Recherches complexes et fouille textuelle dans l’édition numérique de la correspondance de Proust

Grand Séjour d’étude organisé par Françoise Leriche, Nathalie Mauriac et François Proulx, du 12 au 17 juillet 2021.

 

Participants

Julie ANDRÉ (laboratoire LinX, École Polytechnique, Paris), Julien BERTHELON (Université de l’Illinois à Urbana-Champaign, États-Unis), Camille DESILES, Anne GARCIA FERNANDEZ, Élisabeth GRESLOU, Françoise LERICHE (UMR 5316 Litt&Arts, CNRS/Université Grenoble Alpes, France), Nathalie MAURIAC DYER (Institut des textes et manuscrits modernes, UMR 8132 CNRS/ENS, Paris), François PROULX (Département de français et italien, Université de l’Illinois à Urbana-Champaign, États-Unis), Caroline SZYLOWICZ (Rare Book and Manuscript Library, Université de l’Illinois à Urbana-Champaign, États-Unis), Pyra WISE (Institut des textes et manuscrits modernes, UMR 8132 CNRS/ENS, Paris).

A distance :

Yuri CERQUEIRA DOS ANJOS (Victoria University de Wellington, Nouvelle-Zélande), Virginie GREEN (Université Harvard, États-Unis), Olivier KRAIF (LIDILEM, Université Grenoble Alpes, France).

Résumé

Cartographie : les principaux correspondants de Proust en 1913, lorsqu’il devient l’auteur du 1er tome d’À la recherche du temps perdu (Copyright : Arnaud BEY)

Le projet Corr-Proust est une édition numérique de la correspondance de Marcel Proust, dont l’expérimentation logicielle a été entreprise en 2014 et la plateforme éditoriale ouverte en novembre 2018 avec un premier corpus prototype : http://corr-proust.org/.
Mené par le Consortium Proust21 (Universités de Grenoble, de l’Illinois, et ITEM-CNRS), il a pour objectif de donner au grand public comme aux spécialistes accès à l’ « atelier » littéraire de Proust que constituent ses milliers de lettres. Outre un corpus en expansion et une actualisation des données, son originalité éditoriale consiste dans son annotation hypertextuelle, tant génétique (liens vers les manuscrits) que contextuelle. Fin juin 2017, un séjour d’étude à la Fondation des Treilles (« L’atelier Proust, Hypertexte de la Belle Époque : vers l’édition numérique de la correspondance ») avait réuni les quatre membres fondateurs du projet Corr-Proust afin de finaliser les protocoles d’édition et un premier schéma d’encodage xml qui ont permis, un an plus tard, d’éditer le corpus « prototype ». Ce premier séjour aux Treilles avait donc été déterminant pour le lancement de l’édition.

Le séminaire du 12 au 17 juillet 2021 aux Treilles a eu pour but de réunir notre équipe internationale désormais élargie (France, États-Unis, Nouvelle-Zélande), fédérant de nouveaux chercheurs autour de nouvelles « tranches » de ce projet de longue haleine, et pour enjeu scientifique d’initier une seconde phase importante du projet : la question des recherches complexes à travers les données, l’examen d’outils d’exploration et de visualisation pertinents (textométrie, cartographies, etc.), et la révision de l’actuel schéma d’encodage dans le contexte institutionnel de la « Science ouverte » qui désormais s’impose à tous, notamment aux projets financés, impliquant de nouvelles normes à prendre en compte.

Pour mener à bien cette réflexion, ce séminaire a réuni des spécialistes du patrimoine écrit (conservatrice, documentaliste), des ingénieurs en gestion de données et humanités numériques, des spécialistes de l’œuvre de Marcel Proust, de sa correspondance et de ses manuscrits, un spécialiste du traitement automatique des langues. Notre groupe était composé de neuf chercheurs seniors, trois chercheurs juniors, et un doctorant.

