections. Ce texte comprend 31 tomes d'environ 1200 pages
chacun et fut, d'après Jacquet-Pfau (2015) la dernière entreprise encyclopédique française majeure
à marcher dans les traces de l'ancêtre prestigieux que fut l'EDdA, publiée environ 130 ans plus tôt.
Le titre complet de l'œuvre montre déjà la volonté de filiation avec l'EDdA de ses auteurs dans leur
choix de sous-titre (Jacquet-Pfau, 2022, p. 96). La préface décrit la France comme une précurseure des
grandes entreprises encyclopédiques, rattrapée depuis par les grandes puissances occidentales et qui
n'a pas su se mettre à jour depuis l'EDdA. Les éditeurs mettent en avant les illustrations qu'ils placent
dans la «tradition des encyclopédistes du siècle dernier», malgré l'évolution technique qu'elles ap-
portent en étant intégrées au texte par contrastes avec les volumes de planches séparées du textes
de l'EDdA. Le choix visionnaire des philosophes des Lumières de traiter des métiers, techniques et
outils est présenté comme précurseur de la «société industrielle» du XIXème siècle.
À l'issue d'un historique qui remonte jusqu'à Démocrite en passant par Aristote, l'EDdA fait l'objet
d'une anecdote de Voltaire rapportant un souper au Trianon. Dans ce récit, la cour expose au roi
l'intérêt d'une encyclopédie et la qualité de l'EDdA en particulier, ce qui l'amène à revenir sur sa
décision d'interdire l'œuvre. La préface s'achève par une réflexion sur la vie nécessairement «éphé-
mère» des encyclopédies et le besoin de les renouveler pour les adapter aux progrès des sciences et
aux évolutions du langage. Le tout dernier paragraphe prend la forme d'un souhait, celui de marquer
son époque et de s'inscrire dans la lignée du «souvenir de Diderot et d'Alembert».
Cet espoir a été déçu dans une large mesure puisque LGE tombe rapidement dans l'oubli (Vigier, 2022,
p. 18). Le projet connaît des difficultés financières dès les dernières années de sa publication (Jacquet-
Pfau, 2015, p. 90). La Librairie Larousse, qui édite le Grand Dictionnaire Universel, rachète LGE, non
pas pour développer une offre plus scientifique mais bien pour se débarasser d'un concurrent. Elle
disparaît peu après malgré sa grande rigueur et ses qualités scientifiques — des articles de LGE sont
parfois cités dans des publications (Jacquet-Pfau, 2015, p. 91) et les plus longs, véritables dossiers
sur un sujet, connaissent une vie hors de ses pages en étant publiés sous formes de monographies
(Jacquet-Pfau, 2022, p. 99).
Une version numérique de cette œuvre a été réalisée par la BnF et mise en ligne 5 en 2007. Basée
sur une réimpression non datée de l'édition originale, elle comprend une image par page de l'œuvre,
numérisée en niveau de gris à une résolution de 300x300 pixels par pouce. De ces fichiers images a
été tirée une version partielle du texte par application d'un programme de reconnaissance optique
de caractères (OCR). Cette version présente un certains nombre de limites empêchant de mener
une étude intégrale du texte par des moyens automatiques comme la textométrie et faisait écrire à
5. [Link]

46
Thèse accessible à l'adresse : [Link] © [A. Brenon], [2025], INSA Lyon, tous droits réservés
 Chapitre 3 : Préparation et enrichissement du corpus

Jacquet-Pfau (2015, p. 88) qu'«il n'existe pas de version numérique complète et structurée en format
texte de LGE».
D'abord, le texte est incomplet : si un grand nombre de tomes ont été OCRisés, certains comme par
exemple les tomes 5 ou 18 n'ont pas été traités et aucun texte n'est disponible pour ces volumes sur
le site de Gallica 6 . Cet état rend impossible une étude exhaustive mais rien ne suggère qu'une étude
basée sur les tomes disponibles serait sujette à un biais particulier, puisque les tomes OCRisés ne
semblent pas avoir été choisis selon une logique précise, ceux qui manquent ne sont par exemple pas
contigus ni au début ni à la fin de l'œuvre. Ensuite, cette version en «texte brut» (en réalité une page
HTML avec un balisage minimal) ne comporte qu'une annotation très superficielle et n'est en particu-
lier pas segmentée en articles. Cela est un obstacle majeur pour les présents travaux, puisque l'unité
d'étude du présent corpus est l'article, permettant de mettre en évidence des régularités propres à
un domaine de connaissance ou à un auteur précis en vue d'analyses contrastives. Enfin, des er-
reurs dans la détection de l'organisation de la page (OLR) obscurcissent significativement le texte
en opérant des permutations locales de son contenu qui viennent parfois mélanger des morceaux
d'articles entre eux. Cela complique nettement la segmentation du texte en articles et vient dans tous
les cas endommager la structure des phrases. Ces nouvelles erreurs se répercutent à leur tour sur
les phases ultérieures d'analyse, causant des problèmes dans les annotations morphosyntaxiques et
syntaxiques qu'il est nécessaire d'appliquer au texte pour faire de la textométrie.
Dans le but de pallier ces défauts, le projet CollEx Persée DISCO-LGE 7 (2019-2021) a entrepris de
renumériser cette encyclopédie en partenariat avec la BnF et d'en produire une version encodée en
XML-TEI. Cette nouvelle version a été réalisée à partir de photographies d'un exemplaire original 8
situé à la Bibliothèque de l'Arsenal à Paris 9 .
Ce projet a pris fin en août 2021 et a abouti à la publication sur Nakala 10 , le dépôt de données de
la Très Grande Infrastructure de Recherche Huma-Num, d'une nouvelle version de l'œuvre sous
différents formats, dont des segmentations par article en XML-TEI et en format texte (.txt). Cette
version compte 229 475 articles pour un total de 54 936 266 tokens. L'identification automatique des
débuts d'article y a causé davantage de faux positifs (séquence incorrectement considérée comme
un début d'article donnant lieu à un surdécoupage du vrai article en plusieurs) que de faux négatifs
(débuts d'article non reconnu par le système causant la fusion de deux vrais articles) et ce chiffre
semble donc (largement ?) surestimé.

3.1.2 Organiser les connaissances

La problématique de structuration de la connaissance, comme cela a été décrit à l'introduction (voir
la section 1.2 page 11), est au cœur des présents travaux. Elle a bien sûr une forte valeur intrinsèque
pour les auteurs de chacune des encyclopédies du corpus mais, dans le cadre de cette thèse, elle est
ce qui permet de singulariser et de problématiser la Géographie. Elle est la raison pour laquelle des
efforts sont déployés au chapitre 4 pour appliquer une classification automatique aux articles, et elle
fonde la démarche contrastive adoptée au chapitre 5. Pour commencer, il s'agit de définir plusieurs
concepts fondamentaux liés à la notion et à sa matérialisation dans les articles.

Anatomie d'un article d'encyclopédie

Les premiers de ces concepts sont purement typographiques. En vue de pouvoir évoquer les diffé-
rentes parties d'une encyclopédie, il est nécessaire de bien définir ce qui constitue les articles et leur
6. [Link]
7. [Link]
8. [Link]
9. [Link]
10. [Link]

47
Thèse accessible à l'adresse : [Link] © [A. Brenon], [2025], INSA Lyon, tous droits réservés
 Chapitre 3 : Préparation et enrichissement du corpus

environnement sur les pages. La figure 3.1 offre un aperçu des éléments pouvant apparaître dans un
article (non représentatif, les deux articles ont été choisis pour leur concentration élevée).

(a) Article BROMELIA dans l’EDdA, T2, p.434

(b) Article ALECTRURUS dans LGE, T2, p.68

Figure 3.1 – Les différents constituants possibles d’un article d’encyclopédie

Dans une encyclopédie, une entrée associe un texte à un mot ou un groupe de mots, la «vedette», qui
sert tout à la fois de «titre» à l'article et de point de référence dans l'ensemble du texte puisque ces
vedettes engendrent l'ordre (alphabétique) des articles tout en servant de lien pour les renvois. Tout
article d'encyclopédie comporte nécessairement une vedette typographiquement marquée comme
c'est le cas pour les deux articles de la figure 3.1 où les vedettes, surlignées en mauve, apparaissent en
majuscules. Dans l'EDdA, il existe même en réalité deux niveaux de division : certains termes sujets
à une forte homonymie ou possédant de nombreux dérivés contiennent plusieurs entrées dont les
vedettes sont graphiées en petites capitales. Pour cette raison, l'ENCCRE numérote les textes sur
trois niveaux, ajoutant aux numéros de tome et d'«adresse» (nom utilisé par l'ARTFL pour désigner
la structure correspondant aux articles dans le cas général) un numéro d'«entrée». L'ARTFL se limite
à deux niveaux et regroupe parfois plusieurs entrées au sein d'un même «article», une différence à
l'origine de certaines complications rencontrées lors des travaux de classification (voir section 4.1.1
p.92).
La vedette a une existence grammaticale à part du reste de l'article, ce qui confirme son rôle de «clef»
dans la gigantesque table associative formée par une encyclopédie : quand elle n'est pas séparée de
la première phrase par un point comme c'est le cas de la figure 3.1b, elle est souvent simplement
apposée et tout à fait optionnelle, séparée d'une virgule du reste de la première phrase qui est alors
le plus souvent nominale, déportant tout syntagme verbal dans une subordonnée relative comme le
montre la figure 3.1a. Elle peut être suivie optionnellement d'un «désignant» entre parenthèses (en
bleu sur la figure 3.1) qui sert à situer l'entrée dans un espace structuré de connaissances (notion
centrale de cette sous-section et qui est développée plus bas dans le segment 3.1.2). Un désignant
peut ainsi référer à un ou plusieurs domaines de connaissance, souvent abréviés.
Les articles ne constituent pas une collection d'informations isolées mais sont au contraire liés entre
eux par un système de renvoi, qui constitue un deuxième mode d'organisation en sus du système
de domaines de connaissance (Blanchard & Olsen, 2002, p. 46). Les articles peuvent ainsi contenir
des renvois, figurés en jaune sur la figure 3.1 . Ils sont constitués du verbe «voir» à l'impératif

48
Thèse accessible à l'adresse : [Link] © [A. Brenon], [2025], INSA Lyon, tous droits réservés
 Chapitre 3 : Préparation et enrichissement du corpus

ou à l'infinitif jussif et de la vedette d'un autre article (elle est bien en majuscule, éventuellement
dans une fonte plus petite) et possèdent une valeur illocutoire en invitant le lectorat à tourner les
pages du livre ou à aller chercher un autre tome en vue de poursuivre la lecture dans l'article ainsi
ciblé. À l'origine une simple phrase parmi les autres au milieu du texte, avec le verbe écrit en toutes
lettres (cette forme reste plus fréquente dans l'EDdA), les renvois ont évolué et pour prendre la forme
stylisée visible dans les deux exemples, où le verbe n'existe plus qu'au travers de son initiale, et où
le renvoi dans son ensemble peut être mis entre parenthèses comme dans la figure 3.1b, ce qui n'est
pas sans préfigurer des dispositifs modernes tels que les liens hypertextes. On trouve parfois aussi
une formulation réflexive pour éviter une répétition («V. ce mot»), établissant implicitement le lien
entre l'occurrence du mot dans la phrase précédente à la vedette correspondante. Il semble que cette
tournure s'accompagne plus fréquemment d'une forme complète du verbe «voir» ou «voyez» que
la forme directe où la vedette est explicite.
Enfin, les articles sont parfois signés (en vert sur la figure 3.1). La signature de l'article BROMELIA
(figure 3.1a) n'est pas une initiale, ce 'I' entre parenthèses est utilisé par Louis-Jean-Marie Dauben-
ton 11 . Les articles peuvent mentionner occasionnellement leurs sources, en orange sur la même
figure. Celles de LGE sont particulièrement fréquentes et riches, faisant l'objet d'un dernier para-
graphe marqué systématiquement par l'abréviation «Bibl.» (visible sur la figure 3.1b) et pouvant
parfois s'étendre sur plusieurs colonnes de texte comme c'est le cas pour l'article COLONISATION
(La Grande Encyclopédie, T11, p.1066) — 3 colonnes et demie de bibliographie, s'étendant de la page
1117 à la page 1119.
Pour une encyclopédie imprimée sur un support papier, les articles apparaissent les uns à la suite
des autres dans l'ordre alphabétique (sans tenir compte des accents et autres diacritiques) sur une ou
plusieurs colonnes (2 colonnes dans l'EDdA comme dans LGE). Autour des articles se trouvent divers
éléments «péritextes» mis en évidence à la figure 3.2. Le haut d'une page comporte généralement le
numéro de la page dans le tome courant, surligné en vert sur la figure 3.2. Pour aider à la recherche
d'un article donné, des indicateurs visibles en bleu sur la figure 3.2 représentent l'intervalle de l'index
alphabétique couvert par la page courante, en donnant les positions de l'article auquel appartiennent
la première et la dernière ligne de la page. Dans l'EDdA (figure 3.2a), il s'agit seulement des trois pre-
mières lettres des vedettes de ces articles, dans LGE (figure 3.2b) des vedettes complètes. L'évolution
des techniques d'imprimerie permet de positionner des figures au milieu des colonnes de texte dans
LGE accompagnées de leurs légendes (en mauve sur la figure 3.2b). Dans l'EDdA, les figures et leurs
légendes sont présentes mais confinées aux tomes de planches.
Les techniques de reliure imposent l'impression de ces encyclopédies par «cahiers» (de 8 pages
pour l'EDdA — in octavo — et de 16 pages pour LGE — in sextodecimo). Chacun de ces cahiers porte
une inscription qui rappelle le tome auquel il appartient (en jaune sur la figure 3.3) et la position
du cahier dans l'ordre de reliure (en orange sur la figure 3.3). Cette position est exprimée par une
lettre dans l'EDdA (ici un 'G') et par un nombre entier dans LGE. Par construction, ces inscriptions
reviennent régulièrement : toutes les 8 pages dans l'EDdA, environ toutes les 16 pages dans LGE (la
présence de cartes qui sont imprimées à part et insérées entre les pages des cahiers vient perturber
cette périodicité).
Ces définitions posées, il devient possible de s'intéresser au concept principal de cette sous-section
qui est étroitement lié à la notion de désignant.

Notion de domaine de connaissance

Comprendre l'organisation de la connaissance est un champ de recherche à l'intersection de plu-
sieurs disciplines (Blair, 2010 ; Bowker & Star, 2000 ; Foucault, 1970 ; Wellmon, 2015). Les historiens,

11. https ://[Link]/philologic4.7/kafker/navigate/1/33

49
Thèse accessible à l'adresse : [Link] © [A. Brenon], [2025], INSA Lyon, tous droits réservés
 Chapitre 3 : Préparation et enrichissement du corpus

(a) Haut de la page 47 du tome 11 de l’EDdA

(b) Haut de la page 48 du tome 5 de LGE

Figure 3.2 – Les différents éléments péritextes en haut et en cours de pages

(a) Bas de la page 49 du tome 11 de l’EDdA

(b) Bas de la page 49 du tome 5 de LGE

Figure 3.3 – Les différents éléments péritextes en bas de page

50
Thèse accessible à l'adresse : [Link] © [A. Brenon], [2025], INSA Lyon, tous droits réservés
 Chapitre 3 : Préparation et enrichissement du corpus

par exemple, étudient quels types de documents contiennent des connaissances, comment la connais-
sance est divisée en catégories et quelles relations ces catégories entretiennent (Groult, 2003 ; Holm-
berg, 2017). Dans certains documents historiques, cette classification est visible : entre le XVIIème et
le XIXème siècle des encyclopédies ont ainsi commencé à la matérialiser au début des articles.

Les systèmes de classification choisis par les éditeurs d'une encyclopédie reflètent le contexte spéci-
fique des débats intellectuels contemporains de sa publication, qui peut transparaître par exemple
dans l'emploi d'un désignant plutôt qu'un autre comme le montre Viard (2006, para. 33). Les ency-
clopédies sont donc un terrain particulièrement intéressant pour étudier comment la classification
de la connaissance change au cours du temps. Dans le cadre de cette thèse, la notion de classifi-
cation permet surtout d'accéder en première approximation aux discours géographiques qui sont
l'objet de cette thèse puisque tant l'EDdA que LGE considèrent la géographie comme un domaine de
connaissance parmi les autres.

Là où certains philosophes tentent de trouver une organisation des connaissances satisfaisantes en

elle-même en tant que description du monde dans sa totalité, formant des systèmes à priori dans
lesquels n'importe quelle connaissance — contemporaine du système ou ultérieure — est censée pou-
voir ensuite trouver sa place, d'autres approches plus empiriques sont également possibles. Ainsi,
alors qu'il répertorie et ordonne deux années de communications scientifiques dans les Philosophi-
cal Transactions of the Royal Society, Lowthorp (1665, p. 405) propose une organisation tripartite. Il
distingue une «Histoire naturelle» tout à fait générale, une catégorie des «Singularités» — tout ce qui
échappe à la norme définie par la première catégorie rendant par construction le système complet
— et une troisième catégorie méta qui traite des outils pour étudier les catégories précédentes. Une
telle organisation à postériori est par construction plus facile à équilibrer mais elle a peu de chances
de résister à l'épreuve du temps ou d'être adaptée à plusieurs œuvres encyclopédiques. Il est inté-
ressant de noter que cette classification sommaire, présentée comme «a more Natural Method» sert
surtout initialement à se libérer de l'arbitraire de l'ordre alphabétique.

Dans l'EDdA, l'organisation de la connaissance intègre non seulement les sciences mais également
les arts et les métiers. Elle est fondée sur une autre partition en trois, celle proposée par Bacon qui
rattache tout savoir aux facultés humaines de la mémoire, l'imagination et la raison (Jaquet, 2010,
para. 10). Cette distinction est fondamentale dans la démarche des encyclopédistes : revendiquée
par d'Alembert dès le Discours Préliminaire (L'Encyclopédie, T1, [Link]), elle est aussi visible dans les
trois colonnes qui partagent le «Systême figuré des connoissances humaines» reproduit à la figure
3.4. Elle témoigne d'une structuration à priori des sciences bien plus ambitieuse que la division
très pragmatique de Lowthorp. Sa catégorie des Singularités semble tout de même trouver un écho
dans la branche des «Écarts de la Nature» du «Systême» (voir à gauche de l'arbre de la figure 3.4
dans la moitié supérieure) mais c'est bien là la seule ressemblance. Il ne faut néanmoins pas croire
que les efforts d'organisation des auteurs de l'EDdA s'arrêtent à cette taxonomie. Un vaste réseau de
renvois structure transversalement les articles et suggère des navigations de l'œuvre, véritables liens
«hypertextes» avant l'heure (Blanchard & Olsen, 2002, p. 47). Les encyclopédistes ne commettent pas
non plus l'erreur de prendre le «Systême» pour plus qu'il n'est : une déclaration d'intention et non
pas une «grille fixe» (Cernuschi, 2006, para. 3) dans lequel les articles devraient à tout prix trouver
leur place. Des branches de l'arbre demeurent sans articles et à l'inverse des articles sont affectés à
des domaines qui ne sont pas mentionnés par le «Systême figuré» (Leca-Tsiomis, 2006, para. 4).

En pratique, les domaines de connaissance se manifestent la plupart du temps au niveau des articles
sous la forme des désignants présentés dans la partie précédente de cette section (p.47). Certains
articles n'ont pas de désignant sous cette forme marquée typographiquement (entre parenthèses, en
tête d'article, souvent abréviée), mais reçoivent tout de même une indication quant à leur domaine
d'appartenance, une marque de domaine. Une tournure telle que «en termes de» est très utilisée à
cet effet, suivie du nom d'une science — par exemple à l'article DISQUE «en termes de Botanique»

51
Thèse accessible à l'adresse : [Link] © [A. Brenon], [2025], INSA Lyon, tous droits réservés
 Chapitre 3 : Préparation et enrichissement du corpus

Figure 3.4 – Le «Systême figuré des connoissances humaines», une taxonomie au cœur de l'EDdA

52
Thèse accessible à l'adresse : [Link] © [A. Brenon], [2025], INSA Lyon, tous droits réservés
 Chapitre 3 : Préparation et enrichissement du corpus

(L'Encyclopédie, T4, p.1045) — ou d'une profession — comme dans l'article AMBRISE «en termes de
Fleuriste» (L'Encyclopédie, T1, p.326). On trouve aussi parfois simplement «en» suivi du nom d'une
science comme l'illustre l'article ÉLASTICITÉ — «en Physique» (L'Encyclopédie, T5, p.444). Une troi-
sième tournure possible est PRÉPOSITION suivi de «les» («chez les», «dans les», «parmi les»…),
qui peut accepter différents types de groupes humains, qu'ils soient déterminés par une activité
comme à l'article A A A visible à la figure 3.5 — «chez les chimistes» (L'Encyclopédie, T1, p.5) — des
pratiques par exemple dans l'entrée CALVAIRE — «chez les Chrétiens» (L'Encyclopédie, T2, p.565)
— ou une simple appartenance civilisationnelle — on pourra penser à «chez les Latins» de l'article
PAVE (L'Encyclopédie, T12, p.192). Outre «marques de domaine», l'ENCCRE qualifie également ces
expressions de «désignants non marqués» ou «flottants» 12 , le terme étant employé au moins par
Boussuge & Launay (2019, p. 237). Leur usage s'est répandu à la fin du XVIIème siècle dans le diction-
naire de Richelet avant d'accéder au statut de «tradition lexicographique» (Quemada, 1968, p. 307)
une fois repris dans le Furetière et le Trévoux. Leur présence ou non n'obéit à aucune règle évidente,
et les formulations restent très variables. Pour trouver un semblant d'ordre, on peut observer que les
différents groupes répertoriés précédemment offrent en quelque sorte un dégradé de valeurs classi-
fiantes, qu'il est possible de jauger en tentant de les reformuler. Alors que «chez les chimistes» est un
équivalent assez clair du désignant «Chimie», il n'y a pas de domaine «Chrétienté» mais la position
de ce «chez les Chrétiens» en début d'article, apposé à la vedette avant le verbe de la phrase évoque
encore beaucoup l'usage précédent. Il ne s'agit déjà plus d'un désignant puisque l'article en est par
ailleurs pourvu — «(Hist. ecclés.)» — mais une reformulation possible de l'expression en «Religion
chrétienne» montre encore une certain proximité de cet emploi avec un désignant. Pour «chez les
Latins», en revanche, il n'y a plus qu'une valeur circonstancielle malgré sa position relativement en
début d'article : le terme défini (pavé) n'est pas constitutif d'un ensemble de pratiques qui définirait
le groupe comme ce pouvait être le cas avec les chimistes et les chrétiens.

Figure 3.5 – Article A A A dans l'EDdA, T1, p.5

À la suite de Leca-Tsiomis (2006, para. 1), on réservera le terme de «désignant» aux formes marquées
typographiquement, placées entre parenthèse en début d'article. Les désignants sont en toute rigueur
un cas particulier de marques de domaine mais on utilisera les deux termes en opposition, pour
distinguer les marques de domaine qui ne sont pas des désignants. Les désignants résultent d'une
simplification et d'une codification au fil du temps des marques de domaine, leurs «ancêtres» d'après
Leca-Tsiomis (2006, para. 8). Ils sont en effet absents d'œuvres antérieures comme le Dictionnaire
Universel de Basnage ou même de la 3ème édition du Dictionnaire de Trévoux (celle de 1743). Dans
ces œuvres en revanche, des occurrences de «en termes de» se rapprochent des débuts d'articles là
où se trouverait un désignant. C'est dans la Cyclopedia de Chambers que le mot «terme» disparaît,
restant sous-entendu puisque l'œuvre est un recueil de terminologie (Leca-Tsiomis, 2006, para. 12),
laissant apparaître le nom de la discipline seule. Dans l'EDdA, le concept de désignant est tout à
fait né et des marques de domaine se trouvent même parfois entourées de parenthèses quand elles
apparaîssent à la même place, comme c'est le cas aux articles BIZEGLE — «(chez les Cordonniers)»
(L'Encyclopédie, T2, p.268) — ou CANON — «(terme de Rubannier)» (L'Encyclopédie, T2, p.618). La
présence de la majuscule comme dans les désignants vient également rompre la lecture normale de
l'expression en transformant le nom de profession en une sorte d'objet symbolique, le nom d'une
classe et plus le mot dans son acception courante. Enfin ces expressions semblent avoir quasiment
disparu de LGE. «En termes de» présente 2433 occurrences dans l'EDdA contre seulement 51 dans
LGE (pourtant 2.3 fois plus volumineuse d'après les chiffres présentés dans la sous-section 3.1.1).
12. [Link]

53
Thèse accessible à l'adresse : [Link] © [A. Brenon], [2025], INSA Lyon, tous droits réservés
 Chapitre 3 : Préparation et enrichissement du corpus

Cela confère au motif une spécificité d'au moins 1 000 dans l'EDdA (voir au sujet de la saturation de
l'affichage des spécificités dans TXM la section 2.5.2 p.39). «Chez les» suivi d'un mot commençant
par une majuscule est plus difficile à exploiter puisque d'après la remarque précédente la séquence
n'a pas toujours la même valeur qu'un désignant mais dans tous les cas elle est également moins
représentée : 713 occurrences dans l'EDdA contre 882 dans LGE, le motif obtient donc une spécificité
de 33 dans l'EDdA ce qui est suffisant pour écarter une répartition seulement dûe au hasard.
Dans LGE, il n'y a pas d'arborescence des connaissances mais la préface accorde une place majeure à
la notion de domaine. Dès la première page (La Grande Encyclopédie, T1, p.I), ses auteurs justifient le
bien-fondé de leur entreprise par l'absence d'une œuvre française à jour en termes de connaissances
scientifiques dans le paysage encyclopédique de l'époque. Ils établissent ensuite une longue liste de
domaines de connaissance pour montrer la grande variété de sujets que LGE se propose de couvrir
(«en un mot, tout ce qui est de nature à jeter la lumière sur le monde physique et sur le monde
intellectuel»). Plus que réellement des noms de sciences, il s'agit plutôt de thématiques choisies pour
mettre en valeur les intérêts de l'époque — ce qui permet la mention des «applications nouvelles de
l'électricité» alors que la physique et la chimie dont elles relèvent pourtant figurent déjà dans la
liste. La géographie quant à elle n'est même pas mentionnée. Elle n'apparaît que plus bas sur la
même page, ses découvertes étant associées au «développement colonial» pour intégrer les cartes,
«gravées spécialement pour» LGE, dans un paragraphe qui met en valeur l'apport des illustrations
dans l'œuvre. La place importante qu'y occupent les cartes prend un sens tout particulier quand
on sait la volonté de l'œuvre de s'inscrire dans l'héritage de l'EDdA. Alors que cette dernière ne
comporte en effet aucune carte, LGE incarne cette postérité qui dresse des cartes à laquelle aspirait
Diderot dans l'article ENCYCLOPÉDIE (L'Encyclopédie, T5, p.646) évoqué à la section 1.1 (voir p.8).
Mais plus encore, la notion de domaine de connaissance est décrite dans les pages qui suivent comme
primordiale dans tout projet encyclopédique au-delà de LGE seule. Après un incontournable rappel
historique qui évoque chronologiquement les étapes majeures qui ont mené au concept moderne
d'encyclopédie depuis l'étymologie grecque du terme, la préface revient au Discours préliminaire
de l'EDdA écrit par d'Alembert pour souligner l'importance de l'organisation et de la structuration
de la connaissance dans les encyclopédies, présentées comme des traits caractéristiques qui les dis-
tinguent des dictionnaires (la sous-section 3.2.1 de la section suivante explore plus en détail cette
problématique et met en évidence d'autres différences mais il est intéressant de voir que cette sépara-
tion était déjà perçue au XVIIIème siècle avant que le terme d'encyclopédie ne réussisse à s'imposer).
D'après cette partie de la préface, la démarche encyclopédique consiste à révéler les liens qui re-
lient tous les savoirs humains et à les organiser, partant des faits concrets pour généraliser vers
l'abstraction et établir ainsi ce qui constitue les «lois naturelles». Mais à la suite de d'Alembert qui
comme le fait remarquer Hardesty Doig (2006, para. 1) reconnaît la part d'arbitraire inhérente à tout
«système» (toujours dans le Discours préliminaire), les auteurs ont bien conscience qu'il n'y a pas
de preuve que l'ensemble des connaissances admette un ordre. La volonté d'y trouver une logique
pourrait simplement s'expliquer par la façon dont fonctionne l'esprit humain. C'est à ce moment que
l'encyclopédisme s'écarte de la science en nécessitant un acte de foi : les auteurs de LGE affirment
que faire une encyclopédie revient à décider qu'une telle structure existe et à tenter d'y parvenir. On
assiste ainsi à un certain renversement de la problématique de départ puisque la classification ne
serait pas un simple aspect de la conception d'une encyclopédie mais au contraire le point de départ
d'un projet fondamentalement positiviste et la question centrale à laquelle elle prétend répondre en
proposant un système d'organisation des connaissances.
Une fois posé ce principe, le reste de la préface est bien plus pragmatique : il ne s'agit plus que de
choisir un ensemble de domaines pour classer les articles. Fidèle à l'esprit de l'EDdA, les auteurs de
LGE ancrent eux aussi leur recherche d'un système de classification dans les travaux de Bacon. Ils
tiennent compte des tentatives de partition des sciences effectuées au XIXème siècle et mentionnent
celle d'Ampère basée sur la dichotomie entre nature et esprit (opposition cosmologique/noologique),

54
Thèse accessible à l'adresse : [Link] © [A. Brenon], [2025], INSA Lyon, tous droits réservés
 Chapitre 3 : Préparation et enrichissement du corpus

celle d'Auguste Comte fondée sur l'ordre historique entre les sciences et celle de Herbert Spencer qui
s'attache à la division entre science abstraite et concrète. Conscients de l'impossibilité d'«arrêter une
classification définitive» les auteurs de LGE optent pour un système inspiré de l'approche historique
d'Auguste Comte remise à jour.
L'avant-propos poursuit ce travail en fixant un objectif de taille à l'ensemble du projet avant
d'accorder une place à chacun des domaines (La Grande Encyclopédie, T1, [Link]). C'est la première
et seule apparition de la liste des 14 domaines retenus plus un domaine «Matières diverses» pour
absorber tout élément qui mettrait en défaut ces domaines, témoin s'il était besoin du pragmatisme
de l'approche à postériori de leur système — un outil pratique tout au plus mais sans illusions sur
une quelconque valeur particulière d'un point de vue philosophique. Ces choix donnent le tableau
présenté figure 3.6, d'aspect presque trivial par contraste avec le profond travail de réflexion
épistémologique qui le précède.

(a) Première partie du tableau dans LGE, T1, [Link]

(b) Deuxième partie du tableau dans LGE, T1, [Link]

Figure 3.6 – Tableau de répartition du volume de texte prévisionnel de LGE entre les différents
domaines de connaissance

Les articles de LGE comportent parfois des désignants marqués typographiquement — la figure 3.1b à
la page 48 en présentait déjà un exemple. Ils semblent toutefois plus rares que dans l'EDdA : là où en-
viron 70% des articles de l'EDdA présentaient un désignant, cette proportion est (probablement très)
inférieure à 45% dans LGE. Il n'est pas encore possible d'accéder de manière fiable aux désignants
dans cette encyclopédie, mais cette borne supérieure a été obtenue de la manière suivante. Sur les
134 820 articles identifiés (voir la fin de la sous-section 3.1.3 p.61), seuls 76 786 possèdent des paren-
thèses sur leur première ligne ; mais pour 16 024 d'entre eux au moins ces parenthèses contiennent
un renvoi. Il y a bien, en toute rigueur, quelques articles possédant à la fois un désignant et un ren-
voi comme l'article GELOCUS (La Grande Encyclopédie, T18, p.699) mais la conjonction des deux
est assez rare pour ne pas perturber ce chiffre donné sans décimales et constituant de toute façon
un majorant grossier. Les 60 762 articles restants sont à l'origine de ce chiffre de 45%. En réalité,
dans LGE le dispositif typographique des désignants n'est pas utilisé seulement pour attribuer un
domaine de connaissance. Une particularité majeure de cette œuvre réside dans la présence de no-

55
Thèse accessible à l'adresse : [Link] © [A. Brenon], [2025], INSA Lyon, tous droits réservés
 Chapitre 3 : Préparation et enrichissement du corpus

tices biographiques, exclues pour des raisons éditoriales des pages de l'EDdA. Dans les articles de
biographie, le prénom de la personne suit son nom de famille qui sert de vedette à l'article, accolé
entre parenthèses en tout début d'article exactement comme les désignants, ce que montre la figure
3.7 où le prénom «Rosalie», entre parenthèses, suit le nom de famille «LOVELING». Difficile donc
de distinguer les deux sans posséder une liste exacte ou bien des prénoms apparaissants ou bien des
domaines utilisés (car les désignants ne suivent pas les 14 domaines présentés à la figure 3.6 qui ne
fournissent qu'un cadre catégorique assez vaste). Un rapide parcours de la liste de ces 60 762 mots
obtenus en position de désignant suffit pour se rendre compte que les prénoms sont extrêmement
fréquents, sans doute majoritaires sur les noms de domaines abréviés. Un filtrage sur le caractère
'.' (caractéristique des désignants abréviés et normalement absent des noms de personnes sauf cer-
tains titres ou erreurs d'OCR) ne ramène en effet que 12 062 articles : il y a sans doute légèrement
plus de vrais désignants au total, mais même une proportion de 50% par rapport aux prénoms paraît
exagérément élevée (même en admettant cette proportion, il y aurait alors 0.5 × 60 762 = 30 381
articles avec un désignant, soit seulement 22.5% de l'ensemble des articles). Il y a donc un net recul
de l'emploi des désignants depuis l'EDdA.

Figure 3.7 – Article LOVELING dans LGE, T22, p.699

En revanche, un autre mécanisme est à l'œuvre pour situer le texte de LGE dans un système de
domaines : les articles les plus longs font l'objet d'une construction complexe en sections et sous-
sections (ce thème est également développé dans la section 3.2.1) et au premier niveau ces sections
permettent de traiter la notion désignée par la vedette suivant ses emplois dans différents domaines.
Il n'est ainsi pas rare de trouver des articles où les titres des sections feraient des désignants tout à
fait acceptables comme par exemple l'article CHEMIN (La Grande Encyclopédie, T10, p.1025) dont
un extrait est reproduit à la figure 3.8. Sa section III. s'intitule «Droit» et ne contient qu'un renvoi à
l'article VOIRIE, la section IV. «Marine» ne comporte qu'un paragraphe (ces deux exemples montre
que le découpage en section ne correspond pas nécessairement à un besoin de répartition harmo-
nieuse du volume de texte mais bien à une logique structurelle propre) et la section V., «Art militaire»
semble bien plus longue puisqu'elle s'ouvre sur une sous-section (non-numérotée) «Chemin cou-
vert». Cette approche diffère de celle suivie dans l'EDdA où les termes ayant une existence dans
plusieurs domaines faisaient fréquemment l'objet de plusieurs entrées distinctes — avec donc une ré-
pétition de la vedette à chacune — que seuls les désignants différenciaient, ce qu'illustre la figure 3.9.
De même que certains «désignants» typographiques sont en réalité des prénoms, il n'est pas aisé
de relier systématiquement ces titres de sections à des domaines de connaissance. Ainsi, les I. et II.
du même article CHEMIN discuté plus haut sont respectivement intitulés Voirie et Administration ;
le terme «voirie» ne renvoie pas de manière évidente à une des grandes catégories présentées à la
figure 3.6, ou alors sans doute à la même catégorie qu'«administration», montrant que la division en
sections ne constitue pas une partition en domaines de l'article. Certains articles tels ARGIOPE (La
Grande Encyclopédie, T3, p.868) possèdent des sections qui ne sont pas du tout liées à un domaine de
connaissance mais désambiguïsent un terme qui a été adopté aussi bien pour parler d'une araignée
(section I.) que d'un mollusque (section II.).

56
Thèse accessible à l'adresse : [Link] © [A. Brenon], [2025], INSA Lyon, tous droits réservés
 Chapitre 3 : Préparation et enrichissement du corpus

Figure 3.8 – Extrait de l'Article CHEMIN dans LGE, T10, p.1025

(a) Article AIR en Théologie dans l’EDdA, T10, p.236

(b) Article AIR en Peinture dans l’EDdA, T10, p.237

(c) Article AIR en Musique dans l’EDdA, T10, p.237

Figure 3.9 – Trois entrées de l’EDdA sur la vedette AIR

57
Thèse accessible à l'adresse : [Link] © [A. Brenon], [2025], INSA Lyon, tous droits réservés
 Chapitre 3 : Préparation et enrichissement du corpus

La place de la Géographie

Parmi de ces domaines, la Géographie occupe une place particulière. Elle semble du fait de ses très
grandes applications pratiques — situer les villes, permettre les voyages et donc le commerce — relever
d'une sorte d'évidence qui fait que sa place aux côtés des autres sciences est discutée au XVIIIème
siècle (voir la section 1.1 p.8). Le choix revendiqué par les éditeurs de l'EDdA de l'inclure dans ses
pages s'impose évidemment par la suite et cette place n'est plus discutée dans LGE. Il n'en demeure
pas moins troublant que la Géographie soit omise dans la première énumération de domaines au
début de la préface de l'œuvre.

Dans le «Systême» des encyclopédistes (voir figure 3.4), la Géographie est présentée aux côté de
l'Uranographie et de l'Hydrographie sous la Cosmographie au sein des sciences mathématiques. À un
siècle où les techniques de mesure issues de la géométrie permettent des grandes avancées métro-
logiques telle que la détermination de la position des méridiens et de leur mesure, ce choix peut
paraître relever de réalités pratiques de l'époque. Il renvoie pourtant à des considérations plus théo-
riques pour inscrire l'EDdA dans la filiation de Bacon et de Locke (Laboulais, 2003, p. 3). Une autre
approche, celle de Robert de Vaugondy — géographe ordinaire du roi et contributeur de l'EDdA —
rend compte d'une Géographie plus diverse comme le fait également remarquer Laboulais (2003, p.
2). À la fin de l'article GÉOGRAPHIE (L'Encyclopédie, T7, p.608) dont il est l'auteur, il propose de
mettre la géographie astronomique à part, reconnaissant sa dette envers l'Astronomie et partitionne
le reste de la Géographie en naturelle, historique, civile ou politique, sacrée, ecclésiastique et enfin
physique. Cette division est un pas certain vers la position moderne de la Géographie au sein des
Sciences Humaines et Sociales, et sa relation privilégiée avec l'Histoire. D'ailleurs, dès le préambule
de l'EDdA, un paragraphe associe Chronologie et Géographie, dressant un parallèle entre une «science
des tems» (sic) et une «des lieux» mais les encyclopédistes n'identifient pas Chronologie et Histoire,
puisqu'ils font de celle-ci la mère de celle-là, attribuant en parallèle la même relation de parenté à
la Géographie et à l'Astronomie respectivement. Laboulais (2003, p. 5) montre pourtant un autre lien
entre les deux disciplines, mis en avant par un autre contributeur de l'EDdA, Paris de Meyzieu, pour
des motifs pédagogiques : à l'article ÉCOLE MILITAIRE (L'Encyclopédie, T5, p.311), il présente la
Géographie comme un prérequis à l'Histoire, dont elle servirait à situer les grands événements. En
ce sens, il déroge à la classification du «Systême figuré» pour sortir la Géographie de la branche de
l'arbre consacrée à la raison et la placer sur celle de la mémoire. Dans LGE, le rapprochement est
consommé puisque les deux disciplines sont associées et leurs articles décomptés ensemble dans le
tableau des répartition des articles entre différents domaines présenté à la figure 3.6.

Au travers des analyses présentées dans cette section, la notion de domaine de connaissance apparaît
donc bien comme fondamentale. Elle joue un rôle central dans la structuration des encyclopédies et
se matérialise sous plusieurs formes plus ou moins rigides, des désignants aux simples tournures de
phrases en passant par des titres de section. La Géographie apparaît comme un prérequis à plusieurs
autres disciplines, ce qui lui donne une place plutôt avantageuse dans l'ordre d'«enchaînement»
des connaissances que les encyclopédistes — tant au XVIIIème qu'au XIXème siècle — s'efforcent de
saisir. Elle semble occuper en quelque sorte un rôle de pivot en permettant l'articulation de sciences
aussi diverses que les Mathématiques et l'Histoire. Cette position spécifique constitue un première
confirmation de la pertinence du choix de singulariser cette discipline au sein des encyclopédies
dans les présents travaux.

3.1.3 Prétraitements
Après ce premier tour d'horizon de la matière textuelle disponible dans le corpus, il est temps
d'évoquer quelques étapes de traitements nécessaires pour pouvoir exploiter ces données.

58
Thèse accessible à l'adresse : [Link] © [A. Brenon], [2025], INSA Lyon, tous droits réservés
 Chapitre 3 : Préparation et enrichissement du corpus

L'Encyclopédie de Diderot et d'Alembert

L'unité d'étude de cette thèse est l'article. En effet, il s'agit de la plus grande unité pensée par les
auteurs d'un dictionnaire ou d'une encyclopédie pour être lue de manière continue du début à la
fin. Les ouvrages lexicographiques ne sont pas faits pour une lecture linéaire de la lettre A à la
lettre Z, ils constituent une collection de textes (voir la section 2.2) auxquels on peut se référer
indépendamment : les articles. C'est au niveau des articles qu'interviennent les différents appareils de
navigation de l'œuvre : renvois pour des parcours chaînés, désignants pour des parcours thématiques.
Or, les fichiers livrés par l'ARTFL représentent chacun un tome. La première tâche à conduire sur
ces données est donc la segmentation des tomes en articles.
Mais l'utilisation d'outils habituels pour manipuler des arbres XML est gênée par le fait que
l'encodage des fichiers transmis n'est pas tout à fait valide. Certains éléments comme sc,
blockquote ou page sont utilisés alors qu'ils n'existent pas dans le schéma TEI. Plus préoccu-
pant, d'autres ne sont pas complets : plusieurs éléments <index/> utilisés pour représenter les
métadonnées des articles au moyen de leurs attributs (sans contenus donc, ils sont censés être
autofermants) n'ont pas leur / final, ce qui syntaxiquement signifie qu'ils ne se ferment jamais et
englobent tout le reste du fichier après eux. Enfin, certains sont tout simplement mal formés : on
trouve des balises pourvues d'attributs mais pas d'un tag (comme <XREEF="Incorrupticoles">,
sans < ouvrant avant leur tag, ainsi que quelques erreurs dans les entités XML. Mais le problème
le plus spectaculaire réside dans les quelques occurrences de &amp; qui représenterait en XML le
caractère '&' (esperluette), si seulement son dernier caractère était un ' ;' (point virgule) : il s'agit
malheureusement en réalité du caractère UTF-8 U+037e utilisé en grec pour marquer l'interrogation
à la place du ' ?', quasi identique visuellement, qui prévaut en français et dans de nombreuses langues
occidentales. L'irrégularité de ces erreurs et en particulier l'homographie en jeu dans la dernière
incite à penser que l'encodage de ces fichiers a été réalisé par des opérateurs humains.
Pour corriger ces erreurs ainsi que pour procéder à la division des tomes proprement dite tout
en extrayant les métadonnées des articles, quelques scripts ont été écrits. Ils constituent la suite
EDdA-Clinic 13 dont le code source est librement accessible sous license BSD-3 et hébergé sur
l'instance gitlab d'Huma-Num. À l'aide des outils de cette suite, la division des tomes est réalisée
selon la requête XPath /TEI/text/body/div1 dont le sens est le suivant : les articles correspondent
aux éléments XML <div1/> placés immédiatement sous le <body/> qui est sous le <text/>, com-
mun à tout un tome de l'encyclopédie, et l'ensemble est contenu dans une balise <TEI/> conformé-
ment à la spécification du consortium TEI.
Le contexte de la requête, c'est-à-dire le reste de l'arbre traversé pour arriver au nœud <body/>
contenant tous les <div1/> est conservé et réappliqué autour de chaque article, de manière à ce que
chaque fichier d'article individuel conserve l'ensemble des métadonnées présentes sur le tome dont il
est issu, comme l'illustre la figure 3.10. À l'issue de cette phase, le texte de l'EDdA se répartit en 74 198
fichiers. Il est à noter que les tomes 1 à 8 comportent un frontispice qui rappelle le titre de l'œuvre
entre les avertissements des auteurs et le début des articles. Dans les fichiers de l'ARTFL ces frontis-
pices sont également encodés par une balise div1 comme les articles. Ces 8 frontispices deviennent
donc 8 fichiers, mais le choix d'encodage très différent fait par l'ARTFL pour représenter ces parties
qui ne sont pas à proprement parler textuelles comme peuvent l'être le discours préliminaire ou les
avertissements des différents tomes empêche d'en récupérer les informations habituellement asso-
ciées aux articles (auteur, domaine de connaissance…). Par conséquent, ils se retrouvent absents des
fichiers de métadonnées et donc écartés dans les présents travaux, du fait de l'emploi systématique
des métadonnées pour manipuler les textes. On peut donc considérer qu'il y a plutôt 74 190 articles,
et des trous dans la numérotation (pas d'article 4 dans les tomes 1,2,4,5,6 et 7, pas d'article 7 dans le
tome 3, pas d'article 3 dans le tome 8).
13. [Link]

59
Thèse accessible à l'adresse : [Link] © [A. Brenon], [2025], INSA Lyon, tous droits réservés
 Chapitre 3 : Préparation et enrichissement du corpus

(a) Un fichier par

tome
(b) Un fichier par article

Figure 3.10 – Le contexte XML est dupliqué pour chaque article

La Grande Encyclopédie
La publication de la première version numérique de LGE réalisée à l'issue du projet DISCO-LGE 14
repose en grande partie sur un logiciel développé spécifiquement dans le but de traiter les données
fournies par la BnF au format XML-ALTO (voir la section 2.1.1). Ce logiciel, nommé soprano 15 ,
permet d'obtenir des articles à partir du contenu des pages. Cette opération complexe fait intervenir
trois étapes majeures. Comme l'ordre de lecture détecté par l'OLR appliqué en même temps que l'OCR
est parfois erroné, un réordonnancement des blocs est d'abord appliqué. Puis, en fonction de leur
position sur la page et de leur contenu, les blocs sont étiquetés pour distinguer leur rôle et différencier
le corps du texte constituant les articles des autres éléments qui apparaissent fréquemment dans une
page d'encyclopédie et sont décrits à la sous-section 3.1.2 p.47 (en particulier, les éléments identifiés
en bleu, vert et mauve sur la figure 3.2b). Enfin le flot linéaire de texte est déduit des deux étapes
précédentes et une opération de segmentation tâche de repérer les débuts d'articles pour pouvoir les
répartir dans des fichiers distincts et associer à chacun la liste des métadonnées correspondantes.
Avant de pouvoir effectuer tous ces traitements, la première fonctionnalité de soprano est
d'appliquer un filtrage pour enlever de la sortie des éléments ALTO repérés manuellement : le plus
souvent des «scories», faux-positifs de l'OCR qui a cru reconnaître un caractère dans une tâche sur
le papier ou dans une courbe d'une des gravures, mais aussi des données tabulaires, des équations
ou des formules chimiques, abondantes dans les pages de LGE et susceptibles de gêner les analyses
linguistiques faites sur le texte, notamment l'annotation en syntaxe. Le repérage manuel a été fait
à l'aide du logiciel chaoui 16 , également développé dans le cadre du projet DISCO-LGE. Cet outil
complémentaire de soprano permet aussi de visualiser la structure et l'ordre des blocs tels qu'ils
sont représentés par les fichiers ALTO. La figure 3.11 montre ainsi la dernière page du premier
tome de LGE entièrement dédiée à la ville d'Alcala-de-Hénarès (avec une gravure pleine page
représentant le palais archiépiscopal visible sur la figure 3.11a) et l'ordre dans lequel l'OLR appliqué
à cette page a placé les différents blocs qu'il a identifiés sur la page (figure 3.11b). Les numéros
représentent l'ordre des éléments XML correspondant dans le fichier ALTO qui encode la page : ils
se trouvent effectivement au bon endroit sur la page mais l'ordre des numéros ne correspond pas à
l'ordre de lecture. Le problème en jeu ici réside dans la difficulté à concilier un objet bidimensionnel
— la page — et un objet unidimensionnel — le texte.

En effet une page possède une hauteur et une largeur ; les signes imprimés dessus peuvent se posi-
tionner les uns par rapport aux autres selon un axe horizontal (l'un est à la gauche de l'autre) mais
aussi selon un axe vertical (l'un est au-dessous de l'autre). Le texte quant à lui est une abstraction
14. [Link]
15. [Link]
16. [Link]

60
Thèse accessible à l'adresse : [Link] © [A. Brenon], [2025], INSA Lyon, tous droits réservés
 Chapitre 3 : Préparation et enrichissement du corpus

intrinsèquement linéaire, au moins dans ses réalisations concrètes (avant toute analyse syntaxique
ou sémantique) : il est formé d'un flot de morphèmes constituant un flot de mots qui s'assemblent
en un flot de phrases (pouvant à leur tour éventuellement former un flot de paragraphes, sections,
chapitres suivant la complexité de la production, ou d'articles dans le cadre de cette thèse). Chacune
de ces unités peut seulement venir «avant» ou «après» une autre : ni «au-dessus/en-dessous» ni «à
gauche/à droite» — une propriété sans doute issue du langage oral qui se déploie dans la seule dimen-
sion temporelle : au-delà des différences structurelles propres qui peuvent distinguer l'oral de l'écrit,
toute production écrite peut donner lieu à une production orale (en la lisant) et doit donc s'inscrire
dans cette unidimensionnalité. À l'échelle d'un bloc de texte, ces notions se traduisent par la lecture
des lignes de haut en bas et, à l'intérieur d'une ligne, des mots de gauche à droite. Mais entre blocs,
l'évidence d'ordre s'estompe : les pages comme celle présentée à la figure 3.11 barrée d'une figure se
lisent de gauche à droite en commençant par les deux colonnes au-dessus de la figure (blocs 8 puis
9) avant de poursuivre sous la figure (blocs 2 puis 3). Mais dans des pages sans figure pleine page, il
faut lire tous les blocs de la colonne de gauche de haut en bas puis continuer en haut de la colonne
de droite. Cette règle est assez simple à implémenter mais la figure 3.11b montre que l'OLR utilisé
par la BnF ne l'applique pas. À cette règle simple s'ajoute la nécessité de séparer tous les éléments
péritextes (voir sous-section 3.1.2) parfois intégrés à tort dans un des blocs de texte. Le meilleur mo-
dèle du texte d'une encyclopédie est un flot linéaire de texte entouré de satellites qui existent hors
de lui (les éléments péritextes ne sont pas «à lire» à un moment particulier du texte).

(b) L’ordre des blocs inféré

(a) Une photo de la page par l’OLR pour cette page

Figure 3.11 – Dernière page du premier tome de LGE

La valeur principale de soprano réside cependant dans sa capacité à détecter les débuts d'article afin
de séparer les entrées. C'est cette fonctionnalité qui a fait l'objet des améliorations les plus impor-
tantes au cours de cette thèse par rapport à la version obtenue à l'issue du projet DISCO-LGE. Une
fois de plus, le problème abstrait est excessivement simple : les débuts d'articles correspondent aux
vedettes, qui sont repérables typographiquement par leur indentation et leur casse haute. Malheu-
reusement, la présence de scories dans les marges ainsi que la très légère inclinaison des colonnes
gênent la mesure précise de l'indentation des lignes. Il faut des conditions très laxes, que vérifient
parfois des éléments qui ne sont pas des débuts de paragraphe (des signatures de contributeur, des
titres dans un tableau ou même une légende de figure intégrée à tort dans un bloc de texte par l'OLR
et qui n'a pas été repérée et corrigée par soprano). Les majuscules ne permettent guère de gagner
en précision : les erreurs de l'OCR peuvent les transformer arbitrairement en chiffres ou en signes
de ponctuation, ce qui empêche également de pouvoir bénéficier de l'information capitale qu'elles

61
Thèse accessible à l'adresse : [Link] © [A. Brenon], [2025], INSA Lyon, tous droits réservés
 Chapitre 3 : Préparation et enrichissement du corpus

doivent constituer une suite croissante selon l'ordre alphabétique. À la place, il est nécessaire de pro-
céder avec la plus grande tolérance, en vérifiant des ressemblances graphiques entre caractères pour
ne pas rejeter des vedettes et sous-segmenter, c'est-à-dire laisser au sein du même fichier plusieurs
articles. Devant la difficulté à vérifier l'ordre alphabétique des entrées, une règle simple mais prag-
matique a été ajoutée depuis la version issue du projet DISCO-LGE : soprano permet de préciser la
vedette du premier et du dernier article et ne vérifie que l'appartenance des vedettes potentielles à cet
intervalle pour prendre la décision de créer un nouvel article. Avec cette régle le nombre précédent
de 229 475 articles tombe à 134 820, nombre d'articles retenu pour les présents travaux. Un rapide
échantillonnage montre qu'il reste des problèmes de sous-segmentation (des articles groupés au sein
du même fichier), vraisemblablement plus que de sur-segmentation (un article éclaté en plusieurs
fichiers). Les auteurs de LGE en mentionnent 200 000 quand ils écrivent l'article ENCYCLOPÉDIE
(La Grande Encyclopédie, T15, p.1014), mais la fin du projet est encore assez lointaine alors et quand
on tient compte des difficultés financières qu'a connu le projet à sa toute fin (Jacquet-Pfau, 2015, p.
90), il paraît possible que cette prévision n'ait pas été tout à fait atteinte. Le nombre réel d'articles
dans LGE demeure donc inconnu, mais pourrait être de l'ordre de 150 000 à 200 000 articles, soit
environ du double au triple de celui de l'EDdA. Il faut pourtant poursuivre, car la quête d'une qua-
lité parfaite est sans fin et des erreurs subsistent toujours, même dans les sources les plus fiables.
Ainsi la version de l'EDdA de l'ARTFL contient aussi au moins un cas de sous-segmentation, l'entrée
pour MÉLER UN CHEVAL (L'Encyclopédie, T10, p.313) contient également un article de Géographie
ancienne, MÉLÈS qui décrit une rivière d'Asie.
La mise en regard de ces deux textes produit un corpus d'étude de 209 010 articles pour un total de
78 722 979 tokens. Cependant, les techniques présentées ci-dessus ne constituent que la première
étape pour accéder au texte. Son encodage a nécessité une étude séparée pour déterminer les élé-
ments appropriés à la représentation de ses constituants et à sa structuration. Cette étude, qui n'a
concerné que LGE puisque l'EDdA était déjà disponible en format XML, fait l'objet de la section
suivante 3.2.

3.2 Encodage des fichiers

3.2.1 Des différences entre Encyclopédies et Dictionnaires
Les tomes obtenus de l'ARTFL sont encodés dans le format XML-TEI (voir la section 2.1). Pour
LGE, puisque la version numérique a été créée à partir d'une ré-OCRisation de l'œuvre, il a été
nécessaire d'encoder les articles. Il est naturel, à la suite de l'ARTFL de diffuser le texte de LGE encodé
dans le format XML-TEI (voir la section 2.1 p.18). Mais ce choix ne suffit pas à définir directement
un encodage car les recommandations publiées contiennent un très grand nombre de balises aux
sémantiques précises et aux règles de composition complexes. Le module dictionaries identifié à la
section 2.1.2 n'est ainsi pas utilisé par l'ARTFL dans son encodage de l'EDdA. Il apparaît naturel
d'utiliser le même schéma d'encodage mais la sous-section 3.1.3 vient de montrer qu'il n'est pas sans
défauts, c'est pourquoi une étude systématique a été menée pour choisir un schéma d'encodage pour
les articles de LGE.
Ainsi, il y a par exemple plusieurs balises utilisées pour délimiter une unité structurelle de texte. La
plus générale est div mais elle n'a été ajoutée qu'à partir de l'itération 0.6 de la version P5 des recom-
mandations de la TEI. Historiquement il y avait une collection de variantes de cette balise intégrant
une notion de profondeur fixe : div1, div2, etc. jusqu'à div7. Les bonnes pratiques recommandent
d'utiliser soit seulement des div (sans numéro) à toutes les profondeurs soit seulement leurs équiva-
lents numérotés mais de ne pas mélanger les deux. Les tomes de l'EDdA obtenus via l'ARTFL utilisent
encore des balises numérotées div1 etc. mais la profondeur importante de certains articles de LGE
est un argument contre l'emploi d'un jeu de balises dont la profondeur est limitée car avant de dispo-
ser d'une version numérique il est impossible de savoir quel article a la structure la plus profonde et

62
Thèse accessible à l'adresse : [Link] © [A. Brenon], [2025], INSA Lyon, tous droits réservés
 Chapitre 3 : Préparation et enrichissement du corpus

si cette profondeur est bien inférieure à 7. Cette partie, en reprenant et étendant des travaux exposés
dans Brenon (2024), explore les possibilités et les écueils mis en évidence page 22 à la section 2.1.3
pour définir un schéma d'encodage approprié à LGE.

Outils pour une exploration systématique

La version de la TEI utilisée pour cette étude (4.3.0, correspondant à la révision b4f72b1ff) contient
590 éléments 17 , documentés sur le site web du consortium. Avec une moyenne de presque 80 élé-
ments pouvant être inclus sous un élément donné (79.91), parcourir manuellement les pages de la do-
cumentation peut se révéler très long et difficile à faire de manière exhaustive à cause de l'explosion
combinatoire du nombre de chemins possibles à partir d'un nœud à chaque étape supplémentaire.

Aussi, pour aller plus loin que les remarques préliminaires de la section 2.1.3 sur les difficultés prévi-
sibles pour encoder une encyclopédie à l'aide du module dictionaries, le problème peut être avanta-
geusement transformé en un graphe pour bénéficier des nombreux résultats existants sur ces objets.
L'ensemble des éléments de la TEI est ainsi représenté par un graphe orienté dont les nœuds sont les
éléments XML disponibles en TEI et dont les arêtes représentent la possibilité d'inclure un élément
correspondant à leur nœud de destination directement sous un élément correspondant à leur nœud
source. Il est alors possible d'utiliser des méthodes classiques et éprouvées comme l'algorithme de
Dijkstra (1959) qui permet de calculer le plus court chemin entre deux nœuds d'un graphe et de
savoir s'ils ne sont pas connectés pour tester de manière systématique toutes les manières dont les
éléments peuvent être combinés sans risque d'oubli.

Il n'y a évidemment aucune garantie que le plus court chemin ait un sens en termes de schéma
d'encodage mais l'algorithme fournit au moins un moyen efficace de vérifier s'il est seulement pos-
sible d'inclure un élément sous un autre et donne une longueur minimale nécessaire pour réaliser
l'inclusion. Cette méthode trouve donc tout son intérêt pour obtenir des résultats négatifs. L'absence
totale de chemin entre deux nœuds prouve l'impossibilité d'une inclusion entre eux ; une profondeur
anormalement élevée est un indice sérieux qu'une inclusion ne devrait pas être possible et n'est qu'un
accident émergeant des règles du schéma sans sens réel en termes d'encodage.

Le graphe du schéma XML-TEI est donc défini formellement de la manière suivante. Un nœud est
créé pour chacun des 590 éléments présents dans les spécifications. Puis une arête est créée d'un
nœud source a vers un nœud destination b si et seulement si le schéma stipule qu'un élément de
la classe représentée par b peut être contenu directement dans un élément de celle représentée par
a. De manière équivalente, il est possible de dire que les arêtes du graphe représentent la relation
”admet pour enfant direct”, c'est-à-dire que — toujours sous l'hypothèse d'une arête d'un nœud a vers
un nœud b dans le graphe — l'arbre XML de la figure 3.12 est valide selon le schéma.

Figure 3.12 – Traduction sous forme d'arbre XML de l'existence d'une arête a → b sur le graphe

Le mot «élément» est ici employé dans le même sens que dans la documentation de la TEI pour
désigner l'appareil conceptuel caractérisé par un nom de balise tel que p ou div pris pour la classe de
tous les éléments ayant ce nom, et non pas une de ses instances particulières qui pourrait se trouver
dans un document précis. La figure 3.13 en montrant le graphe obtenu par cette transformation

17. la section 2.1.2 p.20 fait état de 587 éléments : depuis la version 4.3.0, 6 éléments ont été retirés des spécifications, et 3
nouveaux ajoutés : <eventName/>, <gender/> et <post/>. Ces éléments sans lien avec les encyclopédies n'appartiennent
pas au module dictionaries et ne remettent donc pas en cause les résultats présentés.

63
Thèse accessible à l'adresse : [Link] © [A. Brenon], [2025], INSA Lyon, tous droits réservés
 Chapitre 3 : Préparation et enrichissement du corpus

restreint au seul module dictionaries laisse imaginer la complexité de la totalité des spécifications du
format XML-TEI.

Définitions Une des premières notions définies en théorie de graphe est celle de chemin entre
deux nœuds, obtenue en considérant la fermeture transitive de la relation binaire représentée par
les arêtes : formellement, on dit que deux nœuds a et b sont reliés par un chemin s'il y a une arête
entre les deux ou bien s'il y a une arête de a à un troisième nœud c tel que c et b sont reliés par
un chemin. Étant donnée la relation choisie pour définir le graphe de la TEI, cette notion de chemin
traduit la possibilité d'inclure un élément sous un autre directement ou indirectement.
Les nœuds visités sur le graphe le long d'un chemin représentent les éléments XML intermédiaires
qui sont nécessaires pour produire un arbre XML valide suivant le schéma TEI. Au vu de la sé-
mantique descendante associée à ces arbres, il est pertinent d'appeler la longueur d'un tel chemin
d'inclusion sa profondeur. La possibilité d'inclure un élément directement sous lui-même correspond
à la présence de boucle sur le graphe (c'est-à-dire une arête d'un nœud vers lui-même) et trouve une
illustration dans la TEI avec l'élément <abbr/> : une <abbr/> (abréviation) peut directement en
contenir une autre.
En généralisant l'idée à des chemins d'inclusion de n'importe quelle longueur supérieure à 1 on
obtient la notion de cycle. L'élément <address/> en fournit un exemple : bien qu'une <address/>
ne puisse pas en contenir directement une autre, elle peut en revanche contenir un <geogName/>
qui, à son tour, peut contenir une nouvelle <address/>. D'un point de vue de théorie des graphes,
on dira que cet élément admet un cycle d'inclusion de longueur 2.

Applications Intuitivement, la pertinence du plus court chemin entre deux nœuds diminue quand
la distance entre deux éléments dans le graphe augmente, mais elle peut s'avérer utile pour fournir
des suggestions lorsque l'on découvre les modules de la TEI. En effet la documentation présente
une vision locale des nœuds du graphe car la page d'un élément décrit les éléments admissibles
immédiatement au-dessus ou en-dessous du premier mais ne peut donner que quelques exemples
d'arbres XML qui le contiennent (la combinatoire rend impossible l'intégration d'une liste exhaustive
d'exemples d'utilisation même sur seulement deux niveaux). Si ceux fournis ne correspondent pas à
la structure que l'on souhaite encoder, il peut donc être difficile de comprendre comment un élément
peut être placé sous un autre.
C'est dans ce type de situation que l'algorithme du plus court chemin permet de «découvrir» que
pour inclure une <pos/> (pour représenter une «partie de discours» ou POS en anglais) dans une
<entry/> représentant un article de dictionnaire, il faut passer par une balise comme <form/>,
<cit/>, <dictScrap/> ou <gramGrp/> mais que cela ne peut pas se faire directement. En effet,
le parcours exhaustif de tous les chemins reliant les deux nœuds correspondants sur le graphe ra-
mène les chemins entry-form-pos et entry-gramGrp-pos. Il revient à la personne en charge de
l'annotation de choisir le chemin le plus approprié en fonction de sa pertinence dans le contexte.
Un dernier exemple éclairant sur l'usage de cette méthode peut être trouvé en recherchant le plus
court chemin d'inclusion d'un <pos/> sous le <body/> d'un document : il passe directement par
un <entryFree/> (c'est un chemin de longueur 2, body-entryFree-pos) qui, à la différence
d'<entry/> l'accepte directement sans nœud intermédiaire. Ce pourrait ne pas être le chemin at-
tendu, selon que d'autres éléments grammaticaux dans l'article tels qu'un <case/> ou un <gen/>
justifient le recours à un <gramGrp/>, mais en augmentant le périmètre de recherche jusqu'aux che-
mins de longueur 3, on trouve comme attendu le chemin passant par <entry/>, parmi d'autres.
Pour qui découvrirait ces balises, une image commencerait à apparaître au vu de ces chemins :
<pos/> n'est pas un élément très profond, il peut apparaître près de la «surface» des articles, dont
les «points d'entrée» possibles depuis le reste du graphe sont les balises <entry/> et sa version

64
Thèse accessible à l'adresse : [Link] © [A. Brenon], [2025], INSA Lyon, tous droits réservés
 Chapitre 3 : Préparation et enrichissement du corpus

Figure 3.13 – Le sous-graphe du module dictionaries

65
Thèse accessible à l'adresse : [Link] © [A. Brenon], [2025], INSA Lyon, tous droits réservés
 Chapitre 3 : Préparation et enrichissement du corpus

moins contrainte <entryFree/>.

