Groupe ARAPI : Véronique Traverso, Catherine Pinon, Loubna Dimachki, Lina Choueiri

Ce billet discute une première série de questions pratiques auxquelles doit répondre toute personne qui entreprend de confectionner un corpus d’arabe parlé en vue de la recherche. Nous posons et traitons ces questions ici dans la perspective d’une approche pragmatique et interactionnelle des pratiques linguistiques. Ces approches reposent sur une conception située du langage, selon laquelle les usages sont à la fois formatés par la situation dans laquelle les locuteurs se trouvent, et eux-mêmes constitutifs de cette situation. Les approches interactionnelles s’intéressent spécifiquement à ce que l’on peut considérer comme “l’habitat” naturel du langage, les interactions de la vie sociale, construites par une alternance de prises de parole. Confectionner des corpus, et par voie de conséquence transcrire des données, pour décrire ces pratiques ne consiste pas à accumuler des quantités de mots transcrits et annotés. D’autres exigences se font jour, telles que la recherche de la “naturalité des données” et la notation des phénomènes souvent minuscules (une hésitation, la prononciation d’un son) qui sont nécessaires aux analyses.

Par rapport au cas d’autres langues, certaines caractéristiques de la langue arabe posent des problèmes spécifiques, qui complexifient l’entreprise de confection de corpus de langue parlée.

1. Les types de données : interactionnelles et naturelles

Les ressources auxquelles les locuteurs recourent pour parvenir à se comprendre dans leur vie sociale sont hétérogènes. Elles sont à la fois multimodales (gestes, regards, postures, manipulation d’objets, occupation de l’espace, etc.) et linguistiques. Elles sont mises en œuvre en fonction des besoins pratiques des locuteurs, eux-mêmes liés aux activités dans lesquelles ils sont engagés. Elles se déploient temporellement au cours de ces activités.

On parle de “ressources” pour signifier que l’approche est non normative. Elle se fonde sur l’observation et la description des usages effectifs des locuteurs. Ainsi, de nombreux phénomènes généralement considérés comme des usages relâchés, désorganisés, voire fautifs, de la langue (sur le plan syntaxique notamment), sont en réalité la trace du travail temporalisé et collaboratif que les locuteurs effectuent avec et sur les ressources qu’ils utilisent pour communiquer, en les combinant, les organisant temporellement et séquentiellement, et en les bricolant. Pour décrire ces ressources il faut travailler sur des données naturelles, c’est-à-dire des données qui ne sont pas produites pour les besoins de la recherche, ni dans une situation construite par le chercheur, comme consulter son médecin, inviter ses amis ou répondre à des questions pour la promotion de son film par exemple (voir Mondada 2000 sur la naturalité des données).

Bien que ce ne soit pas l’objet du présent billet, il importe de dire quelques mots des conditions de collectes de ce type de données. En effet, enregistrer des personnes dans les situations sociales, que ce soit sous forme audio ou vidéo, nécessite d’obtenir leur autorisation. Il faut avoir leur consentement éclairé, c’est-à-dire leur accord à être enregistrées après avoir été informées de l’usage qui sera fait des données, et du type de recherche entrepris. Les personnes doivent, non seulement consentir à être enregistrées, mais également spécifier le type d’usage qu’elles autorisent pour les données (usage du seul chercheur collecteur, usage ouvert à un plus grand nombre de personnes, autorisation de diffusion d’extraits de l’enregistrement dans des cours ou dans des conférences, autorisation à la mise en ligne dans des bases dédiées à la recherche, etc.).

Le plus souvent, dans les formulaires de demande de consentement éclairé (voir des exemples de formulaires sur le site http://icar.cnrs.fr/projets/corinte/recueil/autorisation.htm), les chercheurs s’engagent, de surcroît, à anonymiser les données qui seront diffusées (anonymisation de toutes les données à caractère personnel ; “bipage” et floutage de ces mêmes données à caractère personnel sur les données audio et vidéo).

Ces procédures d’anonymisation sont mises en œuvre dans les données primaires aussi bien que dans les données secondaires, les transcriptions, dont nous allons parler maintenant.