Summary

The Corr-Proust project is a digital edition of Marcel Proust’s correspondence, the software experimentation of which was undertaken in 2014 and the editorial platform opened in November 2018 with a first prototype corpus: http://corr-proust.org/. Led by the Consortium Proust21 (Universities of Grenoble, Illinois, and ITEM-CNRS), it aims to give both the general public and specialists access to Proust’s literary “workshop” made up of his thousands of letters. In addition to an expanding corpus and updating of data, its editorial originality consists in its hypertextual annotation, both genetic (links to manuscripts) and contextual. At the end of June 2017, a residential study to the Fondation des Treilles (“The Proust workshop, Hypertext of the Belle Époque: towards the digital edition of correspondence”) brought together the four founding members of the Corr-Proust project in order to finalize the editing protocols and a first xml encoding scheme which made it possible, a year later, to edit the “prototype” corpus. This first stay at Les Treilles had therefore been decisive for the launch of the edition. The seminar from July 12 to 17, 2021 at Les Treilles aimed to bring together our now expanded international team (France, United States, New Zealand), bringing together new researchers around new “slices” of this long-term project, and the scientific challenge of initiating a second important phase of the project: the question of complex research through data, the examination of relevant exploration and visualization tools (textometry, maps, etc.), and the revision of the current encoding scheme in the institutional context of “Open Science” which is now binding on everyone, in particular on funded projects, involving new standards to be taken into account. To carry out this reflection, this seminar brought together specialists in written heritage (curator, documentalist), engineers in data management and digital humanities, specialists in the work of Marcel Proust, his correspondence and his manuscripts, a specialist in automatic language processing. Our group consisted of nine senior researchers, three junior researchers, and a doctoral student.

Compte rendu

La valorisation des « archives de la création » est depuis deux décennies une thématique en plein essor, rendue possible par le développement des outils numériques d’édition et de fouille des données. Cette nouvelle philologie numérique résulte d’un demi-siècle de recherches en « génétique textuelle » (analyse des documents de travail des créateurs) et de plusieurs décennies de recherches en informatique, tant en matière d’encodage spécialisé des documents qu’en matière d’outils d’exploitation statistique des données textuelles ainsi produites.

Dans le domaine des archives de la création, il s’agit de repérer et modéliser les opérations de gestion, transformation, liaison d’unités textuelles ou de données documentaires. L’étude de la création littéraire consiste à examiner comment, à un moment donné de l’histoire de la société, de la pensée, des formes esthétiques, un individu (l’écrivain) a opéré un certain nombre d’analyses, de synthèses, de transformations et d’innovations dans le contexte des représentations et des discours de son temps, pour produire une œuvre remarquable par la complexité des opérations de pensée qu’elle offre et demande au lecteur d’accomplir à son tour.

En analysant le processus génétique d’une œuvre à travers toutes ses étapes ainsi que ses usages de la documentation et son intertextualité, la génétique des textes fait apparaître un modèle cognitif différant des représentations biologiques habituelles : la naissance d’une œuvre n’est pas le développement organique et prédéterminé d’un germe, comme l’imaginait le XIXe siècle, mais une succession d’opérations se redéployant en rhizome, entre les lettres de l’écrivain, ses carnets de notes, ses manuscrits de travail.

Or si, depuis quelques années, les techniques cartographiques peuvent résoudre la question de présentation par réseaux des documents liés entre eux de manière multiple, un document – même transcrit – ne « parle » pas de lui-même ; il faut l’éditer (et non seulement y donner accès en mode image : éditorialisation), ce qui nécessite une transcription et une annotation qui rende compte du travail de l’écrivain. Les outils d’étiquetage, d’indexation, d’annotation, de navigation, permettent de concevoir les apparats critiques sur un mode dynamique et plus ergonomique.

