Serge VERLINDE Thierry SELVA
←
→
Transcription du contenu de la page
Si votre navigateur ne rend pas la page correctement, lisez s'il vous plaît le contenu de la page ci-dessous
Serge VERLINDE
Thierry SELVA
NOMENCLATURE DE DICTIONNAIRE
ET ANALYSE DE CORPUS
Since the Dictionnaire des fréquences, published in 1971 by P. IMBS and based mainly
on literary texts, no real important frequency count of the French vocabulary has been
undertaken.
As we are working on a (electronic) learner’s dictionary for French (DAFLES -
Dictionnaire d’apprentissage du français langue étrangère ou seconde), we try to use
objective criteria for selecting the words described in our dictionary by an analysis of a 50
million words corpus of newspaper texts. A thorough comparison of our frequency list with
the word list of another French learner’s dictionary (Dictionnaire du français) and with the
list of the Dictionnaire des fréquences reveals unambiguously the strengths and the
weaknesses of our own word list. This comparison also shows the necessity of a corpus
analysis to give empirical evidence to the lexicographer’s personal intuition.
0. La nomenclature d'un dictionnaire est déterminée en fonction de son public-cible. Un
dictionnaire de langue monolingue destiné à des allophones se devra ainsi de ratisser large en
décrivant tout le lexique d'une langue, à l’exception des emplois désuets ou très techniques.
Le Petit Robert (PR), représentant type de cette catégorie de dictionnaires, en arrive ainsi à
une nomenclature de quelque 60 000 mots. Pour un dictionnaire destiné à des apprenants, par
contre, une sélection beaucoup plus poussée doit être effectuée. Il convient en effet de ne
retenir que le lexique auquel ces apprenants seront confrontés (décodage) et dont ils auront
besoin dans les situations de communication standard (encodage). La question qui se pose dès
lors est de savoir comment saisir ce lexique.
Les critères de sélection appliqués dans les nombreux dictionnaires pour apprenants
anglais sont essentiellement basés sur une analyse de corpus, comme par exemple dans le
Collins Cobuild. Il est vrai qu'il existe pour l'anglais de solides corpus, échantillons équilibrés
de langue parlée et de langue écrite actuelles réunissant différents "genres" de textes, avec
entre autres des extraits de textes journalistiques (journaux et magazines), de littérature, de
rapports et de lettres. Il s'agit pour l'essentiel des corpus The Bank of English (BOE, 2000) et
du British National Corpus (BNC, 2000).
La lexicographie française n'a, semble-t-il, pas véritablement suivi les grandes maisons
d'édition anglaises dans l'analyse systématique et automatisée de corpus de textes, même si
toutes les grandes maisons d'éditions françaises utilisent des bases textuelles lors de la
rédaction de leurs dictionnaires, et ceci malgré la voie tracée voici plus de trente ans par le
Trésor de la langue française (TLF). C'est ainsi que le seul véritable dictionnaire
d'apprentissage actuel pour le français, le Dictionnaire du français (DF) identifie ses quelque
22 000 entrées comme "les mots courants de la conversation et de la presse" (DF, 1999 : VII),
en des termes très généraux, sans préciser davantage sur quelle base la sélection de la
nomenclature a été effectuée.Dans le contexte d'un projet de dictionnaire d'apprentissage électronique du français
pour non-francophones (Dictionnaire d'apprentissage du français langue étrangère ou
seconde - DAFLES) que nous menons au sein de notre groupe de recherche (Grelep - Groupe
de recherche en lexicographie pédagogique), nous avons voulu objectiviser la procédure de
saisie de la nomenclature. Pour ce faire, nous avons constitué un important corpus de textes
(1.) que nous avons analysé sous différents angles (2.). Afin de tester la qualité de notre
nomenclature, nous avons procédé à une comparaison de notre nomenclature avec celle du
DF (3.) et avec la liste de fréquences tirée du corpus du TLF (1971-1994), qui continue à être
avancée par beaucoup comme la liste de référence pour le français (4.).
1. Corpus de textes.
Les seuls grands corpus de textes disponibles pour le français sont des corpus de textes
journalistiques et des corpus littéraires. Parmi les corpus littéraires, on compte la base de
données Frantext, accessible en ligne.1 Des textes littéraires peuvent également être
rassemblés par d'autres moyens, comme par exemple sur le site de la Bibliothèque
Universelle (ABU, 2000) où l'on trouve le texte intégral et téléchargeable de 267 oeuvres
littéraires françaises (situation en juillet 2000), ou sur des sites dédiés à certains auteurs en
particulier (Th. SELVA, 2000 par exemple). Il s'agit là toutefois de corpus essentiellement
"historiques".