Limites du module dictionaries

Les encyclopédies se distinguent des dictionnaires par un certain nombre de traits comme la présence
de désignants marqués typographiquement, le découpage en paragraphe rendu nécessaire par des
articles parfois très longs — l'article EUROPE (La Grande Encyclopédie, T16, p.782) s'étend ainsi sur
64 pages comme l'illustre la figure 3.14 — et très structurés. Les outils d'exploration systématique de
graphes mis en place ci-dessus permettent d'identifier plusieurs faiblesses dans le module dictionaries
pour encoder les éléments caractéristiques des encyclopédies identifiés ci-dessus.

Figure 3.14 – Article EUROPE dans LGE, T16 s'étendant de la p.782 à la p.846

Désignants Introduits à la section 3.1.2, les désignants sont utilisés pour situer les articles dans un
espace organisé de connaissances. Dans les œuvres du corpus, ils sont marqués formellement en ap-
paraissant immédiatement après la vedette entre parenthèses et souvent abréviés. Comme cela a été
montré à la figure 3.7, le même dispositif typographique est utilisé pour les entrées biographiques
dans LGE afin de donner le prénom de la personne dont elles traitent. Cependant, tous les emplois
ne se ramènent pas à l'un de ces deux cas d'usage. L'article BALAGRUS (La Grande Encyclopédie,
T5, p.48) reproduit à la figure 3.15 et extrait de la même page que la figure 3.2 de la section 3.1.2
p.50 montre ainsi un exemple où le mot entre parenthèses n'est pas le prénom de la personne dé-
crite par l'entrée mais une répétition du nom qui sert de vedette dans son alphabet grec d'origine :
«BALAGRUS (Βάλαγρος)». Il existe potentiellement d'autres articles pour lequel le «désignant» ty-
pographique sert à donner encore une autre information.

Figure 3.15 – Article BALAGRUS dans LGE, T5, p.48

66
Thèse accessible à l'adresse : [Link] © [A. Brenon], [2025], INSA Lyon, tous droits réservés
 Chapitre 3 : Préparation et enrichissement du corpus

Pour représenter ces éléments (les vrais désignants et les autres qui prennent leur place), aucune
solution parfaite n'émerge. Le module dictionaries fournit <usg/> dont la sémantique correspond
bien à la fonction première des désignants et qui a été utilisée par exemple par Salgado et al. (2024, p.
139). En revanche, utiliser cette balise pour représenter des prénoms comme le fait LGE nécessiterait
l'emploi des valeurs comp (complément typique de la vedette) ou colloc (collocation typique de la
vedette) pour l'attribut type si l'on considère que le prénom d'un personnage historique représente
seulement une information que l'on apprend à associer directement à son nom par un mécanisme
mémoriel semi-volontaire. Cela supposerait tout de même de réussir à distinguer les différents cas de
manière automatique (voir la section 3.2.2 plus loin, en particulier à partir de la page 74). En l'absence
d'une liste exhaustive des domaines ou des prénoms apparaissant dans ses pages et compte tenu de la
subtilité des sémantiques associées à certains objets (le fait par exemple que «Βάλαγρος» à la figure
3.15 ci-dessus ne soit pas un prénom mais l'orthographe originelle du nom en grec), cette opération
semble pour le moins délicate à réaliser de manière satisfaisante et sans erreurs. Il serait également
possible de ne pas chercher à distinguer les cas et d'utiliser systématiquement la valeur hint pour
cet attribut mais en ce cas, autant employer directement une balise traduisant simplement le choix
typographique plutôt qu'une sémantique précise. Hors du module, l'élément <domain/>, malgré
son nom, ne peut se trouver que dans l'en-tête d'un document et couvre seulement le contexte social
d'un texte et pas son sujet. Le nom d'<interp/> peut aussi prêter à confusion puisqu'il ne sert pas à
étiqueter un groupe de mots comme une interprétation possible donnant un contexte (ce qu'il serait
défendable d'argumenter pour un désignant qui, placé en tête d'article, oriente l'esprit de la personne
qui le lit vers un sujet particulier). Au contraire, la documentation montre clairement qu'il s'agit d'un
outil d'annotation pour ajouter du texte qui n'est pas présent dans le document original mais qui est
le résultat d'une analyse effectuée dans le cadre de l'annotation.

Structures imbriquées Les encyclopédies se caractérisent également par des développements par-
fois longs et très structurés avec des sections et sous-sections imbriquées jusqu'à des profondeurs
importantes. LGE n'échappe pas à la règle, le discours se structurant sur au moins 5 niveaux par
exemple dans l'article EUROPE. Certains passages contiennent même un niveau supplémentaire
sous la forme d'énumérations, comme l'illustre la figure 3.16.

Figure 3.16 – Énumération dans l'article EUROPE, LGE, T16, p.783

La figure 3.17 extraite de l'article CONSTRUCTION (La Grande Encyclopédie, T12, p.732) montre
ainsi le début de la partie «III. Jurisprudence» de l'article, dans lequel s'ouvre un «I. Droit d’ac-
cession» à l'intérieur duquel on trouve un «1°». Ce dernier, bien que la typographie ne le marque
que faiblement, sans paragraphe séparé, sans titre et survenant au milieu d'une phrase après des
« :» constitue pourtant bien une unité structurelle du texte à la portée extra-phrastique puisqu'on
voit sur la figure 3.17a cette phrase se terminer, et que le «2°» visible sur la figure 3.17b n'apparaît
que plus bas sur la même page après plusieurs autres phrases. Cette question de la typographie est
d'ailleurs importante puisque les paragraphes peuvent autant servir à marquer une sous-division du
texte qu'à simplement aérer un passage long ou à marquer la succession de plusieurs idées comme
le fait le 3ème paragraphe visible sur la figure 3.17a ou même celui de la figure 3.19. Même les listes
comme celles visible à la figure 3.16 bien qu'elles ne soient pas écrites verticalement avec un élément

67
Thèse accessible à l'adresse : [Link] © [A. Brenon], [2025], INSA Lyon, tous droits réservés
 Chapitre 3 : Préparation et enrichissement du corpus

par ligne (pour des raisons évidentes de compacité de l'information requise par les encyclopédies)
pourraient tout à fait être encodées à l'aide de la balise TEI <list/> dont l'attribut @rend inclut la
valeur inline pour rendre compte de ce choix de présentation.

(a) Début de la section III. Jurisprudence

(b) Fin du 1° et début du 2° quelques lignes plus bas

Figure 3.17 – Extrait du début de la section III. Jurisprudence de l’article CONSTRUCTION dans
LGE, T12, p.734

Or, malgré plusieurs exemples de connexions entre le module dictionaries et le reste de la XML-TEI,
en particulier vers le module core (l'élément <ref/> en est un exemple), le module dictionaries appa-
raît dans une certaine mesure isolé d'éléments structurels importants tels que <head/> ou <div/>.
En effet, en calculant par un parcours systématique tous les chemins vers ce dernier depuis les
éléments <entry/> ou <sense/> dont la longueur est inférieure ou égale à 5, tous les chemins trou-
vés (au nombre de 8 943 et 38 649 respectivement en excluant les cycles pour éviter les doublons)
contiennent soit un élément <floatingText/> soit un élément <app/>. Le premier comme son
nom le suggère est utilisé pour encoder du texte qui n'a pas sa place dans le flot normal du document,
par exemple dans le contexte de récits enchâssés. Les deux exemples fournis dans la documentation
en ligne montrent un élément <body/> directement sous le <floatingText/>, séparant de ma-
nière nette son contenu de ce qu'il y a à l'extérieur de la balise. La finalité du deuxième, bien que son
nom — abréviation d'«apparatus» — soit moins clair, est d'agréger ensemble plusieurs versions d'un
même extrait par exemple pour dénoter plusieurs lectures possibles d'un groupe de mots obscur d'un
manuscrit ou quand le processus d'encodage tente de rassembler une version unique d'une œuvre
à partir de plusieurs sources qui diffèrent sur un passage. Dans les deux cas, il semble clair que ces
éléments n'ont pas à être présents systématiquement dans l'encodage d'un article d'encyclopédique
simplement pour pouvoir structurer ses sections et sous-sections. Ainsi, malgré une connectivité
interne plutôt élevée, le module dictionaries ne parvient pas non plus à fournir de quoi représenter
des structures imbriquées récursivement avec <div/>.

Les structures enchâssées mises en évidence guident la recherche d'éléments imbricables pour les

68
Thèse accessible à l'adresse : [Link] © [A. Brenon], [2025], INSA Lyon, tous droits réservés
 Chapitre 3 : Préparation et enrichissement du corpus

représenter. Plus précisément, elles imposent plusieurs contraintes sur les éléments XML à utiliser :
il s'agit de trouver une paire d'éléments, le premier — représentant tout découpage en section et sous-
section — devant pouvoir contenir lui-même et le deuxième élément, sur lequel la seule contrainte est
d'avoir une sémantique compatible avec la représentation d'un titre de section. De plus, le premier
élément doit aussi pouvoir contenir plusieurs éléments <p/>, la balise de référence pour encoder les
paragraphes d'après la documentation XML-TEI.
En filtrant le contenu du module pour ne retenir que les éléments qui vérifient les conditions ci-
dessus et peuvent être inclus sous un élément <entry/> il ne reste aucun candidat. Relâcher cette
contrainte additionnelle en remplaçant <entry/> par <entryFree/>, un élément de sémantique si-
milaire mais bien plus flexible pour s'adapter à des structures de dictionnaire inhabituelles n'apporte
aucune amélioration à ce résultat. Ce manque de candidat impose d'alléger encore les critères de re-
cherche sur les éléments utilisables. Il se pourrait ainsi qu'un élément intermédiaire soit nécessaire
entre le niveau le plus haut de l'article (l'élément <entry/> dans le scénario initial) et l'élément
encodant les sections et sous-sections. De même, l'imbrication récursive aussi pourrait nécessiter
un élément «compagnon» pour fonctionner (l'élément représentant une sous-section s'insérant non
plus directement sous celui pour une section mais sous un nouvel élément intermédiaire). En termes
de théorie des graphes, il s'agit de relâcher la contrainte sur l'existence d'une boucle pour considé-
rer aussi les cycles d'une certaine longueur assez faible (il s'agit quand même de représenter une
inclusion assez directe).
En fixant leur longueur à 3, c'est-à-dire en acceptant un seul élément intermédiaire dans le chemin
d'inclusion entre l'élément qui représentera les sections et lui-même représentant une sous-section,
seuls 21 éléments sont possibles. Aucun d'entre eux n'apparaît cependant comme une bonne solution
évidente : tous les chemins pour inclure <p/> depuis n'importe quel élément du module dictionaries
contiennent une <figure/> (dont la sémantique montre clairement son inadéquation : une sous-
section n'est pas une figure à l'intérieur du texte), ou un <stage/> (réservé au théâtre) ou bien
un <state/> (traduisant une qualité temporaire d'une personne ou d'un endroit, une fois de plus
sans lien avec le contexte d'utilisation requis). Les chemins d'inclusion vers <head/> ou <title/>
sont aussi décevants. Et, là encore, le remplacement de <entry/> par <entryFree/> n'apporte au-
cune amélioration. Sans constituer une preuve absolue qu'aucun des éléments envisagés ne pourrait
convenir, il n'en demeure pas moins vrai qu'aucune solution satisfaisante n'apparaît dans le module,
ce qui incite à poursuivre les recherches ailleurs.
Les contraintes sont relâchées encore un peu pour inclure les éléments hors du module dictionaries
pour représenter les sections et sous-sections, sous les mêmes conditions que précédemment, en
particulier que l'ensemble représentant l'article puisse apparaître sous un élément <entry/>. Cette
nouvelle recherche ne rapporte que 3 candidats : <figure/>, <metamark/> et <note/>.
Le premier ne convient évidemment pas, comme cela a déjà été remarqué précédemment. Le but
de <metamark/> est de transcrire les marques d'éditions qui apparaissent sur un exemplaire d'une
source primaire pour altérer le flot normal du texte et suggérer une lecture alternative (suppression,
insertion, réordonnancement, toute note laissée à cet effet par un humain sur un livre physique).
Cela n'a pas de rapport avec une section d'un article d'encyclopédie. Le premier élément qui pour-
rait ressembler à un candidat sérieux est <note/>. Il est fait pour contenir du texte, dans le but
d'expliquer quelque chose et semble assez général (il n'est pas rattaché à un genre spécifique ni à
la présence d'un objet particulier sur la page). Sa sémantique demeure toutefois un peu éloignée
des contraintes : sa documentation le décrit comme un commentaire additionnel («additional com-
ment»), ce qui semble convenir mais qui apparaît hors du flot de texte principal («out of the main
textual stream») alors que les développements des articles sont précisément la matière des textes
encyclopédiques, pas des remarques en marge ou en bas de page.
Ainsi, le module dictionaries semble équipé avec un élément satisfaisant mais difficile à utiliser pour

69
Thèse accessible à l'adresse : [Link] © [A. Brenon], [2025], INSA Lyon, tous droits réservés
 Chapitre 3 : Préparation et enrichissement du corpus

les désignants (<usg/>), mais il n'inclut aucun élément pour les titres de sections et ne permet pas
non plus d'avoir des structures imbriquées récursivement avec une sémantique satisfaisante, même
encodées par des éléments qui auraient été choisis hors de ce module.

Une notion de sens mal définie

Mais au-delà des seules contraintes typographiques, d'autres problèmes apparaissent en s'intéressant
à la sémantique des entrées. Il peut être difficile de définir des mots sans fournir d'entrées tautolo-
giques (Haiman, 1980, p. 330), mais pour certains mots, et en particulier les noms propres, la notion
de sens paraît encore plus insaisissable : il est possible d'écrire des sommes d'information, même
sur plusieurs tomes, sans pour autant avoir «défini» un sujet (au sens où tout ce texte se rattache à
l'objet mais ne le caractérise pas ni ne fixe ses limites). Il y a ainsi dans les encyclopédies en général
et dans LGE en particulier des articles historiques et des biographies. Si la notion de «sens» peut
sembler mal à-propos pour le récit d'événements historiques, il reste possible d'argumenter qu'il y a
bien mise en relation du concept qui les rassemble avec le nom sous lequel l'événement est connu.
Mais quand il s'agit du récit de la vie d'une personne, de décrire son rôle dans des événements histo-
riques et ses relations à d'autre personnes la notion de sens convient encore moins. Une entrée telle
que SANJO SANETOMI (La Grande Encyclopédie, T29, p.441) dont le début est visible à la figure
3.18 ne constitue en aucun cas une définition.

Figure 3.18 – Début de l'article SANJO SANETOMI dans LGE, T29, p.441

De plus, les encyclopédies, du fait de leur héritage philosophique des Lumières, ne sont pas unique-
ment des espaces d'assertivité mais intègrent aussi une composante dialectique intrinsèque. Certains
articles posent les bases requises pour comprendre la complexité d'un problème et susciter à leur lec-
ture des réflexions sur le sujet sans apporter de réponse définitive. Cela peut aller jusqu'à l'emploi
de points d'interrogation comme dans l'article ACTION (La Grande Encyclopédie, T1, p.489) dont la
figure 3.19 reproduit un extrait.

Figure 3.19 – Extrait de l'article ACTION dans LGE, T1, p.495

Dans cet extrait l'auteur invente une situation hypothétique pour montrer à quel point la démarca-
tion entre deux sous-catégories d'actions juridiques qu'on pourrait croire mutuellement exclusives
est en fait ténue. La motivation profonde du passage est de transmettre l'idée que le terme est dif-
ficile à définir sans ambiguïtés et nécessite une part d'interprétation. L'encoder dans un élément
<sense/>, ou pire un élément <def/> serait véritablement un contrensens. Leur emploi pour enco-
der des articles encyclopédiques en général et ceux de LGE en particulier n'est donc pas approprié.
Trois caractéristiques fondamentales des encyclopédies au moins rendent donc le module dictiona-
ries impropre à les encoder : la présence de désignants, les longs développements très structurés et
le fait que la notion de «sens» y joue un rôle moins central que dans les dictionnaires. Même un

70
Thèse accessible à l'adresse : [Link] © [A. Brenon], [2025], INSA Lyon, tous droits réservés
 Chapitre 3 : Préparation et enrichissement du corpus

encodage composite utilisant des éléments hors de ce module sous une balise <entry/> ne permet
pas de remplir les conditions requises.

3.2.2 Proposition d'un schéma d'encodage

Pour ces raisons, il faut chercher ailleurs de quoi encoder les articles de LGE. La quête n'est pas
longue puisque le module core fournit évidemment ce qu'il faut à travers les balises <div/>, <head/>
et <p/> qui ont en plus l'avantage d'avoir une charge sémantique moindre que <sense/> et <def/>.
C'est pourquoi l'encodage retenu pour représenter LGE se contente d'utiliser ces balises.
Pour illustrer ce choix sur un cas concret, il est appliqué à l'article CATHÈTE reproduit à la figure
3.20. Par souci de concision et de cohérence avec les remarques ci-dessus, les exemples se limiteront
à ce qui se passe au niveau de l'article, c'est-à-dire à partir de la balise immédiatement sous l'élément
<body/> du document. Tout ce qui est lié aux métadonnées se trouve comme il convient dans un
fichier TEI sous l'élément <teiHeader/> qui a tout ce qu'il faut pour les représenter.

Figure 3.20 – Article CATHÈTE dans LGE, T9, p.849

Le schéma complet
En restant à l'intérieur du module core pour la structure, tous les éléments utiles sont disponibles et
le schéma d'encodage retenu paraphrase pour l'essentiel la documentation officielle. Chaque article
est représenté par une balise <div/>. Il est conseillé de définir dessus un attribut xml:id avec
un identifiant unique pour l'entrée à l'échelle du corpus complet d'étude afin de pouvoir ensuite
gérer les renvois et manipuler les articles sans ambiguïté dans les différents outils d'exploitation du
corpus. Le système d'identification des articles retenu dans le cadre du projet consiste à simplement
les numéroter séquentiellement par œuvre et par tome, et à concaténer les trois composantes — en
base 10 pour celles qui sont numériques — séparées par le caractère _ (tiret bas).

Figure 3.21 – L'élément conteneur div pour l'article CATHÈTE

À l'intérieur de cet élément doit se trouver un <head/> contenant la vedette de l'article. Un élé-
ment <hi/> à l'intérieur permet le cas échéant de traduire le fait qu'une typographie particulière est
utilisée pour la mettre en valeur (comme du gras ou des petites majuscules).
Aucun élément satisfaisant n'a été trouvé pour représenter les désignants. Le meilleur candidat
est la balise <usg/> dans le module dictionaries mais elle ne peut pas apparaître sous un élément
<head/> 18 d'après le schéma de la TEI. Tous les chemins d'inclusion de longueur inférieure ou
égale à 3 contiennent des éléments inappropriés (<cit/>, <figure/>, <castList/> et <nym/>) et
doivent donc être écartés. Les autres possibilités incluent <term/> (imprécis) et <rs/> («referring
string» soit «chaîne de caractères faisant référence», une formulation très générale qui pourrait
convenir — après tout les désignants font référence à un domaine de connaissance — mais tous les
exemples fournis dans la documentation sont des entités nommées ou des chaînes de référence,
18. le désignant fait partie de l'en-tête de l'article et c'est pourquoi le choix privilégié exploré ici est de le place sous la
balise <head/>, mais un <usg/> ne peut pas apparaître non-plus ni dans un <p/> ni même directement dans un <div/>

71
Thèse accessible à l'adresse : [Link] © [A. Brenon], [2025], INSA Lyon, tous droits réservés
 Chapitre 3 : Préparation et enrichissement du corpus

des contextes assez différents de l'usage souhaité pour représenter des objets abstraits apparaissant
seulement une fois en début d'entrée). Le meilleur compromis est de s'en tenir à des caractéristiques
objectives quand elles sont présentes (souvent abréviées, un élément <abbr/> peut être approprié).
Pour les prénoms de personnes remplaçant dans LGE les désignants pour les notices biographiques,
l'élément <persName/> convient. La figure 3.22 représente l'en-tête de l'article CATHÈTE en tenant
compte de ces remarques.

Figure 3.22 – L'encodage de la vedette et du désignant de l'article CATHÈTE

Ensuite, chaque sens est encodé par un élément <div/> dont l'attribut type est défini à la valeur
sense en référence à l'élément <sense/> du module dictionaries qui aurait été employé. Cette balise
devrait être numérotée à partir de 0 en fonction de son rang parmi les différents sens couverts par
l'article et présente même si la vedette n'en a qu'un seul comme c'est le cas pour l'article CATHÈTE
à la figure 3.23.

Figure 3.23 – La structure vide permettant de représenter le seul sens du mot CATHÈTE

De plus, chaque ligne de l'article doit commencer par un élément <lb/>, y compris avant l'élément
<head/> comme le présente la figure 3.24, une façon de souligner l'importance sémantique d'un
retour chariot séparant deux articles dans la mise en page dense des enyclopédies où la place est
rare. Marquer explicitement les débuts de ligne permet de reconstruire un facsimile mais a également
l'avantage de mettre en avant le fait que la vedette, bien qu'isolée dans sa propre balise, se trouve
sur la même ligne que le reste de l'entrée, une caractéristique que les encyclopédies partagent avec
les dictionnaires.
Pour compléter la structure, les sections et sous-sections apparaissant dans le corps de l'article sont
encodées de la façon habituelle avec des <div/> contenant des <p/> pour les paragraphes, qui
peuvent éventuellement contenir des <head/> locaux pour représenter leurs titres.

Figure 3.24 – Un encodage complet de l'article CATHÈTE

Certains articles comme BOUMERANG (La Grande Encyclopédie, T7, p.704) comportent des figures
avec des légendes (voir la figure 3.25) qui sont encodées de la manière standard avec respectivement
les éléments <figure/> et <figDesc/> comme dans la figure 3.26.

72
Thèse accessible à l'adresse : [Link] © [A. Brenon], [2025], INSA Lyon, tous droits réservés
 Chapitre 3 : Préparation et enrichissement du corpus

Figure 3.25 – Figure de l'article BOUMERANG dans LGE, T7, p.704

Figure 3.26 – Encodage de la figure dans l'article BOUMERANG et de sa légende

Un autre problème dû à l'abandon de la balise <entry/> pour représenter les articles est que
l'élément <xr/> ne peut être utilisé dans aucun des éléments du module core du schéma d'encodage
choisi. Or, cet élément est utile pour encoder les renvois, présents dans les encyclopédies comme
dans les dictionnaires, dont un est visible à la figure 3.27 montrant l'article GELOCUS (La Grande
Encyclopédie, T18, p.699). Il faut donc utiliser à la place l'élement <ref/>, disponible à l'intérieur
d'un <p/>. Son attribut target doit avoir pour valeur le xml:id de l'article vers lequel il pointe,
préfixé d'un dièse (#) comme l'illustre la figure 3.28. Cette solution a été préférée au fait d'introduire
un élément <dictScrap/> pour pouvoir placer un <xr/>, parce que cela suggérerait qu'il s'agit
d'un insert de contenu dictionnairique dans un contexte qui ne l'est pas, alors que la lourdeur
d'encodage ajoutée est purement artificielle et ne provient que de l'impossibilité d'utiliser le module
dictionaries.

Figure 3.27 – Article GELOCUS dans LGE, T18, p.699

Les éléments péritextes évoqués précédemment à la section 3.1.2 et qui apparaissent sur les pages
d'encyclopédies notamment pour apporter de l'information sur la position de la page (son rang et la
plage de vedettes qu'elle couvre) peuvent être encodés par des balises <fw/> (pour «forme work»).
Leurs attributs place et type devraient être renseignés pour les positionner sur la page et identifier
leur fonction si celle-ci a pu être déterminée (ce qui n'est pas toujours le cas car ces éléments brefs
et placés sur les bords des pages sont justement ceux qui subissent le plus souvent des dégâts quand
le papier s'abîme et sont en conséquence mal lus par l'OCR).

73
Thèse accessible à l'adresse : [Link] © [A. Brenon], [2025], INSA Lyon, tous droits réservés
 Chapitre 3 : Préparation et enrichissement du corpus

Figure 3.28 – Encodage des renvois dans l'article GELOCUS

Enfin, d'autres éléments TEI s'avèrent utiles pour représenter des «événements» qui surviennent au
fil du texte comme le début d'une nouvelle colonne de texte ou d'une nouvelle page. La figure 3.29
montre ainsi le haut de la gauche de la dernière page du 1er tome de LGE (visible dans son ensemble à
la figure 3.11a dans la section 3.1.3 p.61) qui comporte des éléments péritextes et constitue un début
de page. Les éléments habituels (<pb/> pour le début de page, <cb/> pour le début de colonne)
peuvent et doivent être utilisés comme le propose la figure 3.30.

Figure 3.29 – Extrait de l'article ALCALA-DE-HÉNARÈS dans LGE, T1, p.1200

Figure 3.30 – Encodage d'un début de page dans l'article ALCALA-DE-HÉNARÈS

Les contraintes d'un traitement automatique

L'encodage dont il est ici question a été développé pour être appliqué par soprano pour encoder les
articles extraits du flot brut des pages. Cette opération ne pouvait bien sûr qu'être automatisée devant
le grand nombre d'objets à traiter : des 37 797 pages, soprano extrait 134 820 articles. Le standard
XML-TEI est un outil très large permettant des usages très divers mais certains de ses éléments

74
Thèse accessible à l'adresse : [Link] © [A. Brenon], [2025], INSA Lyon, tous droits réservés
 Chapitre 3 : Préparation et enrichissement du corpus

comme <unclear/> ou <factuality/> permettent de représenter des informations sémantiques

très abstraites (la deuxième touche à la notion de vérité même) nécessitant une compréhension très
fine de l'intégralité du texte et sur laquelle même des experts humains pourraient être en désaccord. Il
n'est bien sûr pas souhaitable que de telles considérations soient laissées à un processus automatique.

Pour cette raison, le choix d'un schéma d'encodage pour LGE a été principalement contraint par le
besoin de ne prendre en compte que des caractéristiques objectives du texte pouvant être extraites
sans intervention humaine. Des traits comme la position relative des blocs et l'usage d'une typo-
graphie particulière comme le gras ou les majuscules suffisent par exemple à repérer les vedettes
d'articles.

Le cas des renvois est un peu particulier et pourrait apparaître comme un contre-exemple à ce prin-
cipe. Pourtant, la pratique consistant à établir des liens entre articles est tellement fréquente (autant
dans les dictionnaires que dans les encyclopédies) que le processus échappe dans une certaine me-
sure au reste du discours et prend une forme particulière et codifiée, entre parenthèses et après
un token précis qui invite à effectuer soi-même la redirection lors de la lecture. Dans LGE la très
large majorité des renvois a ainsi lieu entre parenthèses, et le renvoi est suggéré par le verbe «voir»
raccourci à son initiale «V.» comme cela était déjà visible sur la figure 3.27. Quelques très rares
exceptions conservent la forme «voir», «voy.» ou même «voyez» (avec ou sans majuscule) mais il
s'agit dans la plupart des cas de renvois externes, vers d'autres œuvres que LGE. Lorsqu'il s'agit bien
de renvois entre articles, c'est que le contexte particulier de ce renvoi exige une formulation plus
explicite qui sort du «lien» codifié typographiquement pour revenir à une tournure plus construite :
par exemple une reprise anaphorique pour éviter une répétition — «Voy. ce mot» à l'article COM-
BATTANT (La Grande Encyclopédie, T11, p.1153) — ou un renvoi multiple — «voir les mots Poste et
Télégraphe» à l'article AFFRANCHISSEMENT (La Grande Encyclopédie, T1, p.702).

À ces rares exceptions près, il semble donc possible d'utiliser cette structure très codifiée pour détec-
ter et encoder les renvois, bien que cela n'ait pas encore été implémenté dans soprano. Renseigner
correctement l'attribut target de la balise <ref/> pourrait en revanche se révéler plus difficile et
nécessiter de traiter les articles en plusieurs étapes, pour d'abord découvrir toutes les entrées exis-
tantes — et ce faisant associer des vedettes aux identifiants uniques d'articles — avant d'essayer de
résoudre les mots après ces «V.» entre parenthèses. Puisque la segmentation des articles a lieu indé-
pendamment pour les différents tomes et que les renvois ont une portée qui dépasse le tome où ils
sont utilisés, il n'est pas possible pour soprano de simplement construire cette table associative en
mémoire avant de produire les fichiers et il faudra donc envisager un traitement en plusieurs passes.

La résolution des renvois, si elle doit être implémentée un jour ne devrait donc pas remettre en ques-
tion une caractéristique principale de l'encodeur utilisé. Si des lexicographes pourront reprocher à
l'encodage proposé une trop grande superficialité, il a l'avantage de ne pas nécessiter le stockage
de structures de données trop complexes en mémoire pour une durée longue. L'algorithme respon-
sable de l'encodage dans soprano produit ainsi les articles dès qu'il peut sans attendre d'avoir une
représentation complète de l'article en mémoire. Dès qu'un bloc est prêt, il est encodé et le XML-TEI
correspondant est écrit dans le fichier de destination. Cela permet de conserver une utilisation de
la mémoire vive raisonnable (de l'ordre de 3Go), ce qui permet de traiter plusieurs tomes simultané-
ment sur la plupart des machines récentes. Ainsi même en prenant environ 4min par tome, le temps
total requis pour segmenter et encoder la totalité de LGE sur une machine de 16Go de RAM peut
rester voisin de 40min en lançant 3 processus en parallèle (au lieu des 31 × 4 = 124𝑚𝑖𝑛 = 2ℎ04
totales nécessaires sans parallélisation).

75
Thèse accessible à l'adresse : [Link] © [A. Brenon], [2025], INSA Lyon, tous droits réservés
 Chapitre 3 : Préparation et enrichissement du corpus

État de l'implémentation actuelle

L'implémentation de référence pour ce schéma d'encodage est le programme soprano 19 . Ce logi-

ciel a déjà servi à créer deux versions mais il n'implémente pas encore toutes les spécifications de
l'encodage proposé précédemment. La figure 3.31 montre ainsi l'état actuel de l'article CATHÈTE à
la fin de la phase d'encodage.

Figure 3.31 – Encodage actuel de l'article CATHÈTE produit par soprano

La détection des vedettes ne permet pas encore de reconnaître les désignants et c'est pourquoi ils
apparaissent à l'extérieur de la balise <head/>. Aucun travail n'est non plus fait pour résoudre les
abréviations (ici, par exemple, retrouver qu'«Archit.» correspond à «Architecture») et les encoder
comme telles. Cela serait pourtant faisable grâce à la liste des abréviations présente au début du pre-
mier tome et qui a été encodée sous un format numérique dans le cadre du projet 20 . Il serait égale-
ment intéressant de distinguer les noms de domaines des prénoms de personnes puisque l'ambiguïté
existe dans LGE pour ce qui tient typographiquement la place de désignant.

De la même manière, puisque la détection des titres au début des sections n'est pas complète, aucune
analyse de la structure n'est effectuée pour l'instant sur le texte à l'intérieur de chaque article qui
est gardé sans structure, directement sous l'élément <div/> correspondant à l'entrée plutôt que
dans des <div/> imbriquées. Les paragraphes ne sont pas encore identifiés et pour cette raison pas
encodés non plus.

En revanche, soprano gère déjà correctement les figures et leurs légendes quand il y en a. L'encodeur
garde la trace des lignes, pages et colonnes en cours et insère les éléments vides correspondants
(<lb/>, <pb/> et <cb/>) lorsqu'une de ces structures s'ouvre. Les pages sont numérotées en fonction
de leur rang dans le document numérique tel qu'il est disponible, qui diffère de celui inséré par les
éditeurs. Il permet donc de savoir à quelle photo de page se rendre, pas de connaître le nombre écrit
en haut de la page correspondante. La suite des numéros de page est en effet surprenamment difficile
à suivre. D'abord la numérotation ne démarre pas à la première page, les premières pages avant et
après le frontispice n'ont pas de numéro. De plus les cartes géographiques présentes dans l'œuvre
sont imprimées sur des feuilles distinctes des cahiers en sextodecimo contenant le texte proprement
dit avec lesquels elles sont simplement reliées. Elles ne comportent pas de numéro de page, et la
numérotation se met donc en quelque sorte en pause sur les quelques pages qui les contiennent. Si
elle n'incrémente donc pas simplement de un à chaque page en entrée du processus, il n'est pas non
plus facile de la lire directement sur chaque page sans contexte : en tant qu'élément péritexte, les
caractères sont souvent malmenés par l'OCR et ne ressemblent parfois pas à des entiers. Pour les
obtenir, il faudrait donc pouvoir croiser plusieurs informations (les numéros lus sur toutes les pages
pour s'assurer que la suite est croissante ou les marques péritextes des cahiers sextodécimo entre
autres) pour espérer synthétiser une donnée assez fiable. Cela n'est pour l'instant pas implémenté.

19. [Link]
20. Le fichier correspondant à ces données est distribué dans le dépôt [Link]

76
Thèse accessible à l'adresse : [Link] © [A. Brenon], [2025], INSA Lyon, tous droits réservés
 Chapitre 3 : Préparation et enrichissement du corpus

3.2.3 Le mythe du «texte brut»

Parler d'encodage se rapporte généralement — comme c'est le cas dans toute la sous-section précé-
dente 3.2.2 — à des formats hautement structurés comme les différents dialectes du XML, le JSON
ou bien le YAML entre autres. On oppose fréquemment ces formats à un autre censé représenter le
contenu textuel sans mise en forme aucune, auquel on réfère le plus souvent par l'expression «texte
brut», et qu'on enregistre par convention dans des fichiers portant l'extension .txt 21 . Le format
texte étant employé pour certaines études de cette thèse (voir la section 3.3.1), il est important de
mettre en lumière que, comme les autres formats cités précédemment, il peut en fait faire l'objet
de choix décisifs requiérant des interprétations sémantiques radicales et l'adoption de conventions :
une forme d'encodage.
Pour revenir à la distinction faite à la section 2.5.1 (p.36), parler de format renvoie au texte en tant que
matière, que quantité indénombrable plutôt que comme une unité sémantique au sein d'un corpus
d'étude. Rastier (1996, p. 18) refuse de réduire la notion de texte à sa seule représentation numérique
— une «chaîne de caractères» — mais la définition qu'il propose à la page 19 s'avère tout de même
éclairante sur cette composante qui représente sa «substance graphique». Il ne limite pas l'usage du
mot «texte» aux seules productions écrites mais requiert tout de même qu'une «suite linguistique»
soit «fixée sur un support» pour pouvoir parler de texte. Une version numérique constitue une trace
qui permet de fixer un texte et de le diffuser (partage, copie, sauvegarde).
Le deuxième aspect de la définition de Rastier (1996, ibid) insiste sur l'existence d'un texte dans le
cadre d'une pratique sociale. Quel que soit le support utilisé pour fixer un texte, c'est rarement la trace
elle-même mais plutôt l'objet abstrait qu'elle dénote qui intéresse son lectorat ou les linguistes. Avant
même de considérer quelque niveau d'analyse que ce soit sur le texte — ni sémantique, ni syntaxique
ni même la lemmatisation — plusieurs particularités physiques de son support sont écartées pour
considérer un texte. Le choix des propriétés du texte à ignorer et la manière dont cette abstraction
a lieu dépend de la pratique sociale dans le cadre de laquelle il a été produite.
Ainsi on considérera la plupart du temps qu'un texte est «le même» bien qu'il soit prononcé par
deux personnes différentes (avec une voix différente), mais dans le cadre d'une œuvre où ces voix
auraient été associées à des personnages différents, le changement de voix pourrait alors revêtir
une importance. À l'écrit, la mise en page d'un texte ou la fonte utilisée pour l'imprimer est géné-
ralement ignorée, même si certaines formes littéraires jouent précisément sur ces paramètres. En
termes physiques, et de manière tout à fait analogue avec la réduction décrite à la section 3.1.3 du
format XML-ALTO à un flot linéaire de texte, on peut voir cette mise de côté de certaines propriétés
comme une projection visant à réduire les dimensions d'un texte pour obtenir un objet fondamen-
talement unidimensionnel. En termes mathématiques, il s'agit plutôt de classes d'équivalence : la
pratique sociale associée à un texte définit une relation selon laquelle deux traces représentent «le
même» texte. Derrière l'expression «texte brut», il y a la croyance qu'un «fichier texte» pourrait
constituer une trace textuelle canonique du texte qu'il représente 22 . Cette section se propose de
montrer que cette croyance est infondée.

Lignes et paragraphes
La notion d'encodage dans le contexte de format textuel désigne plutôt d'habitude celui des carac-
tères : l'association à un glyphe d'un code symbolique et numérique, et d'une séquence d'octets pour

21. on trouve aussi du «text brut» sous d'autres formes, par exemple dans une cellule d'un fichier tableur, ou dans une
valeur au sein d'un fichier JSON ; le terme «fichier» (textuel) sera employé par souci de simplicité mais les remarques
faites dans cette section s'appliquent aussi à ces autres méthodes de stockage de texte
22. et donc qu'on pourrait assimiler un texte à cette trace particulière, de la même façon qu'on peut parfois noter par
abus «2» la classe d'équivalence de tous les nombres congrus à 2 pour un certain modulo 𝑝 > 2, en identifiant cette
classe à l'entier 2 qui en fait partie et constitue un représentant fort commode

77
Thèse accessible à l'adresse : [Link] © [A. Brenon], [2025], INSA Lyon, tous droits réservés
 Chapitre 3 : Préparation et enrichissement du corpus

le représenter. Ainsi le concept de la lettre «A», première lettre de l'alphabet latin telle qu'on la trace
en majuscule, reçoit le code arbitraire 65, et est représenté par une séquence d'un unique octet, 0x41
— représentation électronique de la valeur 65, notée en base hexadécimale par convention. Il existe
différents encodages, incompatibles entre eux (UTF-8, ISO-8859-1, EUC-JP…), utilisés couramment
sur diverses plateformes mais ce n'est pas de cette distinction dont il s'agit ici. En effet, il est aisé
de préciser l'encodage d'un fichier qu'on distribue (ils sont tous nommés et spécifiés très précisé-
ment), et normalement un seul format est utilisé au sein d'une même plateforme de traitement. Mais
même en supposant une convention d'encodage universellement acceptée, des problèmes pratiques
demeurent.
La plupart des formats d'encodage étendent en effet le format ASCII (c'est-à-dire que tout fichier AS-
CII est par exemple aussi un fichier UTF-8 ou ISO-8859-1 valide), regroupant la plupart des signes
typographiques communs, les chiffres et les lettres de l'alphabet latin sans diacritiques : tous les
glyphes sont donc représentés par la même séquence d'octets quel que soit l'encodage utilisé (et en
l'occurrence, toutes ces «séquences» ne comportent en réalité qu'un seul octet, ce pourquoi on identi-
fiera dans ce qui suit le code d'un caractère et l'octet le représentant). Or, ce sous-ensemble commun
représenté par ASCII est déjà suffisant pour requérir des choix cruciaux dans la représentation des
fichiers texte. Le jeu de caractères ASCII contient en effet plusieurs façons de séparer les mots :
l'espace (' ', code 0x20) mais également la tabulation ('\t', code 0x09) et la nouvelle ligne ('\n',
code 0x0a). En pratique suivant le système d'exploitation les lignes dans un fichier peuvent être
terminées par la séquence "\n" (un seul '\n'), "\r" (un seul caractère de code 0x0d) ou "\r\n",
ce pourquoi il sera question ici de «fin de ligne» pour désigner cette séparation sémantique sans
préoccupation pour sa réalisation exacte (qui constituerait un niveau de choix supplémentaire dans
ce qui suit mais sera ignoré car fixé sur la plateforme sur lequel le traitement a lieu).
Le texte lorsqu'il est affiché pour un humain (comme c'est le cas de ces lignes dans le PDF ou la
version papier que vous êtes en train de lire) est réparti en lignes d'une largeur raisonnable pour
aérer le texte et coïncider avec la taille des formats de papier usuels. Il est possible dans un fichier
texte de former au contraire des lignes arbitrairement longues, mais ce n'est pas sans présenter
des inconvénients techniques (difficultés pour lire et se déplacer dans le fichier, lenteur potentielle
suivant l'éditeur de texte utilisé). En pratique, des caractères séparateurs seront utilisés pour isoler
des unités indépendantes : phrases, paragraphes, sections… le niveau auquel se fera cette séparation
et la manière dont elle sera réalisée constituent un premier ensemble de «paramètres d'encodage
textuel» qui sont autant de degrés de liberté pour déterminer la façon de représenter un texte sous
forme numérique. Un premier choix peut consister par exemple à réserver les fins de ligne à la
séparation des paragraphes, et à conserver tout le texte d'un paragraphe sur une même ligne (ce
qui n'est pas sans poser d'autres difficultés, voir ci-dessous). Un autre choix peut consister à créer
des lignes d'une largeur maximale fixe, comme c'est le cas à la figure 3.32b. Dans ce deuxième cas,
la largeur à utiliser constitue un deuxième paramètre, le nombre de «Caractères Par Ligne» (CPL),
souvent lié au matériel sur lequel ces fichiers sont traités plus qu'à une intention de la personne qui
les édite : les largeurs de lignes utilisées historiquement sont de l'ordre de 80 CPL, mais la figure
3.32b montre une sorte de facsimile textuel de l'article tel qu'il apparaît sur la page imprimée de LGE
(visible juste au-dessus à la figure 3.32a) dont les colonnes de texte font 50 caractères sans compter
la ponctuation et les espaces fines d'après l'Avant-Propos (La Grande Encyclopédie, T1, [Link]). Quel
que soit le nombre de CPL choisi, le contenu réel sauvé dans le fichier se voit encombré de caractères
non significatifs, introduits pour des raisons techniques mais ignorés dès que cela sera possible à la
lecture ou à l'analyse. Sur la figure 3.32c, il s'agit des caractères '\n' (nouvelle ligne) présents dans
la suite d'octets qui représente l'article, surlignés en mauve.
Le choix précédent a ensuite des répercussions sur la séparation entre paragraphes : en effet, si les
fins de lignes ne leur sont pas réservées, il faut trouver une façon de désambiguïser un nouveau
paragraphe et une ligne qui commencerait simplement par un mot en majuscule. En pratique dans

78
Thèse accessible à l'adresse : [Link] © [A. Brenon], [2025], INSA Lyon, tous droits réservés
 Chapitre 3 : Préparation et enrichissement du corpus

(a) Photo de l’article

ALPAIYI. Nom vulgaire indien du Bragantia Wallichii
R. Br., arbrisseau sarmenteux de la famille des Aristolo-
chiacées (V. Bragantia).
(b) Texte extrait par soprano

(c) Contenu du texte détaillé par octet

Figure 3.32 – Article ALPAM dans LGE, T2, p.437

l'EDdA comme dans LGE, les paragraphes ne sont pas séparés par des lignes vides mais sont indentés
d'une largeur d'environ 2 caractères. Un choix «facsimile» existe donc encore pour ce deuxième
paramètre : reproduire l'indentation, mais comme pour la largeur des lignes, cette décision peut
donner lieu à plusieurs implémentations en pratique. La bataille des conventions d'indentation est
un lieu commun des langages de programmation : on peut trouver l'emploi de la tabulation ('\t'), ou
d'un nombre fixe d'espaces (généralement 2, 4 voire 8). Rester au plus près de la mise en page dans
le corpus exigerait sans doute le choix d'une tabulation ou de deux espaces.

Récupérer un texte linéaire

En fonction des choix de paramètres d'encodage textuel décrits ci-dessus, un même texte peut donc
donner lieu à différentes traces textuelles. Récupérer un texte linéaire à partir d'une de ses traces
n'est jamais évident et demande toujours un travail, qu'un humain réalise à la lecture sans y penser
mais qui nécessite des règles précises basées sur la connaissance du choix d'encodage textuel pour
des algorithmes qui tenteraient d'y accéder. Ainsi, le lectorat voit naturellement une espace entre
«Wallichii» et «R.» sur la figure 3.32b (alors qu'il n'y en a pas, il n'y a qu'une fin de ligne), et ignore
en revanche le tiret et la fin de ligne pour former le mot «Aristolochiacées» à la ligne suivante alors
que cette séquence n'est pas présente telle quelle dans le fichier.
Ce problème du recollement des lignes au sein d'un paragraphe est bien plus difficile qu'il n'y pa-
raît. En première approche, pour joindre deux lignes il suffit d'ajouter une espace quand le dernier
caractère de la première n'est pas un tiret ('-') et de simplement concaténer la première privée de
son '-' final à la deuxième dans le cas contraire. Mais en pratique, l'élimination du tiret dépend du
contexte : il fait partie de certains mots composés comme «peut-être» ou «pis-aller» et permet de
rattacher les enclitiques au mot qui les précède comme dans «celui-là» ou «puis-je», ce qui interdit
sa suppression. Des ressources lexicales peuvent aider dans le premier cas mais avec des risques
de faux-positifs (que faire sans analyse sémantique fine d'un hypothétique nom propre «Pisaller»
ne tenant pas sur le reste d'une ligne et qui aurait donné lieu à la séquence «Pis-'\n'aller» dans
un fichier ?). Dans le second cas, la grande variété d'éléments combinables n'incite de toute façon
pas à opter pour une simple vérification d'appartenance à une liste préétablie d'exceptions connues.
Par conséquent, une analyse fine des dynamiques au niveau au moins morphosyntaxique sinon syn-
taxique semble donc requise pour déterminer avec certitude le sort d'un tiret survenant juste avant

79
Thèse accessible à l'adresse : [Link] © [A. Brenon], [2025], INSA Lyon, tous droits réservés
 Chapitre 3 : Préparation et enrichissement du corpus

une fin de ligne.

Loin de constituer une base commune pour représenter un texte, le format .txt représente donc en
fait un impensé de l'encodage. Dans le cadre des présents travaux, les paramètres d'encodage textuel
utilisés pour représenter les articles correspondent à ce qui est présenté à la figure 3.32b. Les fichiers
utilisent l'encodage UTF-8 et le caractère '\n' (nouvelle ligne) pour représenter les fins de ligne. Des
fins de ligne sont insérées là où il y en avait dans l'édition de LGE dont est extraite l'article, de manière
à conserver la largeur originelle du texte. Les paragraphes sont en revanche séparés entre eux par
deux fins de ligne (c'est-à-dire, visuellement dans le fichier, par une ligne vide). Les indentations ne
sont pas marquées. Ce choix n'est pas nécessairement meilleur qu'un autre : il retarde le recollement
des mots divisés entre plusieurs lignes pour ne pas introduire d'erreur définitive à cette étape (suite
à la remarque du paragraphe précédent), mais rend de ce fait l'accès au texte un peu plus complexe.

À l'issue de cette section, l'ensemble des paramètres clefs pour représenter les textes du corpus ont
été identifiés et discutés. En confrontant les besoins d'encodage définis par l'observation des pages
de LGE avec les structures définies par le schéma d'encodage TEI, les limites du module dictionaries
pour représenter une encyclopédie telle que LGE ont été mises en évidence. Un encodage alterna-
tif utilisant des éléments plus généraux de la TEI — tout comme l'avait fait l'ARTFL dans sa version
de l'EDdA, mais en opérant des choix légèrement différents — a été illustré sur quelques articles et
une portion de cet encodage est implémentée dans l'outil soprano, permettant de générer automa-
tiquement des articles au format XML-TEI à partir des pages en ALTO livrées par la BnF. Cet outil
permet également de produire des fichiers en format texte, dont il a été montré que le contenu faisait
également l'objet de choix précis qui ont été explicités pour cette version.

3.3 Des textes au corpus

Après avoir décrit les œuvres puis les manières de les représenter par des formats numériques ainsi
que les choix opérés sur cette question, il est temps pour conclure ce chapitre de montrer comment
ces étapes préparatoires convergent. Elles permettent de constituer un corpus qui structure les don-
nées et facilite leur emploi avec différents outils pour les besoins de cette thèse. Cette section sera
également l'occasion de faire une remarque méthodologique sur l'obtention et la maintenance du
corpus et des métadonnées qu'il contient.

3.3.1 Différents formats pour différents usages

Deux formats de départ différents sont utilisés pour représenter les articles du corpus en amont
de tout traitement. Le premier est un format XML-TEI utilisant les éléments principaux du schéma
(module core, par opposition au module dictionaries, pour les raisons présentées à la section 3.2.1
p.62). Le choix de balises diffère légèrement entre l'EDdA (pour laquelle l'ARTFL utilise des élé-
ments <div1/> pour les articles dont les métadonnées sont stockées dans des éléments <index/>)
et LGE (pour laquelle les rares métadonnées accessibles sont stockées directement comme attribut
de l'élément <div/> choisi pour représenter les articles). Le second est un format textuel utilisant
les choix d'encodage décrits à la sous-section 3.2.3 (p.79).

Le second peut s'obtenir du premier en extrayant le contenu de certaines balises précises dans
l'encodage des fichiers. C'est de cette façon qu'a été obtenue la version texte des articles de l'EDdA.
Pour LGE en revanche, la version textuelle peut être extraite directement à partir des pages en XML-
ALTO, indépendamment de la version XML-TEI, les deux correspondant à des modes de sortie de
soprano (la génération des métadonnées décrite à la section 3.3.2 constitue également un mode
séparé).

80
Thèse accessible à l'adresse : [Link] © [A. Brenon], [2025], INSA Lyon, tous droits réservés
 Chapitre 3 : Préparation et enrichissement du corpus

Format textuel
Le format textuel est en pratique le plus utilisé dans les différentes études conduites au cours de
cette thèse. La plupart des outils de TAL attendent en entrée un flot d'unités indépendantes de texte
(avec toutes les réserves émises à ce sujet à la section 3.2.3 p.77) débarrassées des contingences liées
à leur représentation (retours à la ligne au milieu d'une phrase, divisions au mileu des mots coupés
par un retour à la ligne…). Pour analyser les phrases en syntaxe et morphosyntaxe, un outil doit voir
au moins toute une phrase d'un coup (il peut en voir plusieurs au sein d'un même paragraphe mais
donnera une analyse erronée s'il ne reçoit qu'une phrase partielle); pour classer un article, un modèle
doit avoir accès à tout le texte qu'il contient.
Puisque le choix fait pour représenter les articles dans des fichiers texte consiste à garder la mise
en page des lignes telles qu'elles apparaissent dans les encyclopédies du corpus, il faut d'abord «net-
toyer» le texte avant de pouvoir appeler dessus une chaîne de classification, un analyseur syntaxique
ou un annotateur d'entités nommées. Pour éviter les redondances de traitement et s'assurer que tous
les outils ont reçu la même entrée, la phase d'extraction a été factorisée, et une version linéarisée
des articles est produite et stockée dans des fichiers texte utilisant d'autres paramètres d'encodage
textuel (voir p.77 et seq.).
Le format textuel rempli donc deux rôles dans ces travaux. Il y a d'abord un format «patrimonial»
dont le but est de fournir une représentation relativement fidèle des articles et de leur mise en page
(l'exception majeure étant les paragraphes, qui sont séparés par des lignes vides pour limiter les am-
biguïtés). De ce format patrimonial est tiré un format texte «linéaire» dont le but est d'être consom-
mable directement par des outils de TAL. Ce deuxième format se caractérise par les paramètres
d'encodage textuels suivants : les fichiers utilisent le même encodage UTF-8 que pour le texte pa-
trimonial, les fins de lignes typographiques sont ignorées et les mots divisés sont recollés (à l'aide
d'une heuristique simpliste par rapport aux remarques faites à la section 3.2.3 en particulier p.79, ce
point est discuté dans la sous-section 3.3.3). Enfin, la séparation des paragraphes par des lignes vides,
bien qu'inutile en soi suite au recollement, est conservée pour favoriser la lisibilité de ces fichiers
par des humains à des fins de contrôle de la qualité des données.
Les outils de classification automatique utilisés tout au long du chapitre 4 prennent ainsi en entrée du
texte linéaire et produisent pour chaque texte une valeur symbolique, le nom d'une classe dont relève
le texte d'après le modèle. Cette information est stockée dans des fichiers de métadonnées tabulaires
(voir la sous-section 3.3.2). L'analyse syntaxique en dépendances universelles (UD) est effectuée avec
la librairie python Stanza 23 (Qi et al., 2020), qui retourne les articles annotés au format CoNLL-U.
Cette annotation comprend une étiquette morphosyntaxique pour les tokens identifiés, exprimée
avec les parties de discours propres aux UD, les UPOS 24 .

Format XML-TEI
Le format XML-TEI (voir la section 2.1.2), au contraire du format texte discuté ci-dessus permet de
conserver plus d'information sur les pages tout en distinguant le rôle de chaque objet et sa relation
aux autres. Les éléments péritextes par exemple, présentés à la section 3.1.2 p.47, introduiraient
beaucoup d'ambiguïté dans des fichiers texte, à moins d'en complexifier encore l'encodage. L'option
-k (--keep en version longue) de soprano permet de choisir quel type d'éléments conserver et
permet de produire des fichiers ne contenant que le texte des articles. Par défaut tous les éléments
sont conservés (en particulier les changements de page, les légendes d'images, etc.), ce qui prend
tout son sens avec le format XML-TEI.
Il constitue donc une version plus riche, cruciale pour la diffusion des données et leur réutilisation
23. [Link]
24. [Link]

81
Thèse accessible à l'adresse : [Link] © [A. Brenon], [2025], INSA Lyon, tous droits réservés
 Chapitre 3 : Préparation et enrichissement du corpus

dans le cadre d'autres études. C'est ce qui a permis aux présents travaux de bénéficier des résultats des
efforts des projets ARTFL et ENCCRE. Le projet GEODE comporte une dimension patrimoniale et
met à disposition le texte de LGE au format XML-TEI. Il est à souhaiter que ces données connaissent
le même destin que celles de l'EDdA. Certains thèmes de recherche un peu trop éloignés de la problé-
matique initiale et qui n'ont pas pu être suivis au long de cette thèse pourraient en effet intéresser de
nombreux spécialistes des HN. Le rapport entre géographie et colonisation suggéré à la Préface (La
Grande Encyclopédie, T1, p.I) — voir la section 3.1.2 p.54, ou le traitement des notices biographiques
de femmes et d'hommes par exemple mériteraient sans doute une exploration soigneuse.
Les logiciels de textométrie utilisés dans les présents travaux prennent en entrée des fichiers au
format XML-TEI. Le logiciel TXM (Heiden et al., 2010) permet ainsi d'explorer directement le cor-
pus à partir de la version XML-TEI des deux œuvres et de faire des mesures de nombre de tokens
des œuvres ou de leur partitions (notamment par domaine de connaissance, voir la section 5.1.1
à partir de la page 134). L'extension intégrant l'étiqueteur TreeTagger 25 permet même d'accéder à
des étiquettes morphosyntaxiques pour les tokens. En pratique, cette extension n'a pas été utilisée
dans cette étude puisque l'annotation a été faite avec Stanza sur les fichiers texte, et la sortie en
CoNLL-U a été extraite pour produire une version XML-TEI intégrant en plus les informations mor-
phosyntaxiques en UPOS. En ce qui concerne le Lexicoscope (Kraif, 2016) qui utilise un format dual,
conservant du contenu CoNLL-U dans un environnement de balises XML-TEI ordinaires (des para-
graphes <p/> groupant des éléments <s/> dont chacun contient l'annotation CoNLL-U de la phrase
qu'elle représente plutôt que du texte directement lisible pour des humains), les fichiers XML-TEI
ont été entièrement synthétisés à partir des sorties de Stanza.

3.3.2 Principes de structuration

Un corpus n'est pas constitué que de données, quelle que soit la qualité du format qui les représente.
Une part importante de l'effort d'organisation de cette thèse a été employée à mettre en regard des
données des métadonnées qui soient pertinentes pour les analyses et pratiques à utiliser technique-
ment.

Des désignants à des ensembles de domaines

La notion de domaine de connaissance introduite en détail à la section 3.1.2 (p.49) joue un rôle
central dans cette thèse. Disposer d'un ensemble de valeurs à associer aux articles pour représenter
leur appartenance à un domaine a demandé un travail important de normalisation. Le chapitre 4
décrit en détail les techniques utilisées pour identifier le domaine de chaque article mais il s'agit ici,
en amont de ces opérations, de déterminer les valeurs à utiliser pour la classification (c'est-à-dire le
codomaine des fonctions implémentées par les différents classifieurs).
D'Alembert avait prédit que non seulement une encyclopédie ne serait jamais complète mais que
son organisation même pourrait être renouvelée par l'expérience de son lectorat. Dans son Discours
préliminaire (L'Encyclopédie, T1, [Link]), il offre du contexte au «Systême» (voir la figure 3.4 p.52)
si rigide en apparence en affirmant que «la forme de l'arbre encyclopédique dépendra du point de
vûe où l'on se mettra pour envisager l'univers littéraire. On peut donc imaginer autant de systèmes
différens de la connoissance humaine, que de Mappemondes de différentes projections […]».
Il n'est pas surprenant pour un projet de l'envergure de l'EDdA et s'étendant sur autant d'années
(21 au total) que les désignants qui matérialisent les domaines de connaissance au sein des articles
comptent plus de 7 000 formes uniques différentes. La plupart sont dues à des variations sur les abré-
viations, l'orthographe ou la ponctuation utilisée. Une très grande partie de ces formes uniques n'ont
que très peu d'occurrences, et un système automatique n'a pas de compréhension sémantique des
25. [Link]

82
Thèse accessible à l'adresse : [Link] © [A. Brenon], [2025], INSA Lyon, tous droits réservés
 Chapitre 3 : Préparation et enrichissement du corpus

regroupements qu'il pourrait être légitime de faire. Utiliser ces désignants tels quels n'aurait que peu
de sens pour constituer des classes dans l'optique d'études contrastives. Il faut donc déjà normaliser
les formes variées prises par les désignants, ce qui a fait l'objet de travaux à la fois par l'ARTFL et
l'ENCCRE. Dans l'exemple de l'article EVIAN présenté à la figure 3.33a, le désignant «Géog. mod.»
se normalise en «Géographie moderne» ce qui permet de l'identifier à celui de COMMERCY à la
figure 3.33b qui est «Géograph. mod.» et diffère donc en toute rigueur.

(a) Article EVIAN dans l’EDdA, T6, p.146

(b) Article COMMERCY dans l’EDdA, T3, p.700

Figure 3.33 – Deux entrées de «Géographie moderne» dans l’EDdA

L'ARTFL a réduit ce nombre à 2 620 classes normalisées (Horton et al., 2009, para. 3) qui corres-
pondent dans l'encodage XML-TEI de l'œuvre à l'attribut normclass. À partir des mêmes données,
l'ENCCRE a créé manuellement une liste de 2 160 «désignants explicités» , prenant également en
compte les tournures évoquées précédemment à la section 3.1.2 («en termes de», etc., voir p.51).
L'ENCCRE a ensuite cherché à identifier les thématiques proches et rassemblé ces classes en 312
domaines, puis sur un deuxième niveau en 44 «ensembles de domaines». Une altération minime de
ces ensembles de domaines a été faite dans le cadre du projet GEODE pour rassembler au sein d'une
seule classe Métiers les différentes branches de professions qui dans le jeu de l'ENCCRE ont chacune
un ensemble de domaines à part. Ce choix définit un ensemble de 38 domaines regroupés visibles à
la figure 3.34 et utilisés dans la comparaison de méthodes de classification automatique conduite au
chapitre 4.

Figure 3.34 – Distribution des nombres d'articles par domaine regroupé

Dans ce nouveau système, les deux articles de la figure 3.33 se retrouvent classés en Géographie, le
domaine regroupé qui inclut la Géographie moderne et comporte 13 289 articles. La figure 3.34 montre
qu'il s'agit du groupe le plus fréquent parmi les articles pour lesquels une classification des auteurs
est connue, et que le suivant, Droit - Jurisprudence compte quasiment deux fois moins d'articles
(6 901).
Ce jeu des «domaines regroupés» posait encore quelques difficultés de dimensionnement pour les

83
Thèse accessible à l'adresse : [Link] © [A. Brenon], [2025], INSA Lyon, tous droits réservés
 Chapitre 3 : Préparation et enrichissement du corpus

études contrastives présentées au chapitre 5. De plus, la réduction du déséquilibre entre classes per-
met d'obtenir des prédictions de meilleures qualités sur les classes moins représentées. Pour cette
raison un nouveau jeu de classes plus simple a été créé pour représenter les domaines de connais-
sance dans l'EDdA. Ce jeu ne comprend plus que 17 classes qui ont été construites manuellement par
Katherine McDonough, historienne et membre du projet GEODE, en vue de rendre compte de ma-
nière concise des thématiques principales abordées dans l'EDdA et, au contraire des regroupements
de classes opérés par l'ENCCRE, en assemblant des «branches» et des «sous-branches» à différents
niveaux dans le «Systême figuré» (voir 3.4). Le jeu de classes, appelées par convention dans le projet
les «superdomaines» (c'est le nom qui sera retenu dans le reste de cette thèse), a donc été conçu dès
l'origine comme un regroupement non pas d'ensemble de domaines ou de domaines regroupés mais
directement de désignants normalisés. Il est constitué des classes suivantes :
— Agriculture
— Beaux-arts
— Belles-lettres
— Chasse
— Commerce
— Droit Jurisprudence
— Géographie
— Histoire
— Histoire naturelle
— Médecine
— Métiers
— Militaire
— Musique
— Philosophie
— Physique
— Politique
— Religion

Structure des métadonnées

Le premier besoin pour attacher des informations additionnelles aux textes sans devoir dupliquer
leur contenu est la détermination d'une information qui identifie de manière unique les fichiers, ce
qui constitue une clef primaire dans le vocabulaire des bases de données. En distinguant les articles
des propriétés qu'on souhaite pouvoir leur associer, c'est l'approche la plus modulaire puisqu'elle per-
met de croiser entre elles plusieurs métadonnées issues de traitements différents ou de sélectionner
des sous-corpus, par opposition à une approche en «jeu de données» ou datasets dans laquelle toutes
les informations requises, texte et métadonnées, seraient groupées ensemble de manière autonome
en un objet unique.
Les présents travaux optent pour une clef primaire simple basée sur le rang des articles dans chaque
tome des œuvres du corpus, suivant le choix de l'ARTFL (voir la section 3.1.2 p.48). Puisque le corpus
d'étude comprend plusieurs encyclopédies, un code pour chaque œuvre (une des deux valeurs sym-
boliques EDdA ou LGE 26 ) vient compléter les numéros de tome et d'article pour former un triplet. Il
avait également été envisagé d'utiliser à la place du rang un identifiant basé sur la vedette de l'article
(complétée par un entier pour garantir unicité malgré les homonymies potentielles), de manière à
obtenir un système plus résistant aux redécoupages alors que la segmentation de LGE était en cours
d'amélioration (ainsi, un identifiant avait plus de chance de demeurer identique alors que le rang
de tous les articles survenant dans un tome après un article où la segmentation avait été corrigée
26. les valeurs Universalis et Wikipedia étaient également possible pour le reste du corpus GEODE mais n'ont pas
été utilisées en pratique

84
Thèse accessible à l'adresse : [Link] © [A. Brenon], [2025], INSA Lyon, tous droits réservés
 Chapitre 3 : Préparation et enrichissement du corpus

se retrouve modifié). Cette idée a été abandonnée suite à la difficulté d'obtenir une représentation
unifiée d'un système à l'autre de caractères accentués 27 .
Contrairement aux différentes étapes de traitement et d'annotation qui représentent chacune les ar-
ticles dans un format différent, les métadonnées constituent des propriétés stables qui peuvent être
associées aux textes en tout point de la chaîne (un auteur, un domaine de connaissance…). Elles sont
stockées dans des fichiers au format TSV, conçus pour faciliter l'accès par des moyens programma-
tiques (voir la section 2.1). La structure des métadonnées relève donc déjà davantage du code que des
données, ce pourquoi les colonnes sont nommées en anglais, lingua franca pour les codes sources.
Ainsi, le tableau 3.1 représente les métadonnées minimales nécessaires pour référencer par exemple
les deux articles de la figure 3.33, c'est-à-dire leur clefs primaires.

work volume article

EDdA 3 3184
EDdA 6 421

Tableau 3.1 – Clefs primaires des entrées COMMERCY et EVIAN dans l’EDdA

À cette clef primaire doivent s'ajouter des colonnes pour assurer la navigation et le retour au plein
texte. La plus évidente est la vedette (un humain cherche un article à propos d'EVIAN, pas le 3 184ème
article de l'EDdA). Pour outrepasser le problème d'homonymie des vedettes soulevé ci-dessus, une
version normalisée et rendue unique de cette vedette est également stockée, bien qu'elle n'ait fina-
lement pas été retenue pour constituer la clef primaire. Enfin, le numéro de la page auquel apparaît
un article est stocké dans ces métadonnées de navigation pour retrouver l'article dans les pages nu-
mérisées. Avec ces informations supplémentaires, les deux articles précédents sont représentés par
les métadonnées visibles au tableau 3.2.

work volume article headword name page

EDdA 3 3184 COMMERCY commercy-0 700
EDdA 6 421 EVIAN evian-0 146

Tableau 3.2 – Métadonnées de navigation pour les entrées COMMERCY et EVIAN dans l’EDdA

Ensuite, d'autres dimensions supplémentaires peuvent être ajoutées (domaines, auteurs, taille des
textes…). Leur stockage dans des fichiers distincts fournit le plus de flexibilité, permettant par
exemple de mettre à jour le domaine prédit pour un article suite à une amélioration dans la chaîne
de traitement de classification automatique, sans devoir par exempler regénérer tous les fichiers
qui dépendent de traitements prenant seulement en compte les tailles. Cette approche permet de
cerner au plus près les dépendances entre données au fil des différents traitements, au seul prix de
la répétition des clefs primaires dans chaque fichier, bien moins contraignante que la répétition
des textes entiers des articles eux-mêmes. Il peut arriver de devoir grouper plusieurs métadonnées
pour une étude particulière, ce qui peut s'effectuer par une simple jointure sur la clef primaire des
articles. Le résultat d'une telle jointure peut s'observer dans les sources du présent manuscrit 28 , par
exemple dans le fichier data/corpus/[Link] où les métadonnées utiles à la génération
27. dans l'encodage UTF-8, utilisé de manière assez générale sur de nombreux systèmes modernes, différentes conven-
tions de normalisation existent (on distingue les formes normales composées — NFC — et décomposées — NFD) et tous les
systèmes n'optent pas pour la même normalisation. Ainsi, un 'é' (e accent aigu) peut être réalisé directement en NFC (il lui
correspond le code U+00e9, représenté par la séquence d'octets ”0xc3 0xa9”), ou bien «assemblé» en NFD en combinant
un 'e' simple (de code U+0065 représenté par l'octet 0x65) avec U+0301, un code représentant un accent aigu à combiner
avec une autre lettre, et qui se représente lui même par la séquence ”0xcc 0x81”
28. [Link]

85
Thèse accessible à l'adresse : [Link] © [A. Brenon], [2025], INSA Lyon, tous droits réservés
 Chapitre 3 : Préparation et enrichissement du corpus

des figures du manuscrit ont été groupées en un seul fichier pour réduire la place utilisée par le
dépôt (les outils de versionnement sont surtout faits pour travailler sur de petits fichiers, limiter la
taille du dépôt permet d'éviter la dégradation des performances).