Le projet d’édition numérique de la correspondance de Proust (Corr-Proust) s’inscrit dans ce courant des Humanités numériques qui repense l’édition traditionnelle à l’aune des possibilités technologiques de liaison, d’indexation, et de fouille textuelle. En effet, si les soixante-quinze cahiers de rédaction d’À la recherche du temps perdu (sans parler des dactylographies et épreuves corrigées, etc.), témoignages d’une genèse romanesque longue et complexe, présentent un empilement de ratures et une mise en page qui excèdent les possibilités de transcription des éditeurs XML actuellement disponibles, il existe une autre voie d’accès à l’ « atelier » de l’écrivain : sa correspondance.
Cette dimension génétique est triple : les lettres permettent de documenter l’exogenèse (les apports documentaires et contextuels), l’endogenèse (l’évolution de l’œuvre en cours), mais elles participent également à l’élaboration rédactionnelle (en testant des formules, en esquissant des scénarios ou des premiers jets, au carrefour de la vie et de l’œuvre).

Le corpus de démonstration du projet Corr-Proust mis en ligne en novembre 2018 fournit, entre autres, l’exemple d’une lettre à Reynaldo Hahn qui comprend quelques phrases d’analyse psychologique sur l’oubli, vite réutilisées dans le roman en cours de rédaction : http://corr-proust.org/letter/02830.

En offrant au lecteur la possibilité, en quelques clics, non seulement de voir et lire les lettres de Proust, mais aussi de naviguer entre ces lettres et les manuscrits de travail de l’écrivain, l’édition Corr-Proust entend donner accès aux « coulisses de la création » proustienne non seulement en mode « lecture » (permettre une navigation vers les documents pertinents), mais encore en mode « recherche » (permettre d’extraire, à partir de différents critères, tous les éléments qui participent au processus génétique et balisent sa chronologie).

État de l’art : de l’édition de corpus épistolaires à la conception de briques génétiques ; des recherches simples aux recherches complexes

Depuis une décennie, bon nombre de projets d’édition numérique de correspondances se sont développés, mais avec quels objectifs et surtout quelles fonctionnalités de recherche ? Lors de la séance introductive du séminaire, Françoise Leriche a présenté un panorama de vastes projets d’édition numérique de correspondances d’auteurs majeurs (philosophes, écrivains, savants) en cours dans divers pays (États-Unis, Grande-Bretagne, Pays-Bas, Allemagne, France) afin de comparer les choix opérés, les fonctionnalités déjà mises en œuvre par certains de ces projets en matière de recherches avancées, et les outils à créer par Corr-Proust pour atteindre pleinement ses objectifs.

En effet, si la plupart des projets en cours offrent une parallélisation entre les fac-similés des lettres originales et leur transcription, et parfois une annotation critique (dynamique ou non), très peu de ces projets, en revanche, offrent des liens avec les manuscrits de travail de l’auteur, leur perspective étant majoritairement la valorisation du corpus épistolaire. Or un écrivain, un philosophe qui écrit des lettres est-il un épistolier dont les lettres vaudraient simplement pour elles-mêmes ? C’est ne pas tenir compte de la fonction de ces lettres dans le processus génétique et éditorial de l’œuvre. De ce fait et corrélativement, rares sont les éditions numériques de correspondances qui présentent des possibilités de recherche avancée autres que par le croisement ou l’arborescence des entités nommées indexées (personnes, lieux, titres d’œuvres mentionnés) et des dates.

En matière de recherches avancées, F. Leriche signale le colloque récent sur les « réseaux épistolaires » de Berne en 2019, dont la publication des actes est prévue en 2022 (Lettres dans la Toile, F. Dubosson et alii éd.) : la cartographie dynamique des échanges épistolaires entre les correspondants, le plus souvent quantitative, pourrait être enrichie par des éléments de filtrage divers (professions, rôle dans le processus génétique, etc.) de nature à faire apparaître des réseaux sur des bases qualitatives : c’est notamment l’un des objectifs du projet Corr-Proust_1907-1914 soumis à l’ANR en avril 2021.

L’ambition de Corr-Proust étant de permettre des exploitations multiples qualitatives aussi bien que quantitatives, afin d’explorer le corpus épistolaire proustien dans toutes ses fonctionnalités (notamment génétiques), l’objectif de la semaine de séminaire est donc, pour notre équipe internationale, de travailler sur cette seconde phase du projet : les recherches complexes, les outils d’exploitation qualitative des données du projet, l’enrichissement des métadonnées et les types d’encodages spécifiques à mettre en œuvre au-delà des simples entités nommées.