Seuls les textes journalistiques peuvent fournir de véritables corpus importants de
langue courante actuelle, essentiellement grâce aux cédéroms d'archivage. C'est en utilisant la
fonctionnalité d'exportation des textes des articles des cédéroms 1998 des journaux Le Monde
(France) et Le Soir (Belgique) que nous avons constitué un corpus de taille moyenne,
comptant un peu plus de 54 millions de mots, soit approximativement 100 000 pages de texte
A4 ou plus de 350 Mo de texte en version électronique. Les composantes française et belge
ont été conservées séparément afin de pouvoir saisir les variantes géographiques.
Le corpus a ensuite été lemmatisé à l'aide du logiciel Cordial 6 (version universitaire).
Lors de la lemmatisation, chaque forme verbale est rattachée à son infinitif, sauf le participe,
qui est reconnu comme lemme indépendant dans un certain nombre de cas, chaque adjectif à
sa forme du masculin singulier et chaque substantif à sa forme au singulier. En ce qui
concerne le paramétrage de reconnaissance des expressions (combinaisons de mots ou
collocations), nous avons opté pour le découpage de ces unités. D’une part, ce choix est
justifié par le fait que les critères d’identification ne sont pas transparents. Ainsi, Cordial
semble isoler les unités lexicales que Benveniste appelle des synapsies (pomme de terre,
chemin de fer - M.-F. MORTUREUX 1997 : 53-54), mais pour des expressions moins figées,
l’identification est moins systématique : une expression comme travail à la chaîne est
reconnue, mais non une expression comme travail au noir. Le paramétrage choisi a pour
conséquence la scission systématique des unités indissociables comme afin de, quant à, etc.
ainsi que des mots composés, qui seront récupérés ultérieurement lors de l’analyse.2
L'application du logiciel à n’importe quel fichier texte donne lieu à la génération d’un
fichier où figurent trois colonnes : le mot du texte original, sa forme canonique (le lemme)
ainsi qu'une identification morphologique de chaque mot sous la forme d'une code
numérique. Un traitement informatique des fichiers de sortie Cordial a permis de restaurer le
texte sous son apparence d'origine, concaténé, avec, toutefois, des lemmes (ou des lemmes
accompagnés du code numérique) au lieu des formes originales. Le corpus lemmatisé compte
1
Pour plus d’informations, on se référera au site INALF (2000), sous la rubrique ‘ressources textuelles’.
L’accès à la base est possible moyennant le paiement d’un forfait annuel de 2 000 FRF hors taxes.
2
On avance généralement un taux d’erreur de 5 % lors de la lemmatisation automatique d’un texte.51 845 143 lemmes avec 25 727 742 lemmes pour le corpus Le Monde et 26 117 401 lemmes
pour le corpus Le Soir. L’écart entre les 54 millions de mots du corpus original et les quelque
52 millions de lemmes correspond aux fiches documentaires qui accompagnent chaque article
et que nous avons écartées.
Le processus de lemmatisation a donc permis d'enrichir les textes originaux de deux
types d'informations linguistiques supplémentaires : le lemme et l'identification
morphologique de chaque mot. En outre, il a été possible de récupérer, à l'aide de
programmes rédigés en C, des informations extra-linguistiques concernant les rubriques des
journaux, les dates, etc. Ces informations sont déterminantes pour mieux cerner le
vocabulaire typique à un domaine, pour évaluer la dispersion (ir)régulière d'un mot sur une
période, etc., analyses qui cadrent davantage dans des études de lexicométrie.
Une analyse poussée de ces fichiers de textes lemmatisés est possible grâce à des
logiciels d'analyse de textes, dont un certain nombre sont disponibles à des prix
démocratiques, voire même gratuitement sur Internet.3 Ces logiciels offrent un certain
nombre de fonctionnalités qui facilitent le travail du lexicographe, entre autres la possibilité
d'établir des listes de fréquences ou d'effectuer des recherches sur des mots simples, des mots
tronqués ou des combinaisons de mots, avec une série de concordances à la sortie.