Structure des dossiers et des fichiers

Un corpus, en tant qu'association structurée de données et de métadonnées rassemblées dans un
but d'étude précis, est représenté numériquement par un dossier contenant à la fois les textes du
corpus et leurs métadonnées. Les différents fichiers associés à chaque métadonnée sont stockés à la
racine du corpus. Chaque format correspondant à un état des textes (une étape de traitement ou un
type d'encodage) est stocké dans un sous-répertoire dédié du corpus (par exemple Text/ ou TEI/
pour les formats évoqués à la section 3.3.1 qui contiennent les textes en amont de tout traitement,
respectivement aux formats textuels ou XML-TEI).
Le triplet de la clef primaire assure non seulement le lien entre les métadonnées mais se manifeste
aussi dans chacune des arborescences correspondant à un état donné des textes. À l'intérieur de
chaque sous-dossier, les fichiers sont en effet organisés par œuvre (dans un répertoire dont le nom
est la valeur de l'attribut work de l'article). Chaque dossier d'œuvre (EDdA/ ou LGE/ donc) contient
un répertoire par tome, nommé en préfixant la valeur de l'attribut volume d'un 'T' (t majuscule) : T1/,
T2/… jusqu'à T17/ dans EDdA/ et T31/ dans LGE/. À l'intérieur de chaque dossier de tome, chaque
article est nommé par son rang, suffixé de l'extension idoine (.txt, .xml, .conllu…). Ainsi, il est
extrêmement facile d'accéder aux contenus des articles en itérant sur leurs métadonnées, puisque
pour un état donné leurs chemins relativement au répertoire correspondant à cet état s'obtiennent
par une simple opération de concaténation.

3.3.3 Reproductibilité
Sans constituer une spécification précise, les deux sous-sections précédentes 3.3.1 et 3.3.2 montrent
la logique qui a présidé aux choix techniques de conception du corpus utilisé dans le reste de la
thèse. De même que la description des idées clefs d'un algorithme fournit une aide précieuse pour
comprendre une de ses implémentations dans un langage en particulier, elles tentent de documenter
les données diffusées à l'issue du projet pour aider à s'en emparer. Avant de refermer complètement
ce long chapitre, quelques remarques sur la notion de reproductibilité donneront une perspective
aux choix opérés.
Cette thèse n'est pas reproductible. Au-delà de ce seul constat hélas vrai pour la plus grande partie
des thèses soutenues à ce jour, cette sous-section se propose de donner un sens à cette assertion
dans le contexte disciplinaire qui lui est propre avant d'aller voir quels efforts ont tout de même
été entrepris en direction de la reproductibilité, comment cette notion s'intègre à la méthodologie
esquissée par la structure du corpus décrite dans le reste de cette section et quels progrès restent
nécessaires.

De la reproductibilité en SHS ?
Le premier obstacle à la reproductibilité de ces travaux réside dans l'impossibilité de partager une
moitié du corpus. Les pages scannées de LGE et toutes les données extraites à partir de ces pages
à l'issue du projet DISCO-LGE sont bien sûr diffusées sur la plateforme Nakala 29 et placées sous
licence libre Creative Commons By-Nc-Sa 30 , ce qui signifie qu'elles peuvent être utilisées librement
aux seules conditions de signaler leur origine, de ne pas en faire un usage commercial et de ne les re-
partager — elles ou toute donnée nouvelle créée à partir d'elles — que sous les mêmes conditions. Cela
29. [Link]
30. [Link]

86
Thèse accessible à l'adresse : [Link] © [A. Brenon], [2025], INSA Lyon, tous droits réservés
 Chapitre 3 : Préparation et enrichissement du corpus

est naturellement compatible avec une diffusion pour d'autres travaux de recherche. En revanche, en
ce qui concerne l'EDdA, les données utilisées ont été communiquées par l'ARTFL sous condition de
non-divulgation et il est donc impossible de les repartager. L'ARTFL accepterait vraisemblablement
de partager les tomes de l'EDdA en XML-TEI avec d'autres équipes qui en feraient la demande, mais
il est impossible de comparer cette autre hypothétique version des données avec celle utilisée dans
le cadre du projet GEODE : il se pourrait tout à fait que l'ARTFL ait fait des améliorations dans ses
chaînes de traitements et qu'elles ne produisent plus exactement les mêmes données.

Si des spécialistes du XIXème siècle estiment surprenante la proportion d'articles de géographie dans
LGE trouvée dans les présents travaux au vu de leur connaissance préalable de l'œuvre, il leur sera
possible de reprendre les données et les outils utilisés pour la mesure afin de recalculer séparément
le résultat ; éventuellement d'inspecter les états intermédiaires pour trouver la source de l'erreur
ou confirmer le résultat. Si un doute semblable devait survenir sur les données de l'EDdA, il serait
possible de réappliquer les traitements, mais pas de s'assurer que les données d'entrées seraient les
mêmes. Si un résultat différent venait à être trouvé, il ne serait pas possible de déterminer l'origine
de l'erreur.

Au-delà de ce seul exemple hypothétique, il est légitime de s'interroger sur la pertinence d'une dé-
marche reproductible dans le cadre des HN ou, plus généralement, des Sciences Humaines et Sociales.
Les problématiques de reproductibilité ont émergé dans des domaines où l'informatique occupe une
place centrale, depuis la théorie des langages et la compilation où Thompson (1984) démontrait en
3 pages la difficulté à s'assurer de ce que faisait un programme — même en ayant accès à son code
source (!) — jusqu'au Calcul Hautes-Performances (Courtès, 2021) où la reproductibilité joue un rôle
clef pour contrôler la cohérence de logiciels déployés sur des plateformes variées et s'assurer de la
validité des résultats qui y sont obtenus. Dans un contexte où le logiciel occupe une part croissante
des travaux dans de nombreux domaines jusqu'à devenir un élément central de la notion de preuve,
la reproductibilité apporte des garanties de confiance essentielles pour la recherche. Mais les HN
ne constituent pas un domaine où les résultats s'obtiennent par application d'un simple calcul sur
un ensemble d'entrées. Au contraire, elles passent par de nombreuses étapes exploratoires réalisées
dans des logiciels dédiés. Ces interfaces (dans le cadre des présents travaux, TXM et le Lexicoscope
sont des exemples évidents) sont conçues pour présenter les données mais requièrent des interac-
tions humaines pour guider l'analyse. Il serait donc vain de vouloir automatiser de bout en bout une
chaîne de traitement en HN jusqu'à la rendre reproductible et vérifiable de manière automatique
sur une plateforme d'intégration continue ; toutefois, la reproductibilité peut constituer un atout
précieux pour les HN et les présents travaux doivent reconnaître ses apports.

Mise en pratique dans le contexte de l'étude

Puisque la rediffusion de la totalité des données de cette thèse est inaccessible, il faut revenir aux
définitions des concepts élémentaires en reproductibilité pour savoir ce qu'il est possible d'atteindre.
La «reproductibilité» représente la possibilité de reproduire le plus exactement possible une expé-
rience, en appliquant la «même» analyse aux «mêmes» données. Malheureusement, la difficulté à
s'accorder sur le sens à donner à ces deux identités a pour conséquence une inhomogénéité de la
terminologie (Plesser, 2017). Pour Rougier et al. (2017), «reproduire» une expérience signifie la re-
constituer exactement, en utilisant exactement les mêmes outils et logiciels sur un jeu de données
identique jusqu'au dernier octet, alors que «répliquer» tolère des données équivalentes. Cette dé-
finition est en contradiction avec celle des sciences expérimentales mais tend à s'imposer dans les
sciences computationnelles.

Les deux concepts sont dans une relation ambivalente. Il est plus difficile techniquement et donc
plus contraignant de concevoir une expérience en garantissant qu'elle sera reproductible, ce qui té-
moigne d'un contrôle plus fin sur la totalité de ses paramètres. Cependant une expérience réplicable

87
Thèse accessible à l'adresse : [Link] © [A. Brenon], [2025], INSA Lyon, tous droits réservés
 Chapitre 3 : Préparation et enrichissement du corpus

peut posséder une plus grande force de preuve : un résultat peut apparaître simplement à cause
d'une erreur dans les données, d'une intéraction particulière entre code et données, ou tout sim-
plement de vraies données tout à fait particulières et qui ne se généralisent pas. En appliquant les
mêmes analyses sur de nouvelles données indépendantes, une seconde équipe qui réplique une ex-
périence augmente la confiance que la communauté scientifique peut accorder à un résultat. Schloss
(2018) distingue aussi la «robustesse» qui à l'inverse consiste à appliquer des analyses différentes aux
mêmes données. Enfin, une expérience est «généralisable» quand il est possible de parvenir à des
conclusions similaires en appliquant des analyses différentes de l'expérience initiale à d'autres don-
nées. Ces quatre critères, résumés au tableau 3.3 ne s'excluent pas mais sont idéalement à cumuler
pour produire des recherches dignes de confiance.
Les seules expériences de cette thèse pouvant viser à la reproductibilité sont celles qui ne portent que
sur LGE. Toutes celles qui intègrent l'EDdA ne peuvent par construction viser qu'à la réplicabilité.
En pratique, étant donnée la part cruciale qu'a jouée l'EDdA, notamment dans l'entraînement des
modèles de classification automatique (voir le chapitre 4 dans son ensemble) préalable aux analyses
contrastives menées au chapitre 5, il faut viser à la réplicabilité sur l'ensemble des travaux. Il serait
intéressant de tester la robustesse des résultats produits sur LGE en appliquant d'autres méthodes
de classification aux articles de cette encyclopédie.

Tableau 3.3 – Quatre notions différentes de la reproductibilité

mêmes données données différentes

même analyse Reproductible Réplicable
analyse différente Robuste Généralisable

Mais la reproductibilité (au sens large à nouveau, hors de celui défini par le tableau 3.3) peut égale-
ment apporter aux phases d'investigation des HN. La nature irrégulière des objets d'étude gêne le
développement de traitements s'appliquant parfaitement à toutes les données. À l'échelle mésosco-
pique du présent corpus — la taille des encyclopédies est proverbialement grande mais les volumes
de données en jeu restent très largement inférieurs aux mégadonnées générées par les collectes au-
tomatiques de dispositifs numériques — il faut considérer que tout ce qui peut arriver arrivera. En
ce qui concerne les désignants par exemple, il suffit quasiment d'envisager l'existence d'une régu-
larité et de tenter de la capturer dans un motif pour qu'il soit contredit par une donnée du corpus,
qu'elle ait réellement été produite telle quelle par un choix ou une erreur humaine ou qu'elle émerge
à cause des bruits générés par les imperfections des différentes étapes de traitement (vieillissement
du papier et de l'encre, qualité de la numérisation, performances de l'OCR…). Ainsi, dans ce type
d'étude il s'agit en permanence de placer un curseur entre ce qui est acceptable pour répondre à une
question précise et ce qui est perfectible en vue d'études futures. Trouver cet équilibre engendre un
va-et-vient continu entre traitement des données et analyses. Pour cette raison, les choix faits dans
la représentation du corpus et en particulier dans la conception des métadonnées favorisent la plus
grande flexibilité, en tâchant de minimiser l'effort nécessaire pour relancer les traitements affectés
par un changement dans une donnée. Cette stratégie repose sur le constat empirique qu'il est vain
d'espérer que la première version sera la bonne et qu'il vaut mieux considérer toutes les données en
aval dans la chaîne de dépendance comme temporaires, susceptibles de mises à jour et donc jetables.
La détermination d'un ensemble de domaines de connaissance présentée à la sous-section 3.3.2 p.82
d'une façon très linéaire résulte en réalité de ce type de négociation entre code et données. Naturel-
lement, pour que ces allers et retours conduisent à un processus d'amélioration continue plutôt qu'à
tourner en boucle, il est crucial de pouvoir contrôler finement ce qui change ou pas et de pouvoir
s'assurer qu'un seul paramètre du traitement a été modifié à chaque nouvelle tentative pour mesu-
rer son effet propre et pas par exemple celui d'un changement dans une librairie dont dépend le

88
Thèse accessible à l'adresse : [Link] © [A. Brenon], [2025], INSA Lyon, tous droits réservés
 Chapitre 3 : Préparation et enrichissement du corpus

programme utilisé. Cela permet de valider une amélioration et de garantir qu'il n'y a pas de régres-
sion dans la qualité des données. C'est ce type de garanties que peut apporter la reproductibilité des
logiciels.
Si des «instantanés» de LGE à plusieurs étapes clefs des traitements sont distribués via Nakala pour
faciliter la prise en main des données, toutes peuvent être regénérées localement (et donc vérifiées)
en appliquant les mêmes traitements sur les pages OCRisées au format XML-ALTO, seules réelles
entrées de toute la partie du corpus qui concerne cette œuvre. Le logiciel soprano 31 utilisé pour
extraire les articles et les encoder en format texte ou en XML est distribué sous licence libre (BSD
3) et empaqueté pour le gestionnaire de paquets reproductible Guix 32 . Un autre dépôt 33 contient
tous les outils utilisés pour les différentes analyses et la production des formats enrichissant les
données (classification, annotation syntaxique, etc.). Le développement de ces outils a aussi donné
lieu à plusieurs librairies qui sont bien sûr elles aussi distribuées sous licence libre (GNU GPL v3 pour
ghc-geode 34 et geopyck 35 ). Les outils spécifiques à l'EDdA, développés antérieurement au projet
GEODE sont pour rappel (voir la section 3.1.3) aussi disponibles 36 . L'ensemble de ces logiciels est
empaqueté pour Guix et ces paquets sont distribués dans un canal Guix spécifique au projet 37 afin
de les regrouper et de faciliter leur installation. Enfin, les mêmes efforts de reproductibilité ont été
appliqués à ce manuscrit lui-même. Ses sources sont ouvertes et disponibles 38 (sous licence GNU
GPL v3). Le dépôt permet de recompiler une version PDF du texte que vous êtes en train de lire
mais surtout, il contient les données utilisées pour tracer la plupart des tableaux et figures (celles
utilisant un thème de couleur mauve ou une palette arc-en-ciel pour les domaines de connaissance).
Il est ainsi possible de vérifier les résultats annoncés et d'étudier les codes utilisés pour les générer.
La longueur de ce chapitre reflète dans une large mesure le temps consacré dans cette thèse au
traitement des données en vue de constituer le corpus d'étude. À partir des œuvres, dont la lecture
et l'étude directe ont constitué un point de départ utile pour le reste des travaux, une réflexion a
été développée sur les points communs structurels des articles dans le corpus et la notion clef de
domaine de connaissance. Les besoins spécifiques à LGE, notamment en matière d'encodage, ont
amené à identifier les différences intrinsèques qui séparent les encyclopédies des dictionnaires et à
formuler des choix pour représenter les articles dans des fichiers numériques. Ces décisions ont été
mises en perspective de l'utilisation des données qui est faite aux chapitres 4 et 5 et de la démarche
reproductible qui sous-tend l'ensemble de cette thèse.

31. [Link]
32. [Link]
33. [Link]
34. [Link]
35. [Link]
36. [Link]
37. [Link]
38. [Link]

89
Thèse accessible à l'adresse : [Link] © [A. Brenon], [2025], INSA Lyon, tous droits réservés
 Chapitre 3 : Préparation et enrichissement du corpus

90
Thèse accessible à l'adresse : [Link] © [A. Brenon], [2025], INSA Lyon, tous droits réservés
 Chapitre 4

Classification automatique en domaines

de connaissance

4.1 Comparaison de méthodes de classification automatique . . . . . . . . . . . . . . . 92

4.1.1 Démarche . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 92
4.1.2 Choix des modèles et préparation des jeux de données . . . . . . . . . . . . 93
4.1.3 Évaluation des performances . . . . . . . . . . . . . . . . . . . . . . . . . . 94
4.1.4 Classification non supervisée . . . . . . . . . . . . . . . . . . . . . . . . . . 100
4.2 Relations entre Géographie et autres domaines de connaissance . . . . . . . . . . . 102
4.2.1 Observations préliminaires des erreurs . . . . . . . . . . . . . . . . . . . . . 103
4.2.2 Similarités lexicales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 112
4.2.3 Application de la centralité à la structure du modèle . . . . . . . . . . . . . 119
4.3 Annotation des articles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 123
4.3.1 Choix d'un classifieur . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 123
4.3.2 Extension à LGE . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 126

À l'issue du chapitre 3, les textes du corpus sont disponibles dans une version XML-TEI ainsi que dans
des fichiers texte qui suivent la convention décrite à la section 3.2.3 page 77. Mais si une structure
a été choisie pour représenter le corpus et ses métadonnées, la valeur à associer à chaque article
pour représenter son domaine de connaissance (voir la section 3.1.2 p.49) reste à déterminer pour
une partie des articles de l'EDdA et la totalité de ceux de LGE. Le présent chapitre décrit les efforts
menés sur ce versant en le considérant comme un problème de classification automatique. Il reprend
dans une large mesure et étend des résultats déjà exposés dans Brenon et al. (2022).

La première étape consiste à comparer les résultats de différentes méthodes de classification, avant
d'étudier à la section 4.2 les erreurs commises par l'une d'entre elles pour essayer de comprendre ce
qu'elles peuvent révéler sur les ressemblances et les différences entre domaines de connaissance. En-
fin, la dernière section 4.3 décrit concrètement l'annotation en domaines de connaissance du corpus
entier.

S'agissant d'AA, la remarque faite p.16 à la fin de la section 1.3 s'applique tout autant dans ce chapitre
qu'elle s'appliquait à la section 2.4 de l'état de l'art : devant la prédominance de l'emploi des noms
anglophones pour les méthodes d'AA, même chez des locuteurs français, une exception locale est
faite dans toute cette section à l'emploi exclusif de termes francophones qui est la règle dans le reste

91
Thèse accessible à l'adresse : [Link] © [A. Brenon], [2025], INSA Lyon, tous droits réservés
 Chapitre 4 : Classification automatique en domaines de connaissance

de cette thèse. Ce choix se justifie par le souci de ne pas produire de formes traduites quelque peu
artificielles qui n'auraient de toute façon pas cours hors de ces pages.

4.1 Comparaison de méthodes de classification automatique

Cette première section présente l'étude comparative menée pour choisir un modèle de classification,
en commençant par exposer la démarche suivie avant de décrire son implémentation (sous-section
4.1.2). La sous-section (4.1.3) présente les résultats obtenus et discute leur signification tout en gar-
dant à l'esprit le fait que les performances obtenues par les différentes méthodes présentées ne re-
joignent pas nécessairement les raisons pour lesquelles les éditeurs d'encyclopédies assignent une
classification aux articles. La sous-section (4.1.4) présente pour finir une brève expérience conduite
sur des méthodes de classification non supervisées.

4.1.1 Démarche
Pour obtenir une classification complète des articles dans le système des domaines regroupés choisis
à la section 3.3.2 (voir p. 82), il suffit pour les articles qui possèdent déjà un domaine de le conver-
tir vers ce nouveau jeu d'étiquettes, et pour les autres de prédire une valeur à l'aide d'un modèle
de classification automatique. Pour disposer d'un tel classifieur, il faut un ensemble d'articles pos-
sédant déjà un domaine regroupé assez vaste pour l'entraîner puis tester ses performances (pour
évaluer la qualité de l'étiquetage obtenu). Ce deuxième cas se ramène donc au premier : il est né-
cessaire de commencer par appliquer la correspondance entre le domaine qui leur a été attribué par
l'ENCCRE («ensemble de domaine») et les domaines regroupés. Puisque la seule différence entre les
deux jeux d'étiquettes réside dans le regroupement des différentes branches professionnelles («mé-
tiers du bois», «métiers du papier», etc.) en une classe Métiers unique (voir p.83), la conversion est
en réalité très simple puisqu'elle consiste à conserver la classe initiale partout sauf pour les métiers.
Toutefois, l'ENCCRE (dont proviennent les annotations en ensemble de domaines) et l'ARTFL (qui a
fourni les fichiers encodés des articles, voir la section 3.1.1 p.46) segmentent différemment l'œuvre en
textes ce qui complique cette conversion en empêchant d'établir une correspondance parfaite entre
les deux corpus. En effet, en suivant la distinction faite à la section 3.1.2 (voir p.48) entre «article» et
«entrée», l'ARTFL groupe ensemble certaines entrées mais en considère d'autres comme des textes
individuels, au contraire de l'ENCCRE pour qui le niveau de référence est l'entrée et dont tous les
textes correspondent à ce niveau de granularité (dans ses métadonnées, un article possède toujours
au moins une entrée avec laquelle il coïncide si elle est unique). Par conséquent, seuls 69 531 articles
ont pu être appairés entre ces deux sources sur les 74 190 au total présents dans la version de l'œuvre
étudiée.
Pour cette raison certains articles sans désignant marqué typographiquement possèdent un domaine
(inféré par l'ENCCRE d'expressions telles que «en termes de…» qui remplacent parfois les désignants
— voir la section 3.1.2 p.51); à l'inverse, des articles pourtant pourvus d'un désignant mais qui n'ont
pas pu être mis en correspondance avec leur équivalent chez l'ENCCRE peuvent se retrouver sans
domaine et nécessiter ensuite une prédiction du modèle 1 . Dans les données de l'ENCCRE, 12 635
articles ne sont pas pourvus d'une classification explicite, mais l'application d'une classification ex-
perte basée sur le contenu des articles parvient à réduire ce nombre à 2 392. Le jeu de données de
l'ARTFL qui n'a utilisé que les désignants explicites fournit quant à lui une classification pour 56 688
articles.
Cette approche est inspirée de l'étude conduite par Horton et al. (2009) qui avaient employé un
1. ce point est tout à fait contre-intuitif mais, s'il reste heureusement très marginal, il est important de le garder en tête
pour comprendre pourquoi des prédictions ont pu être réalisées sur des articles qui comportent pourtant un ou plusieurs
désignants, notamment dans la section 5.1.2 (p.150 et seq.)

92
Thèse accessible à l'adresse : [Link] © [A. Brenon], [2025], INSA Lyon, tous droits réservés
 Chapitre 4 : Classification automatique en domaines de connaissance

modèle Naive Bayes Multinomial pour étendre la classification originale des auteurs. Bien que leur
étude ne comporte pas d'évaluation formelle des performances de leur modèle, il offre une analyse
détaillée d'un échantillon des résultats. Au vu de la vitesse à laquelle l'état de l'art en apprentissage
automatique a bougé au cours de la décennie 2010-2020, il est intéressant d'actualiser leurs travaux
pour y intégrer des modèles de classification récents, non seulement des méthodes d'AA classiques
mais aussi des modèles d'AP.

4.1.2 Choix des modèles et préparation des jeux de données

Les présents travaux comparent des approches combinant différentes méthodes de vectorisation
et de classification supervisée décrites aux sections 2.4.1 et 2.4.2 (voir pp.30 et seq.) ou issues de
méthodes présentées dans ces sections. Ainsi, plutôt qu'un modèle LSTM (voir la section 2.4.2 p.32),
c'est sa variante plus récente et bidirectionnelle BiLSTM qui a été testée. Cette étude vise à tester
le plus de combinaisons possibles, mais toutes les combinaisons ne sont pas réalisables à cause de
contraintes spécifiques.
Par exemple, la méthode Naive Bayes nécessite des vecteurs d'entrée sans valeurs négatives, ce qui
impose l'emploi d'une représentation vectorielle Bag of Words ou TF-IDF mais empêche l'usage de
plongements de mots. De plus, puisque les modèles de la famille de BERT intègrent à la fois la
représentation vectorielle de leurs entrées et les couches de classification, permettant de travailler
directement à partir du texte, ils n'ont pas pu être combinés à d'autres méthodes de vectorisation.
En tenant compte de ces remarques, les combinaisons testées sont les suivantes :

1. Une vectorisation BoW et des algorithmes traditionnels d'AA (Naive Bayes, Logistic Regression,
Random forest, SVM et SGD);
2. Une vectorisation utilisant un plongement de mots statique (Doc2Vec) et des algorithmes d'AA
traditionnels (Logistic regression, Random Forest, SVM et SGD);
3. Une vectorisation utilisant un plongement de mots statique (FastText[fr]) et des algorithmes
d'AP (CNN et BiLSTM);
4. Une approche tout-en-un utilisant des modèles de langue contextuels préentraînés (BERT,
CamemBERT ) dont les poids sont réajustés à la tâche dont il est question (fine-tuning).

Pour les algorithmes d'AA, la librairie Scikit-learn 2 et plus précisément GridSearchCV a été utilisée
pour déterminer les hyperparamètres. Les résultats de la recherche avec GridSearchCV sont dispo-
nibles dans le dépôt git de l'étude 3 . Dans les expériences d'AP c'est la version française de FastText
(Bojanowski et al., 2017) pour les plongements préentraînés qui a été utilisée pour vectoriser les
entrées et les implémentations des CNN s et des BiLSTMs proviennent de la librairie Keras. Le mo-
dèle de CNN testé emploie une architecture classique avec une couche de plongement pour des
vecteurs de dimension 300 (la taille des vecteurs de mots préentraînés par FastText), une couche de
convolution avec la fonction d'activation ReLu, une couche de max-pooling et une couche softmax
pour la sortie. Pour le modèle BiLSTM, plusieurs architectures ont été testées et celle retenue utilise
une taille de vecteurs de 300 également, une couche BiLSTM (avec un taux de décrochage de 20%),
une couche de max-pooling, deux couches denses avec la fonction d'activation ReLu avec un taux
d'abandon de 50% entre chaque, et une couche softmax en sortie. Pour ajuster les modèles BERT, les
données d'entraînement ont été groupées par lots de huit fichiers (à cause de contraintes de place en
mémoire) pendant quatre époques — Devlin et al. (2019) recommandent entre deux et quatre époques
pour ce type d'opération.
Deux jeux de données distincts sont utilisés pour entraîner et évaluer les modèles (respectivement
dénommés dans ce qui suit train et test). Ces deux jeux de données (voir le tableau 4.1) contiennent les
2. [Link]
3. [Link]

93
Thèse accessible à l'adresse : [Link] © [A. Brenon], [2025], INSA Lyon, tous droits réservés
 Chapitre 4 : Classification automatique en domaines de connaissance

articles étiquetés avec l'ensemble de domaines regroupés déduit de l'étiquetage opéré par l'ENCCRE.
Dans ce qui suit, traitant d'un problème de classification, ces domaines regroupés ne seront donc plus
vus comme des objets épistémologiques mais comme autant d'étiquettes abstraites apposées sur des
textes : des classes. Pour cette étude, une seule classe a été retenue par article. En réalité, 3 654 articles
de l'EDdA (soit environ 5%) possèdent plusieurs classes. Quelques traitements sont appliqués avant
de pouvoir débuter les expériences proprement dites. D'abord, les articles sans classe et plus courts
que 15 mots sont écartés. Cela produit un jeu de 58 509 articles répartis sur une des 38 classes pos-
sibles. Ensuite, les désignants sont retirés des articles pour éviter que les modèles ne fondent leurs
prédictions que sur ces éléments (ce qui donnerait des scores artificiellement élevés sur le jeu de
validation mais les rendrait bien plus mauvais pour prolonger la classification sur les articles qui jus-
tement n'en sont pas pourvus). Enfin, la ponctuation et les mots vides — déterminants, prépositions,
pronom etc. en reprenant la distinction de Lehmann & Martin-Berthet (2018, chap. 1, §1.2.2) — sont
retirés des textes et les mots restants sont lemmatisés 4 . Cette dernière étape est contournée pour les
modèles de la famille BERT (ligne 4. dans la liste précédente) puisque ces modèles peuvent recevoir
en entrée des textes complets et la version des textes qui leur est présentée, pour l'apprentissage
comme pour la prédiction est celle issue de l'étape précédente à savoir le texte purgé seulement de
son éventuel désignant. Une proportion de 20% est réservée pour le jeu d'évaluation (test) et le reste
devient le jeu d'entraînement (train).

Tableau 4.1 – Détail du nombre d'articles dans le corpus entier, le corpus prétraité et les jeux
d'entraînement et de test.

Jeu de donnée # articles

corpus entier 74 190
corpus prétraité 58 509
train (tout) 46 807
train (max 1 500) 27 381
train (max 500) 14 058
test 11 702

Du fait du déséquilibre entre les nombres d'articles des différentes classes, il apparaît essentiel
d'évaluer l'impact de l'utilisation d'échantillons d'articles pour les classes surreprésentées. On peut
faire l'hypothèse que cela va réduire les biais des modèles en leur faveur. Un paramètre supplémen-
taire est donc ajouté aux expériences pour comparer les résultats des modèles entraînés sur des jeux
d'entraînement plus ou moins homogènes. Les classes sont limitées à 500 articles maximum, 1 500
articles maximum ou ne sont pas limitées du tout pour constituer 3 jeux d'entraînement différents.
Ces 3 cas correspondent aux 3 lignes train dans le tableau ci-dessus (tableau 4.1), qui représentent
donc des jeux d'entraînement de respectivement 14 058, 27 381 et 46 807 articles au total.

4.1.3 Évaluation des performances

Les résultats de classification sont évalués en mesurant la précision, le rappel et la F-mesure
(moyenne harmonique de la précision et du rappel) de chaque méthode. Afin d'obtenir des résultats
généraux pour toutes les classes, les F-mesures moyennes sur les 38 classes pondérées par leur
nombre d'articles sont examinés. Le tableau 4.2 présente les F-mesures obtenues par les différentes
méthodes.

4. les tokens sont identifiés avec la librairie SpaCy et la lemmatisation proprement dite est effectuée à l'aide du Fren-
chLefffLemmatiser (Sagot, 2010)

94
Thèse accessible à l'adresse : [Link] © [A. Brenon], [2025], INSA Lyon, tous droits réservés
 Chapitre 4 : Classification automatique en domaines de connaissance

Tableau 4.2 – F-mesures moyennes pour les différents modèles entraînés sur un échantillon de 500
articles maximum par classe (1), 1500 maximum par classes (2) et tous les articles disponibles de
chaque classe (3) appliqués sur le jeu de test.

F-mesure
Classification Vectorisation
(1) (2) (3)
BoW 0.63 0.71 0.70
Naive Bayes
TF-IDF 0.74 0.69 0.44
BoW 0.74 0.77 0.79
Logistic Regression TF-IDF 0.77 0.79 0.81
Doc2Vec 0.64 0.69 0.77
BoW 0.57 0.54 0.16
Random Forest TF-IDF 0.55 0.53 0.16
Doc2Vec 0.63 0.66 0.60
BoW 0.70 0.73 0.75
SGD TF-IDF 0.77 0.81 0.81
Doc2Vec 0.68 0.72 0.76
BoW 0.71 0.75 0.78
SVM TF-IDF 0.77 0.80 0.81
Doc2Vec 0.68 0.74 0.78
CNN FastText 0.65 0.72 0.74
Bi-LSTM FastText 0.69 0.79 0.80
BERT Multilingue - 0.81 0.85 0.86
CamemBERT - 0.78 0.83 0.86

La méthode Random Forest obtient les plus mauvais résultats (entre 16% et 66%) et ce quelle que soit
la méthode de vectorisation et l'échantillonnage utilisés. Les résultats de la méthode Naive Bayes
vont de 44% à 74% et présentent une très forte dépendance à l'échantillonnage pour la vectorisation
TF-IDF. Les méthodes Logistic regression, SGD et SVM obtiennent des résultats très semblables et
les meilleurs sont atteints avec la vectorisation TF-IDF (environ 80%). De manière surprenante, le
plongement de mot Doc2Vec produit des résultats légèrement inférieurs à la représentation BoW.
Les scores augmentent avec la taille de l'échantillonnage, ce qui explique pourquoi cette approche a
besoin d'un grand jeu de données pour bien fonctionner. Les approches d'AP utilisant des réseaux de
neurones (CNN et BiLSTM) obtiennent des scores comparables (entre 65% et 80%) mais restent tout de
même en dessous des meilleures méthodes d'AA traditionnelles associées à la vectorisation TF-IDF.
Le rééquilibrage des classes a un effet négatif plus important que pour les méthodes traditionnelles à
cause de la réduction du jeu de données qu'il occasionne. Les modèles de langue préentraînés tel que
BERT Multilingue et CamemBERT obtiennent des résultats encore meilleurs de peu aux méthodes
classiques d'AA, offrant des performances très comparables avec 86% pour la meilleure F-mesure.
Les résultats de BERT Multilingue et CamemBERT sont très proches pour ce qui est de la moyenne
globale mais diffèrent un peu sur chaque classe, en fonction de la taille d'échantillonnage.
La figure 4.1 montre les F-mesures obtenus pour BERT Multilingue (courbe bleue) et CamemBERT
(courbe orange) pour chacune des classes (les courbes grises correspondent aux autres méthodes).
Les classes sont triées de gauche à droite par ordre de prévalence dans l'échantillon (c'est-à-dire
dans le même ordre que l'histogramme de la figure 3.34 à la page 83). Les deux méthodes obtiennent
des scores similaires pour la plupart des classes et qui ne diffèrent que sur les classes avec très peu
d'articles. Par exemple, la classe Économie domestique n'obtient que 44% avec BERT mais 61% avec
CamemBERT. Pour la Politique au contraire, BERT parvient à atteindre 53% alors que CamemBERT
plonge à 8%; de même sur la Minéralogie (70% contre 37%) et le Spectacle (62% contre 0%, Camem-

95
Thèse accessible à l'adresse : [Link] © [A. Brenon], [2025], INSA Lyon, tous droits réservés
 Chapitre 4 : Classification automatique en domaines de connaissance

BERT faisant l'impasse complète sur cette classe). Mais comme les écarts les plus importants entre
ces résultats sont sur des classes sous-représentées, l'impact sur la moyenne globale est très petit
et se retrouve compensé par des écarts pourtant plus réduits mais sur des classes plus nombreuses.
Cette figure met aussi en évidence le fait que la classe Arts et métiers pose des difficultés à toutes les
méthodes sans exception : toutes obtiennent des scores inférieurs à 40%, vraisemblablement parce
que ce domaine est souvent confondu avec les Métiers. L'ambiguïté du système de domaines et les
ressemblances entre classes sont discutées plus en détail à la section 4.2. D'une manière générale,
augmenter la taille des échantillons par classe (c'est-à-dire le nombre maximum d'articles pour cha-
cune) et donc accroître l'écart entre les classes les moins peuplées et celles les plus peuplées améliore
les résultats, mais détériore ceux obtenus sur les classes moins représentées. Cela suggère qu'il est
préférable d'avoir plus de données même avec des classes déséquilibrées que moins de données avec
des classes bien équilibrées si le but est d'améliorer les résultats pour un grand nombre de classes
différentes.

Figure 4.1 – F-scores obtenus par BERT Multilingual et CamemBERT sur chaque classe

Deux méthodes présentent un comportement différent : Random Forest et Naive Bayes, lorsqu'elles
sont combinées avec la vectorisation TF-IDF. Dans le cas de Naive Bayes, la figure 4.2 montre clai-
rement que la classification obtient de très mauvais résultats sans échantillonnage (courbe verte),
et la stratégie d'échantillonnage a un impact positif sur les performances. Sans échantillonnage, les
performances se dégradent très rapidement avec la diminution du nombre d'articles par classe et le
modèle ne fonctionne que pour les celles qui sont les plus peuplées (à gauche de la figure). Le modèle
entraîné avec des classes comprenant au plus 1 500 articles (courbe orange) fonctionne plutôt bien
sur toutes les classes ayant plus de 500 articles. Enfin, seul le modèle avec le jeu d'entraînement le
plus équilibré (avec 500 articles au plus par classe, courbe bleue) parvient à classer correctement la
majorité des classes et ses performances ne chutent dramatiquement que sur les classes avec moins
de 200 articles dans toute l'EDdA (de Mesure à Spectacle).

Parmi les méthodes traditionnelles d'AA, la vectorisation TF-IDF obtient quasi-systématiquement de

meilleurs résultats que les BoW et Doc2Vec. Cela reste vrai aussi bien sur les F-mesures globales que
sur les performances obtenues sur chaque classe. La figure 4.3 montre ainsi les scores obtenus par le
classifieur SGD sur chacune des classes avec les trois différentes vectorisations testées et dans chaque
cas sans échantillonnage. Les résultats sont très voisins mais le modèle TF-IDF (courbe orange) est
légèrement au-dessus pour la plupart des classes.

96
Thèse accessible à l'adresse : [Link] © [A. Brenon], [2025], INSA Lyon, tous droits réservés
 Chapitre 4 : Classification automatique en domaines de connaissance

Figure 4.2 – F-mesures obtenues par Naive Bayes + TF-IDF sur chaque classe avec trois échantillon-
nages différents

Figure 4.3 – F-mesures obtenues par SGD sur chaque classe avec trois vectorisations différentes et
sans échantillonnage.

97
Thèse accessible à l'adresse : [Link] © [A. Brenon], [2025], INSA Lyon, tous droits réservés
 Chapitre 4 : Classification automatique en domaines de connaissance

Le tableau 4.3 et la figure 4.4 présentent les différences de résultats obtenus en termes de F-mesure
sur le jeu de test (sans échantillonnage) pour toutes les classes (triées par le nombre d'articles dans
chacune) pour (1) SGD+TF-IDF, (2) BiLSTM+FastText et (3) BERT Multilingue. BERT obtient une F-
mesure supérieure à 70% sur 31 des 38 classes au total que comporte le jeu des domaines regroupés
(pour SGD+TF-IDF 25 classes, et BiLSTM+FastText seulement 19). Les performances du modèle BERT
sont inférieures à 50% pour seulement 3 classes (5 avec SGD+TF-IDF et 10 avec BiLSTM+FastText).
En général, les classes avec le plus d'articles (plus de 1 000) sont très bien reconnues par ces trois
modèles. Pour les classes avec le moins d'articles (moins de 500), il y a une chute significative des
performances. Il y a quelques exceptions comme Pêche et Médailles. Ces deux classes ont très peu
d'articles dans le jeu d'entraînement (168 et 94 respectivement) mais sont étonnamment bien classées
(à 85% et 86% par BERT ).
Tableau 4.3 – F-mesures par classe obtenues sur le jeu de test par les combinaisons SGD + TF-IDF
(1), BiLSTM + FastText (2) et BERT Multilingue (3).

Domaine Domaine
regroupé (classe) # (1) (2) (3) regroupé (classe) # (1) (2) (3)
Géographie 2 621 0.96 0.98 0.99 Chasse 116 0.87 0.87 0.92
Droit - Jurisp. 1 284 0.88 0.90 0.93 Arts et mét. 112 0.15 0.27 0.36
Métiers 1 051 0.79 0.76 0.81 Blason 108 0.87 0.86 0.89
Histoire naturelle 963 0.90 0.87 0.93 Maréchage 105 0.83 0.86 0.90
Histoire 616 0.64 0.64 0.75 Chimie 104 0.70 0.58 0.77
Médecine 455 0.83 0.80 0.86 Philosophie 94 0.75 0.49 0.72
Grammaire 452 0.58 0.54 0.71 Beaux-arts 86 0.70 0.62 0.82
Marine 415 0.83 0.86 0.88 Pharmacie 65 0.53 0.38 0.63
Commerce 376 0.71 0.69 0.74 Monnaie 63 0.63 0.50 0.72
Religion 328 0.78 0.77 0.84 Jeu 56 0.84 0.74 0.85
Architecture 278 0.79 0.74 0.80 Pêche 42 0.85 0.84 0.85
Antiquité 272 0.66 0.68 0.74 Mesure 37 0.35 0.10 0.56
Physique 265 0.75 0.76 0.82 Économie dom. 27 0.41 0.48 0.44
Militaire 258 0.83 0.82 0.88 Caractères 23 0.61 0.08 0.46
Agriculture 233 0.68 0.58 0.71 Médailles 23 0.77 0.70 0.86
Anatomie 215 0.89 0.84 0.90 Politique 23 0.15 0.22 0.53
Belles-lettres 206 0.58 0.41 0.70 Minéralogie 22 0.38 0.39 0.70
Mathématiques 140 0.82 0.85 0.89 Superstition 22 0.72 0.48 0.71
Musique 137 0.87 0.83 0.88 Spectacle 9 0.33 0.46 0.61

Au-delà de l'importance du nombre d'articles par classes, ces résultats soulignent la difficulté à dis-
tinguer entre certaines classes pour des raisons lexicales ou sémantiques comme cela était le cas
pour Arts et métiers avec Métiers. Ce domaine, parmi les mieux représentés, semble attirer à lui des
articles de nombreuses classes moins fréquentes mais proches sémantiquement. Cette hypothèse
semble confirmée par la matrice de confusion de la figure 4.5.
Sur cette figure, une colonne pâle est en effet visible vers la droite. Cette colonne représente des
articles de nombreux domaines pour lesquels le modèle SGD+TF-IDF a prédit à tort la classe Métiers.
Les deux points plus colorés de cette colonne hors de la diagonale correspondent aux classes Arts et
métiers et Économie domestique. Ils sont même les plus colorés des lignes correspondant à ces classes,
ce qui signifie que la majorité des articles de ces deux classes ont été confondus avec des articles
de Métiers par le modèle. De la même manière, Mesure, Minéralogie, Pharmacie et Politique ont été
confondues avec Commerce, Histoire naturelle, Médecine - Chirurgie et Droit - Jurisprudence respecti-
vement. Les ressemblances sémantiques entre ces classes illustrent les difficultés que rencontre un

98
Thèse accessible à l'adresse : [Link] © [A. Brenon], [2025], INSA Lyon, tous droits réservés
 Chapitre 4 : Classification automatique en domaines de connaissance

Figure 4.4 – F-mesures par classe obtenus sur le jeu de test par les combinaisons SGD + TF-IDF,
BiLSTM + FastText and BERT Multilingue.

Figure 4.5 – Matrice de confusion matrix pour la combinaison SGD+TF-IDF sur le jeu de test.

99
Thèse accessible à l'adresse : [Link] © [A. Brenon], [2025], INSA Lyon, tous droits réservés
 Chapitre 4 : Classification automatique en domaines de connaissance

modèle pour choisir la classe qui convient le mieux à un article donné. Les résultats confirment que
là où il y une forte proximité sémantique le modèle tend à choisir la classe la mieux représentée dans
le jeu de données, privilégiant ainsi les domaines regroupés qui contiennent le plus d'articles.

4.1.4 Classification non supervisée

En complément des méthodes de classification supervisées, des tentatives ont été faites pour utiliser
de l'apprentissage non supervisé, permettant d'étudier autrement les relations entre les contenus des
articles, les systèmes de classification et les prédictions générées automatiquement. Des techniques
de clustering ont ainsi été employées pour grouper automatiquement les articles suivant leurs simi-
larités, sans s'attacher aux étiquettes à appliquer à ces groupes (c'est-à-dire à une quelconque inter-
prétation qu'il faudrait faire de ces groupes). Cette «similarité» est basée sur un calcul de distance
entre les représentations vectorielles des articles. Pour cette expérience, la méthode des K-Means
a été testée avec une vectorisation TF-IDF. La première expérience consiste à entraîner un modèle
de clustering pour construire 38 classes (le nombre de domaines regroupés choisis précédemment).
Des résultats décevants amènent à rechercher automatiquement le meilleur nombre de clusters en
utilisant la méthode Silhouette (Shahapure & Nicholas, 2020). Les résultats suggèrent 36 comme le
nombre optimal de clusters, mais la répétition de l'expérience précédente avec ce nombre produit
des résultats similaires.

La figure 4.6 montre une carte de chaleur des distributions normalisées des nombres de clusters trou-
vés automatiquement avec la méthode K-Means en compartimentant les articles en 36 clusters. La
plupart des clusters comportent un nombre important d'articles de plusieurs domaines et le cluster
n°0 regroupe des articles de quasiment tous les domaines. De plus, pour beaucoup de clusters, la
proportion est élevée et, de la même manière, beaucoup de domaines se retrouvent étalés sur plu-
sieurs clusters. Cela est particulièrement vrai pour la Géographie, l'Histoire naturelle et les Arts et
métiers. Bien que les résultats soient complexes, l'analyse des clusters demeure utile : par exemple
le cluster n°22 regroupe des articles étiquetés Belles-lettres - Poésie, Histoire, Médailles, Religion et
Superstition. Ces catégories possèdent des similarités thématiques qui dénotent leur classification
initiale dans l'EDdA ainsi que celle choisie en termes de domaine regroupé (elles contiennent fré-
quemment du contenu à propos d'histoires réelles mais aussi fictionnelles et mythologiques). De
manière semblable, le cluster n°7 comporte des articles des domaines Médecine - Chirurgie, Anato-
mie, Physique - [Sciences physico-mathématiques] et Pharmacie. Il semble possible de percevoir une
thématique autour du corps et de la médecine dans cet ensemble de classes. Enfin, le cluster n°30 en
rassemblant des articles de Commerce et de Mesure suggère une thématique autour des nombres et
d'unités. Quelques clusters restent particulièrement homogènes et donc proches des classes comme
le cluster n°10 composé à 96.46% d'articles des classes Géographie ou le n°34, à 99.05% de l'Histoire
naturelle.

À l'inverse, la figure 4.7 montre la distribution de domaine regroupés par cluster. Comme sur la fi-
gure 4.6, le cluster n°0 ressort particulièrement en rassemblant plus de 14 000 articles de quasiment
toutes les classes, alors que la très large majorité des autres comporte moins de 2 000 articles. Cet
écart considérable entre ce cluster et les autres illustre toute la difficulté qu'il y a à trouver auto-
matiquement une catégorisation satisfaisante des articles du jeu de données. Cette nouvelle figure
montre encore l'hétérogénité des classes de quasiment tous les clusters (exceptés les cas discutés
plus haut) et par là-même la difficulté à donner un sens aux clusters proposés par K-Means, sinon
en terme de thématiques pour quelques uns d'entre eux.

De plus, sur les 38 classes, seules 15 apparaissent comme la classe principale d'un des clusters (voir
le tableau 4.4). Parmi les clusters, 9 apparaissent relativement homogènes avec une classe principale
«pure» dans ces clusters à plus de 90% (cela est le cas pour les clusters n°1, 6, 10, 13, 15, 19, 31, 33 et 34).
Mais pour ces 9 clusters, seules 3 classes apparaissent comme la classe principale, et la Géographie

100
Thèse accessible à l'adresse : [Link] © [A. Brenon], [2025], INSA Lyon, tous droits réservés
 Chapitre 4 : Classification automatique en domaines de connaissance

Figure 4.6 – Distributions normalisées des nombres de clusters par classe.

Figure 4.7 – Nombre d'articles de chaque classe par cluster

101
Thèse accessible à l'adresse : [Link] © [A. Brenon], [2025], INSA Lyon, tous droits réservés
 Chapitre 4 : Classification automatique en domaines de connaissance

est la classe principale de 7 d'entre eux. Cela empêche d'interpréter la pureté importante des clusters
comme la correspondance de certains d'entre eux avec des classes existantes, une hypothèse qui était
pourtant à priori intéressante au vu de la proximité entre le nombre de classes (38) et de clusters
(36). De plus, la classe Géographie est présente dans 31 clusters différents, c'est-à-dire la quasi-totalité
d'entre eux, ce qui contredit une interprétation des 7 clusters comme autant de types d'articles de
Géographie possibles.
Tableau 4.4 – Part de la classe la plus représentée dans chaque cluster.

Cluster n° Classe principale Part Cluster n° Classe principale Part

0 Droit - Jurisprudence 15.85 % 18 Métiers 20.51 %
1 Géographie 91.95 % 19 Droit - Jurisprudence 95.50 %
2 Droit - Jurisprudence 71.54 % 20 Chimie 12.33 %
3 Géographie 89.03 % 21 Histoire naturelle 74.48 %
4 Antiquité 51.38 % 22 Histoire 16.99 %
5 Métiers 58.78 % 23 Mathématiques 30.95 %
6 Géographie 99.28 % 24 Droit - Jurisprudence 52.67 %
7 Médecine - Chirurgie 66.10 % 25 Métiers 51.76 %
8 Métiers 42.17 % 26 Métiers 39.85 %
9 Géographie 15.25 % 27 Droit - Jurisprudence 82.77 %
10 Géographie 96.46 % 28 Histoire naturelle 52.82 %
11 Maréchage - Manège 70.80 % 29 Anatomie 82.93 %
12 Histoire naturelle 83.24 % 30 Commerce 52.82 %
13 Géographie 96.53 % 31 Géographie 95.50 %
14 Marine 74.93 % 32 Histoire naturelle 65.09 %
15 Géographie 100.00 % 33 Géographie 99.47 %
16 Grammaire 44.65 % 34 Histoire naturelle 99.05 %
17 Blason 24.06 % 35 Histoire naturelle 71.61 %

Il est difficile de tirer des conclusions des résultats de cette expérience de clustering et, avant d'aller
plus loin, davantage d'analyses qualitatives sont nécessaires pour pouvoir décider si l'apprentissage
non supervisé peut être utile comme une méthode complémentaire pour classer automatiquement
les articles de l'EDdA et à terme de LGE. Le clustering est, comme le topic modeling par LDA, une
manière d'organiser le contenu du corpus sans présupposer un ensemble de classes qui serait la ma-
nière correcte de structurer la connaissance. Le choix fait précédemment de reprendre le nombre de
domaines regroupés utilisés pour la classification supervisée pour le nombre de clusters biaisait né-
cessairement la découverte de clusters, mais le fait que l'heuristique Silhouette ait trouvé un nombre
proche de clusters (36) demeure troublant. Il pourrait être intéressant dans de futurs travaux de tester
de manière systématique un bien plus grand nombre de possibilités en partant d'un très petit nombre
de clusters et en augmentant leur nombre tout en évaluant manuellement la pertinence du système
trouvé à chaque étape. Dans le contexte de cette thèse, ces méthodes n'ont pas permis d'avancées
significatives et ne sont pas retenues dans le reste des analyses.

4.2 Relations entre Géographie et autres domaines de connaissance

Après avoir tâché de tirer les meilleures performances des différents modèles de classification à la
section précédente (4.1), cette section s'intéresse au contraire aux erreurs qui subsistent dans leurs
prédictions. Faisant en effet l'hypothèse que les erreurs commises par le modèle reflètent dans une
certaine mesure les proximités qui existent entre les domaines de connaissance elle se propose ainsi
de comprendre les relations qui lient la Géographie aux autres domaines de connaissance.

102
Thèse accessible à l'adresse : [Link] © [A. Brenon], [2025], INSA Lyon, tous droits réservés
 Chapitre 4 : Classification automatique en domaines de connaissance

Deux tendances gouvernent le choix d'un modèle dont étudier les erreurs. Il faut qu'elles soient assez
nombreuses pour fournir matière à observation et donc ne pas prendre le meilleur, mais à l'inverse
il est vraisemblable que les prédictions d'un classifieur obtenant de trop mauvais résultats recèlent
davantage de bruit que de vérités profondes sur les contenus des articles. Pour ces deux raisons, c'est
le modèle SGD+TF-IDF entraîné sur tous les articles disponibles (colonne n°3 du tableau 4.2 p.95) qui
a été retenu pour cette étude et sera utilisé tout au long de cette section. Ce modèle parvient à classer
correctement 9 630 des 11 702 articles, soit 82%. Ce sont les 2 072 autres, les erreurs, qui intéressent
cette étude.

4.2.1 Observations préliminaires des erreurs

Pour comprendre les facteurs amenant à ces erreurs il faut identifier clairement les paramètres en
jeu, représentés schématiquement par la figure 4.8.

Figure 4.8 – Les paramètres en jeu lors de la classification automatique d'un article

Premièrement trois entités différentes (les ellipses sur la figure 4.8) associent des classes aux articles.
La première et la seule qui puisse constituer une vérité indiscutable est le choix des éditeurs de l'EDdA
au travers de l'emploi de désignants. L'ENCCRE les normalise et, en leur absence, émet parfois sa
propre classification basée sur des indices présents dans le texte (notamment les marques de domaine
décrites à la section 3.1.2 p.49). À la différence de ces deux sources, le modèle est une troisième origine
de classes pour les articles qui, elle, peut — et doit — être remise en cause puisqu'il s'agit d'accorder
ses sorties aux deux sources de vérité terrain utilisées pour l'entraîner puis l'évaluer. Les erreurs
étudiées dans cette partie correspondent aux configurations possibles de différences entre ces trois
origines des classes, sur un ou plusieurs domaines.

Après la question des origines, un deuxième paramètre s'ajoute dans l'équation. Tous les travaux de
la section 4.1 considèrent en effet un problème de classification monoclasse : pour les 5% d'articles
assignés à plusieurs domaines par les encyclopédistes (voir la section 4.1.2 p.93), une seule classe a été
retenue pour entraîner le modèle (correspondant à la cellule en vert sur la figure). Or d'une part il ne
semble pas y avoir d'ordre d'importance entre les désignants présents en tête d'un article, et d'autre
part les combinaisons de classes apparaissant ensemble au sein de ces 5% possèdent une certaine
cohérence. Il y a ainsi plusieurs articles relevant à la fois de l'Histoire Naturelle et de la Botanique 5
mais aucun relevant à la fois de la Pharmacie et du Spectacle. Malgré le choix d'une classe parmi

5. l'article BROMELIA (L'Encyclopédie, T2, p.434) présenté à la figure 3.1a p.48 dans la description des parties d'un
article d'encyclopédie en offre un exemple

103
Thèse accessible à l'adresse : [Link] © [A. Brenon], [2025], INSA Lyon, tous droits réservés
 Chapitre 4 : Classification automatique en domaines de connaissance

plusieurs pour simplifier la tâche du classifieur automatique, les combinaisons de classe existantes
sont également une source d'information intéressante.

Ce problème posé par le choix d'une classe unique à partir d'un ensemble de classes existe non
seulement du côté de la vérité terrain mais également du côté de la prédiction. Techniquement, un
classifieur fait ses prédictions en attribuant à chaque classe du jeu d'étiquettes une probabilité d'être
correcte et en retenant la classe qui obtient la plus élevée (en bleu sur la figure 4.8). Or, pour plus de
la moitié des erreurs du modèle — 1 082, soit 9% du total — la classe qu'il fallait prédire a tout de même
obtenu la deuxième plus haute vraisemblance, et pour les 990 autres, elle apparaît souvent, même
avec un rang plus élevé (3ème ou 4ème ). Ainsi, même quand il se trompe, le modèle ne donne pas des
réponses entièrement absurdes et il y a donc un intérêt à considérer ses erreurs pour comprendre
les similarités et les différences entre les groupes de domaines.

À la lumière des remarques ci-dessus, et pour mieux comprendre les erreurs du modèle, il peut donc
être intéressant de confronter aux deux sources de vérités possibles que sont les encyclopédistes
et l'ENCCRE non seulement la prédiction retenue par le modèle (celle de plus haute probabilité)
mais aussi les suivantes, tout en tenant compte du fait que certains articles relèvent en réalité de
plusieurs domaines à la fois. Cela permettrait d'apporter de l'information sur la nature intriquée de
l'organisation de la connaissance dans l'EDdA et permettrait d'«aller au-delà du système de classifica-
tion originel des éditeurs pour commencer à tracer les contours des pratiques discursives à plusieurs
niveaux qui contribuent à la riche texture dialogique de l'EDdA» (Roe et al., 2016, p. 10).

En un sens, cette étude conduite sur la seule EDdA s'inscrit entièrement dans la perspective de
d'Alembert citée à la section 3.3.2 en considérant la classification automatique comme une «projec-
tion» utile pour visualiser les articles : ceux dont la classe prédite correspond à la classe qui leur
avait été assignée par les éditeurs et ceux pour lesquels elle ne correspond pas qui sont tout aussi
intéressants. Mais il y a une tension indépassable entre la tâche d'évaluer une classification générée
automatiquement et l'accès à une compréhension qu'il n'y a pas forcément une classification unique
et «correcte» pour un article donné.

Les erreurs autour de la Géographie

Un point de départ simple pour cette étude consiste à étudier les faux négatifs et les faux positifs
des articles de Géographie. Sur les 2 621 articles de cette classe présents dans le jeu de test, 191 ont
été mal classés par le modèle.

Faux négatifs Seuls 39 articles étiquetés Géographie ont été classés à un autre domaine que Géogra-
phie par le modèle. Ils constituent donc des faux négatifs du modèle SGD+TF-IDF pour cette classe,
dont la répartition est visible à la figure 4.9. En tout, 12 domaines autres que Géographie sont prédits
parmi les 39 faux négatifs, avec une forte prévalence de l'Histoire et de l'Antiquité. Ces faux négatifs
pour la classe Géographie peuvent se regrouper en trois types.

Le premier, celui des «faux multiclasses» correspond au cas des articles ayant un seul désignant
et pour lesquels le modèle n'a attribué que la deuxième ou troisième plus haute probabilité à la
classe qu'il fallait prédire. Ce type de faux négatif correspond par exemple à l'article INDOUSTAN
(L'Encyclopédie, T8, p.686). Il ne possède que le désignant «Géog.» et fait donc partie du domaine
ENCCRE Géographie. La meilleure prédiction pour cet article est Histoire (avec 50% de certitude), et
le domaine qu'il fallait prédire, Géographie vient ensuite avec 47,6%. En regardant son contenu on
observe, après 5 lignes qui situent l'«Indoustan» dans l'espace, un paragraphe plus long, de 12 lignes
au total, qui trace un historique de la région. Si le modèle a donc bel et bien échoué à reproduire la
logique éditoriale de l'EDdA, sa prédiction est tout à fait satisfaisante du point de vue de la compré-
hension du texte qu'on pourrait attendre d'un lectorat humain et il n'aurait donc pas été surprenant

104
Thèse accessible à l'adresse : [Link] © [A. Brenon], [2025], INSA Lyon, tous droits réservés
 Chapitre 4 : Classification automatique en domaines de connaissance

Figure 4.9 – Articles étiquetés Géographie par l'ENCCRE mais pas par le modèle (faux négatifs)

que l'article soit pourvu d'un désignant pour l'Histoire en plus de celui pour la Géographie. Les ar-
ticles de toponymes de l'EDdA comportent très fréquemment une multitude de contenus qui ne sont
pas nécessairement «géographiques», et cela est particulièrement le cas sous la plume de Jaucourt
qui signe cet article. La prévalence de l'Histoire sur la figure 4.9 est un premier signe de sa proximité
avec la Géographie.

Le deuxième type de faux négatifs, celui des «désaccords» inclut des articles auxquels les auteurs
de l'EDdA n'avaient à l'origine pas assigné de domaine de connaissance et que l'ENCCRE a classés
à Géographie mais pour lesquels Géographie ne fait pas partie des prédictions les plus probables du
modèle. L'article de Diderot sur les îles des AÇORES (L'Encyclopédie, T1, p.110) présente d'après le
modèle une très faible probabilité de relever de la Géographie (la classe est prédite avec seulement
2.7% de confiance). Les classes les plus probables d'après le modèle sont Commerce (45%), suivie
de Métiers (43%) et Arts et métiers (8.6%). Et en effet, en allant lire l'entrée AÇORES elle-même, on
constate qu'après une seule ligne situant l'archipel à la fois très grossièrement («de l'Amérique») et
trop précisément (par des coordonnées en longitude et latitude mais sans donner aucune relation
à d'autres terres que le lectorat serait susceptible de connaître), la majeure partie de l'article est
consacrée à décrire en détail son intérêt pour le commerce, comme un point de passage sur des
routes commerciales, et en énumérant longuement toutes les marchandises qui en proviennent ou y
transitent. Sur 1 597 articles Commerce, seuls 3 possèdent aussi la classe Géographie selon les sources
de domaines (colonne de gauche sur la figure 4.8). Ce type de faux négatifs révèle en fait les liens
qui existent entre certains contenus, ici la Géographie et le Commerce. Alors qu'il n'apparaît pas
explicitement dans le «Système figuré» de l'EDdA (voir figure 3.4 p.52), ce lien est pourtant assez
fréquent sous la plume de Diderot, qui malgré la rigueur assumée de son style dans les articles de
Géographie (Laramée, 2017, p. 168) intègre volontiers des «considérations sur le commerce local»
(Vigier et al., 2022, p. 69).

La dernière sorte de faux négatifs, à l'inverse du premier type (et qu'on pourra donc naturellement
nommer le type des «vrais multiclasses»), regroupe un ensemble d'articles qui possédaient plusieurs
désignants, devenus plusieurs ensembles de domaines après les travaux de l'ENCCRE et dont le do-
maine regroupé unique choisi pour l'étude était Géographie. Par exemple GOLGOTHA relevait initia-
lement de la Géographie et de la Théologie d'après les éditeurs, correspondant aux ensembles de do-
maines Géographie et Religion pour l'ENCCRE, mais la seule classe Géographie a été retenue comme
vérité pour évaluer le modèle. Les deux classes les plus probables d'après celui-ci sont Religion (60%)
et Histoire (31%)). De manière surpenante, Géographie n'obtient que 3%. Le nom «Golgotha» réfère
à l'endroit où le messie de la religion chrétienne a été crucifié et l'article, fidèle au reste de la ligne
éditoriale de l'EDdA, consiste en une comparaison des écrits des premiers chrétiens sur l'endroit. Il

105
Thèse accessible à l'adresse : [Link] © [A. Brenon], [2025], INSA Lyon, tous droits réservés
 Chapitre 4 : Classification automatique en domaines de connaissance

se termine en rejetant les théories les plus imaginatives sur l'origine du nom. L'auteur, l'abbé Mallet,
tranche en faveur de la suggestion de Saint Jérôme selon laquelle le Golgotha aurait été nommé ainsi
(calvaire en Hébreu) car les crânes étaient abandonnés sur ce lieu d'exécution traditionnel. Sur cet
exemple il semble que l'erreur du modèle révèle surtout en fait les limites d'un choix automatique
fait lors de la préparation du corpus d'une classe parmi plusieurs. Ce dernier type des «vrais multi-
classes» pourrait certainement intéresser une étude séparée sur les différences entre contributeurs
dans leurs approches à la Géographie et aux autres domaines de connaissance. Pour l'entrée GOL-
GOTHA, il est ainsi intéressant de noter que son auteur, l'abbé Mallet est un théologien qui a rédigé
de nombreux articles (plus de 2 000 en tout), mais seulement 7 en Géographie. Pour d'autres articles,
l'approche propre à un autre contributeur, le chevalier de Jaucourt, est développée à la section 5.2 à
partir de la page 157.

Faux positifs Pour 152 articles, le modèle a prédit Géographie comme la classe la plus probable
alors qu'ils ne relevaient de ce domaine ni d'après ses auteurs ni d'après l'ENCCRE. L'article ROCHER
(L'Encyclopédie, T14, p.313) visible à la figure 4.10, classé en Géographie par le modèle alors que
son désignant le situe en Grammaire, constitue un exemple de faux positif. Extrêmement bref, il se
contente d'établir l'équivalence sémantique entre les mots rocher, roc et roche et contient un renvoi
vers l'entrée ROC.