Science ouverte et interopérabilité des données : les standards d’encodage internationaux et leur adaptation aux balisages spécifiques du projet Corr-Proust

Les travaux éditoriaux en Humanités numériques sont désormais régis par la loi « Pour une république numérique » de 2016 et en particulier le deuxième plan national pour la Science ouverte (2021-2024) : Elisabeth Greslou et Camille Desiles ont exposé les enjeux qui en découlent pour le choix des protocoles d’édition et la gestion des données, dont la nécessité de se conformer aux principes « FAIR » (données Faciles à trouver, Accessibles, Interopérables, Réutilisables), et, donc, la conversion du schéma d’encodage utilisé jusqu’ici par le projet Corr-Proust dans un langage interopérable : le « schéma TEI ». La Text Encoding Initiative a développé des standards de structuration et de description des documents textuels qui font désormais consensus (donc autorité), déclinés selon le type de texte à encoder. Permettant leur analyse, leur partage, leur diffusion et leur publication, le standard TEI permet donc d’encoder la structure des documents, mais aussi leur balisage (étiquetage) sémantique, permettant l’édition et la recherche à travers les données ainsi encodées. Maintenu par un consortium international et décliné en 21 modules (totalisant 550 balises), ce langage robuste offre un module adapté aux correspondances.

Le schéma qu’elles nous présentent est fondé sur le schéma « TEI correspondances » ; il reprend les fonctionnalités du schéma XML précédent, offre plus de souplesse pour la description de certains « blocs » de texte qui relèvent à la fois de la structure de la lettre (par exemple un post-scriptum, une formule de salutation) et de l’analyse sémantique du contenu (dans notre schéma XML précédent, il était impossible de baliser une formule d’adieu placée dans un post-scriptum, la logique de « bloc » obligeant à choisir de définir le bloc soit comme post-scriptum, soit comme formule d’adieu, ces deux balisages ne pouvant pas s’additionner).

Après une présentation théorique de ce schéma TEI, des séances pratiques d’Atelier ont permis aux participants de s’y entraîner et de formuler des demandes de balisages supplémentaires afin de pouvoir encoder de manière plus fine certains éléments complexes (par exemple, l’identité des femmes mariées, remariées etc. ; les surnoms, le langage hypocoristique codé, etc.).

Extraction des données, recherches complexes. Du texte aux univers virtuels.

Toutes les recherches, quantitatives comme qualitatives, à travers les données numériques nécessitant un encodage ad hoc, l’objectif n’est pas de « tout encoder » mais d’opérer des choix conformes au projet scientifique [projet scientifique rappelé en préambule de ce compte rendu]. Le schéma XML développé précédemment offre une grande richesse d’éléments de description, tant des supports (description codicologique, par exemple) que des contenus épistolaires. La conversion en TEI est l’occasion d’examiner si d’autres descripteurs sont nécessaires.

Anne Garcia Fernandez (« De la lettre au corpus épistolaire ») et Virginie Greene (« Qu’est-ce qu’une bibliothèque proustienne ? ») initient, chacune à partir d’une perspective pratique ou d’un questionnement théorique, de riches discussions sur l’extension, le périmètre de l’univers virtuel rendu possible par les différentes « briques » associées dans le projet Corr-Proust. Selon la formule de V. Greene, le traditionnel « livre » (devenu E-book à l’ère numérique) débouche ici sur un « U-book », concept désignant judicieusement cet univers virtuel « ouvert » reliant les fac-similés des lettres et des manuscrits de travail de Proust (« table de travail de l’écrivain »), la presse ou les ouvrages lus par Proust (« bibliothèque de l’écrivain ») ; cette extension du livre (objet fermé) à un univers hypertextuel ouvre notamment la question de l’indexation ainsi que celle du périmètre de cet « univers » épistolaire proustien (ainsi, faut-il inclure un surcroît de documentation sur les correspondants, comme le pratiquent de nombreux sites d’édition numérique de correspondances ?). Caroline Szylowicz rappelle que les identifiants créés pour chaque personne identifiée dans la correspondance de Proust renvoient déjà à la base de données « Names Database » du Kolb Proust Archive (créée et alimentée sous l’égide de la Rare Book and Manuscript Library, Université de l’Illinois, en compilant des données biographiques factuelles), et que ces fiches comprennent un lien JSON que l’on pourrait faire apparaître, ce lien renvoyant de façon automatisée à des notices d’autorité.