2. Analyses de corpus : listes de fréquences
Selon A. JUILLAND (1970 : XVI), il faut faire remonter les premiers comptages
effectués sur des corpus de textes français aux années 20 avec les listes de fréquences de
V.A.C. HENMON (1924) et de G.E. VANDER BEKE (1929). Depuis lors, d’autres
comptages ont été réalisés, mais il faut bien reconnaître qu'ils sont souvent assez peu
performants dans la perspective de l'étude de la langue actuelle. Il y a bien évidemment la
liste de fréquences établie lors de l'élaboration du TLF pour un corpus de textes littéraires de
1789 à 1964 d'un peu plus de 70 millions de mots et de plus de 71 000 lemmes ; données qui
ont été exploitées exhaustivement par É. BRUNET (1981). Les travaux de A. JUILLAND
(1970) et de G. ENGWALL (1984) sont également basés sur des textes littéraires, avec un
nombre d'occurrences beaucoup plus restreint, aux alentours de 500 000 mots. Dans le
domaine littéraire, il y a en outre les listes de fréquences (des mots du texte et non des
lemmes) fournies avec chacune des oeuvres littéraires disponibles sur le site ABU cité
précédemment.
A notre connaissance, la seule liste de fréquences établie à partir de textes
journalistiques disponible à l'heure actuelle, est celle proposée par Jean VÉRONIS sur son
site web (VÉRONIS, 2000). Elle a été réalisée pour les textes du Monde diplomatique 1987-
1997 (11 139 376 d’occurrences) et comporte des formes non lemmatisées.
Pour la langue parlée, la seule liste accessible au grand public est celle de G.
GOUGENHEIM (1967), basée sur quelque 300 000 mots. D'autres projets sont mentionnés çà
et là (T. GREIDANUS, 1990 : 13 ; Cl. BLANCHE-BENVENISTE, 1996 : 27). L'ampleur du
travail de transcription constitue toutefois un frein important au développement de tels corpus
et de leur analyse.
Dans le domaine du français sur objectifs spécifiques, il existe également deux listes
établies pour le français commercial (A.A. LYNE 1985 et W. CLIJSTERS 1990), sur des
corpus plus restreints encore. Dans le Dictionnaire d'apprentissage du français des affaires
(DAFA), nous avons utilisé des comptages effectués sur un corpus de 25 millions de mots de
textes journalistiques et scientifiques pour assigner à chaque mot de la nomenclature
3
On se reportera au site du Grelep (VERLINDE, 2000) pour l’adresse de sites qui font l’inventaire de ces
logiciels.économique du dictionnaire une indication de fréquence relative en fonction de quatre
tranches de fréquence.
2.1. Liste de fréquences du corpus complet
Pour établir la liste de fréquences de notre corpus de 51 845 143 millions de lemmes, et
par voie de conséquence la nomenclature de notre dictionnaire d'apprentissage, nous avons
écarté en premier lieu tous les mots étiquetés comme nom propre (6,53 % du total des
lemmes). Nous comptons récupérer ces informations à un stade ultérieur de la rédaction du
dictionnaire.
Le corpus original sans les noms propres comprend 48 458 014 lemmes, avec 73 975
lemmes différents pour la partie Le Monde et 102 594 lemmes différents pour la partie Le
Soir. Après avoir fusionné les deux listes, nous avons isolé les lemmes à fréquence supérieure
à 100 et soumis cette liste à un examen minutieux qui nous a amenés à une correction
manuelle d'erreurs de lemmatisation. En effet, comme l'illustre le tableau 1, la liste à l'étude
présentait des lemmatisations déviantes sous la forme d'une série de formes du féminin ou du
pluriel (autres, financière, ancienne, etc.) ainsi que des erreurs de lemmatisation manifestes
(jusqu pour jusque, yeu pour oeil, matche, etc.). Les premiers lemmes ont été rattachés à la
forme canonique et les quelques erreurs de lemmatisation corrigées à la main.