Figure 4.10 – Article ROCHER, l'EDdA, T14, p.313

Si l'on tient compte des prétraitements appliqués avant classification, en particulier l'élimination des
mots vides, le modèle a même reçu comme entrée pour cet article :
rocher s. m. chose roc roche roc.
L'abondance de termes liés aux propriétés physiques du sol oriente vraisemblablement le modèle
vers la Géographie comme classification la plus probable. Ici encore dans le contexte des faux positifs,
le modèle révèle son utilité pour mettre en lumière des contenus thématiques qui resteraient cachés
en s'en tenant à la seule classification des auteurs, ici du vocabulaire disciplinaire qui pourrait relever
de la géographie. En général, les probabilités de prédiction pour un article donné décroissent très
vite pour atteindre 0 après quelques classes (ce qui traduit la certitude d'après le modèle que l'article
ne relève pas des classes suivantes) : il est remarquable que pour ROCHER le modèle attribue une
vraisemblance non nulle à 16 classes différentes, traduisant l'ambiguïté d'un article très pauvre en
éléments distinctifs et difficile à situer parmi les domaines de connaissance. Après Géographie, le
modèle propose ainsi dans l'ordre la Grammaire (17%, ce qui correspondrait au premier type de faux
négatifs des «faux multiclasses» identifiés plus haut si l'on conduisait pour la Grammaire l'étude
conduite ici pour la Géographie), Marine (14%), et Loi (13%).
Les faux positifs se répartissent entre 23 domaines différents, soit presque deux fois plus que pour les
faux négatifs. Les domaines impliqués dans les faux négatifs sont d'ailleurs tous inclus dans ces 23
domaines à l'exception de la Minéralogie, à l'origine d'un seul faux négatif. Leur distribution, visible
à la figure 4.11, révèle une forte prépondérance de l'Histoire et de l'Antiquité, les deux classes les
plus confondues avec la Géographie. On retrouve également les classes Marine, Religion et, dans une
moindre mesure, Histoire naturelle dont seulement 3 articles ont été pris pour de la Géographie sur
les 152 faux positifs — soit 2% — alors que les 3 articles de Géographie prédits comme appartenant à
cette classe représentaient 7.7% des 39 faux négatifs et classaient l'Histoire naturelle en 5ème position
des domaines les plus prédits à la place de la Géographie par le modèle. Plusieurs domaines présents
mais assez rares parmi les faux négatifs (dans les 50% les moins représentés) se classent parmi les

106
Thèse accessible à l'adresse : [Link] © [A. Brenon], [2025], INSA Lyon, tous droits réservés
 Chapitre 4 : Classification automatique en domaines de connaissance

faux positifs les plus fréquents (dans les 33% les mieux représentés) : Droit - Jurisprudence qui est le
3ème domaine causant le plus de faux positifs pour le modèle, Physique, Grammaire et Belles-lettres.
Deux domaines totalement absents des faux négatifs, Agriculture et Architecture, sont plutôt bien
représentés parmi les faux positifs puisqu'ils sont respectivement les 10ème et 11ème domaines les
plus fréquents sur 23 domaines au total.

Figure 4.11 – Articles étiquetés Géographie par le modèle mais pas par l'ENCCRE (faux positifs)

Les différences de distribution entre faux positifs et faux négatifs suggèrent une apparition fréquente
de contenus géographiques en dehors du seul domaine de la Géographie, davantage que l'inverse. Ces
contenus nourrissent les articles de nombreux autres domaines, montrant la Géographie comme une
science transverse, nécessaire dans l'articulation du discours des autres sciences.

Graphe des Plus Proches Voisins

L'étude préliminaire qui précède révèle déjà des traits intéressants de la Géographie mais serait trop
fastidieuse à conduire sur chacun des 38 domaines regroupés et, surtout, ignorerait des dynamiques
complexes impliquant plus de deux domaines à la fois. Pour approfondir l'exploitation des erreurs
du modèle, il faut des outils permettant d'adopter une approche d'ensemble.

Les matrices et les graphes sont des représentations complémentaires et équivalentes d'un même
objet. À tout graphe dirigé fini et sans arêtes multiples correspond une matrice d'adjacence pondérée.
Réciproquement toute matrice carrée dont les coefficients peuvent représenter les poids d'un graphe
peut être vue comme sa matrice d'adjacence pondérée (ou matrice des poids). En effet, dans un
graphe de 𝑛 nœuds n'admettant qu'une seule arête entre deux nœuds donnés, il peut y avoir au plus
𝑛2 arêtes. Si le graphe est complet ou si les coefficients qui pondèrent ses arêtes peuvent prendre une
valeur particulière pour représenter une absence d'arête (typiquement 0), alors ces arêtes peuvent
être stockées dans une matrice carrée de taille 𝑛 : sa matrice des poids. Inversement, une matrice 𝑀
de taille 𝑛 permet de construire un graphe en créant 𝑛 nœuds puis en ajoutant une arête pondérée
du coefficient 𝑀𝑖,𝑗 du nœud 𝑖 vers le nœud 𝑗 (de même que pour la traduction du graphe en matrice,
en n'ajoutant éventuellement aucune arête si ce coefficient a une valeur particulière, typiquement
0) pour tous les coefficients de la matrice 𝑀 . Cette équivalence est représentée par la figure 4.12.

Il faut remarquer ici la part d'arbitraire qui existe dans les deux opérations de conversion puisqu'elles
reposent sur un choix implicite pour faire correspondre le sens d'une arête sur le graphe avec l'ordre
entre colonne et ligne dans la matrice. Il aurait tout à fait été possible de stocker en 𝑀𝑗,𝑖 le poids de
l'arête de 𝑖 vers 𝑗 ou, de manière équivalente de construire à partir de 𝑀𝑖,𝑗 l'arête de 𝑗 vers 𝑖 dans
le graphe. La seule chose qui importe est d'adopter des conventions compatibles (ce qui est le cas
de celles choisies) pour les deux transformations matrice→graphe et graphe→matrice afin que

107
Thèse accessible à l'adresse : [Link] © [A. Brenon], [2025], INSA Lyon, tous droits réservés
 Chapitre 4 : Classification automatique en domaines de connaissance

𝑚0,0 𝑚0,1 … 𝑚0,𝑛

⎛
⎜ 𝑚1,0 𝑚1,1 … 𝑚1,𝑛 ⎞
⎟
⎜
⎜ ⎟
⎟
⎜ ⋮ ⋱ ⎟
⎝𝑚𝑛,0 𝑚𝑛,1 … 𝑚𝑛,𝑛 ⎠

(a) Les coefficients dans la matrice (b) Les poids des arêtes du graphe

Figure 4.12 – Représentation schématique de l’équivalence entre matrice et graphe

leur composée revienne à la matrice ou au graphe de départ, et pas à la matrice transposée ou au

graphe opposé (le même graphe en renversant le sens des arêtes).

Ces deux concepts représentent donc d'une façon complémentaire un même type d'objet : les sys-
tèmes dynamiques discrets et linéaires (SDDL). Ceux-ci comprennent par exemple les flux sur un
réseau, une étape de transformation d'un modèle physique simplifié ou dans le cas présent la pré-
diction des classes d'un ensemble d'articles. Cela est clair en revenant à la définition d'une matrice
de confusion : ses coefficients 𝑚𝑖,𝑗 représentent la proportion d'objets de la classe 𝑖 prédits par le
modèle comme appartenant à la classe 𝑗. Dans l'évaluation d'un modèle sur un jeu de test, l'état ini-
tial est caractérisé par une certaine distribution d'éléments de chaque classe, qui constitue donc un
premier vecteur. Après la prédiction du modèle, il y a une deuxième distribution qui correspond à la
répartition des classes prédites et peut se représenter par un deuxième vecteur de même dimension
que le premier (le nombre de classes possibles), et qui est aussi proche du premier que les perfor-
mances du modèle sont bonnes. Le rapport entre ces deux vecteurs est la matrice de confusion du
modèle, c'est-à-dire que le nombre d'objets dans une classe prédite (son cardinal) sera une combi-
naison linéaire des cardinaux des différentes classes de départ, pondérés par les coefficients de la
matrice de confusion dans la colonne correspondant à la classe prédite. S'il est vrai que ce système
ne possède que deux états (le modèle donne toujours la même prédiction sur une entrée donnée, il
n'y a pas de sens à lui faire effectuer une nouvelle prédiction), il n'en constitue pas moins un SDDL
et il est possible d'utiliser les techniques employées habituellement sur ces objets.

La dualité entre matrices et graphes permet d'explorer les SDDL en adoptant alternativement les
points de vue d'un graphe ou d'une matrice. Lorsque le nombre de nœuds et d'arêtes devient trop
élevé dans un graphe pour pouvoir exploiter sa représentation graphique (voire parfois même pour
pouvoir simplement tracer une telle représentation en deux dimensions), l'exploitation de sa matrice
des poids, qui dans tous les cas donne «seulement» un tableau bidimensionnel permet de prendre le
relai. À l'inverse, il peut être compliqué d'obtenir une intuition de l'évolution d'un système à partir de
sa seule matrice d'adjacence pondérée alors qu'un graphe traduit facilement une idée de dynamique.

Dans le cadre de cette étude, c'est donc à partir de la matrice de confusion normalisée, présentée à la
figure 4.5 page 99 et notée 𝐶 dans ce qui suit, que sera étudié le système correspondant aux prédic-
tions du modèle SGD+TF-IDF. Suite à la remarque précédente, la convention choisie pour le sens des
arêtes signifie que l'analyse est orientée vers ses faux négatifs (les lignes de 𝐶 ). La représentation de
la matrice de confusion du modèle sous forme de graphe revient donc à le voir «déplacer» les articles
du domaine regroupé auquel ils appartiennent vers le domaine qu'il considère le plus probable (cette
visualisation comme un flux permet également de comprendre en quoi la situation est celle d'un
SDDL puisque les analyses de flux en sont des exemples typiques). La convention contraire (basée
sur les colonnes et donc les faux positifs) aurait signifié que les articles d'un domaine prédit par le
modèle auraient été issus des vrais domaines pointés par les arêtes partant du nœud correspondant).

108
Thèse accessible à l'adresse : [Link] © [A. Brenon], [2025], INSA Lyon, tous droits réservés
 Chapitre 4 : Classification automatique en domaines de connaissance

Elle semble moins intuitive, ce qui justifie la convention adoptée.

La matrice de confusion d'un modèle parfait est la matrice identité : des 1 sur la diagonale principale
(du coin supérieur gauche au coin inférieur droit) et des 0 partout ailleurs, signifiant que pour chaque
classe donnée tous les articles de cette classe sont correctement identifiés par le modèle («laissés au
même endroit»). Avec l'équivalence discutée tout au long de cette partie, le graphe correspondant à
un tel modèle parfait serait formé d'autant de nœuds qu'il y a de classes, tous isolés, et ne possédant
chacun qu'une unique arête vers eux-mêmes (une boucle) pondérée de la valeur 1. Mais le graphe
d'un vrai modèle comme celui étudié est bien plus difficile à représenter, comme le suggèrent les
nombreuses cases colorées hors de la diagonale sur la figure 4.5. Il est d'ailleurs difficile de distinguer
précisément quelles cases sont nulles ou pas à cause des différences d'ordre de grandeur dans les
coefficients. En reprenant les données numériques, 484 cellules sont non nulles sur les 1 444 cellules
au total dans la matrice (38 × 38). Ce «bruit de fond» sur la matrice correspondrait donc à un graphe
extrêmement dense, avec 31 des arêtes d'un graphe complet ( 1444484
≃ 0.335). Il est donc difficile de se
donner une intuition de la dynamique sous-jacente à cette matrice de confusion.
Pour dépasser cette difficulté, on simplifie le système considéré pour ne considérer que les erreurs
les plus significatives du modèle. Cela revient à considérer la notion de «Plus Proche Voisin» (PPV
au centre du problème des K-Nearest Neighbors (les «K plus proches voisins») sur le graphe des
faux négatifs de sa matrice de confusion. La résolution de ce problème a des applications dans de
nombreux domaines, des réseaux (Guo et al., 2023) à la vision par ordinateur (Bewley & Upcroft,
2013) où il met en jeu des nombres de points tellement grands qu'il faut des structures de données
particulières pour accélérer la recherche comme les arbres de dimensions K (Friedman et al., 1977) ou
trouver des heuristiques pour approcher la solution plus rapidement. Si la notion existe déjà, elle se
trouve appliquée ici dans le cadre le plus simple possible au point de la rendre à peine reconnaissable :
il ne s'agit de trouver qu'un unique voisin pour chaque nœud du graphe (𝐾 = 1) et il n'y a que 38
«points» (les classes des domaines regroupés). De plus, là où la plupart des points considérés dans
les problèmes de KNN traités dans la littérature sont multidimensionnels et contiennent de grandes
quantités de données parfois combinées de manière complexe, les seules grandeurs à comparer dans
cette instance du problème sont des nombres flottants (les scores du modèle pour chaque paire de
classe, entre 0 et 1) ce qui permet d'effectuer tous les calculs et de comparer les résultats pour obtenir
le plus proche voisin de manière certaine. Ce cas particulier du problème se distingue aussi par le
fait qu'il s'agit habituellement de trouver une distance minimale alors qu'il faut ici garder la classe
dont le score dans la matrice de confusion est le plus grand.
Appliquée au problème de l'exploitation du graphe des faux négatifs de la matrice de confusion
du modèle, la notion de PPV permet de considérer une matrice et un graphe représentant les faux
négatifs les plus importants de chaque classe. Pour souligner la parenté avec le problème plus géné-
ral, et pour pouvoir ensuite porter la notion à d'autres objets que des matrices et des graphes issus
des mesures de performance d'un classifieur automatique, ces deux objets seront nommés respec-
tivement MPPV (Matrice des Plus Proches Voisins) et GPPV (Graphe des Plus Proches Voisins) du
modèle. La MPPV est la matrice d'adjacence pondérée du GPPV. Puisqu'il est possible de résoudre
le problème de PPV complètement et de manière naïve dans le cas présent, il est en pratique plus
aisé de commencer par décrire la MPPV à partir de la matrice de confusion du modèle, puis de la
considérer comme une matrice d'adjacence pour générer le GPPV correspondant. Pour obtenir la
MPPV à partir de la matrice de confusion, il suffit de mettre à 0 toutes les cellules diagonales (celles
qui d'après la remarque ci-dessus encodent les prédictions exactes du modèle qui ne contiennent
donc pas d'information sur ses erreurs) puis de calculer la valeur maximale sur chaque ligne et, pour
une ligne donnée, rendre également nulles toutes les cellules sauf celle(s) où le maximum a été at-
teint. Ici encore, la simplification a lieu par ligne puisque ce sont les lignes qui régissent le graphe :
ce choix correspond à ne garder que l'arête la (ou les arêtes les) plus forte(s) qui quitte(nt) chaque
nœud, c'est-à-dire le domaine qui attire le plus de faux négatifs du domaine de départ. En appliquant

109
Thèse accessible à l'adresse : [Link] © [A. Brenon], [2025], INSA Lyon, tous droits réservés
 Chapitre 4 : Classification automatique en domaines de connaissance

cette procédure à 𝐶 , on obtient la MPPV pour le modèle SGD+TF-IDF présentée à la figure 4.13.

Figure 4.13 – Matrice des Plus Proches Voisins pour la méthode SGD+TF-IDF sur le jeu de test.

À partir de cette matrice, il est aisé de construire le GPPV correspondant en appliquant la procédure
utilisée plus haut pour prouver le sens retour dans l'équivalence entre graphe et matrice, à savoir
construire le graphe à partir des coefficients de la matrice. Le résultat de cette opération appliquée
à la MPPV de la figure 4.13 est le GPPV du modèle SGD+TF-IDF visible à la figure 4.14. Ses arêtes
reprennent le schéma de couleur utilisé dans ce manuscrit pour les matrices de confusion : le mauve
y est d'autant plus prononcé que le taux de faux négatifs y est important. Ainsi, le cas des classes
Minéralogie et Arts et métiers, très mal reconnues, ressort nettement sur le graphe : plus de la moitié
de leurs articles sont incorrectement prédits par le modèle (en faveur des classes Histoire Naturelle
et Métiers respectivement).

La particularité la plus visible est sans doute la très forte attractivité de la classe Métiers, traduisant
la densité relativement élevée de la colonne correspondant à cette classe sur la MPPV de la figure
4.13. De manière cohérente avec le résultat des analyses du début de cette section, la Géographie
pointe sur l'Histoire car ce domaine est le plus fort attracteur de ses faux négatifs. En revanche, il
apparaît que les relations ne sont évidemment pas symétriques car si la plupart des faux positifs
de Géographie viennent de l'Histoire, le modèle «envoie» encore plus d'article de ce domaine vers
Droit - Jurisprudence. Entre ces deux classes par contre, il y a une réciprocité, car l'Histoire est aussi
le domaine qui attire le plus de faux négatifs de Droit - Jurisprudence. Une autre configuration inté-
ressante est celle de la classe Mathématiques dont partent deux arêtes 6 (c'est le seul nœud dans ce
cas) : les classes Physique et Grammaire attirent autant de faux négatifs de la classe Mathématiques.
Sans cet équilibre, le graphe serait partagé en deux composantes indépendantes : la partie supérieure
de la figure 4.14 rassemble plutôt des domaines liés à un certain savoir-faire et la partie inférieure
des domaines liés à la connaissance et à la réflexion. Il n'y a pas d'explication évidente à cette divi-
sion qui soit liée à la méthodologie employée : elle n'est probablement pas stricte et certains liens

6. ce fait peut sembler déconcertant mais correspond aux pluriels entre parenthèses proposés un peu plus haut : en
effet, vu la méthode de construction, si la valeur maximale est atteinte par plusieurs arêtes, il n'y a aucune raison d'en
préférer une et elles sont toutes gardées

110
Thèse accessible à l'adresse : [Link] © [A. Brenon], [2025], INSA Lyon, tous droits réservés
 Chapitre 4 : Classification automatique en domaines de connaissance

Figure 4.14 – Graphe des Plus Proches Voisins pour la méthode SGD+TF-IDF sur le jeu de test.

111
Thèse accessible à l'adresse : [Link] © [A. Brenon], [2025], INSA Lyon, tous droits réservés
 Chapitre 4 : Classification automatique en domaines de connaissance

s'expliqueraient sans doute davantage par des ressemblances de thématiques et de vocabulaire que
par une démarche similaire (on peut penser par exemple au lien entre Histoire Naturelle et Agricul-
ture), mais il n'en demeure pas moins intéressant de remarquer que la Physique et la Chimie font
toutes deux partie de la composante supérieure (ce qui est assez surprenant avec une perspective
contemporaine très théorique de ces deux disciplines). La Géographie, quant à elle, se situe bien
dans la composante inférieure ce qui semble traduire — si l'on accepte l'interprétation précédentes
des deux groupes — un domaine qui compile des informations plus qu'il ne décrit des procédés.

En représentant les dynamiques des faux négatifs dans les prédictions d'un modèle, le GPPV consti-
tue donc déjà une ressource visuelle utile pour identifier les proximités existant entre les classes.
La section suivante poursuit l'exploration des proximités entre domaines en considérant les PPV
d'autres graphes.

4.2.2 Similarités lexicales

Il est difficile de déterminer les raisons qui amènent le modèle SGD-TF-IDF à commettre les erreurs
étudiées dans la section précédente (4.2.1). Si l'étude de cas menée à partir de la page 104 sur les
erreurs autour de la classe Géographie a mis en évidence des passages consacrés à différentes disci-
plines, elle ne dit pas ce qui permet de les identifier. La présente section s'intéresse aux ressemblances
en termes de lexique entre les domaines regroupés comme un facteur explicatif possible. Le but est
de déterminer si la structure mise en évidence précédemment sur le GPPV (voir figure 4.14) peut
être reproduite ou au moins approchée à partir de propriétés lexicales simples des articles.

Le modèle SGD+TF-IDF étudié, comme tout modèle d’AA, base ses prédictions de classification pour
un article sur un ensemble de traits des tokens de cet article défini empiriquement lors de l’appren-
tissage mais inconnu pour qui l’utilise. Cette raison contribue à ce que les modèles d’apprentissage
automatique soient parfois appelés «boîtes noires» et constitue un argument en faveur de la dé-
marche d’Intelligence Artificielle «Explicable» («XAI» ou «eXplainable Artificial Intelligence» en
anglais), visant à comprendre à quoi s'intéressent les modèles. Cette préoccupation peut avoir au
moins deux buts : d'une part améliorer les performances des modèles (en préselectionnant les pro-
priétés à observer pour s'assurer que tous utilisent celles du meilleur modèle plutôt que de laisser
chaque modèle s'en approcher individuellement) et d'autre part transférer leurs «découvertes» sta-
tistiques pour apprendre des choses sur les traits qui caractérisent un genre ou, dans le cas présent,
un domaine.

En plus des propriétés elles-mêmes (lemme ou forme, avec ou sans POS), la façon de les combi-
ner peut également avoir un impact sur les performances du modèle. Ainsi, la notion de n-gramme
propose de remplacer les tokens en entrée par des séquences brèves, faisant l'hypothèse que des
fenêtres de mots contigus peuvent lever certaines ambiguïtés lexicales et jouer un rôle décisif dans
les prédictions d'un modèle. On peut rapprocher cette idée de l'importance accordée aux colloca-
tions par l'école britannique (voir la section 2.5.2 p.38). Des travaux comme Tan et al. (2002) ou
Mladenić & Grobelnik (2003) étudient comment sélectionner et combiner les propriétés apportant
le plus d'information sur les textes afin de mieux les classer. La construction des n-grammes elle-
même fait l'objet de recherches pour augmenter son efficacité (García et al., 2021). La longueur des
n-grammes joue un rôle important : si les performances s'accroissent en utilisant des n-grammes par
rapport à de simples tokens (c'est-à-dire quand 𝑛 > 1 puisque les tokens peuvent être vus comme
des «séquences de 1 token» donc des 1-grammes), elles décroissent en revanche quand 𝑛 devient
trop grand. Si toutes les études menées ne trouvent pas la même longueur seuil exactement, toutes
semblent s'accorder sur sa faible valeur (inférieure à 5). Fürnkranz (1998) et à sa suite Tan et al.
(2002, p. 531) estiment que les performances se dégradent au-delà de 3. Il est intéressant de constater
que ces valeurs sont du même ordre de grandeur que les fenêtres utilisées généralement pour les
recherches de cooccurrences dans les outils de textométrie.

112
Thèse accessible à l'adresse : [Link] © [A. Brenon], [2025], INSA Lyon, tous droits réservés
 Chapitre 4 : Classification automatique en domaines de connaissance

Pour ces raisons, dans ce qui suit les articles seront représentés tour à tour par des séquences de leurs
tokens de longueur 1, 2 puis 3 pour explorer à quel point les similarités lexicales des n-grammes ob-
tenus ressemblent aux erreurs du modèle. D'autres paramètres s'ajoutent à 𝑛 pour contrôler quelles
séquences vont être considérées : le nombre de n-grammes associés à chaque classe (𝑘 dans ce qui
suit) ainsi que la métrique utilisée pour effectuer les comparaisons.

Premièrement, soit ℒ le lexique de l'EDdA, c'est-à-dire l'ensemble de tous les mots qui apparaissent
dans les articles. Pour tout entier 𝑛 ∈ ℕ, un n-gramme est un élément de l'ensemble ℒ𝑛 , que l'on
peut aussi écrire informellement comme le produit Cartésien répété ℒ × ℒ × … ℒ, et ce 𝑛 fois :
en effet, un n-gramme a 𝑛 composantes, chacune à valeur dans ℒ ce qui correspond à la notion
ensembliste de produit Cartésien, ou en logique à la notion de conjonction : avoir un n-gramme,
c'est avoir 𝑛 mots du lexique à la fois. Cette étude considère donc suite à la remarque ci-dessus
les 1-grammes, les 2-grammes et les 3-grammes. Pour simplifier les calculs et éviter les disparités
causées par les différences entre les classes en termes de longueur et de nombre d'articles, elle ne
retient que les n-grammes les plus fréquents pour chaque classe, une même quantité pour toutes
les classes, ce qui constitue le deuxième paramètre de l'expérience présenté plus haut, appelé 𝑘 et
qui prendra successivement les valeurs 10, 50 et 100 (c'est-à-dire, que chaque classe sera tour à
tour représentée par ses 10 n-grammes les plus fréquents, ses 50 plus fréquents, puis ses 100 les
plus fréquents). Utiliser plusieurs valeurs pour l'expérience permet d'observer l'impact de 𝑘 et de
contrôler dans quelle mesure cette simplification distord les résultats.

Pour représenter les classes par une combinaison de n-grammes, on considère maintenant l'espace
𝑛
ℝ|ℒ| (l'espace vectoriel sur le corps ℝ de dimension la taille du lexique ℒ à la puissance 𝑛) — une
dimension certes grande devant les espaces vectoriels manipulés communément en géométrie élé-
mentaire mais encore finie. Une base naturelle de cet espace est la famille canonique de vecteurs
caractéristiques {𝑒𝑊 , 𝑊 ∈ ℒ𝑛 } correspondant à chaque n-gramme et dont les composantes sont
toutes nulles sauf une, celle qui correspond au n-gramme représenté par le vecteur considéré. Tant
qu'il s'agit de compter des occurrences de chaque n-gramme, les coefficients ne pourront qu'être
entiers (c'est-à-dire à valeur dans ℕ), mais faire le choix de ℝ et donc de se placer dans un espace
vectoriel plutôt qu'un simple module permet d'effectuer ensuite des divisions sur les coefficients,
utiles pour normaliser les vecteurs obtenus. Ce formalisme revient à faire des sac de n-grammes,
d'une manière similaire à laquelle BoW créait des sac de mots à partir des tokens.

Pour un n-gramme 𝑡 donné, on a besoin de compter son nombre total d'occurrences parmi tous
les articles de la classe 𝑐, noté |𝑡|𝑐,𝑛 , c'est-à-dire qu'on considère la fonction 𝑡 → |𝑡|𝑐,𝑛 de l'espace
ℒ𝑛 → ℕ. Par exemple, |("à", "plusieurs", "choses")|Géographie,3 représente le nombre d'occurrence du
trigramme ("à", "plusieurs", "choses") dans l'ensemble des articles classés à Géographie par le modèle.
Comme chaque classe 𝑐 sera représentée par l'ensemble de ses n-grammes les plus fréquents, ce qui
𝑛
sera noté 𝒯𝑐,𝑛,𝑘 , on pourra alors lui associer un vecteur 𝑉𝑐,𝑛,𝑘 dans l'espace vectoriel ℝ|ℒ| défini ci-
dessus. Les composantes de ce vecteur sont le compte d'occurrences dans la classe avec la fonction
précédente | … |𝑐,𝑛 pour chacun de ses 𝑘 n-grammes les plus fréquents et 0 pour tous les autres
n-grammes possibles. Plus formellement, cela signifie qu'on peut écrire la combinaison linéaire :

𝑉𝑐,𝑛,𝑘 = ∑ |𝑊 |𝑐,𝑛 ⋅ 𝑒𝑊
𝑊 ∈𝒯𝑐,𝑛,𝑘

Représenter ainsi les classes par des vecteurs donne la possibilité d'exprimer des mesures de simi-
larité à l'aide d'outils comme le produit scalaire et les notions dérivées de norme et de distance.
On définit ainsi le produit scalaire sur les vecteurs des classes comme la somme des produits des
composantes des vecteurs qu'ils ont en commun :

113
Thèse accessible à l'adresse : [Link] © [A. Brenon], [2025], INSA Lyon, tous droits réservés
 Chapitre 4 : Classification automatique en domaines de connaissance

⟨𝑉𝑐𝑖 ,𝑛,𝑘 , 𝑉𝑐𝑗 ,𝑛,𝑘 ⟩ = ∑ |𝑊 |𝑐𝑖 ,𝑛 × |𝑊 |𝑐𝑗 ,𝑛

𝑊 ∈𝒯𝑐𝑖 ,𝑛,𝑘 ∩𝒯𝑐𝑗 ,𝑛,𝑘

Et, par extension, la norme d'un vecteur de classe est définie par la racine carrée de son produit
scalaire avec lui-même (c'est-à-dire la racine carrée de la somme des carrés de ses coefficients, soit
l'équivalent de la norme euclidienne manipulée couramment sur les espaces à 2 ou 3 dimensions,
mais généralisée à l'espace de dimension |ℒ|𝑛 considéré) :

‖𝑉 ‖ = √⟨𝑉 , 𝑉 ⟩

Avec ces définitions, il devient possible de considérer deux métriques. La première, qu'on appel-
lera la similarité cardinale consiste à simplement compter la proportion de n-grammes que deux
classes données ont en commun. En supposant que 𝑐𝑖 et 𝑐𝑗 sont deux classes, leur similarité cardi-
nale ⟨𝑐𝑖 , 𝑐𝑗 ⟩𝑛,𝑘,𝑐𝑎𝑟𝑑 peut s'exprimer ainsi (la division par 𝑘 sert à normaliser le nombre obtenu pour
le ramener entre 0 et 1 — deux ensembles de 𝑘 éléments ne peuvent pas avoir plus de 𝑘 éléments en
commun — pour la rendre comparable indifféremment de 𝑘) :

‖𝒯𝑐𝑖 ,𝑛,𝑘 ∩ 𝒯𝑐𝑗 ,𝑛,𝑘 ‖

⟨𝑐𝑖 , 𝑐𝑗 ⟩𝑛,𝑘,𝑐𝑎𝑟𝑑 = (4.1)
𝑘

La seconde, qu'on appellera la similarité scalaire, s'obtient en calculant leur produit scalaire, nor-
malisé en le divisant par le produit de leurs normes. Toujours avec la même notation, cette autre
métrique peut s'écrire :

⟨𝑉𝑐𝑖 ,𝑛,𝑘 , 𝑉𝑐𝑗 ,𝑛,𝑘 ⟩

⟨𝑐𝑖 , 𝑐𝑗 ⟩𝑛,𝑘,𝑠𝑐𝑎𝑙 = (4.2)
‖𝑉𝑐𝑖 ,𝑛,𝑘 ‖ × ‖𝑉𝑐𝑗 ,𝑛,𝑘 ‖

À partir de ces deux métriques, il est possible de générer des matrices de similarité pour chacune des
configurations possibles, 18 au total : 3 valeurs possibles pour le paramètre 𝑛 (la taille des n-grammes,
pouvant être 1, 2 ou bien 3), 3 pour 𝑘 (pour rappel 10, 50 ou 100) et 2 métriques à considérer chaque
fois (cardinale ou scalaire). La figure 4.15 reproduit deux d'entres elles correspondant à 𝑘 = 100 et
𝑛 = 2 (100 2-grammes les plus fréquents par classe), pour les deux métriques possibles.
La première diagonale de ces matrices constitue une ligne de symétrie car la relation qu'elles repré-
sentent est symétrique : pour toute paire de classes 𝑐𝑖 et 𝑐𝑗 , ⟨𝑐𝑖 , 𝑐𝑗 ⟩ = ⟨𝑐𝑗 , 𝑐𝑖 ⟩ (vrai pour chacune
des deux métriques considérées, toutes deux définies à partir d'opérations symétriques — produits
et sommes d'entiers, intersections d'ensembles). Par contraste, la matrice de confusion du modèle
SGD+TF-IDF était asymétrique car le modèle ne confond pas les articles de Géographie avec ceux
d'Histoire avec le même taux d'erreur qu'il confond ceux d'Histoire avec de la Géographie (un fait
déjà visible sur le GPPV du modèle à la figure 4.14 p.111 et discuté à la section 4.2.1). Cette diffé-
rence est une conséquence de la simplification opérée par rapport aux résultats des prédictions du
modèle.
Les matrices sont également de plus en plus creuses à mesure que les paramètres 𝑛 et 𝑘 croissent,
car la probabilité que deux classes partagent un de leurs n-grammes les plus fréquents décroît alors :
d'une part plus un n-gramme est long, plus il tend à être unique et d'autre part plus la liste de n-
grammes considérée est longue, plus des n-grammes différents ont des chances d'apparaître.
Enfin, la première métrique, la similarité cardinale présente l'avantage d'être moins «bruitée» que
la similarité scalaire, c'est-à-dire que la couleur de fond des matrices de similarités générées est

114
Thèse accessible à l'adresse : [Link] © [A. Brenon], [2025], INSA Lyon, tous droits réservés
 Chapitre 4 : Classification automatique en domaines de connaissance

(a) Pour la similarité cardinale (b) Pour la similarité scalaire

Figure 4.15 – Similarités lexicale des 100 2-grammes les plus fréquents

plus claire, comme cela est visible sur la figure 4.15a (à gauche) par rapport à la figure 4.15b (à
droite). Cela peut sembler contre-intuitif si l'on regarde le calcul de la similarité cardinale comme
simplement un cas particulier de la similarité scalaire dans lequel tous les coefficients des vecteurs
sont mis à 1, au coefficient multiplicatif de leur norme près. En effet, on pourrait s'attendre à ce que
le produit scalaire des vecteurs de deux classes soit systématiquement très inférieur au décompte de
leurs vecteurs de base en commun, en ce sens qu'avoir des coefficients différents ne peut que rendre
les vecteurs moins colinéaires.

Mais cet effet est vaincu par la distribution de «masse» des coefficients dans les vecteurs : si deux
vecteurs ont seulement très peu de composantes en commun, mais que leurs coefficients les plus
élevés se trouvent précisément sur ces composantes, alors leurs projections sur le sous-espace des
vecteurs qu'ils ont en commun produira des vecteurs de taille proche de leur taille initiale. Si de
plus les distributions des composantes de ces vecteurs projetés ont des formes semblables (le même
ordre quand on les classe par valeur de leurs coefficients, et avec le même ratio entre elles), alors
leur produit scalaire peut rester assez proche du produit de leurs normes. Dans ce cas, la similarité
scalaire donnera une valeur proche de 1, alors qu'ils ne partageront que quelques n-grammes, ce qui
donnera une similarité cardinale très faible. En d'autres termes, les classes n'ont que peu en commun
mais ce qu'elles ont en commun est précisément ce qui leur est le plus fondamental. Les composantes
qu'elles ne partagent pas ne jouent alors qu'un rôle tout à fait marginal. Bien entendu, pour que cet
effet s'applique, les deux classes doivent avoir au moins un n-gramme en commun, sans quoi leur
produit scalaire sera simplement nul.

Cette configuration contre-intuitive se produit par exemple avec les 3-grammes des classes Histoire
et Religion, visibles au tableau 4.5. Ces deux classes ne partagent que 25 de leur 100 3-grammes les
plus fréquents (ce qui correspond donc à un score de similarité cardinale de 0.25) mais leur produit
scalaire normalisé (la similarité scalaire) est de 0.61 car leurs projections sur le sous-espace des 25
3-grammes qu'elles ont en commun restent très proches d'elles (où leurs projections représentent
respectivement 87.8% et 87.3% de leurs normes initiales).

Le tableau contient 10 n-grammes provenant d'informations sur l'emploi grammatical des articles
(«[Link].» est l'abréviation de «substantif féminin pluriel», voir la section 3.1.2 p.47) et 2 qui sont des
signatures ou des mentions (du même auteur, «c. d. j.» étant certainement l'abréviation du «Cheva-

115
Thèse accessible à l'adresse : [Link] © [A. Brenon], [2025], INSA Lyon, tous droits réservés
 Chapitre 4 : Classification automatique en domaines de connaissance

n-gramme Histoire Religion

(’s.’, ’m.’, ’nom’) 199 78
(’s.’, ’m.’, ’pl’) 144 210
(’m.’, ’chevalier’, ’jaucourt’) 76 12
(’avant’, ’jesus’, ’christ’) 72 13
(’s.’, ’m.’, ’terme’) 33 15
(’m.’, ’pl’, ’nom’) 32 59
(’s.’, ’f.’, ’pl’) 31 12
(’s.’, ’f.’, ’nom’) 27 10
(’m.’, ’nom’, ’donne’) 27 16
(’depuis’, ’long’, ’tems’) 26 19
(’s.’, ’m.’, ’mot’) 24 11
(’depuis’, ’tems’, ’-là’) 22 13
(’a’, ’-t’, ’-il’) 22 26
(’a’, ’long’, ’tems’) 19 9
(’a’, ’donné’, ’nom’) 18 16
(’adj’, ’pris’, ’subst’) 17 10
(’long’, ’tems’, ’avant’) 16 9
(’c.’, ’d.’, ’j.’) 13 10
(’mot’, ’vient’, ’grec’) 12 15
(’s.’, ’m.’, ’plur’) 12 27
(’trévoux’, ’chambers’, ’gramme’) 12 10
(’auteur’, ’esprit’, ’loi’) 11 11
(’ajoute’, ’-t’, ’-il’) 10 12
(’mot’, ’formé’, ’grec’) 9 16
(’nom’, ’a’, ’donné’) 9 19

Tableau 4.5 – Les 3-grammes les plus fréquents communs aux classes Histoire et Religion avec leurs
comptes d’occurrences dans chacune

116
Thèse accessible à l'adresse : [Link] © [A. Brenon], [2025], INSA Lyon, tous droits réservés
 Chapitre 4 : Classification automatique en domaines de connaissance

lier De Jaucourt»). Si les premiers sont sans doute peu pertinents pour cette étude (sauf à supposer
que les proportions de termes féminins ou pluriels d'un domaine puissent avoir une signification),
les signatures d'auteur peuvent avoir leur importance : d'une part parce que la capacité d'un même
auteur à intervenir (ou être cité) dans deux domaines peut être un signe de leur proximité, d'autre
part parce que dans ce cas son style personnel peut augmenter artificiellement leur ressemblance
s'il a signé une part suffisamment grande des articles des deux domaines concernés. La notion de
temps long dans le passé est traduite par 5 autres n-grammes : «avant jesus christ», «depuis long
tems» et «depuis tems -là» (reliquat de «depuis ce tems-là» après élimination des mots vides, voir la
section 4.1.2 p.93). Les autres n-grammes sont plus difficile à analyser : 2 montrent la prévalence de
termes d'origine grecque, 4 semblent des tournures assez communes, et les 2 dernières concernent
à nouveau des auteurs. Le fait de référer à Montesquieu (auteur de l'«Esprit des Lois») par une pé-
riphrase pourrait être propre au style d'un contributeur de ces deux domaines (Jaucourt ?), mais
pourrait également être biaisé par l'observation des 3-grammes : «Montesquieu» n'a pas de raison
d'être environné toujours des mêmes mots et son nom a donc très peu de chance d'obtenir assez
d'occurrence pour remonter parmi les 3-grammes les plus fréquents, alors que l'expression «l'auteur
de l'Esprit des Lois», devient après la préparation du corpus le 3-gramme «auteur esprit loi», unique,
et donc décompté systématiquement à chacune de ses occurrences. Enfin le dernier 3-gramme res-
tant, «trévoux chambers gramme» correspond vraisemblablement à une bibliographie sommaire et
à une signature maltraitée par le lemmatiseur. En effet deux sources très communément employées
par les auteurs de l'EDdA sont le Dictionnaire universel de Trévoux, dont plusieurs éditions ont été
imprimées entre 1704 et 1771, et la Cyclopaedia de Chambers, qui a elle aussi connu plusieurs édi-
tions entre 1728 et 1753 et dont la traduction en français était le but initial du projet de l'EDdA
(voir section 3.1.1 p.44). Le mot «gramme», assez inattendu ici, a sans-doute été réintroduit par le
lemmatiseur à la place d'un «g.», lettre employée par l'abbé Mallet, un contributeur important des
domaines Histoire et Religion pour signer ses articles.
Il est difficile d'exploiter les matrices de similarités de la figure 4.15 au-delà des remarques structu-
relles déjà faites et de tirer des n-grammes plus que les quelques remarques qualitatives ci-dessus.
De la même façon que pour l'étude de la matrice de confusion du modèle SGD+TF-IDF menée à
la section 4.2.1, leur restriction aux PPV permet d'en tirer des graphes mettant plus clairement en
évidence les ressemblances lexicales majeures entre les domaines. C'est ainsi que la matrice de la
figure 4.15a permet après simplification de générer le graphe de la figure 4.16. La même procédure a
été appliquée à chacune des 18 matrices de similarités correspondant au 18 configurations possibles
(des paramètres 𝑛, 𝑘, et de la métrique considérée) pour générer 18 GPPV de similarités, qui ne sont
pas tous reproduits ici mais qui ont été analysés.
Plusieurs critères distinguent assez nettement tous ces graphes du GPPV pour les confusions du
modèle SGD+TF-IDF (voir figure 4.14 p.111). Alors que le GPPV du modèle était connexe (presque
partagé en 2 composantes, rassemblées seulement par la classe Mathématiques), 15 se divisent en
au moins 3 composantes (jusqu'à 6 sur celui de la figure 4.16 et 8 pour celui des 10 3-grammes
ayant la plus forte similarité scalaire), et plusieurs graphes contiennent même des nœuds isolés,
c'est-à-dire des domaines qui n'ont aucun n-gramme en commun avec aucun autre domaine. Les 3
autres graphes sont tous des GPPV générés pour la similarité cardinale. Tous les graphes pour cette
mesure de similarité, même ceux ayant plus de 3 composantes non connexes possèdent 2 nœuds ou
plus reliés à plusieurs autres nœuds, certains jusqu'à 9 comme la classe Militaire sur le GPPV des 50
3-grammes. Cet effet, très prononcé pour 𝑘 = 10 s'explique par le faible nombre de valeurs pouvant
être prises par les scores de similarité cardinale.
En effet pour chaque paire de nœuds considérée, elle prend une valeur de la forme 𝑘𝑖 avec 𝑖 ∈
ℕ, 𝑖 ≥ 0, 𝑖 ≤ 𝑘 (𝑘 est le paramètre fixé pour le graphe considéré, pouvant valoir 10, 50 ou 100). Pour
un nœud donné, en calculant sa similarité cardinale avec chacun des 37 autres nœuds, la métrique
retournera donc une des seulement 11, 51 ou 101 valeurs possibles. Par application du «principe des

117
Thèse accessible à l'adresse : [Link] © [A. Brenon], [2025], INSA Lyon, tous droits réservés
 Chapitre 4 : Classification automatique en domaines de connaissance

Figure 4.16 – Graphe des Plus Proches Voisins pour la similarité cardinale mesurée sur les 100 2-
grammes les plus fréquents de chaque classe.

118
Thèse accessible à l'adresse : [Link] © [A. Brenon], [2025], INSA Lyon, tous droits réservés
 Chapitre 4 : Classification automatique en domaines de connaissance

tiroirs» il y aura nécessairement plusieurs nœuds (de destination) avec la même similarité cardinale
pour ce nœud considéré pour 𝑘 = 10, des «collisions» dans les valeurs de sortie de la fonction qui a
chacun des 37 autres nœuds attribue sa similarité avec le nœud de départ considéré. Cette certitude
de collision devient seulement un risque, mais assez élevé, pour les deux autres valeurs de 𝑘. Si une
collision se produit sur la plus haute valeur atteinte pour ce nœud, alors il y aura autant d'arêtes
sortant de ce nœud que de classes impliquées dans la collision puisque ce sont ces arêtes avec la plus
haute similarité qui sont utilisées pour tracer le graphe.

Malgré ces réserves, les GPPV de similarités contiennent des motifs similaires à ceux du GPPV des
confusions du modèle de la figure 4.14 (p.111). Par exemple, on constate que la connexion entre
Mathématiques et Physique est bien présente dans tous les graphes de similarités sauf 3 (ceux pour
𝑘 = 10, 𝑛 = 1 avec la similarité scalaire et 𝑛 = 3 pour les deux mesures de similarité). Le triangle
formé par Mesure, Monnaie et Commerce se trouve dans tous les graphes sauf ceux des 2-grammes
pour la similarité scalaire (soit seulement 3 graphes également). On retrouve également des proximi-
tés fréquentes entre Médecine, Anatomie, Pharmacie et Chimie sur les graphes. En revanche le nœud
Métiers n'est pas toujours aussi attracteur, cédant fréquemment sa place à des domaines comme les
Belles-Lettres, la Religion ou l'Histoire. Quant à la Géographie, sa plus forte similarité est avec la classe
Antiquité (jusqu'à 80% de similarité scalaire pour leur 50 2-grammes les plus fréquents), sauf dans 5
graphes (dont celui de la figure 4.16) où ses plus fortes ressemblances vont à l'Histoire et aux Belles-
Lettres. Ces trois classes figuraient parmi les faux négatifs et les faux positifs les plus fréquents de
la classe Géographie (voir la section 4.2.1), mais il est intéressant de noter que la classe Histoire qui
apparaissait nettement en tête des erreurs n'obtient la plus forte similarité avec Géographie que sur
relativement peu de GPPV de similarités.

Les erreurs les plus importantes faites par le modèle (correspondant donc au GPPV de sa matrice de
confusion) présentent donc une certaine compatibilité avec les similarités lexicales qui existent entre
les domaines. La ressemblance est davantage marquée pour les 2- et 3-grammes, et pour certains
domaines. Les erreurs faites à propos de la Géographie en particulier ne suivent pas tout à fait le
schéma de ses ressemblances lexicales.

4.2.3 Application de la centralité à la structure du modèle

Les deux sections précédentes tentent de dégager du sens d'objets complexes en les simplifiant lo-
calement (en considérant une colonne et une ligne particulière ou en limitant les arêtes partant de
chaque nœud d'un graphe). La dernière étape restante pour analyser les liens entre domaines consiste
donc logiquement à essayer de capturer leurs dynamiques d'ensemble. Pour y parvenir, cette section
considère une mesure de centralité sur le graphe défini en considérant la matrice de confusion du
modèle SGD+TF-IDF, 𝐶 , comme une matrice d'adjacence pondérée. Il ne s'agit donc plus du GPPV
de la section 4.2.1, engendré par la MPPV, mais de l'objet qui avait été initialement écarté au profit
du GPPV car sa complexité ne permettait pas de le tracer pour l'exploiter visuellement. Ce graphe,
correspondant à la matrice de confusion via l'équivalence décrite à cette même section 4.2.1, sera
dénommé dans ce qui suit le «graphe de confusion» et noté 𝒢𝐶 . En cohérence avec les choix faits
pour les GPPV dans les sections 4.2.1 puis 4.2.2, les arêtes de 𝒢𝐶 représentent les faux négatifs du
modèle (plutôt que les faux positifs).

Si un graphe représente des déplacements sur un réseau, la centralité de vecteur propre choisie pour
cette étude correspond à une situation particulière d'équilibre des flux. Elle est définie comme une
distribution de poids sur les nœuds caractérisée par le fait d'être inchangée après une étape de dé-
placement suivant les coefficients de ses arêtes. Dans le cadre de l'analyse de 𝒢𝐶 , l'interprétation
dynamique du processus de prédiction des classes par le modèle donnée à la section 4.2.1 permet
de traduire cette situation d'équilibre sur un ensemble donné d'articles. En considérant par exemple
1 000 articles de Géographie, d'après les scores mesurés sur le jeu de test le modèle en reconnaîtrait

119
Thèse accessible à l'adresse : [Link] © [A. Brenon], [2025], INSA Lyon, tous droits réservés
 Chapitre 4 : Classification automatique en domaines de connaissance

correctement 985 comme étant de la classe Géographie, «presque» 7 4 comme de l'Histoire, 2 comme
de l'Antiquité, etc. Une distribution initiale d'articles exclusivement sur le nœud Géographie sem-
blerait, après le «déplacement» causé par la prédiction du modèle, s'être étalée sur ses voisins en
suivant les taux d'erreurs du modèle pour cette classe. Si au lieu de choisir 1 000 articles de la classe
Géographie la distribution avait comporté 900 articles de Géographie et 100 d'Histoire, alors environ
6 articles d'Histoire aurait été pris pour de la Géographie par le modèle 8 . Leurs mouvements sur le
graphe auraient dans une certaine mesure compensé ceux de la classe Géographie que le modèle au-
rait pris pour de l'Histoire. Une mesure de centralité des nœuds peut donc dans ce cas s'interpréter
comme une proportion d'articles entre les différents domaines qui «résonne» d'une manière parti-
culière avec le modèle en lui permettant de ne pas se tromper sur les quantités : pour un échantillon
d'articles choisis dans chaque domaine proportionnellement à leur centralité, le modèle trouve en
sortie exactement le bon nombre d'articles de chaque domaine (il se trompe sur certains articles de
chaque classe mais dans l'ensemble ses erreurs se compensent).
Les poids attribués par la mesure de centralité permettent de se faire une idée de l'attractivité des
nœuds les uns par rapport aux autres car la valeur en un nœud décrit une situation d'équilibre entre
deux effets contraires. Elle peut être d'autant plus élevée (relativement aux autres, c'est-à-dire en
supposant leurs poids fixés) que ce nœud reçoit un flux important des autres nœuds (en nombre —
qu'il y ait beaucoup d'arêtes — ou en volume — des arêtes avec un coefficient élevé). Cette augmenta-
tion du poids est tempérée de manière linéaire par l'importance du flux qui quitte le nœud considéré
(de même, en nombre ou en volume, ici encore seule la somme des coefficients des arêtes quittant
un nœud donné a une importance) : supposant les coefficients de toutes les autres arêtes fixés, le
poids d'un nœud sera d'autant plus faible que ses arêtes sortantes ont des coefficients importants.
Une mesure de centralité élevée signifiera donc qu'un nœud est assez bien reconnu (flux de faux né-
gatifs sortant bas) tout en attirant assez de faux négatifs des autres classes. Sur ce dernier point, c'est
le comportement d'ensemble qui compte, le nœud n'a besoin d'être le plus fort attracteur d'aucun
de ses voisins pour avoir une centralité élevée, ce qui permet de détecter des tendances qui étaient
invisibles en réduisant les graphes à leurs PPV.
Pour formaliser le problème de la recherche d'une telle distribution stable qui capturerait les in-
fluences entre classes, il est utile de représenter les distributions d'articles par des vecteurs de ℝ38
(cette dimension correspondant, pour rappel, au nombre de classes des domaines regroupés). Une fois
encore, laisser les coefficients prendre comme valeurs des nombres réels permet de faire la transi-
tion d'une expérience initiale sur les articles où seuls des entiers peuvent avoir du sens à un contexte
statistique où il est possible de représenter des distributions moyennes, des probabilités et plus seule-
ment un vrai échantillon donné d'articles. Avec ce formalisme un peu plus algébrique 9 , et en gardant
comme dans la section précédente 4.2.1 la notation 𝐶 pour la matrice de confusion de la figure 4.5
(p.99), la définition de la centralité comme une distribution de poids laissée stable par 𝐶 se traduit
par l'existence d'un vecteur

𝑣 ∈ ℝ38 tel que 𝑣 ⋅ 𝐶 = 𝑣 (4.3)

Cette expression coïncide avec la définition d'un vecteur propre (à gauche) associé à la valeur propre
1. Selon la définition de la matrice de confusion, chaque rangée représente une distribution de pro-
7. Après avoir appliqué le modèle une fois, chaque classe ne contiendra bien évidemment qu'un nombre entier
d'articles, mais les nombres réels issus des scores du modèle et qui vont être considérés dans cette partie décrivent un
comportement statistique (ils ont d'ailleurs été obtenus à l'origine en mesurant un nombre entier d'articles, les virgules
traduisent seulement le fait que le choix arbitraire de «1000» articles n'est pas multiple du nombre d'articles de Géographie
présents dans le jeu de test).
8. Selon les résultats du modèle, encore une fois, cela se produit pour 5.84 des articles de la classe Histoire.
9. Il est à noter qu'avec la convention de placer les vraies étiquettes de classe en lignes et les étiquettes prédites en
colonnes, appliquer le modèle correspond à un simple produit matriciel avec le vecteur à gauche de la matrice.

120
Thèse accessible à l'adresse : [Link] © [A. Brenon], [2025], INSA Lyon, tous droits réservés
 Chapitre 4 : Classification automatique en domaines de connaissance

babilité (la probilité qu'un article donné issu de la classe correspondante soit prédit par le modèle
dans chacune des classes possibles) : c'est-à-dire que 𝐶 est stochastique à droite. En tant que telle,
la somme des coefficients d'une rangée doit valoir 1. Étant données les règles de calcul des produits
matriciels et en appelant 𝑣1 le vecteur de ℝ38 dont tous les coefficients sont égaux à 1, la propriété
d'être stochastique à droite peut s'écrire :

𝐶 ⋅ 𝑣1 = 𝑣 1 (4.4)

Cette expression montre que ce vecteur plein de 1 est un vecteur propre de la matrice 𝐶 , mais seule-
ment à droite. Or, les valeurs propres d'une matrice 𝑀 sont les racines de son polynôme caractéris-
tique 𝑃𝑀 [𝜆] = 𝑑𝑒𝑡(𝜆𝐼𝑑 − 𝑀 ). Puisque par définition du déterminant, invariant par transposition,
on a 𝑑𝑒𝑡(𝑀 ) = 𝑑𝑒𝑡(𝑀 𝑇 ), alors 𝑀 et 𝑀 𝑇 ont le même polynôme caractéristique et de ce fait les
mêmes valeurs propres. Ayant trouvé un vecteur propre à droite pour 𝐶 associé à la valeur propre
1, on sait qu'il doit nécessairement exister un vecteur propre (à gauche cette fois) avec la même va-
leur propre, ce qui prouve que l'Équation 4.3 doit admettre au moins une solution. Ayant prouvé son
existence, une manière pratique de calculer cette solution consiste à utiliser le théorème du cercle de
Gershgorin qui, appliqué à une matrice stochastique, montre que toutes les valeurs propres doivent
être inférieures ou égales à 1 en norme (somme des lignes). Par conséquent, itérer la matrice 𝐶 de
manière répétée va progressivement éliminer les «petits» coefficients (ceux strictement inférieurs à
1) en les faisant tendre vers 0 (parce que lim𝑛→∞ 𝜆𝑛 = 0 si |𝜆| < 1). Cela n'est en soi pas suffisant
pour garantir la convergence des itérées de 𝐶 car il pourrait y avoir plusieurs vecteurs propres asso-
ciés à la valeur 1 si celle-ci avait une multiplicité > 1 10 . Mais par contre, s'il y a convergence, alors ce
sera nécessairement vers le vecteur propre (dont l'unicité serait alors prouvée) associé à cette valeur.
Calculer les itérées de 𝐶 donne par exemple pour les puissances 4, 16, 64 et 256 les matrices visibles
dans la figure 4.17.
Après un peu plus de cent itérations, la matrice se stabilise et toutes ses lignes présentent une
même distribution. Cette distribution est le vecteur propre recherché pour 𝐶 et ses coefficients
correspondent à la mesure de centralité de chaque nœud dans le graphe, explicitée sous forme
d'histogramme à la figure 4.18. Cette même figure montre que la forme de la distribution diffère
visiblement de celle du nombre d'articles par classe (voir la figure 3.34 p.83, dont la décroissance est
bien plus continue) et présente trois groupes distincts : 1) la classe la plus centrale, 2) trois classes
secondaires sur un pallier, et 3) toutes les autres en une longue traîne. De plus, alors que les classes
ordonnées par centralité ont globalement des positions proches de leurs rangs par nombre d'articles,
les classes les plus peuplées obtenant dans l'ensemble des scores de centralité plus élevés que celles
les moins peuplées, l'ordre peut être localement assez différent. Par exemple, la classe Droit - Ju-
risprudence, 2ème classe par fréquence, n'est que 4ème par centralité, dernière du pallier secondaire.
Juste après elle à la 5ème place se trouve la classe Marine, loin devant Grammaire (au 12ème rang avec
une centralité presque 3 fois moindre) alors que cette dernière était plus fréquente que Marine. Il en
est de même vers la fin de la distribution : une classe comme Minéralogie, avant-dernière en termes
de fréquence n'est que la 8ème classe la moins centrale, avec une centralité plus de 5 fois supérieure
à celle de l'avant-dernière. Bien que la mesure de centralité des classes semblent avoir un lien avec
leurs tailles, toutes ces différences montrent que la taille seule ne suffit pas à expliquer en détail la
distribution des centralités. Le modèle semble donc mieux identifier certaines classes grâce à leurs
particularités intrinsèques.
10. l'application du théorème de Perron-Frœbenius permettrait de lever cette réserve en garantissant l'unicité de la
valeur propre la plus grande en norme mais il s'applique sur des graphes connexes (matrices régulières). La densité élevée
de 𝒢𝐶 et la présence de boucles sur tous les nœuds (le modèle ne maltraite aucun domaine au point de ne reconnaître
aucun de ses articles) engage à faire le pari de sa connexité, mais cela n'a pas été vérifié et le théorème ne peut pas
être appliqué en toute rigueur. Le pragmatisme commande de passer outre : si les itérées de 𝐶 convergent, l'unicité sera
prouvée empiriquement, sans le théorème.

121
Thèse accessible à l'adresse : [Link] © [A. Brenon], [2025], INSA Lyon, tous droits réservés
 Chapitre 4 : Classification automatique en domaines de connaissance

(a) 𝐶 4 (b) 𝐶 16

(c) 𝐶 64 (d) 𝐶 256

Figure 4.17 – Des itérées de la matrice de confusion du modèle, 𝐶

Figure 4.18 – La distribution par classe de mesures de centralité du graphe du modèle

122
Thèse accessible à l'adresse : [Link] © [A. Brenon], [2025], INSA Lyon, tous droits réservés
 Chapitre 4 : Classification automatique en domaines de connaissance

En s'intéressant plus particulièrement à la classe Géographie, on constate qu'elle obtient le score le

plus élevé (0.43). Ce résultat suggère que loin de jouer un rôle périphérique dans le graphe comme
aurait pu le suggérer la figure 4.14 p.111, le domaine se place au centre du flux des erreurs de classi-
fication d'articles. En accord avec le nombre de faux positifs plus de trois fois supérieur à celui des
faux négatifs mis en évidence à la section 4.2.1 (3 × 39 = 117 < 152), le nœud Géographie du graphe
reçoit un flux des autres nœuds du graphe supérieur au flux sortant d'après la remarque précédente
sur l'interprétation de la centralité. Cette analyse montre donc une Géographie bien reconnue et dé-
tectée par le modèle dans de nombreux autres domaines, signe de l'importance au XVIIIème siècle de
cette science au contact de nombreuses autres.
Au travers des différentes analyses précédentes, cette section amène plusieurs pistes de recherche à
exploiter dans le chapitre 5. L'analyse qualitative initiale a montré des adjacences thématiques inté-
ressantes entre la Géographie et des domaines comme l'Histoire et le Commerce. Les GPPV suggèrent
quant à eux que les confusions du modèle entre la Géographie et les autres classes ne se fondent pas
(ou au moins pas uniquement) sur des ressemblances lexicales (par opposition à des classes comme
Histoire et Métiers qui attirent de nombreux faux négatifs d'autres classes et sont fréquemment la
cible de nombreuses arêtes dans les GPPV de similarité lexicale). Au vu des résultats de la dernière
section, cela signifierait que les contenus géographiques se distinguent assez bien de ceux des autres
disciplines mais infusent largement dans l'EDdA, bien au-delà de ce qui a été initialement classé à
Géographie.

4.3 Annotation des articles

Après avoir comparé différents modèles de classification automatique, l'étude des erreurs de prédic-
tion a mis en évidence des ressemblances entre les domaines de connaissance. Ces parentés suggé-
rent des pistes pour les analyses du chapitre 5 mais, avant de pouvoir les exploiter, il reste à appliquer
une classification à l'ensemble des articles du corpus.

4.3.1 Choix d'un classifieur

Si le travail de comparaison des méthodes de classification décrit dans cette partie a été effectué sur
le jeu des 38 «domaines regroupés», c'est celui des 17 «superdomaines» (les deux sont décrits à la
section 3.3.2) qui a été plus utilisé pour les études contrastives. Il a donc été non seulement néces-
saire de choisir une architecture définitive de modèle de classification, mais aussi de réappliquer les
chaînes de traitement utilisées pour les comparaisons décrites à la section 4.1 p.92 pour la prédiction
de superdomaines.

Superdomaines
Comme pour les domaines regroupés, une annotation en superdomaines des articles possédant un
désignant explicite a pu être obtenue de manière immédiate en appliquant sur les corpus de 58 509
articles pourvus d'un désignant (voir le tableau 4.1 à la page 94) la fonction qui à un désignant
normalisé (disponible dans les métadonnées de l'ENCCRE) associait son superdomaine. À partir de
ce corpus annoté, de nouveaux modèles de classification utilisant ce jeu des superdomaines ont pu
être entraînés en suivant exactement le même processus que précédemment. Au vu des résultats de
l'étude comparative précédente, seuls des modèles SGD+TF-IDF (figure 4.19a) et BERT (figure 4.19b)
ont été ainsi entraînés.
Les performances sont légèrement supérieures à celles obtenues sur les domaines regroupés, ce qui
est cohérent avec la réduction du nombre de classes (moins il y a de classes, plus il devient difficile,
statistiquement, de se tromper). La combinaison SGD+TF-IDF obtient des scores très semblables à
ceux du modèle BERT avec des F-mesures respectives de 85% et 88% sur l'ensemble du jeu de test. Les

123
Thèse accessible à l'adresse : [Link] © [A. Brenon], [2025], INSA Lyon, tous droits réservés
 Chapitre 4 : Classification automatique en domaines de connaissance

(a) Pour la combinaison SGD+TF-IDF (b) Pour le modèle BERT

Figure 4.19 – Matrices de confusion des modèles entraînés sur les superdomaines

seuls éléments encore décelables hors de la diagonale sont les 3 colonnes correspondant à l'Histoire,
les Métiers et la Philosophie et la ligne correspondant à la Politique, tant sur la figure 4.19a que sur
la figure 4.19b. Les 3 colonnes montrent que le modèle a souvent tendance à confondre un assez
grand nombre de classes avec une des 3 classes Histoire, Métiers ou Philosophie. La ligne montre
que la Politique reste très mal reconnue par ces modèles avec le nouveau jeu d'étiquettes et que
ses articles se retrouvent distribués entre un assez grand nombre de classes dans les prédictions du
modèle au lieu d'être correctement assignés à la classe Politique. Le phénomène est naturellement
moins prononcé pour le modèle BERT qui obtient dans l'ensemble de meilleurs résultats mais il reste
observable sur les deux matrices.

Considérations énergétiques
Les résultats des évaluations ci-dessus étaient dans une certaine mesure prévisibles et cohérents
avec l'état de l'art, mais le choix d'un classifieur repose généralement sur davantage que la seule
comparaison de F-mesures. Si l'avantage des transformeurs sur les autres méthodes d'AP ne sont
après tout que de quelques décimales, en revanche cette étude fait ressortir un avantage décisif en
leur faveur : le peu de données d'entraînement qu'ils nécessitent. Les performances relativement
décevantes des méthodes CNN et BiLSTM peuvent s'expliquer sans doute en grande partie par la
rareté relative 11 des données d'entraînement et il est donc d'autant plus remarquable de voir les
méthodes basées sur BERT s'en sortir aussi bien avec les mêmes quantités de données. Cela souligne
l'intérêt du préentraînement de ces modèles, les quelques dizaines de milliers d'articles disponibles
étant suffisants pour ajuster finement leurs paramètres.
La comparaison de méthodes traditionnelles d'AA avec ces méthodes d'AP plus récentes a une per-
tinence au-delà de l'intérêt historique si l'on prend en compte le coût des calculs. Il est bien sûr déjà
remarquable de voir des combinaisons de méthodes comme SGD+TF-IDF ou SVM+TF-IDF obtenir
de meilleurs résultats que les méthodes d'AP, pourtant bien plus récentes, à l'exception des trans-
formeurs. Mais cela est d'autant plus impressionnant que leurs besoins en termes de stockage, de
mémoire et de temps de calcul sont minimes comparés aux méthodes d'AP. La consommation éner-
gétique occasionnée par l'entraînement et l'évaluation des modèles SGD+TF-IDF et BERT sur le jeu
11. par opposition aux mégadonnées qui ont nécessité l'invention de ces méthodes d'AP et qui consistent en des en-
sembles d'au moins plusieurs millions voire milliards d'objets

124
Thèse accessible à l'adresse : [Link] © [A. Brenon], [2025], INSA Lyon, tous droits réservés
 Chapitre 4 : Classification automatique en domaines de connaissance

d'étiquettes des superdomaines a été mesurée à l'aide des outils développés par Lacoste et al. (2019).
L'opération a été effectué pour les deux modèles sur la même machine du Centre Blaise Pascal de
l'ENS de Lyon (Quemener & Corvellec, 2013) équipée d'une carte GPU de type NVIDIA RTX A2000
12GB et d'un CPU Intel Core i3-2120 d'une fréquence 3.30GHz.
L'ensemble de l'expérience a consommé 594 W‧h comme le montre le tableau 4.6, ce qui représente
une quantité d'énergie de l'ordre de celle utilisée pour faire fonctionner un réfrigérateur pendant une
heure. Cela reste relativement modeste mais cette remarque a le mérite de matérialiser le coût d'un
calcul qui peut trop facilement sembler se produire «hors du monde» dans un espace numérique sans
conséquences, et ce d'autant plus quand le calcul a lieu sur un serveur distant et n'est pas suivi d'effets
directement perceptibles comme le bruit du ventilateur et la chaleur dégagée par la machine depuis
laquelle il est lancé. D'après l'Agence Européenne pour l'Environnement, l'électricité en France — où
est situé le serveur qui a effectué le calcul — revenait à 68 g.eqCO2 par kW‧h en 2022 12 . On peut donc
estimer que 40.4 g.eqCO2 ont été rejetés dans le cadre de cette expérience soit l'équivalent d'environ
6km de voyage en Eurostar pour une personne d'après les chiffres de la SNCF 13 .