Une des discussions engagées concerne la nécessité pratique d’éviter la redondance entre données automatisées, encodage sémantique (manuel) et annotation critique, et la nécessité scientifique de bien définir quel type de recherche relève de quel type de données (recherche plein texte, extraction automatique d’entités nommées [personnes, lieux, titres d’œuvres etc. encodées selon les standards de la TEI], et recherches complexes, ciblées – par exemple généticiennes, thématiques, référentielles, etc. ­– à partir d’un balisage spécifique.

Un des exemples les plus spectaculaires des recherches rendues possibles par le traitement quantitatif de données massives dans le domaine épistolaire est la visualisation cartographique des échanges entre les correspondants : volumétrie des échanges, extraction par période temporelle, par correspondant, représentations constratives au sein du corpus global, etc. Menées à partir de l’inventaire (métadonnées) et non à travers le texte édité des lettres et documents, ces exploitations constituent actuellement une voie de recherche en plein essor sur les réseaux épistolaires, l’enrichissement des métadonnées permettant des filtrages qualitatifs des requêtes. Arnaud Bey (qui n’a pas pu se joindre au séminaire à cause des conséquences de la pandémie) ne pouvant présenter les derniers outils de visualisation sur lesquels il travaille, la présentation de ses résultats est remise à une prochaine réunion de l’équipe en présentiel, si possible en juin 2022. Mais dans la mesure où nous disposons depuis longtemps d’un inventaire exhaustif du corpus épistolaire de Proust, effectué par Caroline Szylowicz et actualisé par l’ensemble de l’équipe au fur et à mesure que de nouvelles lettres réapparaissent, la discussion mène à l’évidence que cet outil, actuellement interne au projet, gagnerait à être publié sur le site. En attendant que l’ensemble des lettres soient publiées, c’est en effet un outil de repérage et de recherches sans égal, et il constitue de toute façon la base de toutes les extractions cartographiques à venir. Un des volets du projet Corr-Proust soumis à l’ANR 2021 concerne précisément l’enrichissement qualitatif des recherches sur les réseaux de correspondants. [Après la semaine aux Treilles, nous avons appris que l’ANR avait retenu le projet.]

Un enjeu fondamental : l’encodage génétique

Une des spécificités du projet scientifique Corr-Proust concernant la recherche génétique dans l’épistolaire proustien, Nathalie Mauriac Dyer pose la question des modalités de balisage spécifique et propose plusieurs pistes d’encodage, soit dans les métadonnées, soit dans le texte, soit dans l’annotation critique. Reprenant une typologie élaborée lors de séminaires antérieurs sur la dimension génétique des lettres, on pourrait dans les métadonnées de chaque fichier inclure un descripteur permettant d’extraire les lettres concernant la documentation, les échanges avec des amis relecteurs, la gestion éditoriale, tout aussi bien que celles où l’écrivain se confie sur ses projets, essaie des formules – cette analyse de contenu ne pouvant pas être automatisée par des outils lexicométriques mais relevant de l’expertise génétique des spécialistes, pouvant lors de l’annotation scientifique inclure des mots-clefs adéquats afin de permettre ensuite des extractions ciblées (sous-corpus) à travers l’ensemble du corpus épistolaire. Autres pistes discutées en termes de faisabilité avec les ingénieurs du projet et en termes de pertinence avec les chercheurs proustiens : la création de « notes génétiques » dans l’annotation critique, la TEI permettant de différencier divers « types » de notes ; et aussi la possibilité d’extraire automatiquement les liens génétiques (vers les manuscrits de travail sur Gallica) insérés dans les notes, sur l’ensemble du corpus ou en croisant différents critères de recherche (par dates, correspondants, etc.).