lemme déviant fréquence
aujourd 34671 seule 2861
hui 34668 spécialiser 2758
jusqu 30282 internationale 2754
autres 21665 bureaux 2572
parce 15397 sportive 2534
afin 10954 haute 2525
quant 9937 éventuelle 2522
financière 8766 législative 2483
auprès 7638 nationale 2271
tandis 7231 traditionnelle 2260
plupart 6917 différents 2225
yeu 6673 quelqu 2169
première 6473 matche 2128
ancienne 6355 présidentielle 2002
toute 5363 blair 1948
nombreuse 5355 sainte 1936
actuelle 4840 sexuelle 1725
sociale 4727 encontre 1667
professionnelle 4475 exceptionnelle 1643
est-à-dire 4445 tableaux 1630
cents 3513 éliminé 1598
principaux 3484 positive 1590
française 3394 annuelle 1587
locale 3368 individuelle 1580
dernière 3034 définitive 1546
beaux 3007 ores 1504
Tableau 1. Lemmatisations déviantes (échantillon - fréquence supérieure à 1 500).En outre, quelques noms propres qui n’ont pas été reconnus comme tels par Cordial,
comme par exemple Blair, Festina, Jacquet ou Gaulle ont également été écartés de la liste.
Dans les cas où un participe passé coexistait avec un infinitif, nous n'avons retenu le
participe employé comme adjectif que là où l'emploi adjectival était évident. Dans de
nombreux cas toutefois, la décision reste purement subjective. Ce fait ne surprend pas si l'on
compare par exemple les nomenclatures du PR et du DF qui sont en désaccord fréquent quant
au statut que doit recevoir la forme du participe passé. Parmi de nombreux autres exemples
on citera domicilier (PR, uniquement à l’infinitif) et domicilié (DF, uniquement comme
adjectif).
Dans le tableau, on voit également apparaître les unités lexicales composées d’au moins
deux éléments tels que parce que, afin de, quant à, auprès de, à l’encontre de, etc., qui n’ont
pas été reconnues comme telles suite au paramétrage de lemmatisation choisi. Nous avons
reconstitué ces unités lexicales pour les intégrer également à notre liste de lemmes. Le
nombre d'occurrences des particules que, de et à dans ces unités lexicales a été déduit de leur
total.
Le mot aujourd'hui qui, lors de la lemmatisation, avait été scindé, a été reconstitué.
Suite au paramétrage, la lemmatisation de Cordial scinde pratiquement
systématiquement les mots composés avec trait d'union. Pour les récupérer, nous avons utilisé
le corpus non lemmatisé pour en extraire tous les mots composés avec trait d'union. Ceux qui
présentaient une fréquence supérieure à 100 ont été ajoutés sous forme lemmatisée à notre
liste de fréquences. En guise d'illustration, nous avons consigné dans le tableau 2 les mots
composés (non lemmatisés) les plus fréquents (fréquence supérieure à 2 000) que nous avons
extraits du corpus non lemmatisé.
noms composés fréquence
non lemmatisés totale
mots-clés 38688 jean-marie 3848
comptes-rendus 24366 *porte-parole 3613
etats-unis 17175 est-il 3516
*peut-être 10617 grande- 3448
bretagne
a-t-il 7382 jean-luc 3084
*lui-même 6701 *ceux-ci 2961
*week-end 6334 jean-louis 2881
jean-pierre 6046 dit-il 2851
*celui-ci 5631 p-b 2770
*au-delà 4976 *elle-même 2654
e-u 4841 *eux-mêmes 2538
*celle-ci 4780 jean-paul 2537
est-ce 4629 faut-il 2356
pays-bas 4551 *vice-président 2277
*après-midi 4387 *demi-finales 2206
*rendez-vous 4360 *au-dessus 2203
jean-claude 4358 *vis-à-vis 2030
Tableau 2. Mots composés (non lemmatisés) les plus fréquents (échantillon - fréquence
supérieure à 2 000).
Les mots précédés de l'astérisque ont été intégrés, après lemmatisation manuelle, dans
la liste de lemmes à fréquence supérieure à 100 ; les autres étant des formes verbales, desabréviations ou des noms propres.4 L’intégration de ces mots composés a donné lieu à une
réduction proportionnelle de la fréquence de chacune des composantes dans la liste de
fréquences des lemmes.
Ni les homonymes grammaticaux (bien (nom) et bien (adverbe)), ni les homonymes
sémantiques (voler (dérober) et voler (se mouvoir dans les airs)) n’ont pu être différenciés.
Dans le DAFLES, des indications de fréquence sont établies pour chaque homonyme
séparément. Pour le premier type d’homonymes, nous procédons à un comptage des codes
numériques différents assignés par Cordial à chaque homonyme ; pour le second, nous
effectuons un comptage manuel sur un échantillon du texte.