Tableau 4.6 – Coût en énergie des différentes phases de l'entraînement des modèles SGD+TF-IDF et
BERT

Modèle SGD+TF-IDF BERT Total

Prétraitement 41.3 W‧h 41.3 W‧h
Vectorisation 1.59e-1 W‧h 1.59e-1 W‧h
Entraînement 4.48e-1 W‧h 545 W‧h 546 W‧h
Évaluation 9.60e-2 W‧h 6.83 W‧h 6.93 W‧h
Total 42.0 W‧h 552 W‧h 594 W‧h

Au-delà de la traduction en un coût physique concret qu'on peut en faire, cette valeur pose en soi
plusieurs problèmes d'interprétation, notamment parce qu'elle dépend de l'efficacité de la produc-
tion électrique à un endroit donné à un moment donné (dans un autre pays, la même expérience
n'aura pas le même bilan carbone et rien ne garantit qu'il sera toujours possible d'effectuer cette ex-
périence pour le même bilan carbone si les conditions de production venaient à changer en France)
mais aussi parce que la production d'énergie dans certaines conditions a toujours une capacité finie,
et que l'énergie utilisée à une certaine fin n'est pas disponible pour d'autres applications — si une
grande quantité de personnes venaient à faire ce type d'expérience, l'énergie consommée pourrait
venir à entrer en concurrence avec celle utilisée pour les transports ou l'industrie, au point de devoir
potentiellement importer de l'électricité produite dans des conditions différentes en termes de bilan
carbone (Lacoste et al., 2019, p. 4). Plus que le grammage équivalent CO2 de l'ensemble, il est donc in-
téressant de considérer la répartition de l'énergie utilisée entre les différentes phases des différentes
méthodes.
D'abord la distinction entre GPU et CPU, bien qu'elle ne soit pas reportée sur le tableau précédent
différencie nettement les deux modèles. La consommation énergétique attribuée à la carte GPU pour
l'entraînement du modèle BERT représente 67.8% de la consommation totale, fraction qui baisse à
27.5% pour le modèle SGD+TF-IDF. Disposer d'une GPU est en pratique indispensable pour utiliser un
modèle BERT alors qu'il est tout à fait possible de s'en passer pour SGD+TF-IDF. Mais le point le plus
saillant du tableau 4.6 reste la différence d'ordre de grandeur entre la consommation de l'assemblage
SGD+TF-IDF et celle de BERT, d'un facteur de l'ordre de 10. Sur la phase d'évaluation, le facteur est
de l'ordre de 70, et sur la phase d'entraînement il atteint même plus de 1 200. En fait, même le coût
12. [Link]
13. [Link]

125
Thèse accessible à l'adresse : [Link] © [A. Brenon], [2025], INSA Lyon, tous droits réservés
 Chapitre 4 : Classification automatique en domaines de connaissance

de la préparation du vectoriseur TF-IDF additionnée à l'entraînement et l'évaluation du modèle SGD

a coûté presque 10 fois moins d'énergie que la seule évaluation de BERT (0.7 W‧h contre 6.83 W‧h).
Enfin, alors que la phase de prétraitement pour filtrer les mots vides et lemmatiser le reste du texte
est souvent perçue comme un préalable décorrélé de l'apprentissage automatique en lui-même, le fait
que BERT puisse s'en passer est en réalité un avantage important puisque c'est en fait à cette phase
que la préparation du modèle SGD+TF-IDF consomme la très large majorité (> 98.3%) de l'énergie
qu'il requiert. Devant ce constat, un modèle SGD+TF-IDF a été réentraîné sur le texte non prétraité,
obtenant des résultats tout à fait similaires à ceux obtenus avec prétraitement 14 , ce qui s'explique
par la capacité de la méthode TF-IDF à discriminer les mots présents dans un grand nombre de
documents (pour les mots vides, probablement tous). Le modèle obtenu occupe seulement 4% de
place en plus et son entraînement a consommé 15% d'énergie en plus (5.15e-1 W‧h), ce qui amène à
s'interroger sur la réelle pertinence de cette phase de prétraitement pour les modèles SGD+TF-IDF
quand le nombre de prédictions à faire est limité.
Dans le cadre des présents travaux de thèse, il ne s'agit en effet pas de mettre en place un service
de classification mais simplement d'appliquer un jeu d'étiquettes une seule fois sur un ensemble
d'articles en vue de leur exploitation. Bien entendu, les performances très légèrement — mais stric-
tement — supérieures de BERT incitent à le préférer. Mais surtout, le nombre d'occurrences où le
modèle est utilisé est donc assez limité et dû aux seules expérimentations de cette étude, et une
fois la classification obtenue il n'a plus besoin de servir. Pour cette raison, c'est effectivement le
classifieur BERT qui a été retenu pour étiqueter l'ensemble du corpus malgré les points soulevés
précédemment qui montrent la pertinence de SGD+TF-IDF.
Le modèle BERT a donc été utilisé pour prolonger la classification en superdomaines sur les articles
de l'EDdA. La répartition des articles de l'EDdA à l'issue de cette classification est visible à la figure
4.20. Suite aux regroupements introduits par les superdomaines toutes les classes à part la Politique
comportent au moins 1 000 articles.

4.3.2 Extension à LGE

Pour LGE la situation est un peu plus compliquée. Il a été montré à la sous-section 3.1.2 (p.49) que
certains articles étaient pourvus de désignants — bien qu'ils semblent plus rares que dans l'EDdA —
mais l'encodage des articles de cette encyclopédie demeure trop superficiel et n'y donne pas accès
(voir la section 3.1.1 page 46). Pour obtenir une classification de ses articles, il faut donc utiliser
les prédictions du modèle BERT discuté précédemment dans cette section. Cela pose naturellement
un problème épistémologique majeur : l'ensemble de classes des superdomaines a été conçu pour
représenter de manière simplifiée les domaines de connaissance du XVIIIème siècle, sans prise en
compte particulière de l'état des sciences au XIXème ni même des domaines choisis par les éditeurs
de LGE. L'application de ces domaines, de surcroît par un système automatisé, ne peut donc pas se
faire sans une phase d'évaluation tâchant de valider la pertinence des superdomaines associés aux
articles.
Le fait le plus saillant parmi les prédictions du modèle BERT sur les articles de LGE est le taux sur-
prenamment élevé d'éléments dans la classe Commerce, de l'ordre de 8%. Ce taux est bien supérieur
à celui de la même classe dans l'EDdA (3.9%) ou même à sa fréquence perçue en parcourant les pages
de LGE. Un échantillonnage des articles ainsi classés fait ressortir un grand nombre d'articles très
courts sur le type de BOULAINCOURT (La Grande Encyclopédie, T7, p.655) présenté à la figure 4.21.
Cet article relève évidemment de la Géographie et non pas du Commerce. À l'image de la large majo-
rité des articles de l'échantillon, il comprend l'abréviation «Com.», qui signifie évidemment «com-
14. la F-mesure reste à 85%, seuls les scores individuels bougent, certaines classes comme la Politique étant moins mal
reconnues (17% contre 8%) alors que d'autres perdent un peu comme le Commerce (77% contre 79%) — la Géographie est
essentiellement inchangée (97% contre 96%)

126
Thèse accessible à l'adresse : [Link] © [A. Brenon], [2025], INSA Lyon, tous droits réservés
 Chapitre 4 : Classification automatique en domaines de connaissance

Domaine Taille
Politique 124
Musique 1213
Religion 1380
Belles-lettres 1652
Agriculture 1769
Chasse 2138
Beaux-arts 2474
Commerce 2930
Physique 3160
Philosophie 4223
Militaire 4709
Médecine 4781
Histoire naturelle 5797
Métiers 7332
Histoire 7361
Droit Jurisprudence 7600
Géographie 15 547

(a) Décompte absolu (b) Proportions relatives

Figure 4.20 – Nombre d’articles par domaine dans l’EDdA

Figure 4.21 – Article BOULAINCOURT, LGE, T7, p.655

mune» dans le contexte. Le terme est anachronique dans ce sens au XVIIIème siècle : comme le montre
l'article COMMUNE ou COMMUNES (L'Encyclopédie, T3, p.725), il désigne alors une association
d'habitants d'une localité, et pas la localité elle-même. Cette entrée possède d'ailleurs le désignant
«Jurisp.» et relève clairement du droit plus que de la géographie. Il est difficile de déterminer avec
certitude les raisons qui ont orienté le choix du modèle mais les occurrences répétées de «Com.»
pouvant évoquer un désignant mal filtré dans ces articles incorrectement classés en Commerce sont
pour le moins troublantes. Il n'est pas facile non plus de tester cette hypothèse en contrôlant la lem-
matisation de cette abréviation puisque BERT attend en entrée le texte de l'article. Il ne procède pas
à un découpage en mots en interne (il n'y a donc pas de lemmatisation) mais se contente de grouper
des graphèmes qui apparaissent fréquemment ensemble (algorithme WordPiece).

De manière pragmatique, la solution la plus immédiate pour corriger le problème au vu de la ré-

gularité de ces articles relativement brefs et possédant le motif «Com. du dép.» («commune du
département», autre anachronisme) sur leur première ligne est de les identifier à l'aide d'une expres-
sion régulière et d'un filtrage sur leur taille. En effet, le motif peut survenir dans des articles plus
généraux sur un département, comprenant notamment des sections historiques ou économiques et
les erreurs de segmentation (voir la section 3.1.3 page 61) peuvent préfixer de tels articles géogra-
phiques brefs à d'autres articles sur des sujets divers. Pour éviter d'introduire trop de bruit dans de
futurs usages qui pourraient être faits de ces articles, un seuil de 50 tokens est fixé empiriquement
après échantillonnage d'articles ayant une occurrence de l'expression précédente sur leur première
ligne.

127
Thèse accessible à l'adresse : [Link] © [A. Brenon], [2025], INSA Lyon, tous droits réservés
 Chapitre 4 : Classification automatique en domaines de connaissance

Plus précisément, le motif est sujet à une certaine variation sans doute en partie du fait de l'envergure
de projet de LGE — par application de ce constat empirique formulé à la section 3.3.3 qui énonce qu'à
cette échelle tout motif subit des mutations (voir p.87) — mais surtout à cause des erreurs d'OCR qui
fournissent un rendu imprécis des caractères présents sur le papier. Certains 'C' majuscules, peut-
être à cause d'une tache sur le papier ont été lus comme 'G', certains '.' à la fin des abréviations ont pu
être pris pour des ',' voire être omis entièrement. Pour ces raisons, l'expression régulière écrite pour
rechercher ce motif a été largement étendue pour s'adapter à tous les cas rencontrés empiriquement
dans les articles comme le montre l'extrait de code source 4.1.

Code source 4.1 – Expression régulière utilisée pour repérer les entrées de communes
[ cCG ] \ ( o \ ( m \ | [ r i ] n \ ) \ { 1 , 2 \ } \ | a n t \ ) [ − . , ] \ ? \ ? d [ ue ] \ ? d [ é e ] p [ − , . ] \ ?

En lisant les blocs à partir des plus profonds pour remonter à l'expression dans son ensemble, voici
comment elle peut s'analyser. D'abord, la lettre 'm' est parfois perçue par l'OCR comme la séquence
”rn” voire ”in”, ce qui est à l'origine de la séquence \(m\|[ri]n\) qui sert à capturer «un m» : soit Rm
cette séquence. L'abréviation n'est pas toujours la même et il y a plusieurs occurrences où les deux 'm'
du mot «commune» ont été conservés : c'est là le sens de Rm \{1, 2\} qui tolère une séquence de 1 ou
2 fois l'expression précédente pour absorber les différentes réalisations possibles de «m» ou «mm».
Ce bloc, préfixé du o reconnaît évidemment la séquence «omm» (et les différentes combinaisons qui
peuvent le remplacer, donc) : ce sera Romm? dans ce qui suit. L'ensemble \(Romm? \|ant\) reconnaît
donc la séquence précédente ou bien «ant» : cette disjonction a été ajoutée pour prendre en compte
quelques villes qui n'étaient pas mentionnées en tant que «commune» mais en tant que chef-lieu
de canton «Ch.-l. de cant. du dép.» comme l'article HEYRIEUX (La Grande Encyclopédie, T20, p.60)
présenté à la figure 4.22 15 . Le préfixe [cCG] sert à capturer un ”C”, qui est parfois lu ”c” ou ”G” par
l'OCR, pour former RComm?|Cant . Le motif [-.,]\?, qui survient juste après RComm?|Cant ainsi qu'à la
toute fin de l'expression, permet d'absorber différentes lectures du '.' (point), parfois ”,” voire ”-”, ainsi
que son absence potentielle (\?). Ce \? survient aussi après les deux espaces qui manquent entre
les mots de l'expression dans certains textes. Les deux derniers ensembles de caractères prennent en
compte ”du” et ”de” (on trouve «du dép.» ou «de dép.») et bien sûr l'absence possible de l'accent de
«dép.».

Figure 4.22 – Article HEYRIEUX, LGE, T20, p.60

À l'issue de ce traitement, 20 116 articles sont identifiés (soit 14.9% du total des articles de LGE) et
la classe Géographie leur est assignée manuellement. Ces articles constituent un sous-corpus des
Communes qui ne fait pas l'objet d'une exploitation particulière dans le cadre de cette thèse mais
qui pourrait intéresser de futures études. Il serait également intéressant d'utiliser ces articles pour
améliorer le modèle de classification mais cela reste à faire.
La classification utilisée pour les articles de LGE est donc composite : elle assigne la classe Géogra-
phie aux articles du sous-corpus des Communes défini ci-dessus, et la classe prédite par le modèle
BERT entraîné pour les superdomaines sur l'EDdA pour les autres articles. Une fois cette définition
posée, il devient possible d'évaluer la qualité de cette annotation afin de juger de son utilité. Le diffé-
15. Il est difficile de savoir pourquoi ces entrées peuvent être également affectées par l'erreur de classification en Com-
merce puisqu'elles ne comportent pas le motif «Com.». Cette erreur paraît moins systématique que pour les entrées où ce
motif apparaît et, s'agissant de villes plus importantes (puisque chefs-lieux), celles qui subissent cette erreur de classifica-
tion mentionnent souvent des produits issus de la ville — comme les chaussures de la figure 4.22 — ce qui pourrait fournir
une piste d'explication.

128
Thèse accessible à l'adresse : [Link] © [A. Brenon], [2025], INSA Lyon, tous droits réservés
 Chapitre 4 : Classification automatique en domaines de connaissance

rentiel conceptuel entre ces classes prévues pour le XVIIIème s. et ces articles rédigés au XIXème s. em-
pêche naturellement les articles de LGE de correspondre parfaitement aux classes proposées. Ainsi,
la présence des biographies discutées précédemment (à la section 3.1.2 p.49) perturbe évidemment
le système de classes des superdomaines modelé sur l'EDdA qui les exclut volontairement ; de même
des domaines anachroniques comme l'Industrie n'existent pas parmi les superdomaines. Une telle
évaluation ne peut donc pas exiger une rigueur comparable à celle menée sur les modèles de clas-
sification comparés à la section 4.1.3 (p.94 et seq.) où il s'agissait essentiellement de «compter les
points», mais doit au contraire se contenter de déterminer si la classe proposée fait assez sens pour
permettre d'opérer des comparaisons intéressantes dans les analyses contrastives du chapitre sui-
vant.
Dans cette optique, un échantillon de 40 articles pour chacun des 17 superdomaines (soit 𝑛 = 680 ar-
ticles au total) a été sélectionné aléatoirement pour une validation manuelle des superdomaines qui
leur étaient associés. Plusieurs problèmes gênent aussi l'évaluation, dont les problèmes de segmenta-
tion qui affectent encore un nombre perceptible d'articles de LGE ce qui cause la présence d'agrégats
de plusieurs articles parmi les textes de l'échantillon pour lesquels la définition d'une classe fait peu
sens. La présence d'articles qui sont de purs renvois sans contenu propre rend également difficile la
détermination d'une classe sans ambiguïté. Pour toutes ces raisons, l'évaluation a été plutôt permis-
sive, c'est-à-dire que la «charge de la preuve» a plutôt pesé sur le rejet de la classification proposée
par le modèle que sur son acceptation : le refus d'une annotation suggérée par le modèle devait être
motivé par au moins un superdomaine qui conviendrait mieux de manière évidente. Pour un article
qui aurait accepté plusieurs classes, la proposition du modèle a été acceptée si l'une au moins corres-
pondait (même si ça n'était pas forcément la première mentionnée dans le texte). C'est ainsi que la
plupart des biographies se retrouvent en Histoire ou dans la discipline où la personne s'est illustrée.
Pour les renvois, la classe proposée a été acceptée sauf quand la cible du renvoi relevait manifeste-
ment d'une autre classe. Pour les agrégats de plusieurs articles, la classification a été rejetée quand
vraiment aucune des entrées contenues n'avait de rapport avec la classe proposée et acceptée sinon.
Avec cette convention, la méthode composite (Géographie pour les Communes, la prédiction de BERT
pour les autres articles) a prédit une classe acceptable pour 590 articles de l'échantillon, soit 86.8%
de la totalité. S'agissant d'une évaluation binaire, qui se contente de dire si la classe est acceptable
sans fournir de réponse attendue dans le cas contraire, il n'est pas possible de calculer de score de
rappel ni de générer de matrice de confusion pour observer les biais du modèle. Le score mesuré
correspond à une précision puisqu'il compte le nombre de vrais positifs divisé par le nombre total
d'élements. Le tableau 4.7 montre que le modèle obtient une assez bonne précision sur la plupart
des domaines (supérieure à 90% sur 7 domaines). Les domaines qui mettent le plus le modèle en
difficulté sont la Chasse, le Commerce et dans une moindre mesure le domaine Militaire. La Politique,
qui est pourtant si mal reconnue par le modèle dans l'EDdA obtient le score tout à fait surprenant
de 95%. D'une part, il est à noter que lors de l'évaluation sur l'EDdA, la précision — certes bien plus
faible — était tout de même de 56%, et c'est le très mauvais rappel sur cette classe qui donnait une
F-mesure aussi faible. D'autre part, les articles de LGE classés en Politique sont assez prototypiques,
très longs pour la plupart, ou consistent en des biographies d'hommes politiques (et sans doute un
grand nombre d'articles validés auraient aussi pu être acceptés en Histoire, donc il faut garder à
l'esprit que les prédictions du modèle sont par construction acceptables pour un humain, mais pas
nécessairement comparables à celles faites sur l'EDdA).
Le nombre relativement élevé d'articles sélectionnés pour cette évaluation permet d'accorder une cer-
taine confiance aux résultats obtenus. S'agissant d'une évaluation binaire, le processus peut se modé-
liser par le tirage sans remise (chaque article ne peut être sélectionné qu'une fois dans l'échantillon)
d'une variable aléatoire booléenne pour chaque article, pouvant prendre la valeur vrai si la clas-
sification proposée par le modèle pour cet article est jugée pertinente et faux sinon. Il s'agit de
variables de Bernoulli, non indépendantes en toute rigueur : la probabilité que la première variable

129
Thèse accessible à l'adresse : [Link] © [A. Brenon], [2025], INSA Lyon, tous droits réservés
 Chapitre 4 : Classification automatique en domaines de connaissance

Domaine Précision
Chasse 67.5
Commerce 70.0
Militaire 77.5
Histoire 80.0
Physique 82.5
Agriculture 85.0
Droit Jurisprudence 85.0
Métiers 85.0
Belles-lettres 87.5
Philosophie 87.5
Médecine 92.5
Religion 92.5
Politique 95.0
Géographie 95.0
Beaux-arts 97.5
Musique 97.5
Histoire naturelle 97.5

Tableau 4.7 – Scores de précision par domaine obtenus par le modèle BERT pour la classification
en superdomaines sur l’échantillon de LGE

vale vrai est égale à la précision du modèle dans son ensemble, mais en fonction du résultat de
ce premier tirage, la probabilité de succès de la deuxième variable est affectée. Toutefois, les dimen-
sions de l'expérience font que l'échantillon reste assez petit par rapport à l'ensemble de la population
(100 × 680 = 68 000 < 130 000) donc les variables peuvent être considérées indépendantes (le résultat
de chaque tirage affecte peu la proportion d'articles dont la classification est satisfaisante parmi les
articles restants). Le Théorème Central Limite s'applique donc et permet de modéliser le comporte-
ment de la somme de ces variables par une loi normale.

La moyenne empirique 𝑚 constitue un estimateur sans biais de la proportion réelle 𝑝. C'est donc
la valeur la plus probable compte tenu du résultat de l'expérience, c'est-à-dire que toute autre va-
leur, prise individuellement, est moins probable que 𝑚 mais pas impossible. La vraisemblance de
l'estimation dépend de la taille de l'intervalle que l'on considère autour de 𝑚. Si l'on prend un in-
tervalle trop petit (par exemple 10−6 %) il est plus probable que 𝑝 soit hors de cet intervalle que
dedans. En particulier, il est vain de croire que 𝑝 puisse être exactement égale à 𝑚 (intervalle de
taille nulle) : bien que ce soit la valeur la plus vraisemblable, la probabilité de ce nombre précis est
nulle. L'ensemble des valeurs réelles possibles pour 𝑝 suit une distribution en cloche autour de la
valeur 𝑚, la loi normale, dont la probabilité décroît au fur et à mesure que l'on s'en éloigne. Il faut
donc accepter de perdre en précision pour obtenir un intervalle assez probable pour connaître 𝑝
avec une confiance suffisante. La taille du demi-intervalle dépend de la moyenne empirique 𝑚, de la
taille de l'échantillon 𝑛 et d'un facteur multiplicatif lié seulement pour une loi donnée à la précision
attendue, son quantile. Ainsi pour que 𝑝 ait plus de 95% de chance de faire partie de l'intervalle pro-
posé (encadrement à 95% de confiance), le quantile 𝑧97.5% , d'ordre 1 − 52 = 97.5% permet d'écrire
en reprenant 𝑛 pour désigner le nombre total d'articles échantillonnés, l'encadrement de la formule
4.5.

𝑚 × (1 − 𝑚) 𝑚 × (1 − 𝑚)
𝑚 − 𝑧97.5% × √ ≤ 𝑝 ≤ 𝑚 + 𝑧97.5% × √ (4.5)
𝑛 𝑛

130
Thèse accessible à l'adresse : [Link] © [A. Brenon], [2025], INSA Lyon, tous droits réservés
 Chapitre 4 : Classification automatique en domaines de connaissance

590
Une application numérique à partir des valeurs 𝑚 = 680 , 𝑛 = 680 et 𝑧97.5% = 1.96 (donnée par les
tables numériques de la loi normale) permet d'obtenir l'encadrement 4.6. Cet encadrement signifie
que l'étiquetage par le modèle des domaines de connaissance dans LGE a 95% de chances d'avoir une
qualité au moins égale à 84.2% et inférieure à 89.3%.

84.2% ≤ 𝑝 ≤ 89.3% (4.6)

La formule 4.5 montre que la largeur de l'intervalle dépend de la taille de l'échantillon 𝑛. Par consé-
quent, la précision de l'encadrement est moins bonne pour chaque classe individuellement (pour
lesquelles 𝑛 = 40) que pour l'ensemble des articles. La présence du produit 𝑚 × (1 − 𝑚) au numé-
rateur du demi-intervalle dans 4.5 montre également que la précision est meilleure pour les classes
les mieux reconnues (car ce produit toujours positif s'annule en 0 et en 1 et atteint sa valeur maxi-
male — 0.25 — en 𝑚 = 0.5). Ainsi, avec le même degré de confiance de 95%, il est par exemple pos-
sible d'affirmer que la précision du modèle sur la classe Histoire naturelle est d'au moins 92.7%. Par
contraste, la précision la moins bonne mesurée sur la classe Chasse (67.5%) ne peut pas être enca-
drée aussi finement et pour conserver le même indice de confiance il n'est possible de fournir que
la valeur 52.3% comme borne inférieure (avec optimisme, le même argument renversé implique que
seules des valeurs au-delà de 82.0% ont moins de 5% de chance d'être la vraie précision du modèle
sur cette classe). Pour la classe Géographie qui intéresse principalement les présents travaux, il est
possible d'affirmer à 95% de confiance que la précision est au moins supérieure à 88.2%. Les bons ré-
sultats du modèle sur la très large majorité des classes — et la Géographie en particulier — permettent
de valider l'emploi de cette annotation pour les analyses conduites tout au long du chapitre 5. La
répartition des nombres d'articles de LGE par superdomaine est donnée par la figure 4.23.

Domaine Taille
Politique 64
Chasse 605
Agriculture 706
Religion 1212
Musique 1256
Commerce 1404
Droit Jurisprudence 1471
Métiers 1802
Philosophie 2216
Militaire 2660
Médecine 5116
Physique 5429
Beaux-arts 7466
Belles-lettres 8660
Histoire naturelle 11 105
Histoire 31 779
Géographie 51 869

(a) Décompte absolu (b) Proportions relatives

Figure 4.23 – Nombre d’articles par domaine dans LGE

Cette section conclut les travaux en classification automatique effectués dans le cadre de cette thèse.

131
Thèse accessible à l'adresse : [Link] © [A. Brenon], [2025], INSA Lyon, tous droits réservés
 Chapitre 4 : Classification automatique en domaines de connaissance

La comparaison de classifieurs opérée à la section 4.1 a montré la pertinence de l'emploi d'un mo-
dèle de type BERT pour appliquer une classification en domaine aux articles. Plus inattendu, cette
comparaison a aussi révélé l'intérêt spécifique de méthodes classiques d'AA telles que SVM et SGD
associées à une vectorisation TF-IDF sur des volumes de données de l'ordre de grandeur de ceux
présents dans le corpus d'étude. Ces modèles nécessitent en effet relativement «peu» de données
pour produire des résultats exploitables par rapport aux méthodes d'AP autres que BERT. La sous-
section 4.3.1 a en outre mis en évidence le fait que SGD, certes légèrement moins performant que
BERT, s'avère en plus particulièrement efficace du point de vue de la consommation énergétique. Les
études conduites à la section 4.2 sur les erreurs faites par ce modèle sur les articles de l'EDdA sug-
gèrent des pistes intéressantes à explorer dans le chapitre 5, notamment sur la présence de contenus
non géographiques dans les articles de la classe Géographie. À l'issue de ces travaux de classification,
la totalité des articles du corpus — aussi bien ceux issus de l'EDdA que de LGE — a été classée selon ces
superdomaines, ce qui rend possible les études contrastives développées dans le dernier chapitre.

132
Thèse accessible à l'adresse : [Link] © [A. Brenon], [2025], INSA Lyon, tous droits réservés
 Chapitre 5

Études contrastives

5.1 Tracer les contours de la géographie . . . . . . . . . . . . . . . . . . . . . . . . . . . 133

5.1.1 La place de la géographie . . . . . . . . . . . . . . . . . . . . . . . . . . . . 134
5.1.2 Des articles qui changent de domaine . . . . . . . . . . . . . . . . . . . . . 146
5.2 La biographie cachée . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 157
5.2.1 Spécificité des lemmes «naître» et «mourir» en Géographie . . . . . . . . . 158
5.2.2 L'influence des domaines . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 164
5.2.3 Différents profils de passages biographiques . . . . . . . . . . . . . . . . . . 166

Ce dernier chapitre qui s'ouvre propose une méthodologie fondée sur une analyse du corpus à dif-
férents niveaux de granularité pour montrer la pertinence des données préparées dans le cadre de
cette thèse. Le chapitre 3 fournit un corpus structuré, annoté en syntaxe et développe la notion de
domaine de connaissance, centrale pour la classification qui est appliquée aux articles au chapitre 4.
Ces efforts amènent deux directions de travail pour le présent chapitre.
En gardant bien à l'esprit les réserves émises à l'Introduction sur la différence entre d'une part la
Géographie en tant que discipline et d'autre part les discours qui peuvent relever de la géographie
(voir 1.2 p.11), l'examen de mesures effectuées à l'échelle des articles permet de mettre en lumière des
différences en diachronie entre l'EDdA et LGE ainsi qu'entre domaines de connaissance. La première
étape que représente la section 5.1 consiste donc à estimer les variations de la place accordée à la
discipline géographique dans les œuvres du corpus au travers de mesures des articles de Géographie
aux XVIIIème et XIXème siècles.
Dans un second temps, une étude plus fine des textes basée sur des phénomènes au niveau des
phrases, notamment syntaxiques, révèle des mélanges thématiques au sein des articles. La section
5.2 permet ainsi d'identifier des biographies au sein des articles de Géographie et d'étudier la relation
particulière qu'entretiennent ces contenus avec la discipline.

5.1 Tracer les contours de la géographie

Cette première section articule deux approches complémentaires. Une première étude purement
quantitative établit le périmètre accordé à la Géographie et aux autres domaines de connaissance
dans l'EDdA et dans LGE. Dans un second temps, une étude qualitative vient compléter la précédente
en regardant l'évolution du traitement qui est fait d'un ensemble fixe de thématiques par rapport à

133
Thèse accessible à l'adresse : [Link] © [A. Brenon], [2025], INSA Lyon, tous droits réservés
 Chapitre 5 : Études contrastives

la notion de domaine de connaissance.

5.1.1 La place de la géographie

La revue quantitative qui débute s'intéresse à plusieurs critères, du nombre d'articles consacrés à
chaque domaine aux densités d'entités nommées qu'on peut y rencontrer.

Tailles
À l'issue des sections 4.3.1 et 4.3.2, la répartition du nombre d'articles par domaine était connue. Mais
un parcours rapide des pages de l'EDdA comme de LGE montre une grande disparité de taille d'une
entrée à une autre. Le phénomène a déjà été décrit par Laramée (2017, p. 168) pour la géographie dans
l'EDdA où il peut au moins s'expliquer par des différences de conceptions très marquées entre les
auteurs quant aux buts de la Géographie, particulièrement entre Diderot et le chevalier de Jaucourt.
Mais il s'observe également pour des articles d'autres domaines, ainsi que dans toute LGE. Il est dès
lors naturel de s'intéresser aux éventuels liens entre taille des articles et domaines de connaissance.
À plusieurs échelles, plusieurs métriques peuvent être considérées. La mesure qui se présente le plus
immédiatement à l'esprit pour mesurer la taille d'un ensemble de textes est sans doute le nombre
d'unités lexicales qu'il contient. Sous une apparente simplicité c'est un problème intrinsèquement
«délicat» (voir la section 2.4.3 p.34). En diachronie, la question se complique encore car la segmenta-
tion «naturelle» pour les locuteurs change suivant les époques des parties du corpus. Si le français
classique de l'EDdA diffère heureusement assez peu de celui déjà quasi contemporain de LGE, on
y trouve encore tout de même des formes similaires à celles rapportées par Diwersy et al. (2017, p.
29). Ainsi, l'adverbe «très» demeure préfixé à de nombreux adjectifs, bien que séparé d'un tiret 1
dans des formes comme «très-subtil» à l'article MALEBRANCHISME (L'Encyclopédie, T9, p.942)
ou «très-philosophique» dans l'article DICTIONNAIRE (L'Encyclopédie, T4, p.958) cité à la section
2.2.1 (p.24). À l'inverse certaines formes ne sont pas encore agglutinées telles que «par ce que» dans
l'entrée ATTAQUES d'une place (L'Encyclopédie, T1, p.829).
Les «mots» sont donc une abstraction utile mais inatteignable en pratique : la linguistique de corpus
requiert de faire des choix de segmentation toujours teintés d'une part d'arbitraire pour produire
une séquence de tokens que les outils numériques sont à même de manipuler. Ceux opérés dans le
cadre de ces travaux suivent simplement les décisions de l'annotateur Stanza qui intègre la phase de
tokenisation (voir la section 3.3.1 p.81). Entraîné pour du français contemporain, il laisse l'amalgame
«très-subtil» en un seul token (qu'il annote correctement comme un adjectif alors que la forme
«très-opiniâtre» qui apparaît peu après dans le texte est étiquetée en tant que nom commun), et
ne reconnaît pas «parce que», considérant la séquence «par ce que» comme trois tokens distincts.
Le seul choix restant à l'issue des traitements concerne les amalgames, représentés à l'aide de sous-
tokens disponibles dans le format CoNLL-U. À la suite de Vigier (2017, p. 101), un seul token a été
produit pour les représenter dans des outils permettant des recherches en surface comme TXM. Les
POS et lemmes affectés à ces tokens sont obtenus en concaténant les POS et les lemmes de leurs sous-
tokens, séparés par un caractère '+'. C'est à ces conventions que renvoient les nombres de «mots»
considérés dans cette partie.
Mais la taille des textes peut également être considérée à l'échelle plus fine des signes, en comptant
précisément la place qu'ils occupent et là aussi, cette intention peut être réalisée au moins de deux
manières. L'emploi d'outils informatiques amène à utiliser la place occupée sur le disque, d'accès
immédiat puisque disponible parmi les métadonnées exposées par le système de fichier au même
titre que son nom ou sa date d'accès, sans qu'il soit même nécessaire d'en lire le contenu. Du point

1. en moyen français on trouve des formes simplement agglutinées comme «trèsardent» rapportée par Diwersy et al.
(2017, p. 29)

134
Thèse accessible à l'adresse : [Link] © [A. Brenon], [2025], INSA Lyon, tous droits réservés
 Chapitre 5 : Études contrastives

de vue de la complexité, cette information est donc accessible en temps constant par rapport à la taille
du fichier (𝑂(1)). Le nombre d'octets occupés par un fichier contenant le texte d'un article dépend
de certaines conventions discutées à la section 3.2.3 notamment pour l'encodage des caractères ou
la représentation des fins de ligne. Si les fichiers créés pour LGE les réalisent par des "\n" et sont
distribués ainsi, il n'est pas exclu que certaines plateformes ou éditeurs de texte les remplacent par
des "\r\n" en les enregistrant, ce qui changerait leur contenu et donc leur taille en octets. De plus,
si au lieu d'utiliser cette version ils sont recréés à partir des fichiers ALTO avec soprano, les choix
de la plateforme sur laquelle le traitement a lieu pourront de la même façon avoir une influence
sur la taille des fichiers produits. Enfin pour l'EDdA, puisqu'il n'est de toute façon pas possible de
redistribuer les fichiers, il n'est pas possible de garantir les choix d'encodage de l'éventuelle version
qui pourrait être récupérée par quelqu'un tentant de reproduire ces travaux. Le nombre d'octets, s'il
est très simple d'accès, ne constitue donc pas un invariant absolu des textes.
D'un point de vue plus typographique, la place occupée sur les pages par un article correspond
davantage au nombre de caractères que contient son texte. Ce dernier est en revanche plus long à
calculer puisqu'il faut parcourir tout le contenu du fichier une fois, la complexité est donc ici linéaire
(𝑂(𝑛) où 𝑛 représente la longueur du fichier). Ce calcul peut toutefois être fait une seule fois pour
chaque article lors de son indexation et ce choix ne pénalise donc pas les nombreuses comparaisons
faites ultérieurement. C'est donc ce nombre de caractères qui est utilisé à l'échelle des signes, mais
il est affecté par les mêmes paramètres que le décompte des octets pour les mêmes raisons car il est
impossible de se défaire totalement des détails d'implémentation en linguistique outillée. En outre
ce décompte inclut la présence des caractères de fin de ligne. En effet, il apparaîtrait difficilement
justifiable de compter les espaces, qui prennent de la place entre deux mots sur la même ligne mais
pas ces autres séparateurs alors que deux mots séparés par la fin d'une ligne prennent visuellement
plus de place sur une page qu'un seul mot dont la longueur serait la somme des longueurs de ces
deux mots. Il est également à noter que tous les fichiers se terminent par une fin de ligne, ce qui
ajoute un caractère supplémentaire au décompte.

Nombre de mots
La chose la plus évidente lorsque l'on compare la figure 5.1 représentant le nombre de mots par
domaine dans l'EDdA avec celui représentant le nombre d'articles pour la même partition (figure
4.20 p.127) est la faible importance relative des articles de géographie en termes de taille. En nombre
d'articles, la Géographie est très nettement le domaine le plus représenté avec plus de 20% des articles
de l'EDdA qui lui sont consacrés, soit presque deux fois plus d'articles que le deuxième domaine le
plus représenté, Droit et Jurisprudence. Malgré cette très forte présence, ses articles ne contiennent
que 9.3% du nombre de mots, ce qui n'en fait que le 4ème domaine le plus volumineux, avec de
surcroît un nombre de mots assez voisin de celui des 5ème et 6ème domaines selon le même critère
(respectivement Physique et Droit et Jurisprudence). Il est même remarquable que la Géographie soit
couverte en moins de mots que la Philosophie, à laquelle ne sont consacrés que 5.47% des articles,
soit près de 4 fois moins qu'à la Géographie. Les articles de géographie apparaissent donc comme
particulièrement brefs par rapport à ceux des autres domaines de connaissance.
Cette caractéristique est encore plus visible sur la figure 5.2 qui représente la distribution des
nombres de mots par article dans chacun des domaines pour l'EDdA. Le centre de masse de la
Géographie y est particulièrement décalé vers les petites valeurs de nombre de mots et, alors que
l'échelle logarithmique rend la plupart des distributions assez plates, les faisant ressembler à des
crayons avec un long corps et une mine plus ou moins affûtée, la distribution de la Géographie
présente une forme assez particulière, directement décroissante (une «mine» gigantesque sans
«corps»). La pente de décroissance est plus ou moins visible selon les domaines mais la plupart
présentent au moins cet effet de rupture de pente (la «mine» dans la métaphore précédente), par
exemple les domaines Histoire et Militaire. Seul le domaine Métiers semble comme la Géographie

135
Thèse accessible à l'adresse : [Link] © [A. Brenon], [2025], INSA Lyon, tous droits réservés
 Chapitre 5 : Études contrastives

Domaine Taille
Politique 232 767
Musique 412 388
Commerce 432 421
Agriculture 443 352
Chasse 591 949
Beaux-arts 651 842
Religion 797 139
Belles-lettres 948 090
Militaire 1 024 581
Métiers 1 936 895
Histoire naturelle 2 018 865
Droit Jurisprudence 2 137 346
Physique 2 194 062
Géographie 2 241 549
Philosophie 2 506 523
Histoire 2 569 751
Médecine 2 647 193

(a) Décompte absolu (b) Proportions relatives

Figure 5.1 – Nombre de mots par domaine dans l’EDdA

décroître constamment, mais sa pente est tout de même moins forte que celle de la Géographie et il
possède bien plus d'articles avec un nombre élevé de mots (la différence devient flagrante au-dessus
de quelques centaines de mots). La figure 5.2 montre la raréfaction des articles de Géographie en
raison logarithmique de leur taille (la mine présente des bords bien droits caractéristiques d'une
relation linéaire). La différence de densité entre les articles de 100 mots et ceux de 10 mots est par
exemple sensiblement la même qu'entre les articles de 1 000 mots et ceux de 100 mots.
Il est naturel après avoir fait cette remarque de se demander si cette signature particulière persiste
130 ans plus tard. La taille de la Géographie dans LGE aussi est bien moins importante en nombre de
mots qu'en nombre d'articles. Elle représente en effet une part encore plus importante du nombre
d'articles (37.8% soit plus d'un tiers alors qu'elle ne représentait «que» 20.74% des articles de l'EDdA),
mais cette fois encore cela ne suffit pas à en faire le domaine le plus volumineux : malgré cette
surreprésentation accrue, la Géographie n'arrive qu'à la deuxième place des disciplines occupant le
plus de mots en comprenant «seulement» 22.87% du texte. Là encore, les articles de Géographie
apparaissent donc relativement brefs par rapport à ceux des autres disciplines.
Il faut toutefois remarquer que les proportions d'articles classés en Histoire et en Géographie semblent
en contradiction avec les intentions des auteurs de LGE dans l'Avant-Propos (La Grande Encyclopé-
die, T1, [Link]) mentionnées à la section 3.1.2 (p.55) puisqu'il y est question de 15% du volume consacré
à Histoire et Géographie, alors que la seule Géographie prédite par le modèle en totalise déjà une fois
et demie plus. S'il faut bien sûr garder en tête que l'ensemble de 17 domaines utilisés dans cette étude
ne correspond pas au découpage en 15 «sciences» de l'Avant-Propos, il reste vrai que le modèle a
néanmoins prédit qu'un article sur deux appartenait à la Géographie ou à l'Histoire, et devrait donc
être compté dans Histoire et Géographie, ce qui ferait un volume bien trop élevé. Parmi les raisons qui
pourraient expliquer cet écart se trouve l'inadéquation potentielle d'un modèle entraîné sur l'EDdA
pour traiter des textes de LGE. Un modèle d'apprentissage automatique intègre un certain nombre
de biais statistiques du corpus sur lequel il s'entraîne et a tendance à les reproduire sur les données
sur lesquelles on l'applique. Toutefois, le déséquilibre prédit en faveur de la Géographie est encore

136
Thèse accessible à l'adresse : [Link] © [A. Brenon], [2025], INSA Lyon, tous droits réservés
 Chapitre 5 : Études contrastives

Figure 5.2 – Distribution des nombres de mots par article au sein des différents domaines de l'EDdA

137
Thèse accessible à l'adresse : [Link] © [A. Brenon], [2025], INSA Lyon, tous droits réservés
 Chapitre 5 : Études contrastives

plus important que celui constaté dans l'EDdA, et de plus l'Histoire était moins présente que la Géo-
graphie alors qu'elle l'est encore davantage dans les prédictions du modèle sur LGE. Si les erreurs du
modèle pourraient sans aucun doute gonfler un peu les chiffres, elles paraissent difficilement pou-
voir changer 15% en 50%. Une autre explication vraisemblable pourrait résider dans la difficulté à
décider à l'avance avec assez de précision du contenu d'une œuvre aussi vaste qu'une encyclopédie,
impliquant autant de contributeurs sur une période aussi longue. D'ailleurs, le même Avant-Propos
annonce 25 tomes de 1200 pages chacun, quand on sait qu'il y en a eu finalement 31 au total, dont
le dernier dépasse allègrement les 1 300 pages. Mais là encore, même si l'Histoire et Géographie était
effectivement prévue pour être la science occupant le plus de place dans LGE, on a peine à croire
qu'elle ait pu plus que tripler de volume sous les plumes de ses contributeurs. Il n'est pas possible de
conclure avec les données disponibles quant aux raisons de cette différence, mais c'est un élément
à garder en tête qui sera utile tout au long des réflexions de ce chapitre.

Domaine Taille
Chasse 101 165
Politique 321 907
Agriculture 447 881
Musique 629 295
Religion 809 072
Métiers 919 074
Commerce 955 416
Militaire 1 259 905
Droit Jurisprudence 2 417 252
Beaux-arts 2 539 133
Philosophie 2 947 525
Médecine 2 994 261
Belles-lettres 3 653 929
Histoire naturelle 4 109 638
Physique 4 310 962
Géographie 11 947 463
Histoire 14 572 388

(a) Proportions relatives (b) Décompte absolu

Figure 5.3 – Nombre de mots par domaine dans LGE

Quoi qu'il en soit, en s'intéressant aux distributions d'articles en fonction de leur nombre de mots,
la figure 5.4 montre cette fois un profil assez différent et beaucoup moins marqué où davantage de
disciplines voient leurs articles diminuer en nombre avec l'augmentation de leur taille mais avec
des pentes bien moins prononcées. Ainsi, si elles semblent s'accentuer légèrement à partir de 1 000
mots, les pentes de décroissance en fréquence de l'Histoire et de l'Histoire naturelle sont assez droites
et ressemblent globalement à celle de la Géographie, dont la pente, si elle semble là aussi régulière,
est bien moins marquée, signe d'un étalement bien plus progressif. De plus, les nombres de mots
minimum par domaine varient bien plus (ce qui se traduit sur la figure 5.4 par le fait que les «crayons»
sont bien moins alignés à gauche qu'ils ne l'étaient pour l'EDdA à la figure 5.2). Il y a donc plus
d'articles de géographie longs dans LGE qu'il n'y en avait dans l'EDdA et surtout, la répartition en
nombre de mots des articles ressemble davantage à celle des autres disciplines. Cela suggère que le
style des articles de Géographie perd de sa spécificité.

138
Thèse accessible à l'adresse : [Link] © [A. Brenon], [2025], INSA Lyon, tous droits réservés
 Chapitre 5 : Études contrastives

Figure 5.4 – Distribution des nombres de mots par article au sein des différents domaines de LGE

139
Thèse accessible à l'adresse : [Link] © [A. Brenon], [2025], INSA Lyon, tous droits réservés
 Chapitre 5 : Études contrastives

Longueur moyenne des mots

L'intérêt de mesurer aussi les tailles d'articles à l'échelle des signes comme décrit plus haut est de
pouvoir calculer la longueur moyenne des mots de chaque domaine pour vérifier s'il existe un lien de
dépendance entre celle-ci et les domaines. Il paraît plutôt vraisemblable que le rapport entre nombre
de lettres et nombre de mots, c'est-à-dire en fait la longueur moyenne d'un mot, soit une constante
propre à la langue et que la mesure ne puisse varier que très peu sur des échantillons assez grands.
Le tableau 5.1 montre qu'au contraire ce rapport n'est pas constant et qu'il atteint son minimum pour
la Géographie dans l'EDdA.

Domaine dans l’EDdA dans LGE

Agriculture 4.82 5.13
Beaux-arts 4.9 5.03
Belles-lettres 4.97 4.95
Chasse 4.89 4.99
Commerce 4.87 5.19
Droit Jurisprudence 5.07 5.16
Géographie 4.7 4.97
Histoire 5.0 5.03
Histoire naturelle 4.88 5.16
Militaire 4.84 5.1
Musique 4.75 4.95
Médecine 5.1 5.25
Métiers 4.77 5.11
Philosophie 4.96 5.14
Physique 5.0 5.16
Politique 5.13 5.3
Religion 4.98 5.13
Moyenne 4.92 5.1
Écart-type 0.12 0.1

Tableau 5.1 – Longueur moyenne des mots par domaine pour chacune des deux encyclopédies
étudiées

Les articles de Géographie y sont donc particulièrement courts, non seulement en nombre de mots
mais même, typographiquement, en place occupée sur les pages de l'EDdA. La présence dans ces ar-
ticles d'abréviations notamment pour les points cardinaux («N.», «S.») et les coordonnées («Long.»,
«lat.») contribue sans doute à abaisser un peu la moyenne dans ce domaine mais ne suffit probable-
ment pas à expliquer la brièveté particulière des articles de Géographie car des abréviations d'une
lettre se rencontrent également dans les autres domaines. Outre les initiales de noms de personnes
qui concernent toutes les lettres et peuvent apparaître dans de nombreux contextes, la séquence «S.»
peut aussi représenter le mot «Saint» et se rencontre alors très fréquemment dans toute l'EDdA, no-
tamment en Histoire et en Religion où elle a respectivement 1 861 et 1 409 occurrences (il y en a 1 877
en Géographie).
Dans LGE, la longueur moyenne des mots dans les articles augmente globalement pour atteindre 5.1
soit presque deux écarts-types de plus que la moyenne dans l'EDdA, ce qui montre un mouvement
général de complexification du discours avec l'emploi plus fréquent de mots techniques plus longs
quels que soient les domaines. Cette nouvelle valeur est même supérieure à la longueur moyenne
des mots dans tous les domaines de l'EDdA sauf la Politique. La Géographie n'échappe pas à cet
allongement du vocabulaire. Si elle reste plus d'un écart-type sous la moyenne de longueur des

140
Thèse accessible à l'adresse : [Link] © [A. Brenon], [2025], INSA Lyon, tous droits réservés
 Chapitre 5 : Études contrastives

mots dans LGE (4.97 contre 5.1) elle perd tout de même sa place de domaine aux mots les plus
brefs, détrônée de peu par la Musique et les Belles-lettres. Mais surtout, la longueur moyenne de son
vocabulaire, 4.97, est supérieure à celle dans l'ensemble de l'EDdA, tout domaine confondu.
Cela est d'autant plus remarquable que les abréviations se multiplient pourtant dans LGE. Parmi
les 20 lemmes les plus spécifiques de la Géographie dans cette œuvre figurent cinq abréviations :
«hab.» (habitant), «dép.» (département), «arr.» (arrondissement), «cant.» (canton) et «kil.» (kilo-
mètre), toutes spécifiques «à saturation» (voir la section 2.5.2 p.39) et de surcroît exclusives à la Géo-
graphie (elles sont sous-spécifiques de tous les autres domaines). Par comparaison, les 40 lemmes
les plus spécifiques de la Géographie dans l'EDdA ne contenaient que quatre abréviations de mots
pleins (pour «Sud», «ancien(ne)?», «Longitude» et «latitude», les autres abréviations sont ou bien
les désignants du domaine, ou des signatures d'auteurs). Pour que la longueur moyenne des mots
dans les articles de Géographie parviennent à croître autant entre l'EDdA et LGE, il est donc raison-
nable de faire l'hypothèse de l'apparition dans ce domaine d'un grand nombre de termes techniques
beaucoup plus longs à même de contrebalancer cet effet, ce qui corrobore également l'hypothèse de
sa disciplinarisation.

Annotations géo-sémantiques
Intuitivement, la Géographie en tant que science descriptive de l'espace terrestre renvoie à la notion
de lieu et en particulier de lieu nommé. Le concept d'Entité Nommée (EN) paraît donc un angle
d'approche tout à fait approprié pour étudier les articles encyclopédiques du corpus et on peut faire
l'hypothèse que ces entités seront particulièrement présentes dans les articles de Géographie.
Ce concept apparu dans les années 1990 généralise la notion de noms propres à tout groupe de mots
renvoyant à des objets nommés, uniques (Nadeau & Sekine, 2007, p. 3) (ou supposés tels dans le
contexte). Central dans les tâches d'extraction d'information, il se définit en creux comme la matière
précieuse à extraire qui justifie de s'intéresser à ces tâches. Il s'agit de les trouver dans des textes
tels que des articles de presse ou des rapports d'activité ; de les classer suivant une typologie prééta-
blie en relation avec l'usage que l'on souhaite faire du document ; de les rattacher sans ambiguïté
à des entrées présentes dans des bases de connaissance et enfin de découvrir les relations qu'elles
entretiennent (Ehrmann et al., 2016, p. 3350). Si elles semblent inclure dès le début les expressions
numériques comme les dates ou les quantités pourvues d'une unité (Sekine et al., 2002), la définition
et l'organisation de classes assez complètes fait l'objet de travaux conséquents qui aboutissent à la
publication de jeux d'étiquettes complexes (Sekine & Nobata, 2004) jusqu'à des schémas d'annotation
(Rosset et al., 2011). L'extraction des relations spatiales entre entités ou Spatial Role Labeling, une
tâche introduite par Kordjamshidi et al. (2011) pour SemEval2012 est une opération difficile à cause
de l'ambiguïté des prépositions et du vocabulaire dans de nombreux langages — illustrée par exemple
pour l'anglais par Kordjamshidi et al. (2010, p. 3).
Mais les discours géographiques, au-delà de leur densité en EN, présentent aussi un intérêt dans la
manière dont ils les mettent en relation ainsi que dans le vocabulaire qu'ils utilisent pour les catégo-
riser. On peut ainsi penser, dans le contexte précis de ce corpus d'étude à la différence significative
entre des termes comme «paroisse» et «commune». C'est pourquoi une annotation géo-sémantique
riche a été retenue plutôt qu'une annotation en entités nommées classiques pour examiner l’hypo-
thèse formulée au début de cette sous-section. Le corpus a été annoté avec un modèle SpaCy spancat
personnalisé 2 (Moncla et al., 2024a). Ce modèle a pour tâche de catégoriser les entités ou spans (en-
semble de tokens) avec imbrications possibles selon une version simplifiée du schéma d’annotation
décrit dans Moncla & Gaio (2015). Le schéma retenu pour l’annotation du jeu de données GeoEDdA
(Moncla et al., 2024b) qui a servi pour l’entraînement et l’évaluation de ce modèle d'annotation
comporte 12 étiquettes :
2. [Link]

141
Thèse accessible à l'adresse : [Link] © [A. Brenon], [2025], INSA Lyon, tous droits réservés
 Chapitre 5 : Études contrastives

— 3 types de noms propres : lieux (NP-Spatial), personnes (NP-Person) et autres (NP-Misc)

— 2 types de noms communs : lieux (NC-Spatial) et personnes (NC-Person)
— 1 pour les relations spatiales (Relation)
— 1 autre pour les coordonnées géographiques (LatLong)
— 1 marqueur pour les vedettes d'articles (Head)
— 1 pour leurs désignants (Domain-mark)
À ces neuf types atomiques s'ajoutent trois types d'Entités Nommées Étendues (ENE), reprenant le
concept défini par Gaio & Moncla (2017):
— 1 de lieux (ENE-Spatial)
— 1 de personnes (ENE-Person)
— 1 non classées (ENE-Misc)
Ces entités permettent de capturer et de structurer le contexte local des entités nommées (NP-*).
Elles sont construites à partir des NC-* et des NP-* (ou d’une autre ENE-*) et peuvent également
inclure les Relations. De manière systématique le type de l'ENE (Spatial, Person, Misc) hérite du
type du NC-* sur lequel elle est bâtie. Ainsi la figure 5.5 montre comment un NC-Spatial peut se
combiner avec un NP-Spatial pour former une ENE-Spatial. En effet, une «ville d'Italie» est bien
une ville, donc l'ENE dans son ensemble désigne une ville et est donc de type spatial. Dans ce cas le
nom propre impliqué est aussi spatial donc il serait possible de croire que c'est le NP qui gouverne le
type de l'ENE ou qu'un NP et un NC doivent s'accorder pour former une ENE mais un exemple comme
«place de la Libération» permet de dissiper ces mauvaises intuitions : la «Libération» est un nom
propre renvoyant à un événement (elle serait ici annotée NP-Misc), «place» est un NC-Spatial
et l'ensemble est bien une ENE-Spatial (une fois encore de manière évidente parce que la «place
de la Libération» est en particulier une place, donc bien un lieu). Ayant choisi de n'annoter que
les noms communs de lieux et de personnes, les ENE-Misc sont dans ce schéma d'annotation dé-
pourvues de NC (on pourrait ainsi annoter «le débarquement de Normandie» ENE-Misc car il s'agit
d'un événement, «débarquement» ne serait pas annoté mais «Normandie» constitue évidemment un
NP-Spatial). Enfin, les ENE peuvent à leur tour se combiner entre elles comme cela est également
visible à la figure 5.5 (où elles atteignent quatre niveaux de profondeur).

Figure 5.5 – Annotations de l'article Strongoli (L'Encyclopédie, T15, p.547)

La figure 5.6 représente les densités des différents types d'entités par domaine dans l'EDdA, c'est-
à-dire pour chaque domaine de connaissance le nombre d'entités d'un des types décrits ci-dessus
divisé par la taille de ce domaine. Les colonnes ne peuvent pas se sommer directement puisque les
cellules de la matrice représentent des densités dans des domaines qui n'ont pas les mêmes nombres
de mots. L'histogramme en haut de la figure représente donc leurs sommes pondérées, c'est-à-dire
en fait les décomptes d'entités d'un type donné dans toute l'EDdA, divisés par le nombre de mots de
cette encyclopédie.
Les sommes horizontales s'effectuent au contraire sans problème, mais il faut garder à l'esprit qu'elles
représentent un nombre d'entités et pas un nombre de mots. D'abord, il n'y a pas de correspondance

142
Thèse accessible à l'adresse : [Link] © [A. Brenon], [2025], INSA Lyon, tous droits réservés
 Chapitre 5 : Études contrastives

Figure 5.6 – Densité d'entités dans l'EDdA par domaine et par type

143
Thèse accessible à l'adresse : [Link] © [A. Brenon], [2025], INSA Lyon, tous droits réservés
 Chapitre 5 : Études contrastives

un-à-un entre les mots et les entités, même atomiques, ce qui est visible par exemple à la figure 5.5
dans «petite ville» : le syntagme nominal entier a été étiqueté NC-Spatial alors qu'il comporte deux
mots. Ensuite, la nature imbriquée des ENE entraîne que les mêmes mots individuels peuvent parti-
ciper à plusieurs entités. Ainsi, la séquence «royaume de Naples» de la même figure 5.5 contribue
à trois entités : une pour «royaume», NC-Spatial, une pour «Naples», NP-Spatial, et une pour
l'ensemble de l'expression, ENE-Spatial. Le fait que l'expression comporte également trois mots
n'a pas de lien numérique avec ce fait, et sa participation à trois autres ENE dans lesquelles elle est
imbriquée en profondeur fait que la densité d'entités rapportée à ce passage serait même supérieure
à une entité par mot. Le compte obtenu pour chaque article rapporté à son nombre de mot, division
nécessaire pour rendre compte fidèlement de la distribution des entités sans biais dûs à sa taille, ne
représente donc pas une proportion de mots qui seraient des entités mais simplement une densité
abstraite pour chacun et qui n'a pas réellement d'interprétation intuitive directement visible dans
les articles.
Le trait le plus visible de la figure 5.6 est évidemment la prépondérance de la Géographie par op-
position aux autres domaines dans la répartition des entités. Les plus présentes sont celles de lieu :
ENE-Spatial, NC-Spatial et surtout NP-Spatial qui atteint environ 5%, ce qui est supérieur
à la densité moyenne de tous les types d'entités confondus dans l'ensemble de l'EDdA (Σ, valant
4.6%). La ligne Géographie dans son ensemble totalise environ 16% d'entités et se dégage très net-
tement des autres domaines, puisque seules les classes Histoire et Religion arrivent à dépasser Σ
de peu, avec une densité plus de deux fois moindre. Les ENE sont dans leur ensemble assez rares
mais la catégorie ENE-Spatial atteint tout de même une densité assez élevée dans la classe Géogra-
phie, de l'ordre de celle de NC-Spatial ce qui est cohérent avec la remarque faite ci-dessus sur le
fait qu'une ENE-Spatial était censée être bâtie autour d'un NC-Spatial. L'inverse n'est pas vrai,
ce qui se voit au fait que la colonne NC-Spatial est légèrement plus foncée sur la ligne Géogra-
phie que celle de ENE-Spatial. Cette différence s'accentue pour tous les autres domaines : là où le
rapport NC-Spatial / ENE-Spatial (calculé à partir des données numériques de la matrice, diffi-
cile à évaluer à partir des seules couleurs de la figure) atteint son minimum, 1.1, en Géographie, il
monte ensuite à 2.5 en Commerce, deuxième domaine pour lequel ce rapport est le plus bas et s'élève
même à plus de 10 en Agriculture. Bien qu'encore atténuée, une répartition similaire concerne les
Relations, présentes quasi-exclusivement en Géographie. Si des éléments spatiaux sont donc pré-
sents à l'intérieur de syntagmes nominaux dans les autres domaines, la Géographie se caractérise
dans l'EDdA par leur mise en relation au sein des composés structurés que constituent les ENE.
Les autres types d'entités particulières, celles de personnes, présentent une distribution beaucoup
plus homogène entre les domaines. Les NC-Person sont ainsi bien plus uniformément réparties
que les NC-Spatial, et les NP-Person atteignent une densité proche de 2%, son maximum, dans
trois domaines. Il est à noter que ce dernier type d'EN est bien représenté en Géographie, où il
très légèrement plus fréquent qu'en Histoire alors que les EN de type NP-Spatial étaient bien moins
fréquents en Histoire qu'en Géographie. Les entités de personnes n'apparaissent donc pas comme
caractéristiques d'un domaine en particulier mais s'observent avec des combinaisons de densités
variées entre les NC-Person, NP-Person et ENE-Person en fonction des domaines.
La figure 5.7 qui montre les mêmes statistiques mais pour LGE offre un aspect tout à fait différent.
La Géographie y conserve la place de domaine le plus dense en entités mais son score est bien plus
proche de ceux de l'Histoire, des Beaux-arts et des Belles-lettres les trois autres domaines à dépasser la
densité moyenne à l'échelle de toute cette seconde encyclopédie. Cette proximité se retrouve dans les
lignes de la matrice qui sont bien plus uniformes : celle de la Géographie ne ressort pas nettement des
autres et présente des similitudes fortes avec celles des trois autres domaines les plus denses. La seule
particularité réellement identifiable reste au niveau des types utilisés pour les lieux : ENE-Spatial
et NC-Spatial, bien que très atténués par rapport à l'EDdA se dégagent de la ligne Géographie et
la distinguent des autres semblables. La Géographie conserve la plus haute densité de NP-Spatial

144
Thèse accessible à l'adresse : [Link] © [A. Brenon], [2025], INSA Lyon, tous droits réservés
 Chapitre 5 : Études contrastives

mais est considérablement rattrapée par la plupart des domaines. Très schématiquement, là où la
figure 5.6 pour l'EDdA était marquée par la ligne Géographie, la figure 5.7 de LGE se présente plus
verticalement et se structure le long de la colonne NP-Spatial. Le résultat sur l'histogramme du
haut de la figure est net : cette classe creuse l'écart et s'élève nettement au-dessus des autres à près
de 3% de densité dans la totalité de LGE, soit environ deux fois et demie plus que dans l'EDdA. La
densité totale d'entités dans cette encyclopédie s'est beaucoup accrue, atteignant 7.5% soit plus d'une
fois et demie celle dans les pages de l'EDdA.

Figure 5.7 – Densité des ENE dans LGE par domaine et par type d'ENE

Il y a donc dans ces encyclopédies deux mouvements simultanés et contraires au niveau des entités
entre le XVIIIème et le XIXème siècle. D'une part les entités atomiques se font plus fréquentes, surtout
les noms propres, et se répandent dans de nombreux autres domaines que la Géographie, y compris
les NP-Spatial détectés autant dans des domaines où ils peuvent être attendus (le Commerce mais
aussi l'Histoire naturelle quand on tient compte de ce que la discipline doit aux grandes explorations
du siècle précédent) que dans d'autres où ils le seraient moins comme les Beaux-arts, la Musique ou

145
Thèse accessible à l'adresse : [Link] © [A. Brenon], [2025], INSA Lyon, tous droits réservés
 Chapitre 5 : Études contrastives

même la Religion. Concernant les entités de lieu, le mouvement se limite aux seuls noms propres.
Les NC-Spatial tout comme les ENE-Spatial, bien moins fréquents, restent davantage caractéris-
tiques de la Géographie, qui se distingue par contraste des autres domaines en conservant l'usage
de ces noms communs qui deviennent un vocabulaire disciplinaire. Malgré cette spécialisation, le
deuxième mouvement à l'œuvre voit la Géographie se normaliser et ressembler davantage aux autres
domaines pour les entités détectées. La décroissance de sa densité en entités est probablement sures-
timée au moins en partie à cause des abréviations évoquées précédemment dans cette section p.141,
très présentes dans les articles de Géographie de LGE et assez mal repérées par le modèle. Mais au-
delà de ce seul indicateur, la différence de densités de NP-Spatial entre la Géographie et les autres
domaines s'estompe également, la rapprochant des profils des autres disciplines. Les ENE-Spatial
sont moins concentrées, elles forment des arbres moins profonds (c'est-à-dire moins d'ENE-x imbri-
quées comme pouvaient l'être celles de la figure 5.5 imbriquées sur quatre niveaux). L'ENE-Spatial
la plus profonde trouvée dans LGE a ainsi une profondeur de quatre là où la profondeur maximale
dans l'EDdA s'élevait à sept. La très grande majorité des ENE trouvées sont très plates et la profon-
deur moyenne dans ces encyclopédies est de l'ordre de grandeur de 10−2 mais celle hors de la classe
Géographie dans l'EDdA est de 8 × 10−3 alors qu'elle s'élève à 1 × 10−1 en Géographie ; dans LGE, la
profondeur moyenne hors Géographie est de 4 × 10−3 contre 9 × 10−3 . Les articles de Géographie
dans LGE sont donc non seulement moins denses en entités que ceux de l'EDdA mais ils font l'objet
d'une mutation plus profonde : les concentrations de noms propres (dont surtout des toponymes)
s'effacent pour laisser se développer un discours plus structuré et plus similaire à celui des autres
disciplines : la Géographie ne sert plus tant à nommer et à localiser des référents qu'à donner des
informations sur eux.

5.1.2 Des articles qui changent de domaine

Les considérations précédentes fournissent des mesures «en gros» et se focalisent sur les groupes
d'articles rassemblés par domaines en essayant de mesurer leurs variations de taille entre l'EDdA
et LGE. La représentation sous-jacente correspond à des «essaims» d'articles qui grossiraient et se
réduiraient au fil des ajouts ou des suppressions d'articles dans un domaine donné ainsi que des
variations des volumes de textes consacrés aux différents articles de ce domaine. Cette sous-section
se propose au contraire de suivre une approche relativement orthogonale en prenant un ensemble
fixe d'entrées existant aux deux époques pour observer comment celles-là changent.