2. La transcription des données

Une des règles d’or de la transcription est qu’elle s’effectue en fonction des objectifs des analyses. Ceci concerne d’une part sa granularité – le degré de détails qu’elle rend visibles –, mais aussi, et plus globalement, le choix des types de notation. Les expériences antérieures acquises avec les bases de données de langue parlée ont conduit au constat que leur utilisation, pour des études qualitatives en particulier, exigeait le plus souvent du chercheur qu’il “retouche” les transcriptions mises à sa disposition pour les adapter plus finement à ses besoins, en termes de forme de représentation et de notation de tel ou tel phénomène. La transcription des données mises à disposition dans une base de données a donc intérêt à viser une granularité moyenne, chacun pouvant ensuite affiner les aspects qui sont nécessaires à sa recherche. A partir de là, deux principes peuvent être formulés :

1) assurer un accès aux sources primaires est essentiel (d’où l’importance des questions éthiques et juridiques, rappelées ci-dessus)

2) la transcription des données mises à disposition dans les bases de données vise le plus souvent une granularité moyenne ; elle doit permettre à chaque chercheur d’identifier les phénomènes qui l’intéressent, et qu’il pourra alors transcrire de façon plus fine

La transcription est une représentation écrite de la parole. Elle peut être orthographique ou phonétique. Les analyses interactionnelles optent généralement pour une transcription orthographique, plus facile à lire, intégrant souvent des adaptations orthographiques (par exemple pour le français, la notation des chutes de sons, ex. “t` l’as pas r`pris” pour “tu l’as pas repris”, avec l’utilisation d’apostrophes standard et d’antiquotes pour distinguer les types d’élisions, cf. la convention ICOR, http://icar.cnrs.fr/projets/corinte/documents/2013_Conv_ICOR_250313.pdf).

Pour l’arabe parlé, la question est plus complexe pour plusieurs raisons. D’une part parce que les dialectes, qui sont utilisés dans l’essentiel des échanges sociaux quotidiens, n’ont pas d’orthographe standardisée en caractères arabes qui pourrait servir de référence (y compris pour être adaptée, comme on le fait pour le français ou pour l’anglais). D’autre part, parce que l’écriture arabe dispose de possibilités réduites de notation des sons (voyelles), ce qui rend impossible un rendu précis de ce qui est prononcé. Chacune des représentations, phonétique ou orthographique, présente ses avantages et ses inconvénients, qui ont été discutés de façon approfondie dans plusieurs travaux. On peut résumer les choses en quelques aspects essentiels.

2.1. La notation en caractères arabes

La notation en caractères arabes, si elle est plus facile à lire, et plus naturelle pour les locuteurs de la langue – encore que l’émergence de l’arabizi (notation de l’arabe en caractères latins et chiffres arabes, voir billet Corpus d’arabe parlé 3) vienne quelque peu redéfinir le paysage –, ne permet pas de noter les spécificités de prononciation qui justement caractérisent en grande partie les dialectes. Elle reste toujours ambiguë, puisqu’un même son peut être noté par différentes graphies. Diab et Habash (2014) dénombrent ainsi pour le son [ʔ], hamza (“coup de glotte”) les graphies suivantes : ا – أ     – إ –  آ- ئ -ؤ – ء – http://emnlp2014.org/tutorials/4_notes.pdf. Inversement, un signe graphique peut noter plusieurs sons, par exemple la lettre ق , qui peut noter [q], [ʔ] ou [g]. Enfin, autre difficulté, l’absence d’orthographe standardisée des dialectes conduit à de grandes variations dans les manières de noter la même chose. Habash et al., 2018, identifient sur internet, à l’aide du moteur Google Search, vingt-sept manières différentes de noter /mabiʔulha:ʃ/ ‘he does not say it’ (« il ne le dit pas ») pour le dialecte égyptien (http://www.lrec-conf.org/proceedings/lrec2018/pdf/395.pdf).

Dans le but de résoudre ce problème, des chercheurs en traitement automatique des langues ont développé un système orthographique conventionnel pour les dialectes (le système CODA, Conventional Orthography for Dialectal Arabic), basé sur l’arabe moderne standard (MSA, Modern Standard Arabic). Dans ce système, on ne note pas les voyelles brèves, donc on n’utilise pas de signes diacritiques (sauf la chadda), et on n’incorpore aucun trucage. Le système est conçu pour permettre la notation de tous les dialectes, mais préserve les spécificités (“Pan-Arabic but specific”) par le recours à une série de règles et une liste d’exceptions propres à chaque dialecte (Habash, Diab & Rambow 2012).

2.2. Les transcriptions phonétiques

Les transcriptions phonétiques de leur côté permettent de s’approcher au plus près des prononciations, et de rendre compte des phénomènes de variation. En contrepartie, elles ne valent que pour le dialecte concerné contrairement à la notation orthographique (cf. Maamouri et al. 2004 a et b). Par ailleurs, elles sont extrêmement coûteuses en temps, car elles demandent une grande précision, puisque la notation repose sur la perception, et non sur une norme telle que l’orthographe. Par conséquent, le temps de formation des transcripteurs est long. Enfin, en raison de leur finesse et du temps nécessaire à leur réalisation, elles rendent plus difficile la réalisation d’une transcription sans erreur. Nous ne résistons pas à citer à ce propos ce commentaire de Carayol, Chaudenson & Fattier à propos de la réalisation des transcriptions pour les atlas de langue, ici le créole réunionnais (2009 : 87) :

Les formations que nous avons conduites, avec les étudiants réunionnais, sur la transcription des corpus recueillis, nous ont largement démontré combien la restitution graphique de l’oral est incertaine, à partir du moment où elle ne s’opère pas dans le cadre commode d’une standardisation graphique. Ainsi, la finesse de la notation phonétique des auteurs d’atlas laisse-t-elle souvent pantois le lecteur, mais on ne peut que l’admirer sans être en mesure ni de la contester ni de la vérifier, puisqu’il est impossible de la confronter à une nouvelle écoute des énoncés en cause.

