Abstract :
[fr] L’efficacité de la statistique textuelle pour rechercher des proximités langagières et stylistiques n’est plus à démontrer depuis longtemps (cf. Fialon et al. 2015). Par ailleurs, diverses études (cf. Vanni et al. 2024) ont récemment montré que la déconvolution des réseaux neuronaux pouvait servir à détecter des zones d’intertextualités. Ma communication vise à évaluer le poids du genre littéraire tant dans l’identification de proximités entre auteurs et textes que dans le repérage de zones d’intertextualités. Dès lors, se pose la question de savoir dans quelle mesure les résultats varient en fonction d’un corpus homogène ou hétérogène du point de vue du genre : lors de la constitution d'un corpus de comparaison, vaut-il mieux se concentrer sur l'inclusion d'oeuvres d’un même genre littéraire ou ce choix pourrait-il conduire à l'exclusion de points de contact avec des oeuvres de genres différents ?
J’appuierai ma réflexion sur les lettres de Jérôme de Stridon, l’un des principaux Pères latins de l'Église : son corpus épistolaire (124 lettres) est comparable, pour la clarté de sa langue et l’ampleur des sujets traités, à celui des grands épistoliers classiques latins, Cicéron, Sénèque et Pline (Hritzu 1939, Canellis 2002). En partant des lettres de Jérôme comme corpus principal, j’ai constitué un deuxième corpus de comparaison (les deux ont été lemmatisés et étiquetés morphosyntaxiquement, Verkerk et al. 2020). Ce dernier est composé d'oeuvres classiques en prose appartenant à différents genres littéraires (historiographie, épistolographie, traité, roman, discours, consolatio, etc.) avec l’objectif de rechercher quels auteurs et quelles oeuvres appartenant à quel genre littéraire ont influencé le style des lettres de Jérôme.
J’appliquerai à ces corpus deux approches méthodologiques différentes, l’une fondée sur les méthodes traditionnelles de l’ADT, l’autre sur les réseaux neuronaux, pour souligner leurs atouts et inconvénients. À l’aide d’Hyperbase, je réaliserai une analyse contrastive sur différents niveaux (distance intertextuelle, AFC sur Part-Of-Speech (POS), cooccurrences), qui met en évidence les similitudes et les différences linguistiques entre les oeuvres des deux corpus. Ensuite, j’utiliserai Hyperdeep, un modèle de Deep Learning intégré à Hyperbase et entraîné sur le corpus de comparaison, chargé d’attribuer la paternité des lettres de Jérôme, pour en retracer les différentes influences stylistiques d'autres auteurs sur trois niveaux (forme, POS, lemme).