Constitution d'un sous-corpus

La première difficulté consiste donc à établir des correspondances entre les articles des deux ency-
clopédies, c'est-à-dire à définir une notion d'équivalence entre deux articles pourtant issus de deux
encyclopédies distinctes et dont les différences seules nous intéressent. Étant donné le caractère qua-
litatif plus que quantitatif de cette étude (l'ensemble d'entrées suivies en détail n'a pas besoin d'être
aussi grand que possible puisque de toute façon par construction il ne représentera pas la totalité
des articles), l'algorithme le plus naïf est utilisé en constituant des paires d'articles de la manière sui-
vante : une paire est constituée d'un article de l'EDdA et d'un article de LGE ayant la même vedette
qui doit de plus se trouver être unique dans chacune des encyclopédies prise séparément.
Les vedettes sont comparées en utilisant l'égalité usuelle des chaînes de caractères mais sans tenir
compte de la casse étant donné que la typographie est un peu irrégulière dans l'EDdA et que les
conventions typographiques varient de toute façon légèrement entre les deux encyclopédies. Cette
règle relativement stricte n'est pourtant pas suffisante pour garantir que les paires sont toutes bien
fondées : au lieu qu'elles renvoient bien au «même» objet (concept, lieu, etc.) il se pourrait qu'une
entrée vienne à disparaître de la première encyclopédie pour être remplacée dans la suivante par une
autre avec la même vedette mais sans lien sémantique avec l'entrée initiale. Si la vedette commune
à une paire d'entrées est un nom propre, il s'agira de vérifier qu'elles décrivent bien la même entité ;

146
Thèse accessible à l'adresse : [Link] © [A. Brenon], [2025], INSA Lyon, tous droits réservés
 Chapitre 5 : Études contrastives

pour les vedettes relevant des autres catégories morphosyntaxiques, comme le proposent Lehmann
& Martin-Berthet (2018, chap. 5, §1.3) l'étymologie complétée de critères sémantiques lorsqu'une
évolution forte a éloigné les termes permettront de distinguer les polysémies, intéressantes à étudier,
des simples homonymies et ce même si le sens utilisé dans une des encyclopédies est absent dans
l'autre. Toute la difficulté de constitution de ce sous-corpus, nommé «Parallèle» et noté 𝒫 dans ce qui
suit, réside dans ce problème de bon appariement — distinguer les vraies paires des fausses, sources de
bruit dans le corpus. Par construction, 𝒫 comprend un nombre pair d'articles, autant de l'EDdA que
de LGE puisqu'il est obtenu en sélectionnant des couples d'articles. Les figures 5.8a et 5.8b présentent
un exemple de paire issue du sous-corpus Parallèle. Cette paire est une vraie paire car les articles,
bien que très différents ne serait-ce que par leur longueur, renvoient bien au même cours d'eau.

(a) Article ADIGE dans l’EDdA, T1, p.138 (b) Article ADIGE dans LGE, T1, p.572

Figure 5.8 – Les articles sur le fleuve ADIGE, un exemple de paire issue du sous-corpus Parallèle

L'approche ci-dessus basée sur la vedette plutôt que le contenu des articles est en un sens trop restric-
tive et peut être critiquée pour plusieurs raisons. D'abord, des objets dont le nom aurait changé entre
les XVIIIème et XIXème siècles seront exclus du sous-corpus par la condition choisie alors que le re-
nommage d'entrées pourrait aussi être un aspect intéressant à étudier. Ce cas de figure se rencontre
par exemple avec la capitale impériale japonaise à l'ère Tokugawa, la ville dont le nom moderne
est Kyōtō en trancription Hepburn. On trouve la ville dans l'EDdA à l'entrée «MÉACO ou MIACO»
(L'Encyclopédie, T10, p.218) — correspondant au japonais みやこ, soit «miyako» en transcription Hep-
burn, un ancien nom de la ville signifiant simplement «capitale» — alors que dans LGE publiée après
la restauration impériale de 1868 (l'année de début de publication de l'œuvre, 1885, correspond à
l'an 18 de l'ère Meiji) la même ville est décrite par l'entrée «KIYOTO ou MIAKO» (La Grande Ency-
clopédie, T21, p.545). Outre la prise en compte nécessaire des graphies multiples (ce qui en théorie
ne paraît pas revêtir un problème conceptuel particulier mais en pratique peut s'avérer une tâche
infinie nécessitant sans cesse de raffiner la grammaire employée pour analyser les vedettes au fur
et à mesure qu'elle bute sur de nouveaux cas particuliers), la variation orthographique aurait caché
cette paire pourtant valide avec le parti pris de ne pas comparer le contenu des articles. Ensuite,
une comparaison des contenus des articles permettrait de maintenir le bruit dans les paires à un
niveau acceptable tout en utilisant une comparaison plus souple sur les vedettes, par exemple une

147
Thèse accessible à l'adresse : [Link] © [A. Brenon], [2025], INSA Lyon, tous droits réservés
 Chapitre 5 : Études contrastives

égalité basée sur un seuil pour une distance usuelle sur les chaînes de caractères comme la distance
de Levenshtein ou le coefficient de Sørensen-Dice, ce qui aurait pu rattraper l'écart précédent entre
«MIAKO» et «MIACO», illustration que l'orthographe change au cours du temps en particulier pour
les transcriptions de noms de lieux étrangers. Enfin, il peut exister des groupes d'entrées homonymes
dans une des encyclopédies au sein desquelles une entrée pourrait être mise en correspondance avec
une entrée de l'autre encyclopédie, appartenant possiblement elle aussi à un groupe homonyme si
la vedette était fortement polysémique aux deux époques. L'heuristique choisie les écarte plutôt que
d'essayer de trouver comment les mettre en correspondance.
Ce choix se défend pourtant déjà en ce qu'il s'agit ici de favoriser la simplicité par rapport à
l'exhaustivité. Il apparaît peu pertinent de rechercher à considérer précisément l'ensemble de tous
les objets décrits à la fois dans l'EDdA et LGE comme s'il avait une qualité particulière qui ne
tiendrait pas aux hasards éditoriaux des deux entreprises. En pratique, cet ensemble peut être
remplacé par n'importe lequel de ses sous-ensembles pourvu qu'il soit assez large pour être repré-
sentatif. Mais surtout, imposer des restrictions trop sévères sur le contenu des articles empêcherait
d'observer des changements majeurs dans la manière dont un même objet serait traité entre l'EDdA
et LGE, par exemple un territoire qui changerait de pays et ne serait donc plus décrit en rapport
aux mêmes entités administratives comme ce fut le cas de l'Alsace entre le milieu du XVIIIème siècle
et la fin du XIXème siècle, ou une évolution scientifique et technique qui ferait qu'on ne parle plus
du tout d'un même sujet avec les mêmes termes. L'article SAVONE est particulièrement intéressant
pour cette raison. D'un descriptif des ordres religieux de la ville, de son commerce moribond et
de ses liens avec d'autres villes, italiennes exclusivement, qui est suivi d'une biographie du pape
Jules II dans l'EDdA (L'Encyclopédie, T14, p.722), la ville paraît transformée dans LGE (La Grande
Encyclopédie, T29, p.624), l'article bien plus bref insiste sur la force de son commerce notamment
de fer et de pétrole, sur son aciérie, et la met en relation avec Marseille. Une comparaison basée sur
le contenu aurait pu juger les deux articles trop différents.
Si la pertinence de la règle basée sur les vedettes a été justifiée, il n'en demeure pas moins que les
objections levées précédemment démontrent l'intérêt d'une approche basée sur une mesure de simi-
larités des contenus des articles. Il s'agit donc de trouver une manière de les combiner pour améliorer
la précision de la règle de sélection initiale. Le problème majeur de l'approche basée sur le contenu
des articles réside dans la part d'arbitraire qui demeure dans le choix d'un seuil au-delà duquel deux
articles sont considérés comme différents et qui, sauf à trouver une métrique particulièrement bonne
et dont l'existence n'est pas prouvée, excluera nécessairement des vraies paires tout en incluant des
fausses. Pour cette raison, le sous-corpus 𝒫 est donc constitué en appairant d'abord automatique-
ment les articles avec la règle simple basée sur les vedettes puis filtré de manière semi-automatique
en utilisant une métrique basée sur le contenu seulement pour guider la validation, purement ma-
nuelle, des paires. Ce processus de sélection se base sur les données, sans à priori : le seuil est fixé
en fonction des vraies et fausses paires trouvées parmi les articles.
L'application de la règle sur les vedettes génère une liste de 11 746 articles, c'est-à-dire 5 873 paires.
Cette liste contient bien sûr des fausses paires, comme celle pour la vedette ABACO qui est don-
née pour un synonyme désuet d'«arithmétique» dans l'EDdA (L'Encyclopédie, T1, p.6) mais désigne
un architecte italien dans LGE (La Grande Encyclopédie, T1, p.11) — il y a en réalité trois entrées
homonymes dans l'œuvre mais des problèmes de segmentation des articles de cette œuvre en ont
masqué deux. Le nombre de paires trouvées est relativement faible au regard des 74 190 articles que
comprend au total l'EDdA (moins de 8%) mais reste tout de même un peu trop élevé pour les évaluer
manuellement. La stratégie composite définie au paragraphe précédent prend alors tout son intérêt
en utilisant les similarités de contenus des articles pour les ordonner et accélérer la sélection. En
effet, en appliquant une métrique de similarité cosinus basée sur le plongement vectoriel des textes
avec SentenceBERT (Reimers & Gurevych, 2019), on constate une forte dépendance de la véracité
des paires au score qu'elles obtiennent. Ainsi les cinq candidates les mieux notées selon cette mé-

148
Thèse accessible à l'adresse : [Link] © [A. Brenon], [2025], INSA Lyon, tous droits réservés
 Chapitre 5 : Études contrastives

trique traitent toutes des mêmes objets : CONTEMPLATION d'un concept théologique et mystique,
ACUTANGLE d'un cas particulier de triangle, SYNE d'un mois éthiopien, TRIHEMITON d'un inter-
valle en musique grecque jusqu'à CONGRUE qui n'est qu'un renvoi dans les deux encyclopédies
mais vers le même terme de Jurisprudence. Au contraire parmi les cinq les moins bien notées se
trouvent PRESTON, une ville dans l'EDdA contre un renvoi biographique dans LGE, SERY respec-
tivement un rongeur et une commune ardennaise et MARTIALE qui définit une fleur au XVIIIème
et une loi au XIXème (malgré leur étymon commun — le dieu romain Mars — il n'y a plus de lien sé-
mantique entre les deux et la polysémie est devenue homonymie). Les deux autres sont une paire
valide pour CAP-BRETON (mais au contenu peu comparable puisqu'il s'agit d'un simple renvoi dans
l'EDdA mais d'une entrée géographique complète dans LGE) et l'autre, FILLES est due à une erreur
de segmentation dans un article sur l'école dans LGE.
Ces exemples montrent que cette simple étude pourrait être énormément approfondie en travaillant
sur la comparaison des vedettes (en incluant notamment une composante phonémique à la métrique
utilisée pour valuer différemment l'écart entre MIACO et MIAKO et celui entre MIACO et MIANO)
et en résolvant les renvois pour effectuer les comparaisons de similarité sur le contenu des articles
complets. Mais dans le cadre de ces travaux où elle n'a pour but que de mettre en évidence des
tendances d'évolution entre disciplines, il ne reste qu'à fixer le seuil de similarité pour retenir les
paires et former 𝒫. Et puisque les deux extrémités du classement ne sont pas violemment en contra-
diction avec cette hypothèse, on va supposer que le lien de dépendance entre qualité et score est
relativement monotone (plus le score est élevé, plus la paire a de chance d'être vraie) et procéder par
dichotomie sur la liste des paires candidates classées par ordre croissant de similarité.
Pour éviter d'accorder trop d'importance à une éventuelle paire trop bien ou trop mal classée, on
procède en gardant une fenêtre pour la comparaison. En effet non seulement les cinq premières les
mieux notées sont valides mais c'est également le cas des cinq suivantes. Une fenêtre de dix entrées
est donc utilisée pour trouver le point au-delà duquel plus d'une paire sur dix est fausse, dans l'espoir
d'atteindre ainsi une qualité d'au moins 90% de vraies paires dans 𝒫. Puisque la plage de recherche
initiale est de 5 873 paires, en considérant des fenêtres de dix éléments le processus s'arrête dans le
pire des cas au bout de ⌈𝑙𝑜𝑔2 (5873/10)⌉ = 10 étapes. L'évaluation d'une fenêtre peut s'arrêter dès
que deux fausses paires ont été trouvées, mais dans le cas le plus défavorable (trouver exclusivement
des vraies paires), il faudrait donc au pire 100 comparaisons. Le processus représente un compromis
entre fiabilité statistique, qui requiert d'augmenter la taille de la fenêtre et demande davantage de
comparaisons et rapidité qui est optimale quand on regarde seulement un article à la fois («fenêtre»
de taille un) comme l'illustre la figure 5.9 (l'effet de «décrochage» est bien sûr dû à la fonction partie
entière supérieure dans la formule précédente).

Figure 5.9 – Nombre total de comparaisons requis dans le pire des cas en fonction de la taille de la
fenêtre utilisée

Au milieu des paires candidates classées par similarité, entre les rangs 2 931 et 2 940 on trouve une

149
Thèse accessible à l'adresse : [Link] © [A. Brenon], [2025], INSA Lyon, tous droits réservés
 Chapitre 5 : Études contrastives

unique fausse paire, celle pour SPIEGELBERG — une contrée allemande (L'Encyclopédie, T15, p.461)
et un gynécologue (La Grande Encyclopédie, T30, p.388). Toutes les autres sont au moins en lien,
l'acception moderne contenant l'acception ancienne comme c'est le cas pour BARRAGE où LGE
contient une sous-section sur son acception commerciale dans l'ancien régime (La Grande Encyclo-
pédie, T5, p.469) qui est la seule définie dans l'EDdA (L'Encyclopédie, T2, p.90) qui a été écrite à cette
époque. Le taux de similarité rapporté avec la mesure choisie est supérieur à 56.9% (valeur pour la
2 931ème paire). On réitère donc le procédé entre les rangs 1 461 et 1 470 qui ont une similarité co-
sinus d'au moins 42% et contiennent au moins deux fausses paires. Puisqu'ils contiennent trop de
bruit, on remonte donc le seuil en allant entre les rangs 2 194 et 2 203 (similarité > 50.3%) qui eux
ne contiennent qu'une fausse paire et ainsi de suite. Le processus se poursuit jusqu'à ce que deux
fenêtres se rejoignent ce qui arrive comme prévu à la dixième étape. On passe alors toutes les fausses
paires jusqu'à la première vraie (pour ne pas ajouter délibérément des paires que l'on sait fausses à
𝒫), celle de rang 2 167 qui avait obtenu un score de similarité de 50.0%. On les retient toutes depuis
celle-ci jusqu'à la fin de la liste, ce qui donne 5872 − 2167 + 1 = 3706 paires d'articles. Il est à noter
qu'au cours du processus, une autre série de 10 paires sans aucune homonymie a été trouvée entre
les rangs 2 171 et 2 180. Ce contre-exemple à l'hypothèse de monotonie de la qualité en fonction du
score est toutefois rassurant sur la qualité des rangs sélectionnés et la pertinence de la limite.

Analyses du sous-corpus Parallèle

Au cours du processus précédent de validation de fenêtres, quatre fenêtres positives ont été mises en
évidence : deux sans aucune fausse paire, et deux avec une unique fausse paire. Il aurait bien évidem-
ment été très tentant d'utiliser ces échantillons déjà validés pour estimer la qualité du sous-corpus
sélectionné. C'est toutefois impossible pour des raisons méthodologiques car ces quatre fenêtres ne
constituent pas un échantillon aléatoire d'éléments indépendants. En effet, la nature du processus de
sélection même fait que les fenêtres ont été considérées en fonction des résultats de l'évaluation des
autres déjà validées. Il est donc nécessaire de prélever un nouvel échantillon pour vérifier si la qua-
lité a une chance d'être proche des 90% espérés initialement. Comme cette fois les 𝑛 paires prélevées
sont indépendantes, et puisqu'on évalue sur chacune une propriété booléenne (elles peuvent être soit
vraies soit fausses), elles constituent elles aussi des variables aléatoires de Bernoulli, comme c'était le
cas pour les articles de LGE étiquetés en domaine par le modèle BERT et dont il s'agissait de contrôler
la qualité à la section 4.3.2 page 129. Le même cadre théorique s'applique donc et un raisonnement
tout à fait semblable peut se développer. Le Théorème Central Limite peut à nouveau s'appliquer
à condition que la taille de l'échantillon reste suffisamment faible devant celle de l'ensemble de la
population : le rapport de 100 considéré comme suffisant impose donc que l'échantillon comporte
moins de 3706/100 = 37.06 paires. À cette condition, il est à nouveau possible d'utiliser la loi
normale pour modéliser le comportement de ces variables. Cette contrainte impose une taille assez
réduite et, pour maximiser la force de preuve de l'expérience il convient de ne pas examiner moins
de paires.

Un échantillon de 37 paires a donc été extrait aléatoirement puis vérifié et ne comportait que deux
fausses paires. La première est SPIEGELBERG discutée plus haut (qui s'est retrouvée par hasard
dans l'échantillon). La seconde concerne les entrées PLUVIERS, toutes deux en Géographie mais
ne désignant pas la même ville : il s'agit dans l'EDdA d'une ville de la Beauce connue maintenant
sous le nom de Pithiviers (L'Encyclopédie, T12, p.805), mais de l'ancien nom d'une commune de la
Dordogne désormais appelée Piégut pour LGE (La Grande Encyclopédie, T26, p.1146). De même que
lors de l'échantillonnage précédent de la section 4.3.2, on utilise la moyenne empirique pour estimer
35
la qualité 𝑞 dans 𝒫 valant 𝑚 = 37 ≈ 0.946. L'application numérique 5.1 de la borne inférieure de la
formule 4.5 p.130 permet d'affirmer avec moins de 5% de risque d'erreur que la qualité réelle dans le
sous-corpus Parallèle est d'au moins

150
Thèse accessible à l'adresse : [Link] © [A. Brenon], [2025], INSA Lyon, tous droits réservés
 Chapitre 5 : Études contrastives

𝑚 × (1 − 𝑚)
𝑚 − 𝑧97.5% × √ = 87.3% (5.1)
𝑛

Maintenant que la qualité de ce sous-corpus est établie, il est possible de se poser la question de
sa représentativité. La figure 5.10 montre que la répartition du nombre d'articles par classe au sein
du sous-corpus Parallèle est plutôt semblable à celle trouvée dans toute l'EDdA (voir la figure 4.20b
p.127), ce qui est cohérent avec le fait que cette encyclopédie, la plus réduite en nombre d'articles
joue en quelque sorte le rôle de «facteur limitant» dans cette réaction d'appariement. Les principales
différences notables sont l'augmentation des parts de la Géographie et de la Médecine aux dépens
surtout du Droit Jurisprudence et des Métiers. Ces changements sont tous conformes à la variation
qui existe entre l'EDdA et LGE prises dans leur totalité ce qui peut s'interpréter comme une influence
de cette dernière au cours du processus de sélection.

(a) Dans la moitié issue de l’EDdA (b) Dans la moitié issue de LGE

Figure 5.10 – Répartition des nombres d’articles par domaines au sein du sous-corpus Parallèle

Au-delà leur forte ressemblance, il est à noter que les proportions diffèrent entre les deux moitiés du
corpus, ce qui montre immédiatement qu'un même objet peut intéresser des disciplines différentes
suivant l'époque à laquelle on lui consacre un article. Et le phénomène n'est pas du tout marginal
puisque sur les 3 706 paires, 927 — soit tout juste plus d'un quart d'entre elles (25.01%) — ont des do-
maines différents, ce qui permet de rejeter l'explication qui attribuerait ces différences aux erreurs
d'appariement (il y a moins de 5% de risque qu'il y en ait seulement 371 3 dans 𝑝, et la probabilité
diminue fortement avec l'augmentation du nombre donc il serait d'autant plus improbable que ces
erreurs expliquent ces différences presque deux fois et demie plus nombreuses).
La figure 5.11 présente ces changements : pour une paire donnée, le domaine en ordonnée est celui de
l'article dans l'EDdA, alors qu'en abscisse est représenté celui dans LGE. Le premier élément visible
est une diagonale relativement forte — mais pas homogène — qui matérialise les 74.99% de paires dont
le domaine n'a pas changé. Sur cette diagonale, les points particulièrement colorés sont ceux des
domaines Géographie, Histoire-naturelle et dans une moindre mesure Beaux-arts, Droit Jurisprudence,
Militaire, Musique et Médecine. La colonne et la ligne du domaine Géographie sont remarquablement
peu visibles hors de leur intersection, ce qui montre que ce domaine est celui dont statistiquement

3. soit 10% des articles de 𝑝, ce qui serait équivalent à dire que la qualité — mesurée empiriquement à 96% — serait en
fait inférieure à 90%, ce qui d'après définition de 𝑧97.5% a moins de 5% de chance d'être vrai

151
Thèse accessible à l'adresse : [Link] © [A. Brenon], [2025], INSA Lyon, tous droits réservés
 Chapitre 5 : Études contrastives

les articles ont le moins changé de catégorie entre les deux époques. Par contraste la colonne Histoire,
très ténue mais nettement visible hors de la diagonale montre qu'un nombre conséquent d'articles
d'autres domaines sont passés vers la catégorie Histoire dans LGE ce qui se manifestait dans la figure
5.10b par la nette augmentation de la proportion d'Histoire par rapport à la même figure pour l'EDDA
(figure 5.10a).

Figure 5.11 – Évolution des domaines des articles dans le sous-corpus Parallèle

En allant regarder dans le détail ce qui se passe pour les articles de Géographie, c'est-à-dire en
s'intéressant à la ligne et la colonne de ce domaine, très pâles sur la figure 5.11, il ressort qu'il y a
légèrement plus d'entrées qui étaient rattachées à cette discipline dans l'EDdA qui en changent dans
LGE que l'inverse (56 contre 54). Leur nombre total relativement faible, 110, rend peu pertinente
une étude statistique de leur répartition, mais permet d'en faire une revue qualitative exhaustive.
La figure 5.12 montre que la plupart des changements de domaine pour des articles de Géographie
concernent l'Histoire, mais dans les deux sens (aussi bien des articles de Géographie dans l'EDdA qui
sont passé à l'Histoire dans LGE que le contraire).

Si l'ordre de grandeur du nombre de paires dont les domaines diffèrent prouve qu'elles ne peuvent
toutes s'expliquer par les seules erreurs d'appariement, en revanche ce type d'erreur est évidem-
ment très surreprésenté dans une sélection de paires d'articles aux domaines différents. Les erreurs
apportent bien sûr peu d'information mais sont relativement peu nombreuses. On dénombre ainsi
15 paires dont les articles ne renvoient pas aux mêmes objets et qui n'auraient donc idéalement pas
dûes être incorporées au sous-corpus 𝒫 mais qui ont réussi à obtenir un score assez élevé pour être
conservées par le processus précédent. À ces 15 paires s'ajoutent 12 autres dont la classe d'une des
entrées a été mal prédite par le modèle. Parmi elles, six ne sont en fait que des renvois, pour lesquels
la prédiction du domaine est évidemment très incertaine puisque le modèle ne peut se baser que sur
la vedette de l'article pointé par le renvoi ce qui est rarement suffisant. Une troisième source d'erreurs
est l'imperfection de la segmentation dans LGE (voir la sous-section 3.1.3 p.61) qui a par exemple
mis l'entrée sur COMMUNAY (ville de l'Isère) avec l'entrée sur les Biens COMMUNAUX, faisant
passer à Géographie dans LGE une vraie paire dont les deux entrées en correspondance relevaient
du domaine Droit Jurisprudence. Ce type d'erreurs concerne cinq paires seulement.

152
Thèse accessible à l'adresse : [Link] © [A. Brenon], [2025], INSA Lyon, tous droits réservés
 Chapitre 5 : Études contrastives

(a) Part des domaines dans l’EDdA des articles passant à la Géo-
graphie dans LGE

(b) Part des domaines dans LGE des articles issus de la Géographie
dans l’EDdA

Figure 5.12 – Changements de domaines d’articles impliquant la Géographie dans le corpus Parallèle,
de l’EDdA (à gauche) à LGE (à droite)

Ayant écarté ces 32 erreurs, les 78 autres paires se révèlent bien plus intéressantes. Elle peuvent
essentiellement se répartir en trois groupes correspondant à trois mouvements distincts : la géogra-
phie abandonne d'abord les contenus imaginaires, elle acquiert ensuite des connaissances nouvelles
— en particulier économiques et industrielles — sur les territoires qu'elle décrit et enfin cède à d'autres
domaines des connaissances spécifiques qu'ils expliquent mieux grâce à de nouvelles théories ou de
nouveaux faits importants, et qui relevaient en quelque sorte de la Géographie «par défaut» dans
l'EDdA. Ces mouvements, décrits plus en détail dans les paragraphes suivants, peuvent conduire à
des différences de domaine entre les entrées dans l'EDdA et dans LGE au sein de vraies paires, aussi
bien au profit qu'au détriment de la Géographie selon que le domaine a été inféré par le modèle pour
la moitié issue de l'EDdA ou bien décidé par ses éditeurs et selon que le contenu dans LGE en est
resté proche ou non.

En ce qui concerne le premier de ces mouvements, la présence dans l'EDdA de désignants tels que
«Géog. anc.» (ex. PEDUM, L'Encyclopédie, T12, p.238), «Géogr. & Myth.» (BATHOS, L'Encyclopédie,
T2, p.141) et même «Géog. sacrée» (MASSADA, L'Encyclopédie, T10, p.176) est en soi assez édifiante.
Le discours sur des lieux et des peuples historiques voire imaginaires relève dans ses pages de la
Géographie, comme l'illustrent les articles HYPERBORÉENS (L'Encyclopédie, T8, p.405), JUTURNA
(L'Encyclopédie, T9, p.102) ou OGYGIE (L'Encyclopédie, T11, p.429) reproduit à la figure 5.13a. Les

153
Thèse accessible à l'adresse : [Link] © [A. Brenon], [2025], INSA Lyon, tous droits réservés
 Chapitre 5 : Études contrastives

articles correspondants dans LGE (La Grande Encyclopédie, respectivement T20 p.481, T21 p.362 et
T25 p.298 visible à la figure 5.13b) conservent un contenu proche et se retrouvent donc classés en
Histoire ou en Histoire Naturelle. À l'inverse, des articles comme ERYMANTHE (La Grande Ency-
clopédie, T16, p.223) se concentrent sur les données factuelles de ces lieux réels et relèguent leur
dimension mythologique à des remarques largement anecdotiques. Le modèle le classe donc à Géo-
graphie, alors que son traitement dans l'EDdA (L'Encyclopédie, T5, p.918) s'éloigne assez des articles
de géographie type du XVIIIème siècle pour inclure des éléments mythologiques et recevoir du mo-
dèle la classe Histoire. On peut observer les signes de la même évolution pour des paires dont l'article
dans l'EDdA est pourvu d'un désignant. Ainsi le traitement des entrées CLAIRETS (L'Encyclopédie,
T3, p.500 et La Grande Encyclopédie, T11, p.528) et STONEHENGE (L'Encyclopédie, T15, p.535 et La
Grande Encyclopédie, T30, p.520) est assez proche et, d'un point de vue moderne bien plus historique
que géographique dans les deux œuvres. Les deux articles dans l'EDdA sont pourvus de désignants
qui les classent en Histoire mais le modèle, trop entraîné à voir cette sorte de contenu historique
dans des articles de Géographie a tout de même prédit cette classe sur leurs successeurs dans LGE.

(a) Article OGYGIE dans l’EDdA, T11, p.429 (b) Article OGYGIE dans LGE, T25, p.298

Figure 5.13 – Les articles sur l’île OGYGIE dans le sous-corpus Parallèle

Le deuxième mouvement concerne des paires pour lesquelles le modèle n'a pas reconnu une Géo-
graphie qui a trop évolué et intègre des informations trop nouvelles par rapport à celles qu'elle com-
portait au XVIIIème siècle, par leur forme ou leur contenu. Le groupe correspondant contient par
exemple des paires comme HAMEAU dont l'article dans l'EDdA (L'Encyclopédie, T8, p.34) ne donne
pas de définition mais se concentre sur l'étymologie du terme qu'il illustre par ses occurrences dans
un grand nombre de toponymes ; son désignant le classe explicitement à Géographie. L'entrée a évo-
lué dans LGE (La Grande Encyclopédie, T19, p.789) pour employer un certain nombre de termes
formels comme «circonscription territoriale», «paroissial» ou «fraction de commune» et référencer
par leurs numéros des articles du code civil et du code forestier si bien que le modèle ne reconnaît
plus la discipline et propose la classe Droit Jurisprudence. Le même genre d'évolution semble être à
l'œuvre dans le cas de la paire VILLEPREUX (L'Encyclopédie, T17, p.282 et La Grande Encyclopédie,
T31, p.1007), visible à la figure 5.14, deux entrées très simples et «clairement» géographiques pour
le lectorat contemporain. Le modèle échoue pourtant à reconnaître le domaine dans la moitié issue
de LGE, sans doute à cause de la présence d'éléments anachroniques pour l'EDdA sur laquelle il a
été entraîné comme «chem. de fer» ou l'adjectif «professionnelle» qui n'est attesté qu'à partir de
1842. Il est intéressant de remarquer que cet article débute par le motif des communes identifié à
la section 4.3.2 p.128, mais ne fait pas partie des articles identifiés à cause de sa longueur 4 , précisé-
ment due à ces phrases nominales en fin d'article qui mentionnent des infrastructures présentes sur
la commune. Ces informations supplémentaires qui font que l'article n'a pas été repéré directement
4. pour rappel, un seuil de 50 tokens avait été imposé pour diminuer les faux-positifs et ne pas risquer d'annoter
Géographie trop d'articles simplement amalgamés avec un article bref à cause des problèmes de segmentation de soprano
(voir section 3.1.3 p.61)

154
Thèse accessible à l'adresse : [Link] © [A. Brenon], [2025], INSA Lyon, tous droits réservés
 Chapitre 5 : Études contrastives

comme un article de commune (et n'a donc pas été annoté Géographie) n'ont pas permis au modèle
d'identifier de la géographie car elles mentionnent des realias trop différentes de celles existant au
XVIIIème siècle.

(a) Article VILLEPREUX dans l’EDdA, T17, p.282 (b) Article VILLEPREUX dans LGE, T31, p.1007

Figure 5.14 – Les articles VILLEPREUX dans le sous-corpus Parallèle

Enfin, l'évolution des connaissances ou l'arrivée de faits nouveaux a permis à d'autres disciplines de
s'emparer de thématiques qui relevaient de la géographie dans l'EDdA. Là où l'entrée VOLCAN dans
l'EDdA (L'Encyclopédie, T17, p.445) se cantonne par exemple à une description externe du concept
avant de lister les plus connus à différents endroits du globe ce qui justifie pleinement son classe-
ment en Géographie par les éditeurs, l'article correspondant dans LGE (La Grande Encyclopédie, T31,
p.1104) en fait une description bien plus structurelle, et introduit des termes comme «lave», «che-
minée», «explosion», absents de la précédente ce qui conduit le modèle à le classer à Physique. Les
trajectoires des paires PORPHYRITE (L'Encyclopédie, T13, p.127 et La Grande Encyclopédie, T27,
p.328) et PURBECK (L'Encyclopédie, T13, p.576 et La Grande Encyclopédie, T27, p.964) sont assez
semblables mais avec la classe Histoire naturelle et dans deux directions opposées. L'entrée PORPHY-
RITE de l'EDdA décrit le lieu d'origine d'une pierre particulière ; l'entrée correspondante dans LGE
est un long article de géologie (désignant «Pétrogr.») sur la pierre elle-même. La figure 5.15 illustre
le cas inversé de PURBECK : l'article est en Histoire naturelle dans l'EDdA où il décrit la pierre et men-
tionne l'endroit d'où elle provient dans le Dorset, alors que LGE couvre seulement la géographie de
l'île dont elle est issue, et renvoie à un article séparé pour expliquer ses caractéristiques géologiques :
le modèle le classe en Géographie. Il est aussi intéressant de voir qu'un certain nombre d'entrées géo-
graphiques assez brèves sur des fiefs dans l'EDdA — par exemple BRAGANCE (L'Encyclopédie, T2,
p.392) ou INFANTADO (L'Encyclopédie, T8, p.697) — deviennent dans LGE des articles plus longs sur
les familles possédant ces terres. Le choix éditorial de ne pas consacrer d'articles à des personnes
(plus amplement discuté dans la section 5.2) suffit bien sûr à expliquer pourquoi ces articles portent
sur les terres plutôt que sur les familles qui y règnent, mais leurs contreparties dans LGE, toutes deux
classées en Histoire, sont l'occasion de décrire en détail la lignée de la maison de BRAGANCE (La
Grande Encyclopédie, T7, p.959) en la mettant à jour et pour INFANTADO (La Grande Encyclopé-
die, T20, p.768) de raconter la vie d'un homme d'état espagnol qui s'est illustré pendant la première
moitié du XIXème siècle.

(a) Article PURBECK dans l’EDdA, T13, p.576 (b) Article PURBECK dans LGE, T27, p.964

Figure 5.15 – Les articles PURBECK dans le sous-corpus Parallèle

Pour terminer, un dernier exemple éclairant de ce troisième mouvement concerne les deux paires
ARCTIQUE et ANTARCTIQUE à la frontière entre Géographie et Physique. Dans l'EDdA, ANTARC-
TIQUE (L'Encyclopédie, T1, p.491) et ARCTIQUE (L'Encyclopédie, T1, p.621) sont tous deux signés

155
Thèse accessible à l'adresse : [Link] © [A. Brenon], [2025], INSA Lyon, tous droits réservés
 Chapitre 5 : Études contrastives

par d'Alembert, auteur (outre de nombreux articles de mathématiques évidemment) de plusieurs

articles de Géographie construits sur une approche mathématique des concepts. La Géographie dans
cette œuvre recouvre en effet encore les techniques géométriques utilisées pour mesurer la Terre,
ce qui s'illustre bien par exemple dans l'article LATITUDE 5 (L'Encyclopédie, T9, p.302) du même
auteur. L'entrée ANTARCTIQUE possède le double désignant «Astr. & Géog.», ce qui rappelle la
place de la Géographie au sein de la Cosmographie dans le «Systême Figuré» (voir la section 3.1.2 à
la page 58). De même, l'article ARCTIQUE est situé «en Astronomie» par son auteur qui définit la
vedette en termes de cercles et de sphères. Les deux articles sont classés comme on peut s'y attendre
à Physique.

La fin du XIXème siècle est marquée par de grandes explorations, entre autres vers les pôles qui de-
viennent peu à peu perceptibles en tant que territoire plutôt que comme de simples abstractions
géométriques 6 ce qui conduit à un traitement très différent des deux mêmes entrées dans LGE. Si
ANTARCTIQUE (La Grande Encyclopédie, T3, p.135) reste dans une certaine mesure similaire (on
y parle d'«axe», de «cercle» et de «parallèle» dans un «I. ASTRONOMIE»), il y est tout de même
question de «région», de «monde», et un «II. Géographie» qui consiste en un renvoi vers l'entrée
OCÉAN suffit à ce que le modèle classe l'article à Géographie. La bascule est encore bien plus nette
avec l'ARCTIQUE (La Grande Encyclopédie, T3, p.774) qui, après une phrase introductive pour dé-
finir l'Arctique en termes astronomiques, prend un tournant nettement géographique («En géogra-
phie») et utilise le point cardinal «Nord» avec et sans abréviations, ainsi que des termes comme
«terre», «océan» qui permettent au modèle de le classer aussi en Géographie. Dans l'exemple de ces
deux paires d'articles, on voit la géographie perdre ce qui relevait de la géométrie et se spécialiser
pour garder ce qui lui est propre.

L'approche particulière de cette sous-section, en s'intéressant à des articles précis plutôt qu'à des
domaines dans leur ensemble a permis de mener une étude plus qualitative. Les observations qui y
ont été faites mettent en évidence des différences significatives dans les rôles et les méthodes de la
géographie entre les articles dans l'EDdA et ceux dans LGE, dont le contenu s'individualise entre les
deux époques par rapport à celui des autres disciplines.

En ajoutant les résultats de cette sous-section à ceux sur la place accordée aux discours géogra-
phiques obtenus au début de ce chapitre, une dynamique générale commence à apparaître dans les
évolutions subies par la géographie. L'intervalle de temps est d'abord marqué par un fort accroisse-
ment de la volumétrie consacrée à la classe Géographie, avec un plus grand nombre d'articles, dont
la plupart restent extrêmement brefs mais également une diversification des profils d'articles avec
l'apparition d'articles bien plus longs que ceux consacrés à cette discipline dans l'EDdA. Parallèle-
ment, elle se spécialise et gagne en technicité, utilisant au passage davantage de mots plus longs et
structurant les informations au delà de simplement concentrer des noms de lieux et de personnes.
Elle cède par ailleurs à d'autres disciplines des thématiques qui lui revenaient par défaut et donne
bien plus d'informations plus détaillées sur celles qu'elle conserve.

5. Cet article contient dès le premier paragraphe l'expression «arc méridien», puis d'Alembert introduit des «cercles
parallèles» dont il considère l'«intersection» dans le deuxième pour dans le troisième inviter son lectorat à considérer
«un nombre infini de grands cercles».
6. De manière adjacente, l'article POLAIRE (La Grande Encyclopédie, T27, p.54) illustre bien cette tendance en consa-
crant plusieurs colonnes aux expéditions successives vers le pôle Nord ainsi qu'une carte en couleur sur une double page
(un feuillet collé entre les pp.72 et 73) qui montre en détail toutes les îles et côtes de la zone et marque les points atteints
par les différentes expéditions, jusqu'au tracé complet de l'expédition de Nansen en 1895. Le pôle Sud, encore bien moins
accessible, est évoqué plus brièvement mais une carte lui est tout de même consacrée (p.59), moins précise et en noir et
blanc mais reportant aussi les avancées majeures vers ce pôle.

156
Thèse accessible à l'adresse : [Link] © [A. Brenon], [2025], INSA Lyon, tous droits réservés
 Chapitre 5 : Études contrastives

5.2 La biographie cachée

Un parti pris éditorial remarquable de l'EDdA est de ne pas avoir inclus de biographies dans ses
pages, choix assez emblématique du siècle des Lumières et qui correspond bien à l'idéal humaniste
et démocratique de diffusion du savoir pour sa portée libératrice intrinsèque (D’Antuono, 2018, p.
99) plutôt que pour mettre en valeur des récits héroïques individuels. Les auteurs le justifient très
simplement dans le Discours Préliminaire de l'EDdA en écrivant qu'un autre dictionnaire, celui de
Moreri, contient déjà des notices sur les «noms de Rois, de Savans, & de Peuples» (L'Encyclopédie,
T1, [Link]).
Les pages de l'EDdA citent tout de même bien sûr des figures historiques autant qu'elles éclairent
l'histoire des disciplines où elles se sont illustrées. Ainsi, l'article «MÉDECINS ANCIENS»
(L'Encyclopédie, T10, p.276) offre un historique détaillé de la médecine illustré par les contributions
de nombreux médecins célèbres depuis l'antiquité. Certains des paragraphes contiennent, en sus
de la bibliographie et de la liste des apports de la personne qu'ils concernent, quelques éléments
biographiques comme leur lieu et éventuellement année de naissance ou de mort. Mais de nom-
breuses biographies que l'on pourrait qualifier de «clandestines» ont également été rapportées dans
la Géographie par exemple par Roe et al. (2016, p. 5) qui décrivent comment l'entrée sur le village
de Wolstrope sert en fait de prétexte pour introduire une biographie de Newton. Particulièrement
fréquentes sous la plume du chevalier de Jaucourt qui a été le contributeur le plus important de la
Géographie dans l'EDdA signant 57.2% des articles du domaine d'après Laramée (2017, p. 166), de
nombreuses autres biographies ont été rapportées dans des articles de Géographie, que ce soit plus
loin par Laramée (2017, p. 169) ou par Vigier et al. (2022, p. 70).
Il est donc impossible d'envisager correctement la Géographie dans les pages de l'EDdA sans
s'intéresser aussi à la place des biographies. Il faut d'abord déterminer si elles entretiennent une
relation particulière avec les articles de géographie, ou si ces inclusions relèvent simplement des
pratiques encyclopédiques de l'époque. Deux attitudes peuvent s'envisager face à la présence de ces
textes : on peut ou bien les considérer comme des îlots de contenu non disciplinaires à l'intérieur des
articles et les détournant de leur vocation première 7 ou bien considérer au contraire que puisqu'ils
font partie des articles qui ont été écrits, ils sont constitutifs des discours de l'époque. Quoi qu'il
en soit, une conséquence importante des choix éditoriaux des encyclopédistes pour les présents
travaux est que le modèle utilisé n'a pas pu apprendre à reconnaître les biographies car elles ne sont
pas identifiées explicitement dans les pages de l'EDdA et constituent donc un angle mort important
du modèle et par conséquent des résultats qu'il est possible d'observer en l'utilisant.
Et la question est d'autant plus pertinente dans une perspective diachronique, puisque LGE comporte
un très grand nombre de notices biographiques explicites sous forme d'entrées dont la vedette est
le nom de famille de la personne décrite. La figure 5.16 le rappelle, la figure 3.7 l'illustrait déjà à la
page 56. Faut-il donc penser que la Biographie aurait pris son indépendance de la Géographie entre
le XVIIIème s. et le XIXème s. ou plutôt y voir la preuve que la biographie a une existence propre et
n'aurait jamais dû envahir l'espace consacré à cette science ?

Figure 5.16 – Article ZSCHIMMER dans LGE, T31, p.1338

De plus, l'existence de la biographie comme domaine de connaissance en soi au même titre que les
7. et donc, dans le cas précis de la Géographie, comme autant de pommes de la discorde entre Diderot et Jaucourt

157
Thèse accessible à l'adresse : [Link] © [A. Brenon], [2025], INSA Lyon, tous droits réservés
 Chapitre 5 : Études contrastives

Mathématiques, la Médecine ou la Géographie ne relève pas de l'évidence. En revenant comme à

la section 3.1.2 (voir p. 49) à l'avant-propos de LGE (La Grande Encyclopédie, T1, [Link]) on constate
qu'il n'est fait aucune mention de la Biographie parmi les sciences citées alors qu'elles sont tellement
omniprésentes qu'une page ouverte au hasard en contient statistiquement au moins une — le plus
souvent même plusieurs — pourvu qu'elle ne soit pas à l'intérieur d'un article-essai s'étendant sur
plusieurs pages.
On pourrait s'attendre à voir une biographie rattachée au domaine dans lequel s'est illustrée la per-
sonne à laquelle elle est consacrée, comme c'est par exemple le cas de celle sur SHAKESPEARE
(La Grande Encyclopédie, T29, p.1142) pour laquelle le modèle prédit la classe «Belle-lettres», mais
on constate en pratique qu'un grand nombre d'entre elles ont reçu la classe «Histoire». Ce choix
n'est pas dénué de sens si l'on considère la forte composante narrative des biographies, écrites au
passé, comportant fréquemment des références à des dates d'événements et à d'autres personnages
historiques que l'on retrouve habituellement dans les articles d'Histoire. Cette remarque apporte
d'ailleurs un premier éclairage possible sur le constat dressé précédemment à la section 5.1.1 sur la
disproportion des articles d'«Histoire et Géographie» dans LGE d'après le modèle par rapport aux
autres domaines. En effet, le très grand nombre de biographies et la très forte tendance du modèle
à les considérer comme des articles d'Histoire pourrait être une bonne piste pour expliquer leur
nombre anormalement élevé. Un corollaire amusant de ces constats est qu'une façon efficace de sé-
lectionner une biographie au hasard dans LGE consiste à choisir le premier article classé «Histoire»
dont le titre n'est ni un nom commun ni un nom de roi, de pape ou de personnage mythologique.
Cette section ne propose pas de solution définitive à la question de la place des biographies dans les
articles de Géographie mais tente de formuler assez précisément le problème pour commencer à y
réfléchir et suggère quelques critères simples basés sur une combinaison d'observations qualitatives
et quantitatives pour aller au-delà du seul constat : «Jaucourt a piraté la Géographie de l'EDdA pour
écrire des Biographies».

5.2.1 Spécificité des lemmes «naître» et «mourir» en Géographie

Les réflexions préliminaires de cette section amènent d'abord à examiner les relations entre la bio-
graphie et les différents domaines de connaissance. L'enjeu est de déterminer si les contenus biogra-
phiques sont réellement plus présents dans la Géographie ou si ce n'est qu'une impression donnée
par le fait que les exemples connus de contenus biographiques dans l'EDdA apparaissent tous dans
cette discipline. En partant du cas de WOLSTROPE (L'Encyclopédie, T17, p.630), qui utilise sa ville
de naissance pour parler de Newton, il est naturel de prendre la notion de ville comme point de dé-
part. L'étude des cooccurrents syntaxiques introduits à la section 2.5.2 (voir p.39) offre la possibilité
d'observer les constructions dans lesquelles un terme comme «ville» est employé.
Concrètement, cette technique permet de trouver les mots les plus fréquemment associés à un mo-
tif donné à partir de considérations statistiques. En se basant sur les liens de syntaxe plutôt que
sur l'ordre des mots dans la phrase, elle s'affranchit de la notion de fenêtre de recherche présente
habituellement dans ce type de mesure et peut détecter des cooccurrents pertinents n'importe où
dans les phrases où le motif apparaît. Dans le Lexicoscope (Kraif, 2016), une telle requête sur lemme
«ville» étiqueté NOUN (nom commun) se formule en langage TQL 8 (voir le code source 5.1).

Code source 5.1 – Requête TQL sur le lemme «ville» annoté NOUN (nom commun)
< l = v i l l e , c =NOUN, # 1 >

La figure 5.17 représente le lexicogramme des dix mesures les plus élevées obtenues pour cette re-
quête. Sur cette figure, le déterminant «ce» apparaît comme cooccurrent principal de «ville», devant
8. [Link]

158
Thèse accessible à l'adresse : [Link] © [A. Brenon], [2025], INSA Lyon, tous droits réservés
 Chapitre 5 : Études contrastives

l'adjectif «natal». Deux autres mots outils figurent parmi les cinq premiers cooccurrents : le déter-
minant «le» (intéressant par comparaison avec «ce») ainsi que la préposition «dans», qui suggère
l'emploi du concept de ville comme cadre circonstanciel dans lequel se produisent les événements qui
intéressent les articles. Un deuxième adjectif, «petit», obtient également un score proche : l'asymétrie
que crée cette observation par rapport au contraire «grand» semble suggérer qu'on qualifie bien plus
volontiers une ville de «petite» que de «grande» dans les pages des encyclopédies du corpus.

Figure 5.17 – Les 10 cooccurrents syntaxiques principaux du lemme «ville» annoté comme NOUN
(nom commun)

Le Lexicoscope permet ensuite de générer automatiquement une autre requête qui intègre un des
cooccurrents parmi ces résultats. Cette fonctionnalité correspond à une étape du procédé itératif
permettant de construire progressivement un ALR, équivalent de la méthode des «segments répé-
tés» pour les cooccurrents syntaxiques. La nouvelle requête obtenue pour le premier résultat, le
déterminant «ce», revient à chercher les plus forts cooccurrents du motif «cette ville». L'extrait de
code 5.2 montre cette requête formulée en TQL.

Code source 5.2 – Requête TQL sur la mise en relation syntaxique quelconque du lemme «ce» annoté
comme DET et du lemme «ville» annoté comme NOUN
< l = ce , c =DET,#2 >&& < l = v i l l e , c =NOUN, # 1 > : : ( . ∗ , 1 , 2 )

Son exécution sur le même corpus aboutit à la figure 5.18 qui retrouve la préposition «dans», mais
cette fois avec la plus forte mesure d'association. Déjà présente sur la figure 5.17, la requête 5.1 ne
pouvait par construction que rendre compte des intéractions de «ce» et de «dans» avec «ville» de
manière séparée. Cette nouvelle mesure montre qu'en réalité les trois éléments apparaissent fré-
quemment ensemble dans le syntagme «dans cette ville». La préposition «de» suit une trajectoire
semblable puis, après l'adjectif «dernier» avec une mesure d'association de 2 662, déjà bien plus
faible, les autres valeurs chutent très rapidement pour un ensemble de verbes et de noms, à moins
de 10% de celle obtenue par la préposition «dans».
En suivant ce nouveau cooccurrent «dans» on construit la requête 5.3, dont un équivalent sous forme
d'arbre syntaxique en dépendances est visible à la figure 5.19 pour plus de clarté. Les astérisques sur
les deux arêtes partant du nœud ville_NOUN représentent l'absence de contrainte sur les relations
qui relient «ville» respectivement à «dans» et à «ce». En pratique, on peut s'attendre à ce que ces
relations soient réalisées par un case pour «dans» et par un det pour «ce» 9 mais le motif demeure
flexible sur ce point. De plus, travaillant au niveau de la syntaxe et pas de la réalisation de surface des
mots, la requête inclut des résultats comme «dans ces deux villes» à l'article ARABIE (L'Encyclopédie,
9. [Link]

159
Thèse accessible à l'adresse : [Link] © [A. Brenon], [2025], INSA Lyon, tous droits réservés
 Chapitre 5 : Études contrastives

Figure 5.18 – Les 10 cooccurrents syntaxiques principaux du motif formé d'une relation syntaxique
quelconque entre le lemme «ce» annoté comme DET et le lemme «ville» annoté comme NOUN

T1, p.570) ou «dans cette dernière ville» à l'article DAEHLING (La Grande Encyclopédie, T13, p.749).
L'usage de ce motif est répandu dans le corpus d'étude comme en atteste la dispersion des résultats :
utilisé par au moins 27 contributeurs distincts (26 dans l'EDdA et les métadonnées disponibles pour
les articles de LGE ne comportent pas d'auteur), il apparaît dans 1 674 articles.

Code source 5.3 – Requête TQL sur le motif syntaxique «dans cette ville»
< l = dans , c =PREP ,#3 >&& < l = ce , c =DET,#2 >&& < l = v i l l e , c =NOUN, # 1 > : : ( . ∗ , 1 , 2 ) ( . ∗ ,
1 ,3)

Figure 5.19 – Représentation sous forme d'arbre de syntaxe en dépendance du motif défini par la
requête 5.3

En recherchant ce troisième motif, on obtient le lexicogramme de la figure 5.20 qui représente les
dix cooccurrents de «dans cette ville» avec la plus forte mesure d'association. Sur cette figure, il
n'y a quasiment plus que des verbes et des adjectifs. Le phénomène de remontée d'un lemme, déjà
observé au cours du processus, se produit à nouveau avec l'adjectif «dernier» qui n'obtenait que la
troisième place sur la figure 5.18 mais devient le cooccurrent principal de «dans cette ville». De la
même manière, le verbe «mourir» prend le deuxième rang, alors qu'il n'était que sixième pour «cette
ville». De plus, le troisième rang est occupé par le verbe «naître», absent jusqu'ici des résultats mais
de sens contraire à «mourir» et proche de l'adjectif «natal» observé lors de l'analyse de la figure
5.17. À travers ce vocabulaire susceptible d'apparaître dans des contenus biographiques, on retrouve
le procédé utilisé dans l'article WOLSTROPE à l'origine de cette étude. Toutefois, en étant parti
seulement du terme «ville», le fait d'observer ce thème émerger du fait d'associations syntaxiques
statistiquement significatives montre que le phénomène ne se limite pas à ce seul article mais est
assez général dans le corpus.
Ces deux lemmes inattendus se présentent donc comme des objets incontournables pour poursuivre
l'exploration. Dans TXM (Heiden et al., 2010), on commence par se restreindre au sous-corpus ne
contenant que les articles de l'EDdA, qu'on partitionne par domaine de connaissance. L'outil «Index»

160
Thèse accessible à l'adresse : [Link] © [A. Brenon], [2025], INSA Lyon, tous droits réservés
 Chapitre 5 : Études contrastives

Figure 5.20 – Les 10 cooccurrents syntaxiques principaux de «dans» (ADP), «ce» (DET), et «ville»
(NOUN)

paramétré pour compter les lemmes et appliqué sur cette partition avec la requête CQL dont le code
est visible à l'extrait 5.4 permet de compter les occurrences des deux verbes «naître» et «mourir»
dans le corpus. Un nombre d'occurrences n'est pas pertinent en soi sans être rapporté à la taille
des différentes partitions. Le calcul des spécificités (voir la section 2.5.2 p.38) implémenté dans TXM
opère cette traduction pour révéler la quantité d'information contenue dans la distribution de formes
observées (à quel point elle est susceptible d'apparaître spontanément seulement du fait du hasard
ou témoigne au contraire d'un phénomène).

Code source 5.4 – Requête CQL sur tout mot dont le lemme est «naître» ou «mourir»
[ lemma = ” ( n a î t r e | m o u r i r ) ” ]

Sur la figure 5.21 qui montre le résultat de ces calculs, les deux lemmes apparaissent comme extrê-
mement spécifiques du domaine Géographie. Le verbe «mourir» obtient une spécificité supérieure
à 318 ce qui exclut en pratique toute formation spontanée de cette distribution du vocabulaire. La
surreprésentation du lemme «naître» dans la même partition, certes moindre que le précédent avec
un score de «seulement» 84, ne peut pas non plus s'expliquer seulement par le hasard. En ce qui
concerne les autres partitions, le profil est tout autre : les deux lemmes sont très sous-représentés
dans toutes les autres domaines sauf Philosophie (mais où seul «naître» se distingue, «mourir» reste
peu significatif avec une spécificité de 1), Histoire Naturelle (où «mourir» est même sous-spécifique)
et Beaux-arts («mourir» et «naître» y obtiennent des scores respectifs de 13 et 19, assez élevés pour
justifier éventuellement une étude séparée, mais tout de même nettement inférieurs à ceux obser-
vés en Géographie). Les contenus biographiques semblent donc bel et bien entretenir une relation
particulière avec la Géographie dans les pages de l'EDdA.
L'étape suivante du raisonnement consiste naturellement à se demander si cette observation est
propre à l'EDdA ou si elle se généralise à d'autres discours encyclopédiques. Pour répondre à cette
question, on procède de la même façon en partitionnant par domaine de connaissance le sous-corpus
ne contenant que les articles de LGE avant de calculer les spécificités des deux mêmes lemmes. Les
spécificités obtenues suivent un profil bien plus tranché, de nombreux domaines obtenant pour les
deux verbes des scores «saturés» (voir la section 2.5.2 p.39 sur ce point), en positif ou en négatif,
c'est-à-dire que les deux y sont «infiniment» spécifiques ou sous-spécifiques. Partout ailleurs, les
spécificités sont négatives ou très faibles (seul «naître» obtient un score de 8 pour la Musique). En
ce qui concerne la Géographie, les deux lemmes sont très fortement sous-représentés avec des spé-
cificités de -1000. Le phénomène détecté dans l'EDdA semble donc avoir disparu 130 ans plus tard
dans LGE.

161
Thèse accessible à l'adresse : [Link] © [A. Brenon], [2025], INSA Lyon, tous droits réservés
 Chapitre 5 : Études contrastives

Figure 5.21 – Spécificités des lemmes «naître» et «mourir» par superdomaine dans l'EDdA

Figure 5.22 – Spécificités des lemmes «naître» et «mourir» par superdomaine dans LGE

Pour cerner tout à fait l'emploi de ces verbes révélateurs de contenus biographiques dans les entrées
de Géographie, il ne reste plus qu'à déterminer dans quelle mesure ils dépendent du style personnel
des contributeurs de l'EDdA. En effet, le nom de Jaucourt revient fréquemment à propos de ce type
d'inclusions auxquelles Diderot s'est opposé et dont il semble s'être parfois agacé (Laramée, 2017, p.
169). Pour achever cette étude, on partitionne donc cette fois le sous-corpus de l'EDdA suivant deux
critères, pour croiser à la fois les notions d'auteur et de domaine de connaissance. Pour la première,
il faut en effet pouvoir distinguer les écrits de Jaucourt, ceux de Diderot, ceux des autres auteurs et
ceux restés anonymes (pour lesquels il n'est pas en tout rigueur possible d'écarter la possibilité qu'ils
aient été écrits par Jaucourt ou Diderot). Puisque certains articles résultent de la collaboration entre
plusieurs auteurs, il est nécessaire de traiter à part les quatre articles écrits à la fois par Jaucourt
et Diderot — les entrées CHANVRE (L'Encyclopédie, T3, p.147), CHAUSSURE (L'Encyclopédie, T3,
p.259), Ere Philippique (L'Encyclopédie, T5, p.902) et JALOUSIE (L'Encyclopédie, T8, p.439). La no-
tion de domaine demande moins de finesse car, la surreprésentation écrasante des lemmes «naître»
et «mourir» en Géographie ayant déjà été établie, il suffit pour chacune des configurations possibles
d'auteur(s) de comparer leurs emplois de ces deux verbes dans et hors de la Géographie. Comme au-
cun des quatre articles écrits par Jaucourt et Diderot ensemble ne porte sur la Géographie, la partition
correspondant à cette configuration reste vide.

Pour rendre compte des deux dimensions d'analyse simultanées, la figure 5.23 comporte deux distri-
butions de spécificités, mesurées en Géographie et hors de cette classe pour les mêmes auteurs. Le
trait principal qui ressort de cette figure est la prépondérance des deux verbes chez le chevalier de
Jaucourt en Géographie, très au-dessus du seuil de banalité fixé par convention à 3. Ensuite, l'emploi
du verbe «naître» reste assez élevé dans les autres articles du même auteur (spécificité de 86, contre
138 en Géographie) ce qui souligne l'importance du style de cet auteur, outre le domaine de la Géo-

162
Thèse accessible à l'adresse : [Link] © [A. Brenon], [2025], INSA Lyon, tous droits réservés
 Chapitre 5 : Études contrastives

graphie dans l'emploi de ce verbe. La différence d'ordre de grandeur entre les différentes valeurs
mesurées empêche toute analyse plus fine car les petites mesures et le seuil de banalité lui-même se
confondent avec l'axe des abscisses.

Figure 5.23 – Spécificités des lemmes «naître» et «mourir» par auteur, en Géographie et hors de ce
domaine

Pour aller plus loin, il faut masquer les colonnes correspondant à Jaucourt pour obtenir la figure 5.24.
Cette dernière figure montre que les deux lemmes de l'étude obtiennent des spécificités fortement
négatives hors de la Géographie pour les autres auteurs que Diderot (c'est-à-dire qu'ils sont sous-
représentés de manière statistiquement très significative dans les partitions correspondantes). En
négatif, cette observation révèle deux choses. La première est que les autres auteurs utilisent tout de
même ces deux verbes dans les articles de Géographie, à un niveau assez moyen mais donc supérieur
au sous-emploi qui en est fait hors de ce domaine. Ces deux lemmes et les contenus biographiques
qu'ils permettent d'écrire ne sont donc pas exclusifs à Jaucourt. La seconde réside dans le fait que
Diderot ne semble quant à lui pas sujet au même régime : son emploi de «naître» et «mourir» reste
dans les seuils de banalité hors de la Géographie et même très légèrement positif alors qu'il reste
négatif sur les articles de cet auteur sur le même domaine (le lemme «naître» y est même assez rare
avec une spécificité de -4.6). Diderot apparaît donc plus constant dans son style d'écriture et utilise
davantage les deux verbes hors de la Géographie.

Figure 5.24 – Spécificités des lemmes «naître» et «mourir» par auteur à l'exception de Jaucourt, en
Géographie et hors de ce domaine

Cette étude révèle donc une répartition nuancée des contenus biographiques dans l'EDdA. Il existe
certes un «effet Jaucourt» qui concentre ces contenus, en particulier dans la Géographie, mais éga-
lement un signal de fond qui démontre l'emploi de ces éléments par les autres auteurs pour traiter
le domaine, comme le fait d'Holbach à l'article ISLANDE (L'Encyclopédie, T8, p.916).

163
Thèse accessible à l'adresse : [Link] © [A. Brenon], [2025], INSA Lyon, tous droits réservés
 Chapitre 5 : Études contrastives

5.2.2 L'influence des domaines

La section précédente a permis de quantifier l'importance des contenus biographiques en Géographie
mais, ce faisant, a aussi mis en lumière l'emploi de verbes associés à ces contenus dans d'autres
domaines. C'est ainsi que la figure 5.21 présentait les Beaux-arts et surtout la Philosophie comme des
pistes intéressantes pour la recherche de biographies. Malgré le choix éditorial de ne pas mettre en
avant de figures individuelles, le Discours Préliminaire de l'EDdA (L'Encyclopédie, T1, [Link]) fait en
effet mention de nombre de «génies» qui ont façonné les domaines où ils se sont illustrés. L'attention
particulière qui leur est portée dans ce Discours Préliminaire — et le fait que Newton dont on sait
qu'il y a une biographie dans les pages de l'EDdA soit parmi eux — laisse à penser qu'ils font de bons
candidats pour trouver d'éventuelles biographies.
En cherchant leurs noms parmi les vedettes de l'EDdA, on trouve celui de Locke à l'article «LOCKE,
Philosophie de» (L'Encyclopédie, T9, p.625). Contrairement à ce que pourrait laisser penser sa ve-
dette, l'article ne se limite pas à la philosophie de Locke et, sur toute sa première moitié, donne un
récit de la vie du philosophe de sa naissance à sa mort, riche en dates, lieux et mentions d'autres
personnages historiques qui lui sont liés. Il apparaît tout à fait comparable à l'article WOLSTROPE
qui, bien que trois fois plus long environ (7 277 mots contre 2 659) contient lui aussi environ une
moitié d'éléments biographiques, le reste de l'article concernant directement les travaux de Newton,
ses théories et jusqu'à l'exposition des travaux de ses précurseurs comme le paragraphe sur les lois
de Kepler.
En plus de constituer un premier exemple de biographie individuelle hors de la Géographie (le dési-
gnant de l'article est «Hist. de la Philosoph. moder» et le modèle le classe à Philosophie), cette entrée
donne une piste d'explication pour le pic observé dans ce domaine à la figure 5.21 et dévoile une stra-
tégie pour en trouver d'autres : on peut trouver des informations biographiques sur une personne
dans un article motivé par la discussion de sa philosophie. Et cette stratégie s'avère payante puisque
l'on en trouve neuf de cette manière, présentés dans le tableau 5.2. Certains contiennent davantage
de récits et de détails personnels (LÉIBNITZIANISME en est particulièrement riche), d'autres sont
des attaques assez virulentes contre le philosophe qu'ils décrivent (surtout CAMPANELLA) mais
tous contiennent à la fois des éléments biographiques et des détails sur ses travaux. On remarque de
plus qu'aucun article n'est de Jaucourt, et que les articles JORDANUS BRUNUS, LÉIBNITZIANISME,
LOCKE, PLATONISME et PYTHAGORISME sont tous les cinq signés par Diderot. Ce fait est d'autant
plus remarquable quand on considère que la «sécheresse» du style de Diderot dans les articles de
Géographie — dont il a dû se défendre dans l'article ENCYCLOPÉDIE 10 — est souvent opposée à celui
de Jaucourt, fourmillant et érudit, quand il s'agit de décrire la «contrebande» biographique de ce
dernier. De plus, ayant publié une biographie de Leibnitz en 1734 (Ferenczi, 2017, p. 87), le chevalier
de Jaucourt était particulièrement bien placé pour l'écrire dans l'EDdA ; il se contentera pourtant à
l'article LEIPSIC (L'Encyclopédie, T9, p.380) de le nommer et de citer Voltaire à son sujet avant de
renvoyer son lectorat à l'article LÉIBNITZIANISME. Ces observations montrent donc non seulement
qu'il y a des biographies individuelles hors des articles de Géographie (dans la Philosophie), mais
qu'en plus il n'y avait pas non plus de «tabou» biographique que Jaucourt aurait enfreint seul et de
son propre chef.