On peut ajouter que la variabilité dans les notations peut dépendre, non seulement d’erreurs, mais aussi de différences de perception, et qu’elle est favorisée par la fatigue du transcripteur, s’il transcrit trop longtemps. Pouvoir vérifier la transcription est une des raisons de l’importance du principe de mise à disposition des données primaires (cf. principe 1).

Le choix souvent fait aujourd’hui pour la confection de corpus destinés à être partagés, et plus encore à être traités avec des outils de recherche automatique, est de réaliser des transcriptions comportant au moins deux lignes (appelées “tiers” dans les logiciels d’alignement son/image/texte, comme Praat ou Elan), l’une proposant une transcription orthographique (en caractères arabes) et l’autre une transcription phonétique. C’est le cas par exemple de la base de données Corpafroas ou des corpus du LDC (cf. billet Corpus d’arabe parlé 1). Les caractéristiques de l’arabe parlé et des dialectes conduisent ainsi à formuler un troisième principe.

3) Plusieurs “tiers” pour la transcription des corpus arabes sont préférables pour fournir les informations nécessaires aux recherches

C’est la solution qui permet de bénéficier des avantages des différentes formes de représentations, et notamment de rechercher à l’aide d’outils dans la “tier” en caractère arabes, tout en disposant d’une transcription fine, nécessaire pour les études linguistiques, dans la ou les tiers en caractères latins.

Bibliographie

• Carayol R., Chaudenson R., Fattier D. (2009). “De quelques corpus oraux de créoles français”, Cahiers de Linguistique de Louvain, 33, 281-99.
• Diab M., Habash N. (2014). “Natural Language Processing of Arabic and its Dialects”, http://emnlp2014.org/tutorials/4_notes.pdf.
• Habash N., Soudi A., Buckwalter T. (2007). “On Arabic Transliteration”, in Soudi A., Bosch A., Neumann G. (eds). Arabic Computational Morphology. Text, Speech and Language Technology, 38. Springer, Dordrecht.
• Habash N., Diab M., Rambow O. (2012). “Conventional orthography for dialectal arab”,  http://www.lrec-conf.org/proceedings/lrec2012/pdf/579_Paper.pdf.
• Habash F., et al. (2018). “Unified Guidelines and Resources for Arabic Dialect Orthography”, http://www.lrec-conf.org/proceedings/lrec2018/pdf/395.pdf.
• Maamouri M., Graff D., Jin H., Cieri C. (2004a). “Dialectal Arabic Orthography-based Transcription & CTS Levantine Arabic Collection”. EARS PI Meeting and RT-04 Workshop, IBM Executive Conference Center, Palisades, NY, USA; November 7-11, 2004. http:// www.sainc.com/richtrans2004/
• Maamouri M., Buckwalter T., Cieri C. (2004b). “Dialectal Arabic Telephone Speech Corpus: Principles, Tool design and Transcription Convention”, in Proceedings of the NEMLAR Arabic Language Resources and Tools Conference Sept. 22-23, 2004. Cairo, Egypt, 55-60. https://www.researchgate.net/publication/228876943_Dialectal_arabic_telephone_speech_corpus_Principles_tool_design_and_transcription_conventions
• Mondada L. (2013). “The Conversation Analytic Approach to Data Collection”, in Sidnell, J. Stivers, T. (eds), Handbook of Conversation Analysis, Blackwell-Wiley, 32–56.

 Lina Choueiri est linguiste et se spécialise dans la syntaxe comparative des dialectes arabes. Elle est professeur à l’AUB.

 Loubna Dimachki est professeure associée au Centre des Sciences du Langage et de la Communication à l’Université Libanaise. Elle travaille dans le domaine de l’analyse des interactions, comparaison français / arabe et malentendus interculturels.

 Catherine Pinon est agrégée d’arabe. Spécialisée dans l’étude de la syntaxe de l’arabe contemporain et de la didactique de l’arabe langue étrangère, elle est associée à l’Ifpo depuis 2015.

 Véronique Traverso est directrice de recherche au CNRS, spécialiste de l’analyse des interactions. Elle est en poste à l’Ifpo Beyrouth depuis septembre 2017