Recherche thématique, recherche lexicométrique

La recherche thématique à travers le texte des lettres peut relever de deux démarches différentes : soit une recherche lexicométrique extrêmement riche et complexe à partir de logiciels d’exploration lexicale, soit une recherche plus simple à partir à partir d’un étiquetage par mots-clefs lors de l’encodage.

Olivier Kraif, chercheur spécialisé en linguistique outillée, qui a développé le logiciel Lexicoscope, a présenté à l’équipe cet outil conçu pour l’interrogation de corpus arborés.

Les vicissitudes liées à la pandémie ont permis une présentation théorique et une démonstration à distance des différentes fonctionnalités de ce type de recherches linguistiques et stylistiques ; mais le maniement pratique par les participants sur les données proustiennes aurait nécessité un encadrement présentiel. Le Lexicoscope, outil en libre accès, traitant des fichiers encodés en xml aussi bien qu’en texte brut, présente des fonctionnalités de recherche beaucoup avancées que d’autres outils de textométrie expérimentés jusque-là par l’équipe.

Utilisé par le projet ANR PhraséoRom (du laboratoire LIDILEM de l’Université Grenoble Alpes) qui explore des schémas génériques de phraséologie littéraire, dont un axe en cours de développement concerne le style épistolaire, cet outil de fouille de données textuelles retient toute l’attention de l’équipe, qui souhaite maintenir le contact avec O. Kraif pour une expérimentation ultérieure (atelier ou journée d’étude à prévoir).

Outils de gestion des données Corr-Proust, sites de référence

L’un des objectifs du séminaire étant de favoriser l’intégration à notre équipe internationale de nouveaux participants du projet, plusieurs séances ont été consacrées à la présentation et l’expérimentation (en mode atelier) des outils de gestion des données du projet. Julien Berthelon a présentaté la base de données SharePoint, Caroline Szylowicz l’inventaire, son actualisation, l’inclusion des inédits et le système d’identifiants uniques, et des discussions ont été consacrées à la place des notices biographiques des correspondants au sein du projet Corr-Proust (présentations par Pyra Wise et Virginie Greene).

Yuri dos Anjos (qui a suivi le séminaire depuis la Nouvelle-Zélande, les frontières étant fermées jusqu’à nouvel ordre à cause de la pandémie) a, de son côté, présenté la base de données qu’il a réalisée, répertoriant et donnant accès à l’ensemble des écrits de presse de Proust. La nouvelle « tranche » du projet (1907-1914) étant une période caractérisée par la publication par Proust de nombreuses chroniques dans la presse, ce site constituera une ressource précieuse pour l’annotation et le référencement – constituant une des briques de cet « U-book » défini par V. Greene.

François Proulx (« Pratiques de citation et questions de droits dans l’édition numérique Corr-Proust ») ouvre aussi une discussion capitale sur la question des droits de citation et d’utilisation, la collaboration avec les bibliothèques patrimoniales et les fonds d’archives étant au cœur du projet, et un affichage visible des copyrights et des conditions d’utilisation étant nécessaire pour l’accès à ces documents numérisés.

Les deux années de pandémie (2020 et 2021) n’ayant pas permis à l’équipe de se réunir en présentiel contrairement aux années précédentes, cette semaine de séminaire aux Treilles était capitale pour la poursuite des discussions sur les outils internes, leur enrichissement, leur évolution, ainsi que pour l’intégration des nouveaux membres et pour faire le point sur les prochaines étapes éditoriales.

Les conditions de séjour idéales offertes par le domaine des Treilles permettant de prolonger les présentations formalisées, les discussions scientifiques et les expérimentations en atelier par des échanges plus informels mais tout aussi importants dans la vie d’une équipe internationale, cette semaine de séminaire a été très productive, notamment par les décisions qu’elle a permis de prendre en toute connaissance de cause pour les modalités d’encodage, le choix des outils, et leurs enjeux. Les participants expriment leur profonde gratitude au personnel et à la Fondation pour l’accueil dont ils ont bénéficié.