Tableau 5.2 – Coordonnées d'articles de philosophie de l'EDdA contenant des éléments biogra-
phiques

Philosophe Vedette Tome Page #article

Bacon BACONISME ou PHILOSOPHIE 2 8 92
DE BACON

10. voir sur ce point la section 1.1 page 8

164
Thèse accessible à l'adresse : [Link] © [A. Brenon], [2025], INSA Lyon, tous droits réservés
 Chapitre 5 : Études contrastives

Philosophe Vedette Tome Page #article

Campanella CAMPANELLA 2 576 5039
Jérôme Cardan CARDAN 2 675 5624
René Descartes CARTÉSIANISME 2 716 5851
Giordano Bruno JORDANUS BRUNUS, 8 881 3608
Philosophie de
Leibnitz LÉIBNITZIANISME ou 9 369 1730
PHILOSOPHIE DE LÉIBNITZ
John Locke LOCKE, Philosophie de 9 625 2934
Platon PLATONISME ou Philosophie de 12 745 3325
Platon
Pythagore PYTHAGORISME ou 13 614 2470
Philosophie de Pythagore

Puisque les biographies de l'EDdA ne sont pas identifiées explicitement, il n'est pas possible d'en
dresser une liste exhaustive et de dire avec certitude qu'une biographie est absente de ses pages,
mais il semble bien plus difficile d'en trouver ailleurs qu'en Philosophie. En reprenant les noms
du Discours Préliminaire, on remarque que pour chaque philosophe de la liste ci-dessus, l'article
ayant le plus grand nombre d'occurrences de ce nom (ou au moins un des plus grands comme pour
Bacon où il arrive «seulement» au 3ème rang) contiennent l'article qui traite conjointement de sa
philosophie et de sa vie. En appliquant la même heuristique à Boërhaave, Boyle et Huyghens les
résultats sont différents. L'article ayant le plus d'occurrences de Boërhaave (plus précisément de
[word="Bo[eë]rhaave"], la requête CQL utilisée pour ramener ces résultats 11 ) est l'article de
Médecine CRISE (L'Encyclopédie, T4, p.471) qui ne le mentionne que pour ses contributions sur le
sujet (avec 29 occurrences), mais le deuxième avec le plus de mentions est un article de Géographie
signé par Jaucourt : l'article VOORHOUT (L'Encyclopédie, T17, p.468) qui offre un nouvel exemple de
biographie «complète» dans un article prétexte comme l'était WOLSTROPE. Le nom de Boërhaave
apparaît dès la première phrase en termes laudatifs et l'intégralité de l'article se partage entre les
détails de sa vie personnelle et professionnelle. Au lieu que sa vie soit racontée dans un article sur
ses contributions principales au domaine comme c'était le cas pour les philosophes, sa biographie
est «déguisée» en article de Géographie.
Pour Boyle et Huyghens, les articles avec le plus grand nombre d'occurrences de leurs noms sont
purement techniques et portent exclusivement sur leurs thématiques de recherches, respectivement
la Chimie — AIR (L'Encyclopédie, T1, p.225) et CHYMIE (L'Encyclopédie, T3, p.408) — et la Physique
et les Mathématiques — «Figure de la Terre» (L'Encyclopédie, T6, p.749), CYCLOIDE (L'Encyclopédie,
T4, p.590), PENDULE (L'Encyclopédie, T12, p.293) et «Ressort spiral» (L'Encyclopédie, T14, p.188).
Mais, en sélectionnant dans la liste des résultats non plus les articles ayant le plus d'occurrences mais
ceux en Géographie, émergent alors les articles LISMORE (L'Encyclopédie, T9, p.574) — ville d'origine
de Boyle — et «HAIE (la)» (L'Encyclopédie, T8, p.23) — celle de Huyghens. Les deux sont également de
Jaucourt mais à la différence de VOORHOUT il s'agit plutôt de biographies «partielles». L'article sur
LISMORE contient un paragraphe entier sur la ville, son importance politique (faible) et sa position,
et même la biographie de Boyle dans le second paragraphe est introduite par rapport au contexte
historique de la ville, ce qui fait que Boyle occupe strictement moins que la moitié du texte. Quant
à celui sur La Haye, en plus de détailler l'étymologie du nom de la ville, son histoire et sa place
contemporaine dans le pays et l'Europe, il cite non seulement Huyghens mais également Jacques
Golius, Jean Meursius, Frédéric Ruysch, Albert Henri de Sallengre et Jean Second. L'article s'achève
même par une «biographie-mystère» d'un «monarque célèbre» mais pas nommé, dans laquelle il

11. l'orthographe des noms propres peut parfois varier dans les pages de l'EDdA surtout quand il y a des diacritiques

165
Thèse accessible à l'adresse : [Link] © [A. Brenon], [2025], INSA Lyon, tous droits réservés
 Chapitre 5 : Études contrastives

n'est pas difficile de reconnaître Guillaume III d'Orange-Nassau. Une fois encore, si ces trois exemples
ne constituent pas une démonstration définitive que les savants hors de la Philosophie n'ont pas leur
biographie dans l'article disciplinaire décrivant leur doctrine, ils semblent toutefois bien le suggérer,
et si des biographies d'autres savants moins mis en avant dans le Discours Préliminaire et moins
mentionnés en général dans les pages de l'EDdA venaient à être mise au jour dans des articles de
spécialité, il s'agirait surtout de comprendre pourquoi Boërhaave, Boyle et Huyghens n'ont pas eu
le même honneur.
En admettant cette inférence, il semble donc y avoir un régime différent pour les philosophes par
rapport aux autres savants. Cela pourrait s'expliquer par les différences entre disciplines : là où les
physiciens travaillent généralement sur des problèmes variés, les théories philosophiques qui par
nature tendent à décrire le monde dans son ensemble sont plus enclines à former des «systèmes»
caractéristiques de leur auteur et difficiles à séparer d'eux. Il est sans doute malaisé de bien dis-
tinguer aussi nettement les disciplines à une époque de polymathie encore assez générale mais il
semble tout de même y avoir une importance particulière accordée à la Philosophie. Alors que New-
ton est surtout considéré actuellement comme un physicien, sa contribution est particulièrement
valorisée dans les pages de l'EDdA et mise en regard de celles de Descartes et de Leibnitz qu'il a
affronté sur certains problèmes. Les trois savants se retrouvent dans des contextes similaires, et ont
des cooccurrents très proches : des mots comme «analyse», «philosophie», «calcul», «principes» et
«démontrés» et même plus directement leurs noms (par exemple "Newton" et "Descartes" sont
dans les cinq cooccurrents les plus forts de "Leibnitz" et il en va de même pour les deux autres
combinaisons qu'on peut former de leurs trois noms). Et on constate même qu'à la différence des
autres physiciens il possède lui aussi un article à son nom : NEWTONIANISME (L'Encyclopédie,
T11, p.122), reformulé en «Philosophie Newtonienne». Il semble que ce terme, bien qu'il soit ex-
plicité de plusieurs façons («physique expérimentale», «mécanique & mathématique», «partie de
la Physique»), soit surtout utilisé pour souligner l'ampleur du saut conceptuel que représente la
démarche de Newton par rapport à ses prédécesseurs. L'article est très différent des articles de doc-
trines philosophiques discutés plus haut ne serait-ce que par son lexique : des mots comme «âme»
et «Dieu» qui apparaissent fréquemment chez les autres philosophes sont absents de l'article NEW-
TONIANISME, et le mot «corps» par exemple qui était opposé à âme et discuté dans un rapport à
soi-même chez eux y devient un terme de physique : «corps physique», «corps céleste», «corps pe-
sans» (sic). Ces différences sont particulièrement visibles sur le diagramme d'AFC de la figure 5.25
représentant les 65 lemmes les plus fréquents parmi les textes de doctrines philosophiques (ceux
du tableau 5.2, le nuage de points rouges sur la figure) auxquels est rajouté NEWTONIANISME (le
point EDdA_11_679 très nettement à part sur la figure). Newton est donc mis au même niveau que
les grands philosophes alors que le contenu de ses travaux est tout à fait différent. La vraie ques-
tion qui se pose n'est donc pas «pourquoi les biographies sont-elles cachées dans la Géographie ?»
car elles ne le sont pas toutes, mais bien plutôt «pourquoi celle de Newton n'a-t-elle pas pu figurer
dans son propre article ?». Faut-il y voir un lien avec les reproches faits à Newton mentionnés dans
le Discours Préliminaire et la manière dont il y est opposé à Descartes, jusqu'à suggérer qu'il était
difficile en France de s'en déclarer partisan, comme a pu le faire Maupertuis «le premier qui ait osé
parmi nous se déclarer ouvertement Newtonien» ?

5.2.3 Différents profils de passages biographiques

Proportion de contenu biographique
Si on revient à l'article WOLSTROPE qui est en grande partie à la base de toutes les réflexions de
cette section, la situation est limpide car Jaucourt ne fait pas le moindre effort pour déguiser sa
biographie : le bourg n'est cité qu'en relation à Isaac Newton dès la première phrase et les deux
seules informations, lapidaires, que l'on pourrait qualifier de géographiques à son propos tiennent
dans les huit premiers mots, en un syntagme nominal et un complément circonstanciel : «bourg

166
Thèse accessible à l'adresse : [Link] © [A. Brenon], [2025], INSA Lyon, tous droits réservés
 Chapitre 5 : Études contrastives

Figure 5.25 – Analyse Factorielle des Correspondances pour les articles de systèmes philosophiques
dans l'EDdA, y compris NEWTONIANISME

d'Angleterre, dans le comté de Lincoln». Aucune coordonnée, aucune distance ni même direction à
partir d'une autre ville ou point remarquable du territoire anglais.

Mais la situation est quand même toute autre avec l'article LODEVE (L'Encyclopédie, T9, p.627).
L'article commence par un paragraphe entier qui en plus de donner une précision d'ordre adminis-
trative («un évêché suffragant») dresse un rapide historique de la ville depuis son nom latin attesté
par Pline jusqu'à donner le gentilé de ses habitants pour se conclure par un concentré d'informations
sur le paysage et le climat («sec et stérile»), l'activité économique de la ville («manufactures de draps
& de chapeaux») et sa situation par rapport aux cours d'eau et reliefs («sur la Lergue, au pié des Cé-
vennes») avant de la situer en distance par rapport à cinq villes différentes classées par ordre crois-
sant de distance et d'importance dont les deux dernières avec en prime une direction sur la rose des
vents. Et de se conclure, de surcroît, par des coordonnées en longitude et latitude, basées vraisembla-
blement sur le méridien de l'île de Fer (longitude ≥ 20 pour un lieu en France métropolitaine). C'est
quand même se donner beaucoup de peine pour seulement parler du cardinal de Fleury. D'autant
plus que, non seulement la biographie du cardinal occupe déjà moins de lignes que le seul premier
paragraphe de l'article, mais en plus il n'est pas le seul à être mentionné. Une phrase présente deux
cardinaux nés à Lodève, et chacun a droit a son propre paragraphe. On est donc manifestement en
présence de deux phénomènes très différents.

Parmi les autres articles cités par Vigier et al. (2022), SOULIERS (L'Encyclopédie, T15, p.406) est bien
plus proche du modèle de WOLSTROPE quoique la première phrase réussisse à s'achever avant de
citer Antoine Arena. L'article VALOGNE (L'Encyclopédie, T16, p.824) en revanche, bien qu'il accorde
à Jean de Launoi une place plus importante que celle qu'occupe le cardinal de Fleury dans l'article
LODEVE, commence tout de même par un paragraphe géographique complet. Dans le même cas, on
peut également citer l'article NICE (L'Encyclopédie, T11, p.131) qui accorde une très large place à Cas-

167
Thèse accessible à l'adresse : [Link] © [A. Brenon], [2025], INSA Lyon, tous droits réservés
 Chapitre 5 : Études contrastives

sini mais seulement après avoir parlé de la ville elle-même. Ces différents exemples semblent donc
s'inscrire dans un spectre continu de possibilités entre les deux tendances extrêmes en termes de
proportion de contenu que représenteraient WOLSTROPE — biographie «complète» — et LODEVE —
biographie «partielle» — qui constitue un premier critère pour caractériser les biographies de l'EDdA.

Motivation de l'article
Les biographies «cachées» dans la Géographie rendent la navigation particulièrement difficile
puisqu'elles sont inaccessibles à moins de connaître une «clef» particulière : le lieu de naissance
de la personne recherchée. Pour en trouver, une stratégie consiste à penser à des personnages
historiques dont on espère qu'il pourrait y avoir une biographie, à trouver leur lieu de naissance
dans une autre source et à consulter l'article du lieu en question. On trouve ainsi par exemple
l'article Ferté-Milon (L'Encyclopédie, T6, p.556) qui est en fait le lieu de naissance de l'auteur
Racine (figure 5.26). En plus de faire étrangement écho à la remarque ci-dessus sur la prédominance
de la Philosophie — on reproche quand même à demi-mot à Racine de n'avoir été «que» poète et
pas philosophe — l'article très bref signé par Jaucourt pose un défi d'interprétation. En effet, l'auteur
semble dire que le seul intérêt de la ville — et par là même de l'article — réside dans la mention de
Racine («uniquement remarquable par»). Mais il est dit bien peu de choses sur le tragédien : sa date
de mort et l'âge qu'il avait alors, le domaine dans lequel il a exercé et le succès qu'il y a rencontré.
Même ces 4 lignes qui précèdent la remarque lui reprochant de ne pas avoir fait de philosophie
ne parviennent pas à lui être entièrement consacrées puisqu'il y est également fait mention de
Corneille. Sur les sept lignes et demie que comprend l'article, cela ne fait donc qu'une grosse moitié
du volume de l'article réellement dédiée à Racine. Le critère portant sur la proportion de l'article
dédiée à la biographie est donc d'une utilité très limitée à l'échelle d'un article aussi court. Jaucourt
parvient quand même à glisser des coordonnées géographiques avant sa signature, on pourrait
presque se demander s'il lui importe de donner de l'information sur le lieu, malgré sa remarque
initiale dépréciative sur l'intérêt de ce dernier.

Figure 5.26 – Article ”Ferté-Milon” EDdA, T6

Ce trait dépréciatif se rencontre d'ailleurs dans plusieurs biographies cachées dans la Géographie
par exemple dans VOORHOUT «village de Hollande […] mais village illustré» (l'opposition avec la
conjonction de coordination «mais» semble montrer que village revêt ici un caractère négatif) ou
dans Villa-nueva (L'Encyclopédie, T17, p.274) «qui n'est connu que pour avoir donné la naissance
à Michel Servet» dans une autre biographie complète cachée, qui ne parle en fait pas d'autre chose
que de ce personnage historique. D'ailleurs, les recherches avec la stratégie illustrée ci-dessus pour
Racine montrent assez vite qu'il est d'autant plus probable de trouver une biographie complète que
le lieu de naissance de la personne est petit. Une ville de très grandes dimensions comme Paris
est bien sûr le lieu de naissance de nombreux personnages historiques importants, mais ce fait ne
permet pas d'accéder à leurs biographies, car l'article Paris pourtant long de 23 272 mots n'en contient
aucune ! Après avoir écarté l'évidence dans son deuxième paragraphe «Elle a produit plus de grands
personnages […] que toutes les autres villes de France […]», l'article passe sous silence le fait qu'il

168
Thèse accessible à l'adresse : [Link] © [A. Brenon], [2025], INSA Lyon, tous droits réservés
 Chapitre 5 : Études contrastives

n'en donnera pas. Une explication parfois avancée pour la présence de biographies dans les articles
de Géographie est une tendance de Jaucourt à laisser son érudition prendre la place : c'est pourtant
lui qui signe cet article, et qui y consacre le dernier quart (600 lignes !) pour dresser un parallèle
entre Paris et l'Athènes antique. L'érudition, le style personnel de Jaucourt et la simple longueur des
articles ne suffisent donc pas à prédire la présence de passages biographiques.

En essayant de trouver un juste milieu entre la Ferté-Milon et Paris, pour regarder des villes de
taille intermédiaire, on trouve alors très facilement un grand nombre de biographies : l'entrée pour
TOURS (L'Encyclopédie, T16, p.490) en contient 8 dont deux frères qui sont décrits indépendam-
ment, celle pour TROYES (L'Encyclopédie, T16, p.719) en contient 9 sans liens entre les personnes,
ROUEN atteint le total de 24. À chaque fois le motif est semblable : une suite de biographies suc-
cintes sans liens entre elles et présentée implicitement comme un passage obligé des articles («je
passe aux simples hommes de lettre natifs de», «l'abondance m'oblige de m'arrêter à cette liste», «je
ne me propose que d'indiquer ici les principaux»), ce qui est renforcé par l'usage fréquent de l'ordre
alphabétique. Ce que disent en négatif ces énumérations, c'est qu'elles sont là parce que le lectorat
de ces articles s'attendent à les trouver, plus que pour l'intérêt de la vie individuelle de chaque per-
sonne. Ce qui ne signifie pas qu'elles doivent être anecdotiques : les exemples de la section 5.2.2
contiennent des savants majeurs de leurs domaines cités brièvement dans les villes qui les ont vu
naître : même Leibnitz, dont la vraie biographie est à l'article LÉIBNITZIANISME, est mentionné
dans l'article LEIPSIC, en même temps qu'une remarque éclairante sur la motivation profonde de
ces biographies : «Leibnitz seul auroit suffi pour donner du relief à Leipsic sa patrie». Ces énumé-
rations sont là pour l'anecdote, elles ornent, donnent davantage d'intérêt aux lieux traités. En cela
elles font partie du discours géographique de l'époque.

Toutes ces remarques convergent donc pour dégager un dernier critère à appliquer aux biographies
trouvées dans les articles de Géographie : celui de la motivation «biographique» ou «intrinsèque» de
l'article, c'est-à-dire à quel point il ne doit son existence qu'à la personne dont il contient la biographie
ou bien au contraire à quel point le passage biographique ne fait qu'apporter une information à
propos d'un endroit sur lequel il y aurait eu de toute façon une entrée. La figure 5.27 illustre les
deux critères dégagés ci-dessus en plaçant les articles les plus emblématiques discutés au fil de cette
section. Chaque axe de la figure correspond à un des critères : celui des abscisses à la proportion
de contenu biographique dans l'article calculée comme le rapport du nombre de lignes consacrées
à des personnages historiques sur le nombre total de lignes de l'article ; celui des ordonnées à une
note quelque peu arbitraire tâchant de rendre compte des arguments discutés pour chaque article,
notamment de la quantité et de la précision du contenu géographique, des remarques dépréciatives
éventuelles des auteurs, du nombre de biographies présentes dans le même article et de l'importance
relative de la ville dont il est possible de se faire une idée par exemple en cherchant le nombre
d'occurrences dans l'ensemble du texte de l'EDdA.

Il ressort donc de ce qui précède que la Géographie dans l'EDdA a effectivement servi dans une
certaine mesure à abriter pour diverses raisons des textes purement biographiques. En revanche cette
étude révèle également que dans le contexte de l'époque, une certaine part de contenu biographique
était au moins acceptable sinon attendue dans un article de Géographie. C'est d'ailleurs peut-être ce
fait qui a rendu possible l'opération de dissimulation des biographies : en effet, comment celles-ci
auraient pu être cachées dans les articles de Géographie si elles avaient choqué par leur présence ?

La situation est tout autre à la fin du XIXème siècle dans les pages de LGE où les biographies ont leur
place attitrée. Isaac Newton a alors son propre article «NEWTON (Sir Isaac)» (La Grande Encyclopé-
die, T24, p.1048) dans lequel il est simplement fait mention de son lieu de naissance, désormais ortho-
graphié «Whoolstorpe» et sans article. Un autre «article-prétexte», celui de Boërhaave, suit le même
chemin et fait l'objet d'une entrée (La Grande Encyclopédie, T7, p.42) qui mentionne «Woorhout»,
sans entrée associée. Pour les autres articles, on constate que VALOGNES (La Grande Encyclopédie,

169
Thèse accessible à l'adresse : [Link] © [A. Brenon], [2025], INSA Lyon, tous droits réservés
 Chapitre 5 : Études contrastives

Figure 5.27 – Visualisation d'articles de l'EDdA discutés dans la section suivant les deux critères
identifiés

T31, p.683) ne cite plus Jean de Launoi alors que que LODÈVE (La Grande Encyclopédie, T22, p.404)
retient une simple mention du cardinal de Fleury à l'issu d'un paragraphe sur les bâtiments religieux
de la ville, sans date ni caractère narratif. Pour une ville de taille intermédiaire comme TROYES (La
Grande Encyclopédie, T31, p.432), une section Grands Hommes est présente, au même niveau que
les sections Monuments, Histoire et Évêques de Troyes. Cette partie se trouve à la toute fin de
l'article, juste avant la bibliographie, confirmant son caractère plus pittoresque. Elle consiste en une
énumération de noms et d'années de décès, parfois sans même de titre ni de profession. Évoquer les
personnes qui ont vécu à un endroit donné reste donc une des fonctions attendues de la Géographie
dans LGE, tandis qu'une frontière plus nette se dessine entre la biographie en tant que telle et ce qui
n'est plus qu'anecdote.

170
Thèse accessible à l'adresse : [Link] © [A. Brenon], [2025], INSA Lyon, tous droits réservés
 Chapitre 6

Conclusion

6.1 Synthèse des résultats . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 171

6.2 Perspectives . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 174

6.1 Synthèse des résultats

Les trois chapitres précédents convergent, avec des approches très différentes mais complémen-
taires, vers une réponse à la problématique initiale consistant à bâtir une méthodologie permettant
d'étudier les discours géographiques en diachronie dans les encyclopédies (voir p.10). En consignant
les enseignements tirés de la préparation et de la manipulation du corpus, en montrant la pertinence
des techniques de classification automatique sur ce type de texte tout en tirant parti de leurs limites,
puis en mobilisant des outils statistiques pour la linguistique, ils démontrent la possibilité d'identifier
ces discours pour observer leurs évolutions.

Identification des discours géographiques

La solution proposée se caractérise d'abord par son pragmatisme et sa souplesse face à des
contraintes difficiles à anticiper imposées par les données et les outils utilisés. Cela se manifeste
par exemple dans la décision de croiser les sources de l'ARTFL et de l'ENCCRE pour associer un
domaine de connaissance aux textes des articles, ou encore sur des modifications en cours de
projet de la structure des métadonnées — dont la clef primaire des textes (voir la section 3.3.2 page
84 à ce sujet). L'ensemble de la chaîne de traitement repose donc sur la composition d'éléments
individuellement simples plutôt que sur un bloc monolithique qui aurait nécessité une connaissance
préalable parfaite de toutes les difficultés potentielles contenues dans le corpus. Ce choix de
conception a favorisé un travail itératif, la chaîne restant facile à relancer à partir de n'importe
quel point. À son tour, cette façon de travailler a fortement bénéficié de l'application d'outils
reproductibles permettant de contrôler les paramètres modifiés d'une itération à l'autre. En plus de
contribuer à une science ouverte et transparente, de telles techniques facilitent donc les approches
adaptatives.
Les différentes étapes de traitement suivent une approche progressive en termes de granularité des
objets manipulés. L'extraction de l'ensemble du texte de chaque tome des deux œuvres pour le seg-
menter en articles représente la partie la plus complexe du système. L'encodage de LGE en particu-
lier a demandé un effort important de traitements géométriques et de repérage de motifs dans des

171
Thèse accessible à l'adresse : [Link] © [A. Brenon], [2025], INSA Lyon, tous droits réservés
 Chapitre 6 : Conclusion

chaînes de caractères avec du bruit causé par l'OCR. Au niveau des articles eux-mêmes, l'essentiel des
annotations et analyses est réalisé par des outils existants, et des scripts servent à mettre en forme les
données, charger des librairies ou extraire leurs résultats. L'avantage majeur de la démarche suivie
réside dans la modularité qu'elle offre : en séparant les différentes représentations des textes et les
métadonnées qu'elle leur associe, elle permet une grande liberté pour les combiner et formater les
données en vue de nouvelles analyses, parfois propres seulement à un sous-corpus. Enfin, au niveau
des discours qui composent les articles, la spécificité de la méthode utilisée se situe dans la mise en
regard d'études quantitatives et qualitatives, là encore en utilisant des logiciels répandus en analyse
textuelle des données.

Dans l'ensemble, le code produit dans le cadre de cette thèse remplit donc essentiellement trois fonc-
tions : il modélise la structure du corpus pour faciliter la manipulation des fichiers, il convertit des
formats pour servir de liant entre les différents logiciels utilisés et il produit des visualisations pour
l'analyse comme celles présentes dans ce manuscrit. Il se répartit principalement entre sept dépôts
de code (voir la section 3.3.3 p.89) dont la taille totale avoisine 200 fichiers pour 10 000 lignes de code
écrites en quatre langages différents. La plus large partie est en haskell, qui a servi à implémenter
le programme soprano et la librairie de modélisation ghc-geode mais aussi une partie des scripts
d'analyse et de conversion. Le reste consiste en des scripts, surtout en python mais aussi en bash
pour quelques uns. La description des paquets et de leurs dépendances est écrite en guile et occupe
un peu plus de 10% du volume de code pour assurer le contrôle des environnements logiciels à l'aide
de guix.

L'usage de cet outil pour la reproductibilité représente la seule brique logicielle complexe de la métho-
dologie suivie. Ce choix restreint nécessairement un peu la portabilité mais même cette contrainte
est moins forte qu'il n'y paraît. D'abord, guix peut être utilisé seulement comme gestionnaire de pa-
quet et installé sur de nombreux systèmes linux, pas seulement sur le système d'exploitation guix.
Ensuite, d'autres implémentations comme nix donnent accès aux mêmes techniques de reproduc-
tibilité et ont déjà été portées sur davantage de plateformes. En outre, ces technologies nouvelles
permettent de générer des environnements sous de nombreux formats comme des archives portables
ou des conteneurs qui peuvent être déployés sur la plupart des plateformes existantes, sans que guix
ou nix eux-mêmes n'aient besoin d'y être installés.

Enfin, les formats aussi suivent cette logique de réemploi et de modularité. Les représentations inter-
médiaires des textes utilisent des standards ouverts comme les dialectes du XML, le JSON, le texte
encodé en UTF-8 ou encore le TSV pour lesquels des outils existent sur la plupart des plateformes et
qui restent faciles à implémenter sinon. Le choix du TSV pour stocker les métadonnées plutôt que
de véritables bases de données s'est avéré payant en termes de flexibilité grâce à un petit outillage
vaste et polyvalant capable d'exploiter ce format (des programmes de recherche et de remplacement
comme grep, sed ou même csvsql pour écrire des requêtes d'une complexité intermédiaire). Cet
aspect de la méthodologie suivie accroît son utilité potentielle pour de futurs travaux, en ne rajou-
tant pas de nouvel outil tout-en-un difficile à supporter sur un grand nombre de plateformes mais
en encourageant au contraire à utiliser ce qui est disponible.

Les facettes de la disciplinarisation

L'étude diachronique des changements survenus dans les discours géographiques joue un double
rôle dans ce manuscrit. Elle revêt d'abord une valeur illustrative, essentielle pour montrer la per-
tinence des méthodes proposées. Cependant, elle possède également une valeur intrinsèque dans
la perspective du projet GEODE qui s'intéresse aux changements subis par la Géographie dans les
encyclopédies entre le XVIIIème et le XIXème siècle. Les observations faites ont permis de mettre en
lumière différents aspects des transformations qui se sont produites sur cette période, et notamment
la constitution de la Géographie en une véritable discipline scientifique.

172
Thèse accessible à l'adresse : [Link] © [A. Brenon], [2025], INSA Lyon, tous droits réservés
 Chapitre 6 : Conclusion

Cette disciplinarisation se traduit d'abord par une complexification des articles de géographie en
termes de richesse du vocabulaire, constitué en moyenne de mots plus longs (voir la section 5.1
p.133). Ce phénomène est observable malgré une haute concentration d'abréviations dans la plupart
des entrées de la classe Géographie qui décrivent succintement un lieu sans donner plus de précision.
Mais ce seul fait ne doit pas occulter la finesse des mouvements contraires et simultanés auquels la
Géographie est sujette.

En premier lieu, la ressemblance entre la Géographie et les autres classes s'accentue entre l'EDdA et
LGE. Cela se manifeste par exemple au niveau de la distribution du nombre de mots par article, bien
plus similaire à celle des autres domaines de connaissance dans la partie du corpus correspondant à
LGE (voir section 5.1.1 p.135). Des articles plus longs apparaissent dans le domaine, particulièrement
bref par contraste dans l'EDdA. Une autre conséquence de ces rapprochements peut s'observer en
considérant les occurrences d'EN comme le fait la section 5.1.1 (p.141). Alors que les philosophes
des Lumières emploient surtout les EN dans les articles de la classe Géographie, le profil d'utilisation
des différents types relevés dans l'annotation géo-sémantique des articles s'harmonise entre les dis-
ciplines. Les noms propres de lieu en particulier (NP-Spatial) se propagent dans une certaine mesure
aux autres domaines.

Simultanément, la Géographie semble aussi se cloisonner. La très large majorité des articles du do-
maine dans l'EDdA étaient extrêmements brefs et constitués d'une longue phrase nominale. Cette
tendance, propre au domaine, s'accroît dans LGE, où ces articles se font plus nombreux et où le re-
cours presque systématique aux abréviations se double d'un «figement» des différents compléments
qui composent la phrase nominale, jusqu'à l'obtention de données pour ainsi dire tabulaires. Par
ailleurs, d'un domaine central et en quelque sorte «refuge» pour de nombreuses entrées peu scien-
tifiques (mythologie et phénomènes naturels inexpliqués entre autres), les discours géographiques
s'épurent et s'affirment par contraste comme la description de territoires.

Les passages de biographie ne disparaissent toutefois pas entièrement des discours géographiques. Si
les biographies clandestines telles que celles écrites par Jaucourt n'ont plus lieu d'être dans les pages
de LGE, des articles de Géographie traitant de villes conservent quelques mentions de personnages
célèbres qui y ont vécu.

Contributions
Version numérique structurée de LGE
Le premier résultat apporté par cette thèse est la définition d'un schéma d'encodage XML-TEI pour
représenter une encyclopédie. Le schéma qui se restreint au module core sans utiliser les éléments du
module dictionaries tient compte des particularités de ces œuvres par opposition aux dictionnaires
et permet de représenter des développements arbitrairement longs et fortement structurés. Cet en-
codage a été partiellement appliqué à LGE pour représenter la structure de ses articles au-dessus du
niveau des paragraphes.

Cette contribution se présente concrètement sous la forme d'un ensemble de dépôts de code source
et d'archives sur l'entrepôt de données Nakala (Vigier & Brenon, 2021) contenant les fichiers repré-
sentant les articles dans différents formats, accompagnés de leurs métadonnées. Le logiciel central
dans le processus d'encodage est soprano 1 qui opère la segmentation du texte de LGE en articles et
applique l'encodage défini. Au cours de cette thèse, le logiciel a reçu plusieurs améliorations qui aug-
mentent notamment la précision de son algorithme de segmentation. Il s'accompagne d'autres dépôts
comme Processing LGE 2 qui contient des métadonnées et des scripts pour faciliter le traitement

1. [Link]
2. [Link]

173
Thèse accessible à l'adresse : [Link] © [A. Brenon], [2025], INSA Lyon, tous droits réservés
 Chapitre 6 : Conclusion

de l'œuvre dans son ensemble et LGE Meta 3 qui présente sous un format tabulaire les métadonnées
présentes au début de l'œuvre dont la liste des abréviations utilisées afin de faciliter la prise en main
des données à de futures équipes de recherche.

Modèle de classification en domaines de connaissance

La comparaison de modèles d'AA en vue de classer les articles par domaine de connaissance a ap-
porté trois résultats principaux. Le premier confirme la supériorité de l'architecture Transformers
et des modèles BERT préentraînés en particulier en termes de qualité des résultats pour cette tâche
de classification. Le deuxième montre la pertinence de méthodes classiques qui obtiennent des per-
formances proches — et supérieures à celles des méthodes d'AP autres que BERT — pour un coût en
énergie bien moindre. L'application des prédictions d'un modèle BERT, rectifiées pour un ensemble
d'articles de Géographie courts de LGE (identifiés comme traitant de communes et regroupés au
sein d'un sous-corpus), a non seulement rendu possibles les analyses conduites au chapitre 5 mais a
surtout permis d'enrichir la version numérique de LGE d'une métadonnée associant un domaine de
connaissance à chaque entrée.
D'autre part, l'analyse des erreurs d'une des architectures classiques ayant obtenu d'assez bons ré-
sultats (celle associant un TF-IDF pour la vectorisation et SGD pour la classification elle-même) a
permis de visualiser les liens entre la Géographie et les autres domaines dans l'EDdA. Les conte-
nus géographiques infusent de manière sélective dans certains autres domaines au centre desquels
la Géographie fait en quelque sorte office de passerelle. L'étude a en outre montré que ces ressem-
blances entre domaines n'étaient pas seulement lexicales. L'ensemble de ces résultats a fait l'objet
d'une publication (Brenon et al., 2022).

Biographies et discours géographiques

La troisième contribution présentée dans cette thèse concerne la relation privilégiée qui existe entre
les biographies et les discours géographiques. Les spécialistes de l'EDdA connaissent bien les bio-
graphies déguisées en articles de Géographie en utilisant le lieu de naissance de la personne décrite
comme point d'entrée. La section 5.2 dresse un état des lieux du phénomène, ce qui permet ensuite
de mettre en évidence un autre filon de contenus biographiques dans l'EDdA au travers des articles
de Philosophie. En comparant le traitement de la philosophie de Newton et de celles des autres philo-
sophes, l'étude renverse la perspective sur l'article WOLSTROPE en montrant que la question posée
par cette entrée n'est pas tant l'existence d'une biographie du savant anglais que le choix de son lieu
de naissance pour l'introduire.
Enfin la section apporte des éléments nouveaux pour comprendre la place des biographies dans les
articles de Géographie en distinguant entre différents types de contenus biographiques dont la valeur
illustrative varie d'un article à l'autre. Après avoir défini deux critères pour caractériser ces contenus,
elle montre la survivance au XIXème siècle de ceux qui relèvent de l'anecdote et sont principalement
utilisés pour colorer la manière dont une ville est présentée.

6.2 Perspectives
Au-delà des résultats discutés dans la section précédente, les présents travaux ont également permis
de dégager des pistes prometteuses pour de futures recherches. Il s'agit pour une part d'améliorations
techniques car les logiciels peuvent bien sûr toujours être perfectionnés davantage mais ces nou-
veaux chemins à explorer ne se limitent pas à des détails d'implémentation. Les méthodes utilisées
dans le cadre de cette thèse pourraient trouver des applications sur d'autres corpus et, de plus, les
données produites pourraient intéresser des études sur d'autres types de discours.
3. Le fichier correspondant à ces données est distribué dans le dépôt [Link]

174
Thèse accessible à l'adresse : [Link] © [A. Brenon], [2025], INSA Lyon, tous droits réservés
 Chapitre 6 : Conclusion

Des améliorations techniques

La recherche d'exemples dans des articles, nécessaire pour illustrer différents points du propos, a
été grandement facilitée par les interfaces de consultations de l'EDdA mises en place par l'ARTFL
et l'ENCCRE. De telles interfaces permettent de naviguer rapidement dans les tomes de l'œuvre, de
rechercher des articles et d'opérer un retour au texte en les visualisant sur des photographies des
pages. Pour ces raisons, elles sont utiles d'une manière générale tant au public qu'aux équipes de
recherche. Les photos des pages numérisées et le texte brut de LGE sont consultables sur le site de la
BnF 4 mais si ce dernier autorise la recherche de texte de manière indiscriminée, il ne permet pas de
trouver une vedette spécifique ni même de naviguer par article. L'état actuel de la segmentation de
LGE et la précision des métadonnées de navigation qui comprennent le numéro des pages ont rendu
faisable le même type de recherches sans trop de friction lors de la rédaction de ce manuscrit mais
l'interface expérimentale déployée à cet effet n'est pas encore assez pratique pour être utile hors
du projet GEODE. Quelques efforts supplémentaires de développement restent nécessaires pour la
rendre plus intuitive, pour y implémenter la recherche par vedette et pour trouver une solution
pérenne pour l'héberger.

Il a aussi été envisagé durant cette thèse d'étudier les variations thématiques et discursives au sein
des articles en utilisant les méthodes de classification à l'échelle des paragraphes. La segmentation
en paragraphes est disponible pour l'EDdA mais pas encore assez robuste pour LGE (voir la section
3.2.2 p.76). Il est à souhaiter que les prochains mois permettent de régler les derniers problèmes
et de réaliser un nouvel encodage de cette œuvre qui intègre une telle segmentation. Malgré ces
lacunes, quelques efforts ont déjà été entrepris pour définir un ensemble de fonctions que les para-
graphes remplissent dans les textes encyclopédiques. À partir d'une observation empirique d'articles
de l'EDdA jusqu'à saturation des données, huit grand rôles type ont été identifiés. En tout, 1 722 pa-
ragraphes ont été annotés manuellement pour entraîner un modèle capable de reconnaître ces fonc-
tions. Des F-mesures légèrement supérieures à 0.70 pour l'ensemble des classes ont été obtenues
assez rapidement mais il s'est avéré impossible d'améliorer ces scores, en particulier pour certaines
classes restant à des valeurs nettement inférieures. Cet échec relatif amène plusieurs pistes de ré-
flexion pour de futurs travaux. Un travail théorique plus poussé permettrait de vérifier la pertinence
des classes choisies. Il faudrait sans doute également s'assurer de la représentativité des exemples
annotés pour l'instant, ou tenter simplement de poursuivre l'annotation en espérant atteindre un
seuil qui permettrait des gains significatifs grâce à la seule masse de données.

Outre les besoins propres à cette étude pour l'instant mise en pause, d'autres améliorations de la
qualité de l'encodage de LGE paraissent encore réalisables. La détection des vedettes reste à ce jour
rudimentaire et bénéficierait d'un travail en profondeur pour comprendre la grammaire qui per-
mettrait de les décrire. En effet celles-ci se composent souvent de plusieurs mots, dont certains
peuvent employer des minuscules ou des petites majuscules, jusqu'à pouvoir s'étendre sur plusieurs
lignes alors que l'encodage actuel ne conserve que le premier mot en majuscules. Un travail similaire
d'identification des motifs présents à la fin des articles pourrait donner accès à une métadonnée pré-
cieuse comme les auteurs des articles, souvent mentionnés et parfois différents d'une partie à l'autre
d'un article (et qu'il pourrait donc être intéressant d'associer au niveau des paragraphes quand celui-
ci sera disponible). Un tel effort devrait idéalement prendre aussi en compte l'important travail de
bibliographie réalisé dans LGE, pour pouvoir encoder ces contenus correctement et les traiter sépa-
rément. Il y a en effet peu d'intérêt à les annoter en syntaxe (ce qui est malheureusement fait dans
l'état actuel de la chaîne), alors qu'à l'inverse ils pourraient constituer des métadonnées précieuses
pour comprendre le paysage académique de référence de l'époque. Enfin, la résolution des renvois
représente certainement le problème le plus délicat pour plusieurs raisons. L'imprécision de l'OCR
d'abord rend un certain nombre de «V.», abréviation de «voir», comme la séquence «l'» ce qui com-

4. [Link]

175
Thèse accessible à l'adresse : [Link] © [A. Brenon], [2025], INSA Lyon, tous droits réservés
 Chapitre 6 : Conclusion

plique leur détection. Ensuite, les vedettes formées de plusieurs mots augmentent les risques que la
séquence utilisée pour un renvoi différe légèrement de celle utilisée à l'article cible lui-même — sans
compter l'usage d'expressions référentielles en lieu et place de la vedette explicite telles que «voir
ce mot». À ces difficultés s'ajoute la distance entre un renvoi et sa cible, potentiellement présente
dans un tome distinct alors que le traitement actuel par soprano considère les tomes séparément.
La résolution de ces problèmes et l'ajout d'une fonctionnalité pour suivre les renvois entre articles
apporterait pourtant encore bien plus d'intérêt à une interface web de consultation de l'œuvre.

Enfin la conduite des analyses contrastives a révélé certains défauts récurrents dans l'annotation
des textes en morphosyntaxe et en syntaxe avec Stanza. Certaines graphies sans accent du XVIIIème
siècle ont gêné la lemmatisation, ce qui est d'autant plus regrettable que ces questions ont été précé-
demment résolues à la conception de la chaîne de traitement du projet PRESTO (Diwersy et al., 2017)
qui en revanche ne gère que l'annotation en morphosyntaxe. L'étape de reconnaissance des lemmes
semble également avoir souffert de la forte concentration d'abréviations dans LGE laissées telles
quelles par l'outil. La position de substantifs en tête des phrases nominales par lesquelles débutent
de nombreux articles constitue une dernière source d'erreur facilement détectable dans les sorties
de Stanza. Les majuscules à l'initiale de ces noms communs les font passer pour des noms propres
et leur typographie a été conservée dans le lemme associé au token. Ces imprécisions diminuent
l'intérêt de l'étape de lemmatisation, de nombreuses variantes graphiques devant être introduites
dans les requêtes textométriques de la même façon que si elles portaient directement sur la forme
des mots plutôt que sur leur lemme. Des progrès restent donc à accomplir dans la qualité de ce type
d'analyses, et ce malgré le nombre important d'outils très performants déjà développés. Il semble
donc quelque peu illusoire d'espérer régler tous les problèmes en créant encore une nouvelle chaîne
d'annotation. Trouver des moyens pour pouvoir réutiliser en partie les solutions déjà disponibles et
les composer paraît plus prometteur.

Les discours disciplinaires d'autres encyclopédies

La fin de cette thèse coïncide environ avec celle du projet GEODE. Cela signifie qu'il ne reste guère
de temps pour prolonger les travaux présentés ici dans le cadre du projet, mais les thématiques
étudiées restent pertinentes en elles-même et il est à souhaiter que de futurs efforts soient entrepris
pour caractériser les évolutions des discours géographiques, dans ces encyclopédies ou dans d'autres.
En outre, si la Géographie est au centre des attentions dans cette thèse, la très large majorité des
méthodes et outils utilisés ne dépendent pas de la discipline considérée.

Pour commencer, deux sous-corpus construits pour les besoins des présentes analyses pourraient
constituer des objets d'étude intéressants pour de futurs travaux. Le sous-corpus Parallèle d'abord
(voir la section 5.1.2 p.146) se prêterait aussi bien à des améliorations techniques qu'à une exploita-
tion dans d'autres contextes. L'algorithme d'appariement utilisé reste pour l'instant assez naïf et il y
a sans doute des gains significatifs à obtenir en définissant des méthodes de désambiguïsation plus
fines pour permettre de considérer des vedettes proches mais pas rigoureusement identiques, voire
pour trouver des paires parmi des groupes d'articles homonymes. La taille du sous-corpus Parallèle
ne jouait pas un rôle déterminant dans l'utilisation qui en est faite dans cette étude, mais augmenter
sa couverture ouvrirait la porte à des études plus quantitatives. Il pourrait aussi s'avérer utile pour
étudier les variations diachroniques au sein d'autres domaines de connaissance.

Ensuite, le corpus des Communes, mis au jour presque accidentellement en évaluant la qualité des
prédictions du modèle BERT sur les articles de LGE (voir la section 4.3.2 p.126) possède plusieurs
qualités notables. Sa taille d'abord est remarquable : avec plus de 20 000 articles, il contient davantage
d'articles qu'il n'y en a en tout dans la classe Géographie de l'EDdA (même plus d'une fois et demie
puisqu'il y en a environ 13 000). Composé d'articles extrêmement brefs (50 tokens ou moins) et tous
construits sur le modèle d'une phrase nominale dense en abréviations, sa grande régularité invite à

176
Thèse accessible à l'adresse : [Link] © [A. Brenon], [2025], INSA Lyon, tous droits réservés
 Chapitre 6 : Conclusion

une extraction automatique des données.

De plus, les changements mis en évidence dans cette thèse ne concernent que les deux premières
œuvres du corpus de GEODE. Il apparaît naturel de se demander ce que deviendraient les constats
qui y sont faits au regard des deux autres œuvres versées au corpus de GEODE, Universalis et Wi-
kipédia, voire dans d'autres encyclopédies encore. Les considérations diachroniques des présents
travaux, qui devaient initialement inclure Wikipédia, ont dû se limiter au premier intervalle du cor-
pus faute de temps. Il serait donc profitable de prolonger les méthodes utilisées dans cette thèse pour
regarder si les tendances découvertes se poursuivent ou bien se modifient. Les approches algébriques
et celles basées sur la théorie des graphes pour déterminer les influences entre domaines et leurs
proximités lexicales devraient trouver sans difficulté des applications à d'autres encyclopédies ou
d'autres domaines de connaissance et pourraient être mises à profit pour réaliser une cartographie
des domaines de connaissance d'une œuvre donnée et la comparer avec les intentions déclarées par
ses auteurs telles que le «Systême figuré» des Lumières.

LGE, un sujet riche pour les HN

Enfin, il est difficile de travailler aussi longtemps au contact d'une œuvre aussi fascinante que LGE
sans apercevoir des passages qui éveillent la curiosité et feraient probablement des sujets de re-
cherche passionnants.

Les biographies occupent une part substantielle de l'œuvre mais sont à peine mentionnées dans
l'Avant-Propos (La Grande Encyclopédie, T1, [Link]). Classées dans ces travaux en Histoire ou bien en
fonction de la discipline où la personne décrite s'est illustrée, elles restent à ce jour non répertoriées.
La présence du prénom de la personne en lieu et place du désignant (voir la section 3.1.2) fournit
un indice précieux pour les identifier et pourrait sans doute également permettre de discerner le
genre de la personne décrite. Si ces articles traitent dans leur large majorité d'hommes célèbres,
certains sont consacrés à des femmes comme l'entrée sur LOVELING évoquée à la même section
(p.56). Un sous-corpus des biographies classées par genre permettrait à n'en pas douter des analyses
fructueuses : il suffit de se saisir des premiers mots de la biographie de LOVELING pour trouver
un motif sûrement fécond. On trouve beaucoup de biographies de «femme de lettres», mais aussi
quelques occurrences où une femme est décrite par rapport à son époux ou son père. Ainsi, les
premiers mots sur lady FRANKLIN (La Grande Encyclopédie, T18, p.66) la présentent comme la
«seconde femme de sir John Franklin», et sa vie n'est racontée dans le reste de l'article qu'en relation
à celle de son mari. Pour certains couples célèbres, les deux personnes ont leur entrées. Alors que
l'article sur ABAILARD (La Grande Encyclopédie, T1, p.14) ne mentionne Héloïse qu'à la 22ème ligne
et s'étend sur 2 pages, celui sur HÉLOISE (La Grande Encyclopédie, T19, p.1043) la présente d'emblée
comme «amante d'Abailard» (avec un renvoi vers l'article précédent qui, lui, n'en possède pas) et ne
consiste qu'en un bref paragraphe de 6 lignes. Mais cette asymétrie en faveur des hommes n'est pas
systématique comme le démontre le traitement du couple HOLLAND (La Grande Encyclopédie, T20,
p.192). Lady Holland est certes présentée d'emblée comme «femme du suivant» (renvoi implicite à
l'article sur son mari) alors que son mari est d'abord un «célèbre homme politique» mais son entrée
est plus brève et renvoie explicitement vers celle de son épouse. La place des femmes dans LGE en
général et plus particulièrement cette opposition «femme de lettres / femme de» mérite certainement
d'être examinée en détail et de manière quantitative, ce que permet la version numérique de l'œuvre
obtenue à l'issue de cette thèse.

Un autre thème ressort nettement des pages de LGE et en particulier des entrées géographiques. La
construction du second empire colonial français impulsée en 1830 par Charles X en Algérie est déjà
bien avancée sous la IIIème république au moment de la publication de LGE : la présence française
est établie en Afrique subsaharienne (en Côte d'Ivoire depuis 1843 ou au Gabon depuis 1839 entre
autres), en Asie (Viêt Nam depuis 1858, première pierre de ce qui deviendra l'Indochine en 1887

177
Thèse accessible à l'adresse : [Link] © [A. Brenon], [2025], INSA Lyon, tous droits réservés
 Chapitre 6 : Conclusion

—2 ans après le début de la parution de LGE) et dans le Pacifique (dont Kanaky à partir de 1853).
L'exploitation des territoires, souvents décrits en termes des ressources qu'ils peuvent fournir dans
des sections réservées à la démographie et à l'économie des articles de Géographie semble à pre-
mière vue concerner autant des pays d'Europe (dont la France elle-même) que des colonies mais
la nature des statistiques rapportées pourrait différer suivant les lieux. En revanche, la description
des populations colonisées se distingue de manière bien plus nette et révèle une vision du monde
basée sur une notion de «races» hiérarchisées. Les nombres d'habitants sont souvent divisés suivant
ce critère, par exemple aux articles PHILIPPEVILLE (La Grande Encyclopédie, T26, p.676) — ancien
nom de la ville de Skikda — et ZANZIBAR (La Grande Encyclopédie, T31, p.1305). D'autres articles
comme CANAQUES (La Grande Encyclopédie, T8, p.1195) ou BAMBARA (La Grande Encyclopédie,
T5, p.192) prennent résolument le parti de caractériser les populations par des qualités physiques ou
psychologiques supposées inhérentes à tous les individus d'un groupe ethnique. L'adhésion impli-
cite aux forces coloniales transparaît dans l'emploi de la première personne du pluriel, par exemple
«notre protectorat» à l'article BAMAKOU (La Grande Encyclopédie, T5, p.192) alors que le recours
à cette personne est très rare dans LGE par rapport à l'EDdA. Il s'agirait indubitablement d'un tra-
vail pénible du fait de la violence de certains textes, mais une étude lexicale précise basée sur des
considérations textométriques permettrait sans nul doute de rendre compte des représentations et
des théories de la fin du XIXème siècle et de montrer leur articulation avec l'esprit républicain de
l'époque qui transparaît par ailleurs dans le reste de l'œuvre.
Il faut donc espérer que d'autres s'empareront des myriades de questions qui subsistent dans les
pages de LGE. Ces recherches rendront assurément les efforts déployés au centuple, en émerveille-
ment et en découvertes, comme elles l'ont fait pour cette thèse.

178
Thèse accessible à l'adresse : [Link] © [A. Brenon], [2025], INSA Lyon, tous droits réservés
 Table des figures

1.1 Échantillonnage d'un processus sinusoïdal par un ensemble de points répartis aléa-
toirement . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.2 Exemple schématique de rebrassage des domaines de connaissance . . . . . . . . . 13

2.1 Quelques membres éminents de la famille SGML . . . . . . . . . . . . . . . . . . . . 18

2.2 Des balises SGML . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
2.3 Un court extrait d'un document XML-ALTO . . . . . . . . . . . . . . . . . . . . . . 20
2.4 La triple relation qu'entretiennent le TAL et les œuvres lexicographiques . . . . . . 25
2.5 Deux analyses syntaxiques d’une phrase de l’article SYMPATHIQUE, LGE, T30, p.759 35

3.1 Les différents constituants possibles d’un article d’encyclopédie . . . . . . . . . . . 48

3.2 Les différents éléments péritextes en haut et en cours de pages . . . . . . . . . . . . 50
3.3 Les différents éléments péritextes en bas de page . . . . . . . . . . . . . . . . . . . . 50
3.4 Le «Systême figuré des connoissances humaines», une taxonomie au cœur de l'EDdA 52
3.5 Article A A A dans l'EDdA, T1, p.5 . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
3.6 Tableau de répartition du volume de texte prévisionnel de LGE entre les différents
domaines de connaissance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
3.7 Article LOVELING dans LGE, T22, p.699 . . . . . . . . . . . . . . . . . . . . . . . . 56
3.8 Extrait de l'Article CHEMIN dans LGE, T10, p.1025 . . . . . . . . . . . . . . . . . . 57
3.9 Trois entrées de l’EDdA sur la vedette AIR . . . . . . . . . . . . . . . . . . . . . . . 57
3.10 Le contexte XML est dupliqué pour chaque article . . . . . . . . . . . . . . . . . . . 60
3.11 Dernière page du premier tome de LGE . . . . . . . . . . . . . . . . . . . . . . . . . 61
3.12 Traduction sous forme d'arbre XML de l'existence d'une arête a → b sur le graphe . 63
3.13 Le sous-graphe du module dictionaries . . . . . . . . . . . . . . . . . . . . . . . . . 65
3.14 Article EUROPE dans LGE, T16 s'étendant de la p.782 à la p.846 . . . . . . . . . . . 66
3.15 Article BALAGRUS dans LGE, T5, p.48 . . . . . . . . . . . . . . . . . . . . . . . . . 66
3.16 Énumération dans l'article EUROPE, LGE, T16, p.783 . . . . . . . . . . . . . . . . . 67
3.17 Extrait du début de la section III. Jurisprudence de l’article CONSTRUCTION dans
LGE, T12, p.734 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
3.18 Début de l'article SANJO SANETOMI dans LGE, T29, p.441 . . . . . . . . . . . . . . 70
3.19 Extrait de l'article ACTION dans LGE, T1, p.495 . . . . . . . . . . . . . . . . . . . . 70
3.20 Article CATHÈTE dans LGE, T9, p.849 . . . . . . . . . . . . . . . . . . . . . . . . . . 71
3.21 L'élément conteneur div pour l'article CATHÈTE . . . . . . . . . . . . . . . . . . . 71
3.22 L'encodage de la vedette et du désignant de l'article CATHÈTE . . . . . . . . . . . . 72
3.23 La structure vide permettant de représenter le seul sens du mot CATHÈTE . . . . . 72
3.24 Un encodage complet de l'article CATHÈTE . . . . . . . . . . . . . . . . . . . . . . 72
3.25 Figure de l'article BOUMERANG dans LGE, T7, p.704 . . . . . . . . . . . . . . . . . 73
3.26 Encodage de la figure dans l'article BOUMERANG et de sa légende . . . . . . . . . 73
3.27 Article GELOCUS dans LGE, T18, p.699 . . . . . . . . . . . . . . . . . . . . . . . . . 73
3.28 Encodage des renvois dans l'article GELOCUS . . . . . . . . . . . . . . . . . . . . . 74

179
Thèse accessible à l'adresse : [Link] © [A. Brenon], [2025], INSA Lyon, tous droits réservés
 TABLE DES FIGURES

3.29 Extrait de l'article ALCALA-DE-HÉNARÈS dans LGE, T1, p.1200 . . . . . . . . . . . 74

3.30 Encodage d'un début de page dans l'article ALCALA-DE-HÉNARÈS . . . . . . . . . 74
3.31 Encodage actuel de l'article CATHÈTE produit par soprano . . . . . . . . . . . . . 76
3.32 Article ALPAM dans LGE, T2, p.437 . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
3.33 Deux entrées de «Géographie moderne» dans l’EDdA . . . . . . . . . . . . . . . . . 83
3.34 Distribution des nombres d'articles par domaine regroupé . . . . . . . . . . . . . . . 83

4.1 F-scores obtenus par BERT Multilingual et CamemBERT sur chaque classe . . . . . 96
4.2 F-mesures obtenues par Naive Bayes + TF-IDF sur chaque classe avec trois échan-
tillonnages différents . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 97
4.3 F-mesures obtenues par SGD sur chaque classe avec trois vectorisations différentes
et sans échantillonnage. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 97
4.4 F-mesures par classe obtenus sur le jeu de test par les combinaisons SGD + TF-IDF,
BiLSTM + FastText and BERT Multilingue. . . . . . . . . . . . . . . . . . . . . . . . 99
4.5 Matrice de confusion matrix pour la combinaison SGD+TF-IDF sur le jeu de test. . . 99
4.6 Distributions normalisées des nombres de clusters par classe. . . . . . . . . . . . . . 101
4.7 Nombre d'articles de chaque classe par cluster . . . . . . . . . . . . . . . . . . . . . 101
4.8 Les paramètres en jeu lors de la classification automatique d'un article . . . . . . . 103
4.9 Articles étiquetés Géographie par l'ENCCRE mais pas par le modèle (faux négatifs) 105
4.10 Article ROCHER, l'EDdA, T14, p.313 . . . . . . . . . . . . . . . . . . . . . . . . . . . 106
4.11 Articles étiquetés Géographie par le modèle mais pas par l'ENCCRE (faux positifs) . 107
4.12 Représentation schématique de l’équivalence entre matrice et graphe . . . . . . . . 108
4.13 Matrice des Plus Proches Voisins pour la méthode SGD+TF-IDF sur le jeu de test. . 110
4.14 Graphe des Plus Proches Voisins pour la méthode SGD+TF-IDF sur le jeu de test. . 111
4.15 Similarités lexicale des 100 2-grammes les plus fréquents . . . . . . . . . . . . . . . 115
4.16 Graphe des Plus Proches Voisins pour la similarité cardinale mesurée sur les 100
2-grammes les plus fréquents de chaque classe. . . . . . . . . . . . . . . . . . . . . . 118
4.17 Des itérées de la matrice de confusion du modèle, 𝐶 . . . . . . . . . . . . . . . . . . 122
4.18 La distribution par classe de mesures de centralité du graphe du modèle . . . . . . 122
4.19 Matrices de confusion des modèles entraînés sur les superdomaines . . . . . . . . . 124
4.20 Nombre d’articles par domaine dans l’EDdA . . . . . . . . . . . . . . . . . . . . . . 127
4.21 Article BOULAINCOURT, LGE, T7, p.655 . . . . . . . . . . . . . . . . . . . . . . . . 127
4.22 Article HEYRIEUX, LGE, T20, p.60 . . . . . . . . . . . . . . . . . . . . . . . . . . . . 128
4.23 Nombre d’articles par domaine dans LGE . . . . . . . . . . . . . . . . . . . . . . . . 131

5.1 Nombre de mots par domaine dans l’EDdA . . . . . . . . . . . . . . . . . . . . . . . 136

5.2 Distribution des nombres de mots par article au sein des différents domaines de l'EDdA 137
5.3 Nombre de mots par domaine dans LGE . . . . . . . . . . . . . . . . . . . . . . . . . 138
5.4 Distribution des nombres de mots par article au sein des différents domaines de LGE 139
5.5 Annotations de l'article Strongoli (L'Encyclopédie, T15, p.547) . . . . . . . . . . . . 142
5.6 Densité d'entités dans l'EDdA par domaine et par type . . . . . . . . . . . . . . . . . 143
5.7 Densité des ENE dans LGE par domaine et par type d'ENE . . . . . . . . . . . . . . 145
5.8 Les articles sur le fleuve ADIGE, un exemple de paire issue du sous-corpus Parallèle 147
5.9 Nombre total de comparaisons requis dans le pire des cas en fonction de la taille de
la fenêtre utilisée . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 149
5.10 Répartition des nombres d’articles par domaines au sein du sous-corpus Parallèle . 151
5.11 Évolution des domaines des articles dans le sous-corpus Parallèle . . . . . . . . . . 152
5.12 Changements de domaines d’articles impliquant la Géographie dans le corpus Paral-
lèle, de l’EDdA (à gauche) à LGE (à droite) . . . . . . . . . . . . . . . . . . . . . . . 153
5.13 Les articles sur l’île OGYGIE dans le sous-corpus Parallèle . . . . . . . . . . . . . . 154
5.14 Les articles VILLEPREUX dans le sous-corpus Parallèle . . . . . . . . . . . . . . . . 155

180
Thèse accessible à l'adresse : [Link] © [A. Brenon], [2025], INSA Lyon, tous droits réservés
 Table des Figures

5.15 Les articles PURBECK dans le sous-corpus Parallèle . . . . . . . . . . . . . . . . . . 155

5.16 Article ZSCHIMMER dans LGE, T31, p.1338 . . . . . . . . . . . . . . . . . . . . . . 157
5.17 Les 10 cooccurrents syntaxiques principaux du lemme «ville» annoté comme NOUN
(nom commun) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 159
5.18 Les 10 cooccurrents syntaxiques principaux du motif formé d'une relation syn-
taxique quelconque entre le lemme «ce» annoté comme DET et le lemme «ville»
annoté comme NOUN . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 160
5.19 Représentation sous forme d'arbre de syntaxe en dépendance du motif défini par la
requête 5.3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 160
5.20 Les 10 cooccurrents syntaxiques principaux de «dans» (ADP), «ce» (DET), et «ville»
(NOUN) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 161
5.21 Spécificités des lemmes «naître» et «mourir» par superdomaine dans l'EDdA . . . . 162
5.22 Spécificités des lemmes «naître» et «mourir» par superdomaine dans LGE . . . . . 162
5.23 Spécificités des lemmes «naître» et «mourir» par auteur, en Géographie et hors de
ce domaine . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 163
5.24 Spécificités des lemmes «naître» et «mourir» par auteur à l'exception de Jaucourt,
en Géographie et hors de ce domaine . . . . . . . . . . . . . . . . . . . . . . . . . . 163
5.25 Analyse Factorielle des Correspondances pour les articles de systèmes philoso-
phiques dans l'EDdA, y compris NEWTONIANISME . . . . . . . . . . . . . . . . . . 167
5.26 Article ”Ferté-Milon” EDdA, T6 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 168
5.27 Visualisation d'articles de l'EDdA discutés dans la section suivant les deux critères
identifiés . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 170

181
Thèse accessible à l'adresse : [Link] © [A. Brenon], [2025], INSA Lyon, tous droits réservés
 Table des Figures

182
Thèse accessible à l'adresse : [Link] © [A. Brenon], [2025], INSA Lyon, tous droits réservés
 Liste des tableaux

3.1 Clefs primaires des entrées COMMERCY et EVIAN dans l’EDdA . . . . . . . . . . . 85

3.2 Métadonnées de navigation pour les entrées COMMERCY et EVIAN dans l’EDdA . 85
3.3 Quatre notions différentes de la reproductibilité . . . . . . . . . . . . . . . . . . . . 88

4.1 Détail du nombre d'articles dans le corpus entier, le corpus prétraité et les jeux
d'entraînement et de test. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 94
4.2 F-mesures moyennes pour les différents modèles entraînés sur un échantillon de 500
articles maximum par classe (1), 1500 maximum par classes (2) et tous les articles
disponibles de chaque classe (3) appliqués sur le jeu de test. . . . . . . . . . . . . . 95
4.3 F-mesures par classe obtenues sur le jeu de test par les combinaisons SGD + TF-IDF
(1), BiLSTM + FastText (2) et BERT Multilingue (3). . . . . . . . . . . . . . . . . . . 98
4.4 Part de la classe la plus représentée dans chaque cluster. . . . . . . . . . . . . . . . 102
4.5 Les 3-grammes les plus fréquents communs aux classes Histoire et Religion avec leurs
comptes d’occurrences dans chacune . . . . . . . . . . . . . . . . . . . . . . . . . . 116
4.6 Coût en énergie des différentes phases de l'entraînement des modèles SGD+TF-IDF
et BERT . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 125
4.7 Scores de précision par domaine obtenus par le modèle BERT pour la classification
en superdomaines sur l’échantillon de LGE . . . . . . . . . . . . . . . . . . . . . . . 130

5.1 Longueur moyenne des mots par domaine pour chacune des deux encyclopédies
étudiées . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 140
5.2 Coordonnées d'articles de philosophie de l'EDdA contenant des éléments biogra-
phiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 164

183
Thèse accessible à l'adresse : [Link] © [A. Brenon], [2025], INSA Lyon, tous droits réservés
 Liste des Tableaux

184
Thèse accessible à l'adresse : [Link] © [A. Brenon], [2025], INSA Lyon, tous droits réservés
 Glossaire

AA Apprentissage Automatique est un domaine scientifique visant à programmer un ordinateur

pour découvrir automatiquement les paramètres clefs dans la résolution d'un problème, plu-
tôt que de traduire dans son langage des règles expertes issues de considérations théoriques
préalables sur le problème à résoudre. C'est un sous-domaine de l'IA.
AFC Analyse Factorielle des Correspondances est une technique de visualisation développée par
le mathématicien Jean-Paul Benzécri qui permet d'observer des mots et les textes dont ils
sont issus dans un même espace à deux dimensions pour observer les proximités thématiques
entre eux. Cette représentation est obtenue à l'aide d'une décomposition matricielle de l'écart
entre la distribution des mots dans les textes observée empiriquement et une distribution
homogène.
ALR Arbres Lexico-syntaxiques Récurrents désigne une technique d'analyse statistique du texte
qui procède par itérations en sélectionnant à chaque étape un cooccurrent syntaxique impor-
tant d'une expression pour extraire progressivement une tournure caractéristique.
AP Apprentissage Profond est un sous-domaine de l'AA comprenant toutes les architectures de
réseaux de neurones dont le grand-nombre de couches permet l'émergence de comportements
complexes utiles pour résoudre des problèmes tels que le traitement du signal (en particulier
l'analyse d'images) et de la langue naturelle (pour laquelle les Transformer dominent l'état de
l'art).
ARTFL l'American and French Research on the Treasury of the French Language («Recherche
américaine et française sur les trésors de la langue française») est une collaboration du labo-
ratoire ATILF, du CNRS et de l'Université de Chicago. Le projet donne accès à un vaste corpus
de textes anciens en français. [Link]
CNN Convolutional Neural Network est une architecture de réseaux de neurones dans laquelle
l'information se déplace dans une seule direction, des entrées vers les sorties, et avec une in-
terconnexion peu dense entre les premières couches qui privilégie la localité des intéractions
pour aggréger progressivement l'information. Cette caractéristique les rend particulièrement
efficaces pour traiter des images.
CPL Caractères Par Ligne, désigne en typographie le nombre de caractère en fonte de largeur
fixe que peut afficher un dispositif mécanique ou électronique comme une machine à écrire
ou un télétype. Ce nombre, dont la valeur est généralement voisine de 80, joue un rôle clef
pour comprendre les choix de mise en forme du texte sur des supports numériques.
CQL Corpus Query Langage, est un langage de requête développé à l'université de Stuttgart
et implémenté dans le Corpus Query Processor (CQP) par l'outil CWB (Corpus Workbench,
[Link] Il permet de représenter des contraintes sur du texte lemmatisé
et annoté en morphosyntaxe en définissant des critères sur différentes dimensions des to-
kens (forme, lemme, partie de discours) qui peuvent être ensuite combinées logiquement et
séquentiellement de manière analogue à ce que permettent les expressions régulières.
EN Entité Nommée (Named Entity en anglais) désigne une unité d'information dans un texte,
souvent un mot ou un groupe de quelques mots qui renvoient à un objet unique dans le

185
Thèse accessible à l'adresse : [Link] © [A. Brenon], [2025], INSA Lyon, tous droits réservés
 Glossaire

contexte. Plus large que la notion de nom propre, il englobe par exemple les noms de personne,
d'organisation ou d'endroit, les dates ou les grandeurs pourvues d'une unité.
ENCCRE l'Édition Numérique Collaborative et CRitique de l'Encyclopédie, projet français étudiant
l'EDdA [Link]
ENE Entité Nommée Étendue désigne un groupe de mots structuré en une construction qui dé-
passe le cadre des EN pour inclure les éléments présents autour : principalement des noms
communs et des relations. Les ENE se bâtissent récursivement, pouvant inclure d'autres ENE,
pour constituer de petits arbres autours des entités nommées.
Ainsi, «le kiosque dans le parc Sainte-Marie» peut s'analyser comme une ENE de lieu, consti-
tuée d'un nom commun de lieu qui lui donne son type (c'est un kiosque), d'une relation spa-
tiale «dans» (traduisant l'inclusion), et d'une ENE : «le parc Sainte-Marie». À son tour, celle-ci
se décompose en un nom commun de lieu (c'est un parc), et un nom propre, «Sainte-Marie»,
qui sans l'apport des ENE aurait probablement été la seule EN simple retenue pour toute
l'expression. Il est intéressant de voir que le nom propre apporte pourtant peu d'information
en lui-même, et qu'il n'est possible de percevoir sa dimension spatiale qu'avec l'ajout du nom
commun «parc» (il existe peut-être par exemple une «communauté Sainte-Marie» qui pour-
rait être une organisation et pas un lieu) ce qui souligne l'utilité des ENE pour la désambiguï-
sation et les tâches de compréhension automatique.
HN Humanités Numériques ou Digital Humanities en anglais, sont la rencontre d'approches et de
méthodes issues des technologies de l'information et des problématiques traditionnellement
réservées aux sciences dites «humaines et sociales», aux arts et aux lettres. Le terme intègre
le souhait que cette rencontre soit, plus qu'une simple application technique, un véritable
dialogue entre disciplines.
IA Intelligence Artificielle, terme parapluie traduisant davantage un projet qu'une réalité mesu-
rable objectivement, est l'ensemble des techniques permettant à un ordinateur de produire
un comportement assez complexe pour résoudre des tâches traditionnellement liées aux ca-
pacités intrinsèques de l'espèce humaine : langage, reconnaissance d'image, généralisation et
adaptation à de nouvelles situations.
LDA Latent Dirichlet Allocation, procédé de réduction de dimension permettant de mettre en évi-
dence des classes de ressemblances présentes dans les données d'entrée. C'est une technique
de Topic Modeling.
Naive Bayes ou classification bayésienne «naïve» désigne une approche probabiliste des tâches
de classification consistant à apprendre une estimation de la probabilité qu'un vecteur d'entrée
donnée reçoive une certaine classe, en opérant la simplification consistant à supposer que les
coordonnées du vecteur sont indépendantes entre elles. Le classifieur obtenu associe ensuite
à chaque vecteur d'entrée la classe ayant la plus haute probabilité.
OCR Optical Character Recognition, reconnaissance optique de caractères, est le procédé par
lequel un logiciel extrait du texte, c'est-à-dire une suite de caractères compréhensibles par la
machine et traitables ensuite par des moyens automatiques, à partir d'une image.
OLR Optical Layout Recognition, reconnaissance optique de la disposition de la page, est le pro-
cédé par lequel un logiciel découpe une page en blocs géométriques, afin de pouvoir distin-
guer les parties de texte, les images et les données tabulaires, permettant à terme d'inférer
un ordre de lecture. Cette étape est préalable à l'OCR, qu'elle «guide» en quelque sorte vers
les zones de la page où il est susceptible de trouver du contenu à reconnaître. Le problème
fondamental sous-jacent que tente de résoudre un système d'OLR est celui du passage de la
page — objet bidimensionnel qu'un humain peut parcourir à loisir dans le sens qu'il souhaite
— au fichier — abstraction intrinsèquement linéaire des systèmes informatiques et dont toutes
portions distinctes peuvent être ordonnées, l'une étant avant l'autre.
partition est un concept fondamental pour les linguistiques de corpus. Il consiste à regrouper les

186
Thèse accessible à l'adresse : [Link] © [A. Brenon], [2025], INSA Lyon, tous droits réservés
 Glossaire

textes d'un corpus en fonction de critères comme la valeur d'une métadonnée (typiquement
année, auteur, genre littéraire) en vue de mettre en évidence des différences statistiquement
significatives entre les groupes dans le cadre d'une étude contrastive. Les groupes doivent être
disjoints (aucun article n'est dans deux partitions à la fois) et leur union égale au corpus entier
(aucun article n'est dans aucun groupe). Le terme est utilisé aussi bien pour désigner une telle
division (conjointement avec «partitionnement» dans ce cas) qu'un des groupes obtenus.
POS Part Of Speech, couramment abrévié en POS correspond au français «Partie de Discours»
qui est une autre façon de désigner la catégorie morphosyntaxique des mots d'une phrase.
C'est un concept essentiel en textométrie, tant pour formuler des requêtes que dans
l'agrégation des résultats.
PPV le problème des K Plus Proche Voisin (KNN pour K Nearest Neighbors en anglais) est un pro-
blème général d'IA consistant à trouver les points les plus proches d'un point donné dans un
espace. D'une grande complexité dans le cas général, de nombreuses techniques permettent
d'accélérer sa résolution, qui trouvent des applications des réseaux à la vision par ordinateur.
Dans cette thèse, la notion de PPV est utilisée pour simplifier des matrices afin de tracer des
graphes exploitables visuellement.
RNN Recurrent Neural Network est une architecture de réseaux de neurones présentant une
boucle de rétroaction entre ses entrées et ses sorties ce qui lui permet de conserver une mé-
moire des premiers éléments rencontrés et la rend relativement indépendante du paramètre
temporel. Cette caractéristique la rend particulièrement efficace à traiter des entrées sérielles.
SDDL Système Dynamique Discret Linéaire : un système est dynamique si une fonction décrit son
évolution dans le temps. Il est discret s'il évolue par états successifs qui peuvent être indicés
par des nombres entiers (par opposition à continu où le temps est représenté par une variable
réelle). La résolution d'un système continu impose parfois de le discrétiser pour le simplifier
et pouvoir approcher son évolution en la modélisant par des petites étapes pendant lesquels
les paramètres sont fixés. Enfin, il est linéaire si sa fonction d'évolution l'est.
En un sens, un SDDL est donc la généralisation d'une suite géométrique (𝑢𝑛+1 = 𝑟 × 𝑢𝑛 ) à
un système qui ne peut pas être représenté par un seul nombre mais nécessite d'en observer
plusieurs simultanément, dans un vecteur 𝑈𝑛 dont chaque étape s'obtient par un produit
matriciel (opération linéaire) 𝑈𝑛+1 = 𝑀 ⋅ 𝑈𝑛 .
TAL Traitement Automatique des Langues, est la partie de l'IA qui s'intéresse au langage. Il
consiste à utiliser un ordinateur pour effectuer des tâches sur des textes écrits en langues
naturelles comme par exemple leur traduction dans une autre langue, l'écriture de résumé ou,
d'une manière générale l'extraction d'information sémantique comme les chaînes de coréfé-
rence, les entités nommées ou les émotions exprimées par un texte.
TEI la Text Encoding Initiative, est un consortium fondé en 1994 qui développe et maintient un
ensemble ouvert de recommandations pour encoder des textes numériques. Ces recomman-
dations définissent un standard, le XML-TEI, qui est un dialecte du méta-langage de balises
XML.
Topic Modeling en français «modélisation de thème/sujet» est un ensemble de techniques
d'apprentissage non supervisé qui permettent de faire émerger des thématiques d'un corpus
en opérant des regroupements entre les différents textes qui le composent.
TSV Tab-Separated Values, «valeurs séparées par des tab(ulation)s» est un format de données
tabulaires (où chaque donnée trouve sa place à l'intersection d'une colonne et d'une ligne).
Comme les autres langages SSV (Something-Separated Values), il possède un caractère
d'échappement pour pouvoir inclure le séparateur (ou ce caractère d'échappement lui-même)
dans le contenu de n'importe quelle cellule.
En pratique tant que les données ne comportent pas le caractère tabulation (ce qui est le cas
pour des métadonnées brèves et souvent numériques) le décodage de ce format est trivial,

187
Thèse accessible à l'adresse : [Link] © [A. Brenon], [2025], INSA Lyon, tous droits réservés
 Glossaire

nécessitant seulement de découper les lignes suivant les tabulations. Il faut en revanche se
méfier de l'opération inverse, consistant à produire des fichiers en séparant seulement les
cellules par des tabulations sans prendre en compte le caractère d'échappement (guillemets
doubles d'après la RFC 4180) : si une cellule contient ce caractère, alors le fichier obtenu
ne serait plus un TSV valide et ne serait pas lu correctement par les outils pour ce format
(typiquement, des tableurs).
UD Universal Dependencies, sont une convention d'annotation grammaticale comprenant des
jeux d'étiquettes à plusieurs niveaux (morphosyntaxe, morphologie et syntaxe en dépen-
dance) conçus pour être commun à un grand nombre des langues humaines les plus étu-
diées, ce qui permet notamment de pouvoir travailler sur des corpus multilingues (https:
//[Link]/).

188
Thèse accessible à l'adresse : [Link] © [A. Brenon], [2025], INSA Lyon, tous droits réservés
 Bibliographie

Abeillé, A., Clément, L., & Toussenel, F. (2003). Building a treebank for french. In A. Abeillé (Ed.),
Treebanks : Building and using parsed corpora (pp. 165 – 187). Springer Netherlands. [Link]
org/10.1007/978-94-010-0201-1_10
Adriyanto, T., Ramadhani, R. A., Helilintar, R., & Ristyawan, A. (2022). Classification of dog and cat
images using the CNN method. Ilkom Jurnal Ilmiah, 14(3), 203 – 208.
Aghion, P., & Bouverot, A. (2024). IA : Notre ambition pour la france. Commission de l’Intel-
ligence Artificielle. [Link]
france?xtor=RSS-719
Allen, T., Gladstone, C., & Whaling, R. (2013). PhiloLogic4 : An Abstract TEI Query System. Journal
of the Text Encoding Initiative, Issue 5. [Link]
ALTO : Technical Metadata for Layout and Text Objects (Standards, Library of Congress) (Version 4.4).
(2023). [Link]
Barron, A. T. J., Huang, J., Spang, R. L., & DeDeo, S. (2018). Individuals, institutions, and innovation
in the debates of the french revolution. Proceedings of the National Academy of Sciences, 115(18),
4607 – 4612. [Link]
Basnage de Beauval, H. (1702). Dictionnaire universel, contenant généralement tous les mots français
tant vieux que modernes et les termes de toutes les sciences et des arts (pp. 1 – 1116). Arnoud &
Reinier Leers. [Link]
Bauman, S. (2019). A TEI customization for writing TEI customizations. Journal of the Text Encoding
Initiative, 12(Issue 12).
Beaudouin, V. (2016). Retour aux origines de la statistique textuelle : Benzécri et l’école française d’
analyse des données. JADT 2016, 17 – 27. [Link]
Benazha, H., Ayache, S., & Artières, T. (2024, June). Measuring Hallucination in Disentangled Repre-
sentations. International Joint Conference on Neural Networks (IJCNN). [Link]
04532666
Bender, E. (2019). The #BenderRule : On naming the languages we study and why it matters. The
Gradient.
Benveniste, É. (1966). Problèmes de linguistique générale . [i]. Gallimard.
Benzécri, J.-P., Bellier, L., Bénier, B., & Benzécri, F. (1973). L’Analyse des données... , 2 : L’Analyse des
correspondances. Dunod.
Bewley, A., & Upcroft, B. (2013). Advantages of exploiting projection structure for segmen-
ting dense 3D point clouds. IEEE International Conference on Robotics and Automation.

189
Thèse accessible à l'adresse : [Link] © [A. Brenon], [2025], INSA Lyon, tous droits réservés
 Bibliographie

[Link]
Blair, A. (2010). Too much to know : Managing scholarly information before the modern age. Yale
University Press.
Blanchard, G., & Olsen, M. (2002). Le système de renvois dans l’Encyclopédie : Une cartographie des
structures de connaissances au XVIIIe siècle. Recherches Sur Diderot Et Sur l’Encyclopédie, 31-32,
45. [Link]
Blumenthal, P. (2017). D’une encyclopédie à l’autre. L’ascension des locutions prépositionnelles :
Langages, N° 206(2), 123 – 138. [Link]
Bohbot, H., Frontini, F., & Faucher, A. (2019, July). Le projet Nénufar, nouvelle édition numérique
du Petit Larousse illustré (1906-1948). XXIXe congrès international de linguistique et de philologie
romanes. [Link]
Bojanowski, P., Grave, E., Joulin, A., & Mikolov, T. (2017). Enriching word vectors with subword
information. Transactions of the Association for Computational Linguistics, 5, 135 – 146.
Bonfante, G., Guillaume, B., & Perrier, G. (2018). Application of Graph Rewriting to Natural Language
Processing (Vol. 1, p. 272). ISTE Wiley. [Link]
Boussuge, E., & Launay, F. (2019). La description des arts dans l’Encyclopédie. Recherches Sur Diderot
Et Sur l’Encyclopédie, 54, 181 – 253. [Link]
Bowker, G. C., & Star, S. L. (2000). Sorting things out : Classification and its consequences. MIT Press.
Bray, T., Paoli, J., Sperberg-McQueen, C. M., Maler, E., & Yergau, F. (Eds.). (2008). Extensible Markup
Language (XML) 1.0 (Fifth Edition). [Link]
Breiman, L. (2001). Random forests. Machine Learning, 45(1), 5 – 32.
Brenon, A. (2024). Chapter 3 encoding the specificities of encyclopedias (pp. 36 – 62). Brill. [Link]
org/10.1163/9789004702660_004
Brenon, A., Moncla, L., & McDonough, K. (2022). Classifying encyclopedia articles : Comparing
machine and deep learning methods and exploring their predictions. Data and Knowledge Engi-
neering, 102098. [Link]
Brill, E. (1992). A simple rule-based part of speech tagger. Proceedings of the Third Conference on
Applied Natural Language Processing, 152 – 155. [Link]
Brugidou, M., & Labbé, D. (2000). Le discours syndical français contemporain (CFDT, CGT, FO en 1996-
98) (pp. 150 p.). Cerat. [Link]
Brunet, E. (2009). Muller le lexicomaître. In Mélanges offerts à Charles Muller pour son centième anni-
versaire (pp. 99 – 119). Conseil International de la langue française. [Link]
hal-01362724
Brunet, E. (2014). La lexicométrie française : Naissance, évolution et perspectives. Revue de l’Univer-
sité de Moncton, 45(1-2), 13 – 33. https ://[Link]/[Link]
Brunet, É. (2002, April). Hugométrie. Colloque Victor Hugo. [Link]
Brunet, É., & Luong, X. (1989). Computer processing and quantitative text analysis : HYPERBASE,
an interactive software for large corpora. In I. E. Diday (Ed.), Data analysis, learning symbolic
and numeric knowledge (pp. 207 – 214). Nova Science Publishers. [Link]

190
Thèse accessible à l'adresse : [Link] © [A. Brenon], [2025], INSA Lyon, tous droits réservés
 Bibliographie

Buchholz, S., & Marsi, E. (2006). CoNLL-X shared task on multilingual dependency parsing. In L. Màr-
quez & D. Klein (Eds.), Proceedings of the tenth conference on computational natural language lear-
ning (CoNLL-x) (pp. 149 – 164). Association for Computational Linguistics. [Link]
org/W06-2920
Candito, M., & Seddah, D. (2012, June). Le corpus Sequoia : annotation syntaxique et exploitation
pour l’adaptation d’analyseur par pont lexical. TALN 2012 - 19e conférence sur le Traitement
Automatique des Langues Naturelles. [Link]
Cernuschi, A. (2006). Des désignants combinés ou vers une dimension opératoire des articles de l’
Encyclopédie. Recherches Sur Diderot Et Sur l’Encyclopédie, 40-41, 93–106. [Link]
rde.335
Chagué, A., Clérice, T., & Romary, L. (2021, November). HTR-United : Mutualisons la vérité de ter-
rain ! DHNord2021 - Publier, partager, réutiliser les données de la recherche : les data papers et leurs
enjeux. [Link]
Chelli, M., Descamps, J., Lavoué, V., Trojani, C., Azar, M., Deckert, M., Raynier, J.-L., Clowez, G.,
Boileau, P., & Ruetsch-Chelli, C. (2024). Hallucination Rates and Reference Accuracy of ChatGPT
and Bard for Systematic Reviews : Comparative Analysis. Journal of Medical Internet Research,
26, e53164. [Link]
Chevalier, J.-P. (1997). Quatre pôles dans le champ de la géographie ? Cybergeo : European Journal of
Geography. [Link]
Chevalier, J.-P. (2013). La géographie scolaire et l’idée de nation en France au XIXe siècle. In B.
Falaize, C. Heimberg, & O. Loubes (Eds.), L’école et la nation : Actes du séminaire scientifique
international. Lyon, Barcelone, Paris, 2010 (pp. 129 – 136). ENS Éditions. [Link]
org/enseditions/2356
Chomsky, N. (1956). Three models for the description of language. IRE Transactions on Information
Theory, 2(3), 113 – 124. [Link]
Chomsky, N. (1965). Syntactic structures... Mouton & Cº.
Christianini, N., & Shawe-Taylor, J. (2000). Support vector machines and other kernel-based learning
methods. Cambridge UP.
Church, K. (2011). A Pendulum Swung Too Far. Linguistic Issues in Language Technology, 6. https:
//[Link]/10.33011/lilt.v6i.1245
Clark, J., & Murata, M. (Eds.). (2001). RELAX NG specification. OASIS Committee Specification. https:
//[Link]/committees/relax-ng/[Link]
Cori, M., David, S., & Léon, J. (2008). Présentation : éléments de réflexion sur la place des corpus en
linguistique. Langages, 171(3), 5 – 11. [Link]
Cormack, R. M. (1971). A review of classification. Journal of the Royal Statistical Society. Series A
(General), 134(3), 321. [Link]
Courtès, L. (2021). Reproduire les environnements logiciels : Un maillon incontournable de la re-
cherche reproductible. 1024, 18, 15 – 22. [Link]
D’Antuono, G. (2018). Démocratie et éducation du peuple dans le discours de Diderot et ses héritages
en Italie (XVIII e -XIX e siècles): Lumières, N° 32(2), 95–111. [Link]
Dang, Q. (2020). Brouillard de pollution en Chine. Analyse sémantique différentielle de corpus ins-

191
Thèse accessible à l'adresse : [Link] © [A. Brenon], [2025], INSA Lyon, tous droits réservés
 Bibliographie

titutionnels, médiatiques et de microblogues (Theses No. 2020INAL0009, Institut National des

Langues et Civilisations Orientales- INALCO PARIS - LANGUES O’). [Link]
tel-03019809
Devlin, J., Chang, M.-W., Lee, K., & Toutanova, K. (2019). BERT : Pre-training of deep bidirectio-
nal transformers for language understanding. Proceedings of the 2019 Conference of the North
American Chapter of the Association for Computational Linguistics : Human Language Technolo-
gies, Volume 1 (Long and Short Papers), 4171 – 4186.
Di Donato, F., Monachini, M., Eskevich, M., Pohle, S., Moranville, Y., & Dumouchel, S. (2020). Social
sciences and humanities pathway towards the European open science cloud. In D. Broeder, M.
Eskevich, & M. Monachini (Eds.), Proceedings of the workshop about language resources for the
SSH cloud (pp. 5 – 9). European Language Resources Association. [Link]
lr4sshoc-1.2/
Dijkstra, Edsger. W. (1959). A note on two problems in connexion with graphs. Numerische Mathe-
matik, 1, 269 – 271. [Link]
Diot-Parvaz, B., & Gianola, L. (2020, June). Hétérogénéité des genres textuels produits par la justice :
étude textométrique. Journées d’Analyse Statistique des Données Textuelles (JADT 2020). https:
//[Link]/hal-03667766
Diwersy, S., Falaise, A., Lay, M.-H., & Souvay, G. (2017). Ressources et méthodes pour l’analyse
diachronique : Langages, N° 206(2), 21 – 44. [Link]
Doig, K. (1990). Notices sur les auteurs des quatre volumes de « discours » du supplément à l’ency-
clopédie. Recherches Sur Diderot Et Sur l’Encyclopédie, 9(1), 157 – 170. [Link]
rde_0769-0886_1990_num_9_1_1082
Domingos, P., & Pazzani, M. (1997). On the optimality of the simple bayesian classifier under zero-
one loss. Machine Learning, 29(2), 103 – 130.
Doucet, A., Gasteiner, M., Granroth-Wilding, M., Kaiser, M., Kaukonen, M., Labahn, R., Moreux, J.-
P., Muehlberger, G., Pfanzelter, E., Thérenty, M.-È., Toivonen, H., & Tolonen, M. (2020, July).
NewsEye : A digital investigator for historical newspapers. 15th Annual International Conference
of the Alliance of Digital Humanities Organizations, DH 2020. [Link]
Dyer-Witheford, N., Kjøsen, A. M., & Steinhoff, J. (2019). Inhuman power : Artificial intelligence and
the future of capitalism. Pluto Press. [Link]
Ehrmann, M., Nouvel, D., & Rosset, S. (2016). Named entity resources - overview and outlook. In
N. Calzolari, K. Choukri, T. Declerck, S. Goggi, M. Grobelnik, B. Maegaard, J. Mariani, H. Mazo,
A. Moreno, J. Odijk, & S. Piperidis (Eds.), Proceedings of the tenth international conference on
language resources and evaluation (LREC’16) (pp. 3349 – 3356). European Language Resources As-
sociation (ELRA). [Link]
Farquhar, S., Kossen, J., Kuhn, L., & Gal, Y. (2024). Detecting hallucinations in large language models
using semantic entropy. Nature, 630(8017), 625 – 630. [Link]
Fellbaum, C. (Ed.). (2007). Idioms and collocations : Corpus-based linguistic and lexicographic studies.
Continuum.
Ferenczi, T. (2017). Le chevalier de Jaucourt, un combattant des Lumières : Le Philosophoire, n° 47(1),
77 – 133. [Link]
Firth, J. R. (1957). A synopsis of linguistic theory, 1930-1955. [Link]

192
Thèse accessible à l'adresse : [Link] © [A. Brenon], [2025], INSA Lyon, tous droits réservés
 Bibliographie

208093066
Foucault, M. (1970). The order of things : An archaeology of the human sciences. Tavistock.
Friedman, J. H., Bentley, J. L., & Finkel, R. A. (1977). An Algorithm for Finding Best Matches in
Logarithmic Expected Time. ACM Transactions on Mathematical Software, 3(3), 209 – 226. https:
//[Link]/10.1145/355744.355745
Fukushima, K. (1980). Neocognitron : A self-organizing neural network model for a mechanism of
pattern recognition unaffected by shift in position. Biological Cybernetics, 36(4), 193 – 202. https:
//[Link]/10.1007/BF00344251
Fürnkranz, J. (1998). A study using $n$-gram features for text categorization. [Link]
[Link]/CorpusID:14854253
Gaio, M., & Moncla, L. (2017, March). Extended Named Entity Recognition Using Finite-State Trans-
ducers : An Application To Place Names. The Ninth International Conference on Advanced Geogra-
phic Information Systems, Applications, and Services (GEOProcessing 2017). [Link]
01492994
Galleron, I., & Williams, G. C. (2022). Tenir la promesse du Dictionnaire universel : L’esprit encyclo-
pédique d’Henri Basnage de Beauval. Langue Francaise, 214(2), 27 – 42. [Link]
[Link]
Gao, S., Sperberg-McQueen, C. M., Thompson, H. S., Mendelsohn, N., Beech, D., & Maloney, M. (Eds.).
(2012). W3C XML schema definition language (XSD) 1.1 part 1 : structures. [Link]
TR/xmlschema11-1/
García, M., Maldonado, S., & Vairetti, C. (2021). Efficient n-gram construction for text categorization
using feature selection techniques. Intelligent Data Analysis, 25(3), 509 – 525. [Link]
3233/IDA-205154
Gavari Bami, H., Moharamkhani, E., Zadmehr, B., Najafpoor, V., & Shokouhifar, M. (2022). Detection
of zero-day attacks in computer networks using combined classification. Concurrency and Com-
putation : Practice and Experience, 34(27), e7312. https ://[Link]/[Link]
Grabus, S., Greenberg, J., Logan, P., & Boone, J. (2019). Representing aboutness : Automatically in-
dexing 19th-century encyclopedia britannica entries. NASKO, 7(1), 138 – 148. [Link]
7152/nasko.v7i1.15635
Grobol, L., & Crabbé, B. (2021). Analyse en dépendances du français avec des plongements contextua-
lisés. In P. Denis, N. Grabar, A. Fraisse, R. Cardon, B. Jacquemin, E. Kergosien, & A. Balvet (Eds.),
Traitement Automatique des Langues Naturelles (pp. 106 – 114). ATALA. [Link]
03265893
Groote, P. de. (2001). Towards abstract categorial grammars. Proceedings of the 39th Annual Meeting of
the Association for Computational Linguistics, 252 – 259. [Link]
Groult, M. (Ed.). (2003). L’encyclopédie ou la création des disciplines. CNRS Éditions.
Groult, M. (2019a). Introduction (pp. 7 – 21). Classiques Garnier. [Link]
panckoucke-et-l-encyclopedie-methodique-ordre-de-matieres-et-transversalite-introduction.
html
Groult, M. (2019b). Ordre encyclopédique et ordre méthodique (pp. 119 – 133). Classiques Garnier.
[Link]

193
Thèse accessible à l'adresse : [Link] © [A. Brenon], [2025], INSA Lyon, tous droits réservés
 Bibliographie

[Link]
Guillaume, B., Marneffe, M.-C. de, & Perrier, G. (2019). Conversion et améliorations de corpus du
français annotés en Universal Dependencies. Revue TAL : Traitement Automatique Des Langues,
60(2), 71 – 95. [Link]
Guillaume, B., & Perrier, G. (2015). Dependency parsing with graph rewriting. Proceedings of the 14th
International Conference on Parsing Technologies, 30 – 39. [Link]
Guldi, J. (2019). Parliament’s debates about infrastructure : An exercise in using dynamic topic mo-
dels to synthesize historical change. Technology and Culture, 60(1), 1 – 33. [Link]
tech.2019.0000
Guo, F., Zhou, W., Wang, Z., Ju, C., Ji, S., & Lu, Q. (2023). A link prediction method based on topo-
logical nearest-neighbors similarity in directed networks. Journal of Computational Science, 69,
102002. [Link]
Gutehrlé, N., & Atanassova, I. (2022). Processing the structure of documents : Logical layout
analysis of historical newspapers in french. Journal of Data Mining and Digital Humanities,
NLP4DH (Digital humanities in...).
Habert, B. (2005). Instruments et ressources électroniques pour le français / benoît habert. Ophrys.
Hagen, T., Ketzan, E., Jannidis, F., & Witt, A. (2020). Twenty-two historical encyclopedias encoded
in TEI : A new resource for the digital humanities. In S. DeGaetano, A. Kazantseva, N. Reiter, & S.
Szpakowicz (Eds.), Proceedings of the 4th joint SIGHUM workshop on computational linguistics for
cultural heritage, social sciences, humanities and literature (pp. 112–120). International Committee
on Computational Linguistics. [Link]
Haiman, J. (1980). Dictionaries and encyclopedias. Lingua, 50(4), 329 – 357. [Link]
0024-3841(80)90089-3
Halliday, M. A. K., & Hasan, R. (1976). Cohesion in english. Longman.
Hamilton, W. L., Leskovec, J., & Jurafsky, D. (2016). Diachronic word embeddings reveal statistical
laws of semantic change. In K. Erk & N. A. Smith (Eds.), Proceedings of the 54th annual meeting of
the association for computational linguistics (volume 1 : Long papers) (pp. 1489 – 1501). Association
for Computational Linguistics. [Link]
Hardesty Doig, K. (2006). Le désignant « Histoire » dans l’Encyclopédie et dans l’Encyclopédie d’
Yverdon. Recherches Sur Diderot Et Sur l’Encyclopédie, 40-41, 77 – 91. [Link]
344
Harris, Z. S. (1954). Distributional structure. WORD, 10(2-3), 146 – 162. [Link]
00437956.1954.11659520
Heiden, S., Magué, J.-P., & Pincemin, B. (2010). TXM : Une plateforme logicielle open-source pour
la textométrie - conception et développement. In S. Bolasco, I. Chiari, & L. Giuliano (Eds.), 10th
International Conference on the Statistical Analysis of Textual Data - JADT 2010 (Vol. 2, pp. 1021 –
1032). Edizioni Universitarie di Lettere Economia Diritto. [Link]
Hilpert, M., & Gries, S. Th. (2016). Quantitative approaches to diachronic corpus linguistics. In M.
Kytö & P. Pahta (Eds.), The cambridge handbook of english historical linguistics (pp. 36 – 53). Cam-
bridge University Press. [Link]
Hochreiter, S., & Schmidhuber, J. (1997). Long short-term memory. Neural Computation, 9(8), 1735 –

194
Thèse accessible à l'adresse : [Link] © [A. Brenon], [2025], INSA Lyon, tous droits réservés
 Bibliographie

1780. [Link]
Holmberg, L. (2017). The maurists’unfinished encyclopedia. Voltaire Foundation.
Horton, R., Morrissey, R., Olsen, M., Roe, G., & Voyer, R. (2009). Mining eighteenth century onto-
logies : Machine learning and knowledge classification in the encyclopédie. Digital Humanities
Quarterly 3.2, 3, 1 – 15.
Huitfeldt, C. (1994). Multi-dimensional texts in a one-dimensional medium. Computers and the Hu-
manities, 28(4), 235 – 241. [Link]
Humbel, M., Nyhan, J., Vlachidis, A., Sloan, K., & Ortolja-Baird, A. (2021). Named-entity recognition
for early modern textual documents : A review of capabilities and challenges with strategies for
the future. Journal of Documentation, 77(6), 1223 – 1247. [Link]
Ide, N. (1995). Encoding standards for linguistic corpora. [Link]
59692744
Ide, N., & Sperberg-Mcqueen, C. M. (1995). The text encoding initiative : Its history, goals, and future
development.
Ide, N., & Véronis, J. (1995). Encoding dictionaries. Computers and the Humanities, 29(2), 167 – 179.
[Link]
Ide, N., & Véronis, J. (1998). Background and context for the development of a corpus encoding standard.
Ide, N., & Véronis, J. (2000). Extracting knowledge bases from machinereadable dictionaries : Have we
wasted our time ? 10.
Jacquet-Pfau, C. (2015). Élaboration et destinée d’une encyclopédie la fin du XIXe siècle : Les trente-
et-un volumes de la grande encyclopédie, inventaire raisonné des sciences, des lettres et des arts
par une société de savants et de gens de lettres. Éla. Études de Linguistique Appliquée, 177, 85 –
100. [Link]
Jacquet-Pfau, C. (2022). Actualiser l’Encyclopédie de Diderot et d’Alembert au XIXe siècle : Le Grand
Dictionnaire universel (1866-1890) et La Grande Encyclopédie (1885-1902): Langue Française, N°
214(2), 95 – 109. [Link]
Jaquet, C. (2010). Bacon et la promotion des savoirs (p. 304). Presses Universitaires de France. https:
//[Link]/[Link]
Jelliffe, R. (n.d.). Information technology —Document Schema Definition Languages (DSDL) —Part 3 :
Rule-based validation, Schematron (International {Standard} {ISO}/{IEC} No. 19757 ; Version 3).
[Link]
Jentsch, P., & Porada, S. (2020). From Text to Data : Digitization, Text Analysis and Corpus Linguistics.
In S. Schwandt (Ed.), Digital Humanities Research (1st ed., Vol. 1, pp. 89–128). Bielefeld University
Press / transcript Verlag. [Link]
Ji, Y., Yujing, J., & Tutin, A. (2018). Les routines de topicalisation dans les écrits scientifiques en
français. In M. M. T. Agnès (Ed.), 11es journées du réseau Lexicologie, Terminologie, Traduction à
Grenoble “Lexique(s) et genre(s) textuel(s) : approches sur corpus ” : Vols. Lexique(s) et genre(s) tex-
tuel(s) : approches sur corpus. Actes de la conférence LTT 2018 - 11es journées du réseau Lexicologie,
Terminologie, Traduction à Grenoble. Editions des Archives Contemporaines. [Link]
17184/eac.9782813003454
Jong, F. de, Maegaard, B., Fišer, D., Uytvanck, D. van, & Witt, A. (2020). Interoperability in an in-

195
Thèse accessible à l'adresse : [Link] © [A. Brenon], [2025], INSA Lyon, tous droits réservés
 Bibliographie

frastructure enabling multidisciplinary research : The case of CLARIN. In N. Calzolari, F. Bé-

chet, P. Blache, K. Choukri, C. Cieri, T. Declerck, S. Goggi, H. Isahara, B. Maegaard, J. Ma-
riani, H. Mazo, A. Moreno, J. Odijk, & S. Piperidis (Eds.), Proceedings of the twelfth language
resources and evaluation conference (pp. 3406 – 3413). European Language Resources Association.
[Link]
Joshi, A. K., & Schabes, Y. (1997). Tree-adjoining grammars. Handbook of Formal Languages. https:
//[Link]/CorpusID:417746
Kafker, F. A., & Loveland, J. (2016). André-François Le Breton, initiateur et libraire en chef de l’
Encyclopédie. Recherches Sur Diderot Et Sur l’Encyclopédie, 51, 107 – 125. [Link]
rde.5390
Kay, M. (2017). XSL transformations (XSLT) version 3.0 [{W3C} Recommendation]. W3C.
Kleinbaum, D. G., Dietz, K., Gail, M., Klein, M., & Klein, M. (2002). Logistic regression. Springer.
Kordjamshidi, P., Otterlo, M. van, & Moens, M.-F. (2011). Spatial role labeling : Towards extraction of
spatial relations from natural language. In ACM Transactions on Speech and Language Processing
(No. 3 ; Vol. 8). Association for Computing Machinery, Inc.
Kordjamshidi, P., Van Otterlo, M., & Moens, M.-F. (2010). Spatial role labeling : Task definition and
annotation scheme. In N. Calzolari, K. Choukri, B. Maegaard, J. Mariani, J. Odijk, S. Piperidis,
M. Rosner, & D. Tapias (Eds.), Proceedings of the seventh international conference on language
resources and evaluation (LREC’10). European Language Resources Association (ELRA). http://
[Link]/proceedings/lrec2010/pdf/846_Paper.pdf
Kraif, O. (2016). Le lexicoscope : un outil d’extraction des séquences phraséologiques basé sur des
corpus arborés. Cahiers de Lexicologie, 1(108), 91 – 106. [Link]
06281-3.p.0091
Kraif, O., Novakova, I., & Sorba, J. (2016). Constructions lexico-syntaxiques spécifiques dans le roman
policier et la science-fiction. Lidil, 53, 143 – 159. [Link]
Krishnamurthy, R. (2008). Corpus-driven Lexicography. International Journal of Lexicography, 21(3),
231 – 242. [Link]
Kutuzov, A., Øvrelid, L., Szymanski, T., & Velldal, E. (2018). Diachronic word embeddings and seman-
tic shifts : A survey. Proceedings of the 27th International Conference on Computational Linguistics,
1384 – 1397. [Link]
La Cotardière, P. de. (2019). Les descendants de charles-joseph panckoucke et leurs alliances
(pp. 81 – 115). Classiques Garnier. [Link]
methodique-ordre-de-matieres-et-transversalite-les-descendants-de-charles-joseph-panckoucke-
[Link]
Labbé, C., & Labbé, D. (2000). La distance intertextuelle et l’attribution d’auteur. Corneille et Molière.
Journal of Quantitative Linguistics, 8(3), 213 – 231. [Link]
Labbé, C., & Labbé, D. (2010). La diachronie dans le discours politique. Le général de Gaulle. In
D. BANKS (Ed.), Aspects diachroniques du texte de spécialité (pp. 129 – 148). L’Harmattan. https:
//[Link]/halshs-00117147
Labbé, D. (1983). François mitterrand : Essai sur le discours. 191.
Laboulais, I. (2003). La géographie dans les arbres encylcopédiques de la seconde moitié du XVIIIe

196
Thèse accessible à l'adresse : [Link] © [A. Brenon], [2025], INSA Lyon, tous droits réservés
 Bibliographie

siècle. Visages et usages de la géographie au moment de l’émergence des sciences humaines, 63 – 93.
[Link]
Lacoste, A., Luccioni, A., Schmidt, V., & Dandres, T. (2019). Quantifying the carbon emissions of
machine learning. CoRR, abs/1910.09700. [Link]
Lafon, P. (1980). Sur la variabilité de la fréquence des formes dans un corpus. Mots. Les Langages Du
Politique, 1(1), 127 – 165. [Link]
Lafon, P. (1981). Analyse lexicométrique et recherche des cooccurrences. Mots. Les Langages Du
Politique, 3(1), 95 – 148. [Link]
Lance, G. N., & Williams, W. T. (1967). A General Theory of Classificatory Sorting Strategies : 1.
Hierarchical Systems. The Computer Journal, 9(4), 373 – 380. [Link]
373
Language and machines : Computers in translation and linguistics. (1966). [Computer software]. The
National Academies Press. [Link]
Laramée, F. D. (2017). La production de l’espace dans l’Encyclopédie. Document Numerique, 20(2),
159 – 177. [Link]
Larrousse, N., Baude, O., Pouyllau, S., & Jouguet, H. (2023, October). Huma-Num, 10 years of building
an infrastructure in SSH : a revolution in practices or an evolution ? SciDataCon-IDW Salzburg
2023. [Link]
Le Cun, Y. (1986). Learning Process in an Asymmetric Threshold Network. In E. Bienenstock, F.
F. Soulié, & G. Weisbuch (Eds.), Disordered Systems and Biological Organization (pp. 233 – 240).
Springer Berlin Heidelberg. [Link]
Le Cun, Y., Boser, B., Denker, J. S., Henderson, D., Howard, R. E., Hubbard, W., & Jackel, L. D. (1989).
Backpropagation Applied to Handwritten Zip Code Recognition. Neural Computation, 1(4), 541 –
551. [Link]
Le Guern, M. (1983). Le « dictionnaire » de trévoux (1704). Cahiers de l’AIEF, 35(1), 51 – 68. https:
//[Link]/10.3406/caief.1983.2402
Le, Q., & Mikolov, T. (2014). Distributed representations of sentences and documents. International
Conference on Machine Learning, 1188 – 1196.
Lebart, L., Pincemin, B., & Poudat, C. (2019). Analyse des données textuelles / ludovic lebart, bénédicte
pincemin et céline poudat. Presses de l’Université du Québec.
Leca-Tsiomis, M. (1995). Écrire l’encyclopédie : Diderot, de l’usage des dictionnaires à la grammaire
philosophique (pp. 2 vol. (XXIII – 583 f.)) [PhD thesis]. [Link]
Leca-Tsiomis, M. (2006). Une tentative de conciliation entre ordre alphabétique et ordre encyclopé-
dique. Recherches Sur Diderot Et Sur l’Encyclopédie, 40-41, 55 – 66. [Link]
Leca-Tsiomis, M. (2009). Des dictionnaires comme vecteurs du savoir : De Furetière à l’Encyclopédie.
In L. Andries (Ed.), La Construction des savoirs (pp. 29 – 42). Presses universitaires de Lyon. https:
//[Link]/10.4000/[Link].11795
Leca-Tsiomis, M. (2023). Cyclopædia ? Encyclopédie ?Des « titres fastueux et nouveaux ». Dix-
Huitième Siècle, 55(1), 437 – 452. [Link]
Lehmann, A., & Martin-Berthet, F. (2018). Lexicologie. Sémantique, morphologie et lexicographie : Vols.

197
Thèse accessible à l'adresse : [Link] © [A. Brenon], [2025], INSA Lyon, tous droits réservés
 Bibliographie

5ème éd. (p. 352). Armand Colin. [Link]

Léon, J. (2002). Le CNRS et les débuts de la traduction automatique en France. La Revue Pour l’histoire
Du CNRS, 6. [Link]
Léon, J. (2008). Aux sources de la « corpus linguistics » : Firth et la london school. Langages, 171(3),
12 – 33. [Link]
Léon, J. (2015). Histoire de l’automatisation des sciences du langage. ENS Éditions. [Link]
4000/[Link].3733
Loiseau, S., Gréa, P., & Magué, J.-P. (2011). Dictionnaires, théorie des graphes et structures lexicales.
Revue de Sémantique Et Pragmatique, 27, 51. [Link]
Lojkine, S. (2013).“Et l’auteur anonyme n’est pas un lâche …” Diderot, l’engagement sans le nom.
Littératures Classiques, 2013/1(80), 249 – 263. [Link]
Longrée, D., Mellet, S., & Luong, X. (2008). Les motifs : Un outil pour la caractérisation topologique
des textes. [Link]
C3%A9risation-des-Longr%C3%A9e-Mellet/314f002c7df84b24720bbe8152040d29f85c2220
Lowthorp, J. (1665). Philosophical transactions of the Royal Society of London : Vols. v.1=no.1-22 (1665-
1666). Royal Society of London. [Link]
Macary, J. (1973). Les dictionnaires universels de furetière et de trévoux, et l’esprit encyclopédique
moderne avant ”l’encyclopédie”. Diderot Studies, 16, 145 – 158.
Marcus, M. P., Santorini, B., & Marcinkiewicz, M. A. (1993). Building a large annotated corpus of
English : The Penn Treebank. Computational Linguistics, 19(2), 313 – 330. [Link]
org/J93-2004
Maurer, Y., Schneider, P., & Marschall, R. (2023). Nautilus : An end-to-end METS/ALTO OCR enhan-
cement pipeline. LIBER Quarterly, 33(1), 1 – 19.
Mayaffre, D. (2000). Le poids des mots. Le discours de gauche et de droite dans l’entre-deux-guerres.
Maurice Thorez, Léon Blum, Pierre-Etienne Flandin et André Tardieu (1928-1939). Honoré Cham-
pion. [Link]
Mayaffre, D., Pincemin, B., & Poudat, C. (2019). Explorer, mesurer, contextualiser. Quelques apports
de la textométrie à l’analyse de discours. Langue Française, 203(3), 101 – 115. [Link]
3917/lf.203.0101
McCulloch, W. S., & Pitts, W. (1943). A logical calculus of the ideas immanent in nervous activity.
The Bulletin of Mathematical Biophysics, 5(4), 115 – 133. [Link]
Mikolov, T., Chen, K., Corrado, G., & Dean, J. (2013). Efficient estimation of word representations in
vector space. arXiv Preprint arXiv :1301.3781.
Minsky, M. (1952). A Neural-Analogue Calculator Based Upon a Probability Model of Reinforcement.
Harvard University Psychological Laboratories.
Mladenić, D., & Grobelnik, M. (2003). Feature selection on hierarchy of web documents. Decision
Support Systems, 35(1), 45 – 87. [Link]
Moll, R. N., Arbib, M. A., & Kfoury, A. J. (1988). Parsing, part i. In An introduction to formal language
theory (pp. 64 – 79). Springer US. [Link]
Moncla, L., & Gaio, M. (2015, November). A multi-layer markup language for geospatial semantic

198
Thèse accessible à l'adresse : [Link] © [A. Brenon], [2025], INSA Lyon, tous droits réservés
 Bibliographie

annotations. 9th Workshop on Geographic Information Retrieval. [Link]

2837700
Moncla, L., & Gaio, M. (2023, April). Perdido : Python library for geoparsing and geocoding French
texts. First International Workshop on Geographic Information Extraction from Texts (GeoExT).
[Link]
Moncla, L., Vigier, D., & McDonough, K. (2024a). Fr_spacy_custom_spancat_edda (revision 636c533).
Hugging Face. https ://[Link]/ 10.57967/hf/1764
Moncla, L., Vigier, D., & McDonough, K. (2024b). GeoEDdA : A Gold Standard Dataset for Named
Entity Recognition and Span Categorization Annotations of Diderot & d’Alembert’s Encyclopédie
(Version 1.0.0) [Data set]. Zenodo. [Link]
Moore, G. E. (1998). Cramming more components onto integrated circuits. Proceedings of the IEEE,
86(1), 82 – 85. [Link]
Morin, R. (1989). Diderot, l’encyclopédie et le dictionnaire de trévoux. Recherches Sur Diderot Et Sur
l’Encyclopédie, 7(1), 71 – 122. [Link]
Mouhouche, A., & El-Hajjami, A. (2014). Étude diachronique et évolution du concept de résonance
en physique. Meta, 58(2), 430 – 448. [Link]
Moureau, F. (2001). Le Roman vrai de l’Encyclopédie (pp. 124 – 129). Gallimard. [Link]
fr/ark:/12148/cb36204966x
Muller, C., & Brunet, É. (1988). La statistique résout-elle les problèmes d’attribution ? Strumenti Cri-
tici, III (3), 367 – 387. [Link]
Nadeau, D., & Sekine, S. (2007). A survey of named entity recognition and classification [Journal
Article]. Lingvisticæ Investigationes, 30(1), 3 – 26. https ://[Link]/[Link]
03nad
Nazarenko, A., Habert, B., & Salem, A. (1997). Les linguistiques de corpus (p. 240). Armand Colin.
[Link]
Nivre, J., & Scholz, M. (2004). Deterministic dependency parsing of English text. COLING 2004 :
Proceedings of the 20th International Conference on Computational Linguistics, 64 – 70. https://
[Link]/C04-1010
Nivre, J., Zeman, D., Ginter, F., & Tyers, F. (2017). Universal Dependencies. In A. Klementiev & L.
Specia (Eds.), Proceedings of the 15th conference of the European chapter of the association for
computational linguistics : Tutorial abstracts. Association for Computational Linguistics. https:
//[Link]/E17-5001
Nogueira, A. F. R., Oliveira, H. S., Machado, J. J. M., & Tavares, J. M. R. S. (2022). Transformers for
urban sound classification—a comprehensive performance evaluation. Sensors, 22(22), 8874 – 8874.
Nyquist, H. (1928). Certain topics in telegraph transmission theory. Transactions of the American
Institute of Electrical Engineers, 47(2), 617 – 644. [Link]
Pamuksaç, A., & Sanvido, L. (2023). Distinguer des genres textuels en français langue étrangère :
Étude textométrique de marqueurs subjectifs. Synergies Espagne, 16(16), 129 – 242.
Passeron, I. (2006). Quelle(s) édition(s) de la Cyclopœdia les encyclopédistes ont-ils utilisée(s) ? Re-
cherches Sur Diderot Et Sur l’Encyclopédie, 40-41, 287 – 292. [Link]

199
Thèse accessible à l'adresse : [Link] © [A. Brenon], [2025], INSA Lyon, tous droits réservés
 Bibliographie

Patel, C., Patel, A., & Patel, D. (2012). Optical character recognition by open source OCR tool tesse-
ract : A case study. International Journal of Computer Applications, 55, 50 – 56. [Link]
5120/8794-2784
Peterson, A., & Spirling, A. (2018). Classification accuracy as a substantive quantity of interest :
Measuring polarization in westminster systems. Political Analysis, 26(1), 120 – 128. [Link]
org/10.1017/pan.2017.39
Pierrel, J.-M., & Parisse, C. (2016, October). ORTOLANG : a French infrastructure for Open Resources
and TOols for LANGuage. 5th CLARIN Annual Conference. [Link]
Pincemin, B. (2012). Hétérogénéité des corpus et textométrie : Langages, n° 187(3), 13 – 26. [Link]
org/10.3917/lang.187.0013
Pincemin, B. (2022). Sémantique textométrique. In A. Biglari & D. Ducard (Eds.), La sémantique
au pluriel. Théories et méthodes (pp. 373 – 396). Presses universitaires de Rennes. [Link]
science/halshs-03763801
Plesser, H. E. (2017). Reproducibility vs. Replicability : A brief history of a confused terminology.
Frontiers in Neuroinformatics, 11, 76. [Link]
Ploux, S., & Victorri, B. (1998). Construction d’espaces sémantiques à l’aide de dictionnaires de sy-
nonymes. Revue TAL : Traitement Automatique Des Langues, 39, 161 – 182. [Link]
halshs-00009433
Pruvost, J. (2022). Le regard encyclopédique de l’académie française. Langue Française, 214(2), 111 –
120. [Link]
Qi, P., Zhang, Y., Zhang, Y., Bolton, J., & Manning, C. D. (2020). Stanza : A Python natural language
processing toolkit for many human languages. Proceedings of the 58th Annual Meeting of the
Association for Computational Linguistics : System Demonstrations. [Link]
[Link]
Quemada, B. (1968). Les dictionnaires du français moderne, 1539-1863 : Étude sur leur histoire, leurs
types et leurs méthodes. Didier.
Quemener, E., & Corvellec, M. (2013). SIDUS—the solution for extreme deduplication of an operating
system. Linux Journal, 2013(235), 3 :3.
Rastier, F. (1996). Textes & sens / institut national de la langue française-CNRS ; centre de linguistique
française-paris IV ; études publiées par françois rastier. Institut national de la langue française
1981-2001 ; Didier érudition Institut national de la langue française.
Rastier, F. (2001). Chapitre II. La sémiotique : Du signe au texte. Formes Sémiotiques, 51 – 72. https:
//[Link]/article/PUF_RAST_2001_01_0051?lang=fr&tab=texte-integral
Rastier, F., & Pincemin, B. (1999). Des genres à l’intertexte. Cahiers de Praxématique, 33, 83 – 111.
[Link]
Reimers, N., & Gurevych, I. (2019). Sentence-BERT : Sentence embeddings using siamese BERT-networks.
[Link]
Rey, A. (2006). Antoine furetière : Un précurseur des lumières sous louis XIV / alain rey. Fayard.
Rey, C. (2022). La professionnalisation des encyclopédistes : Un facteur d’évolution des connais-
sances : Langue Française, N° 214(2), 81 – 94. [Link]

200
Thèse accessible à l'adresse : [Link] © [A. Brenon], [2025], INSA Lyon, tous droits réservés
 Bibliographie

Roe, G., Gladstone, C., & Morrissey, R. (2016). Discourses and Disciplines in the Enlightenment :
Topic Modeling the French Encyclopédie. Frontiers in Digital Humanities, 2. [Link]
3389/fdigh.2015.00008
Romary, L., & Tasovac, T. (2018, September). TEI Lex-0 : A Target Format for TEI-Encoded Dictio-
naries and Lexical Resources. TEI Conference and Members’Meeting. [Link]
02265312
Rosenblatt, F. (1958). The perceptron : A probabilistic model for information storage and organiza-
tion in the brain. Psychological Review, 65(6), 386 – 408. [Link]
Rosset, S., Grouin, C., & Zweigenbaum, P. (2011). Entités nommées structurées : Guide d’annotation
quaero (Notes et Documents LIMSI N° : 2011-04). LIMSI-CNRS.
Rougier, N. P., Hinsen, K., Alexandre, F., Arildsen, T., Barba, L. A., Benureau, F. C. Y., Brown, C. T.,
Buyl, P. de, Caglayan, O., Davison, A. P., Delsuc, M.-A., Detorakis, G., Diem, A. K., Drix, D., Enel,
P., Girard, B., Guest, O., Hall, M. G., Henriques, R. N., …Zito, T. (2017). Sustainable computational
science : The ReScience initiative. PeerJ Computer Science, 3, e142. [Link]
cs.142
Rumelhart, D. E., Hinton, G. E., & Williams, R. J. (1986). Learning representations by back-
propagating errors. Nature, 323(6088), 533 – 536. [Link]
Russell, B. (1940). An inquiry into meaning and truth. (p. 438). W W Norton & Co.
Sagot, B. (2010). The lefff, a freely available and large-coverage morphological and syntactic lexicon
for French. In N. Calzolari, K. Choukri, B. Maegaard, J. Mariani, J. Odijk, S. Piperidis, M. Rosner,
& D. Tapias (Eds.), Proceedings of the seventh international conference on language resources and
evaluation (LREC’10). European Language Resources Association (ELRA). [Link]
org/proceedings/lrec2010/pdf/701_Paper.pdf
Saint Pair, G. de. (2022). Chronique rimée du Mont Saint Michel. [Link]
Salgado, A., Romary, L., Costa, R., Tasovac, T., Khan, A. F., Ramos, M., Almeida, B., Carvalho, S.,
Khemakhem, M., Silva, R., & Lehečka, B. (2024). The morais dictionary : Following best practices
in a retro-digitized dictionary project. International Journal of Humanities and Arts Computing,
18(1), 125 – 147. [Link]
Salton, G., & McGill, M. J. (1986). Introduction to modern information retrieval. McGraw-Hill, Inc.
Salvat, C. (2006). Les articles “œ\économie” et leurs désignants. Recherches Sur Diderot Et Sur l’
Encyclopédie, 40-41, 107 – 126. [Link]
Sayre, K. M. (1973). Machine recognition of handwritten words : A project report. Pattern Recognition,
5(3), 213 – 228. https ://[Link]/[Link]
Schloss, P. D. (2018). Identifying and overcoming threats to reproducibility, replicability, robustness,
and generalizability in microbiome research. mBio, 9(3), 10.1128/mbio.00525 – 18. [Link]
10.1128/mbio.00525-18
Schmid, H. (1995). Improvements in part-of-speech tagging with an application to german. Procee-
dings of the ACL SIGDAT-Workshop. [Link]
Schreibman, S. (2011). Editorial Introduction to the First Issue. Journal of the Text Encoding Initiative,
Issue 1. [Link]
Sekine, S., & Nobata, C. (2004). Definition, dictionaries and tagger for extended named entity hierar-

201
Thèse accessible à l'adresse : [Link] © [A. Brenon], [2025], INSA Lyon, tous droits réservés
 Bibliographie

chy. In M. T. Lino, M. F. Xavier, F. Ferreira, R. Costa, & R. Silva (Eds.), Proceedings of the fourth
international conference on language resources and evaluation (LREC’04). European Language Re-
sources Association (ELRA). [Link]
Sekine, S., Sudo, K., & Nobata, C. (2002). Extended named entity hierarchy. In M. González Rodrı́guez
& C. P. Suarez Araujo (Eds.), Proceedings of the third international conference on language resources
and evaluation (LREC’02). European Language Resources Association (ELRA). [Link]
[Link]/proceedings/lrec2002/pdf/[Link]
Shafranovich, Y. (2005). Common Format and MIME Type for Comma-Separated Values (CSV) Files
(No. 4180). RFC 4180 ; RFC Editor. [Link]
Shahapure, K. R., & Nicholas, C. (2020). Cluster quality analysis using silhouette score. 2020 IEEE
7th International Conference on Data Science and Advanced Analytics (DSAA), 747 – 748. https://
[Link]/10.1109/DSAA49011.2020.00096
Shannon, C. E. (1949). Communication in the presence of noise. Proceedings of the IRE, 37(1), 10 – 21.
[Link]
Sinclair, J. (1966). Beginning the study of lexis. In C. E. Bazell, J. C. Catford, M. A. K. Halliday, & R.
H. Robin (Eds.), In memory of J. R. Firth (pp. 410 – 430). Longman.
Sinclair, J. (1990). Collins COBUILD english grammar. Harper Collins ; Distributed exclusively in Ja-
pan by Shūbun International]. [Link]
Sinclair, J. (2004). Trust the text : Language, corpus and discourse (1st ed.). Routledge.
Sperberg-McQueen, C. M., & Burnard, L. (1999). TEI P3 Guidelines for the Encoding and Interchange
of Machine Readable Texts (final revision). Zenodo. [Link]
Standard generalized markup language, Pub. L. No. ISO 8879 :1986 (1986).
Surmont, J.-N. de. (2006). De la genèse à l’informatisation du trésor de la langue française et du
grand robert électronique. Revista de Filología Románica, 23, 55–66. [Link]
php/RFRM/article/view/RFRM0606110055A
Tahmasebi, N., Borin, L., & Jatowt, A. (2019). Survey of computational approaches to lexical semantic
change. [Link]
Tan, C.-M., Wang, Y.-F., & Lee, C.-D. (2002). The use of bigrams to enhance text categorization. Inf.
Process. Manage., 38(4), 529 – 546. [Link]
Tarrade, L., Magué, J.-P., & Chevrot, J.-P. (2022). Detecting and categorising lexical innovations in a
corpus of tweets. Psychology of Language and Communication, 26(1), 313 – 329. [Link]
2478/plc-2022-15
Tesnière, L., & Fourquet, J. (1959). Eléments de syntaxe structurale / lucien tesnière ; préface de jean
fourquet,... Librairie C. Klincksieck.
Teubert, W. (2005). Corpus linguistics and lexicography : The beginning of a beautiful friendship.
Lexicographica, 20(2004), 1 – 19.
Thompson, K. (1984). Reflections on trusting trust. Commun. ACM, 27(8), 761 – 763. [Link]
10.1145/358198.358210
Todorov, N. (2018). Enseigner la géographie à l’école primaire et la genèse des identités territoriales
en europe au tournant du XVIIIe au XIXe siècle. Revue de Géographie Historique, 13.

202
Thèse accessible à l'adresse : [Link] © [A. Brenon], [2025], INSA Lyon, tous droits réservés
 Bibliographie

Tutin, A., & Kraif, O. (2016). Routines sémantico-rhétoriques dans l’écrit scientifique de sciences
humaines : L’apport des arbres lexico-syntaxiques récurrents. Lidil, 53, 119 – 141. [Link]
10.4000/lidil.3966
Tutin, A., & Véronis, J. (1998). Electronic dictionary encoding : Customizing the TEI guidelines. In A.
M. Thierry Fontenelle Philippe Hiligsmann (Ed.), Proceedings of the 8th EURALEX international
congress (pp. 363 – 374). Euralex.
Underwood, T. (2016). The life cycles of genres. Journal of Cultural Analytics, 1(1), 11061. https:
//[Link]/10.22148/16.005
Underwood, T. (2018). The historical significance of textual distances. arXiv. [Link]
ARXIV.1807.00181
Underwood, T. (2020). Machine learning and human perspective. PMLA/Publications of the Modern
Language Association of America, 135(1), 92 – 109. [Link]
Urieli, A., & Tanguy, L. (2013). L’apport du faisceau dans l’analyse syntaxique en dépendances par
transitions : études de cas avec l’analyseur Talismane. Actes de La 20e Conférence Sur Le Traite-
ment Automatique Des Langues Naturelles (TALN’2013), 188 – 201.
Verdegem, P. (2024). Dismantling AI capitalism : The commons as an alternative to the power concen-
tration of big tech. AI & SOCIETY, 39(2), 727 – 737. [Link]
Verdier, N. (2015). Entre diffusion de la carte et affirmation des savoirs géographiques en france : Les
paradoxes de la mise en place de la carte géographique au xviii e siècle. Espace Géographique,
Tome 44(1), 38 – 56.
Viard, J. (2006). L’utilité des « désignants » dans l’analyse de la présentation par D’Alembert des
propriétés physiques : L’exemple de l’élasticité et de la dureté. Recherches Sur Diderot Et Sur l’
Encyclopédie, 40-41, 143 – 154. [Link]
Vigier, D. (2017). Autour des prépositions en, dans, dedans. Vers une approche diachronique sur corpus
outillé [Habilitation {\‘a} diriger des recherches, Université Toulouse Jean Jaurès]. [Link]
science/tel-03352784
Vigier, D. (2022). L’esprit encyclopédique moderne en France entre 1690 et 1902. Présentation.
Langue Francaise, 214(2), 9 – 26. [Link]
[Link]
Vigier, D., & Brenon, A. (2021). La Grande Encyclopédie ou Inventaire raisonné des Sciences, des
Lettres et des Arts. 264458212, 185163346, 398759061, 1371168210. [Link]
74EB1XFD
Vigier, D., Moncla, L., Lefort, I., Joliveau, T., & McDonough, K. (2022). Les articles de géographie
dans le Dictionnaire Universel de Trévoux et l’Encyclopédie de Diderot et d’Alembert : Langue
Française, N° 214(2), 59 – 80. [Link]
Walsh, J. A. (2012). Comic Book Markup Language : An Introduction and Rationale. Digital Huma-
nities Quarterly, 006(1).
Wellmon, C. (2015). Organizing enlightenment : Information overload and the invention of the modern
research university. JHU Press.
Werbos, P. (1974). Beyond regression : New tools for prediction and analysis in the behavioral science.
Thesis (ph. D.). Appl. Math. Harvard university [PhD thesis].

203
Thèse accessible à l'adresse : [Link] © [A. Brenon], [2025], INSA Lyon, tous droits réservés
 Bibliographie

Wick, C., Reul, C., & Puppe, F. (2018). Comparison of OCR accuracy on early printed books using the
open source engines calamari and OCRopus. Journal for Language Technology and Computational
Linguistics, 33(1), 79 – 96. [Link]
Wilks, Y. (2010). Corpus linguistics and computational linguistics. International Journal of Corpus
Linguistics - INT J CORPUS LINGUIST, 15, 408 – 411. [Link]
Williams, G. (2017). MAPPING A DICTIONARY Using Atlas ti and XML to analyse a late XVII th
century dictionary. RiCognizioni, 7(4), 161 – 180. [Link]
Willinsky, J. (2001). Chapter 9 : Wittgenstein’s dictionary. Counterpoints, 184, 187 – 219. [Link]
[Link]/stable/42976662
Yu, C., Han, R., Song, M., Liu, C., & Chang, C.-I. (2020). A simplified 2D-3D CNN architecture for hy-
perspectral image classification based on spatial – spectral fusion. IEEE Journal of Selected Topics
in Applied Earth Observations and Remote Sensing, 13, 2485–2501. [Link]
2020.2983224
Zhu, L. (2022). Discours dictionnairique, moule phraséologique et corpus textuel. Langages, 225(1),
127 – 146. [Link]

204
Thèse accessible à l'adresse : [Link] © [A. Brenon], [2025], INSA Lyon, tous droits réservés
 FOLIO ADMINISTRATIF
THESE DE L ’ INSA LYON, MEMBRE
...... ... .... ...... ... ...... ... ...... DE......
...... .... L’UNIVERSITE DE......
......... .... .... LYON..

NOM : Brenon DATE de SOUTENANCE : 10 juin 2025

Prénoms : Alice, Diane, Victoire

TITRE : Méthodes et outils pour l’étude diachronique des discours géographiques dans deux encyclopédies françaises

NATURE : Doctorat Numéro d’ordre : 2025ISAL0044

École Doctorale : InfoMaths (ED 512)

Spécialité : Informatique

RÉSUMÉ :
Dans le cadre du projet GEODE du LabEx ASLAN, cette thèse étudie en diachronie les discours géographiques dans deux
encyclopédies françaises. L’Encyclopédie, Dictionnaire Raisonné des sciences, des arts et des métiers (EDdA), emblématique
du siècle des Lumières, constitue la borne la plus ancienne de l’intervalle. Celui-ci s’étend jusqu’à la fin du XIXème siècle,
représenté par La Grande Encyclopédie, Inventaire raisonné des Sciences, des Lettres et des Arts (LGE). Au travers de trois
contributions principales, les travaux abordent des thématiques telles que la préparation des données et l’encodage en particulier,
la classification automatique et les analyses textométriques.
En confrontant des méthodes simples de la théorie des graphes à des remarques structurelles sur les éléments présents dans
les encyclopédies, la première étude souligne les différences fondamentales qui existent entre dictionnaires et encyclopédies en
termes de structures et aboutit à la proposition d’un encodage XML-TEI pour représenter une encyclopédie, qui est appliqué
sur la première édition numérique de LGE.
La comparaison de méthodes de classifications permet ensuite de choisir un modèle pour associer un domaine de connaissance à
chaque article du corpus, ce qui rend possible la conduite d’analyses contrastives dans la dernière partie de la thèse. Un examen
attentif des erreurs commises par un des classifieurs sur l’EDdA révèle des ressemblances existant entre les domaines et montre
une Géographie très au contact des autres sciences au XVIIIème siècle.
Pour finir, les deux œuvres sont comparées pour mettre en relief les changements survenus dans la manière d’écrire la Géographie.
Un premier développement quantifie puis caractérise la variation dans les articles du domaine (à l’aide de statistiques sur le
nombre de mots et leurs longueurs puis en étudiant les mouvements d’entrées entre domaines). Les apports de la textométrie
sont enfin utilisés pour approfondir la compréhension des liens entre biographies et discours géographiques.

MOTS-CLÉS : Humanités Numériques, Encyclopédies, Textométrie, Apprentissage Automatique, XML-TEI

Laboratoires de recherche : LIRIS (UMR 5205) et ICAR (UMR 5191)

Directeurs de thèse : Laforest Frédérique, Vigier Denis & Moncla Ludovic

Présidente du Jury : Eglin Véronique

Composition du Jury :
Favre Benoît, Professeur des Universités (Aix-Marseille Université) : Rapporteur
Galleron Ioana, Professeure des Universités (Université Sorbonne Nouvelle) : Rapporteure
Doucet Antoine, Professeur des Universités (La Rochelle Université) : Examinateur
Eglin Véronique, Professeure des Universités (INSA-LYON) : Examinatrice
Puren Marie, Maîtresse de Conférences (EPITA) : Examinatrice
Laforest Frédérique, Professeure des Universités (INSA-LYON) : Directrice de thèse
Vigier Denis, Professeur des Universités (Université Lumière Lyon 2) : Co-directeur de thèse
Moncla Ludovic, Maître de Conférences (INSA-LYON) : Invité

Thèse accessible à l'adresse : [Link] © [A. Brenon], [2025], INSA Lyon, tous droits réservés