Suite aux corrections de lemmatisation présentées ci-dessus et à l’exclusion des sigles,
des abréviations et des chiffres romains, la liste originale de 13 247 lemmes supérieurs à la
fréquence 100 a été ramenée à une liste de 12 156 lemmes.
Au premier abord, l'importance de cette liste et donc de la future nomenclature du
DAFLES contraste avec les quelque 22 000 entrées du DF. Elle est toutefois largement
suffisante si l'on tient compte du fait que ces 12 156 lemmes couvrent 93,14 % de tous les
mots de notre corpus d'origine, déduction faite des noms propres. Le tableau suivant illustre
l'évolution de la couverture des textes d'origine en fonction du nombre de lemmes (colonne
rang) et de la fréquence des lemmes (colonne occurrences). L'appartenance d'un mot à l'une
des classes distinguées sera reflétée dans le dictionnaire par l'assignation d'une combinaison
d'astérisques (dans la colonne ‘indication fréquence’) : de cinq (pour les mots les plus
fréquents) à un (pour les mots entre les rangs 3 921 et 12 156).5
classe indice de rang occurrences % (arrondi) du
fréquence - texte (sans
DAFLES noms propres)
couvert
1 ***** = 11 183 66
2 **** = 5 273 75
3 *** = 2 482 82
4 ** = 854 88
5 * = 100 93
6 < 100 100
Tableau 3. Répartition des lemmes par tranche de fréquence.
On notera que l'ajout d'une tranche de 10 000 lemmes supplémentaires, faisant passer la
nomenclature de quelque 12 000 à quelque 22 000 lemmes, ne fait augmenter la couverture
des textes que de 1 % approximativement, soit une proportion dérisoire par rapport à
l'importance du stock de mots à prendre en considération.
Les annexes 1, 2 et 3 présentent trois extraits de la liste de fréquences pour l'ensemble
du corpus.
4
On notera que les deux premiers mots de la liste sont surreprésentés puisqu'ils apparaissent systématiquement
dans les fiches documentaires qui accompagnent les textes d'origine. Comme nous l’avons signalé, ces fiches
documentaires ont été écartées de la version lemmatisée du corpus.
5
A titre de comparaison, les deux premières tranches de fréquence du dictionnaire d'apprentissage anglais
Collins Cobuild rendent compte de 75 % des textes du corpus utilisé, mais avec 1 900 mots, soit le double du
français.Lorsque l'on parcourt la liste complète, on est frappé par le nombre assez important de
termes spécifiques à la langue parlée qu'elle recèle (maman (rang 3502, fréquence 1025),
papa (rang 4091, fréquence 795), job (rang 5658, fréquence 450), sympa (rang 7152,
fréquence 293), bosser (rang 8875, fréquence 192), bouffer (rang 10653, fréquence 132),
gaffe (11170, fréquence 119), etc.) tout comme un nombre assez important de formes
tronquées de mots, dont la présence aussi massive dans un corpus écrit peut surprendre (pro
(rang 2470, fréquence 174), prof (rang 3580, fréquence 986), ado (rang 6024, fréquence 403),
sympa (rang 7152, fréquence 293), manif (rang 7488, fréquence 267), maths (rang 8194,
fréquence 226), accro (rang 9476, fréquence 167), métallo (rang 11283, fréquence 117), etc.).
On y retrouve également des séries de co-hyponymes complètes, tels les jours de la
semaine et les mois de l'année, ainsi que la plupart des termes qui indiquent le degré de
parenté (père (rang 592, fréquence 8882), mère (rang 922, fréquence 5776), parent (rang 795,
fréquence 6795), fils (rang 993, fréquence 5270), fille (rang 674, fréquence 7802), enfant
(rang 148, fréquence 24607), grand-père (rang 4886, fréquence 588), grand-mère (rang 5249,
fréquence 517), grands-parents (rang 7595, fréquence 260), oncle (rang 4455, fréquence
691), tante (rang 6780, fréquence 327), neveu (rang 7357, fréquence 276), nièce (rang 11091,
fréquence 121), mais non les combinaisons avec arrière (-grand-parents, -grand-père et -
grand-mère).
En ce qui concerne les adjectifs dérivés de noms géographiques, il va de soi que
l'actualité détermine en partie l'absence ou la présence de certains adjectifs (bosniaque (rang
6481, fréquence 353), zimbabwéen (rang 9757, fréquence 158), kosovar (rang 11629,
fréquence 110) entre autres). De même, on note l’influence du pays d'origine du quotidien,
compte tenu de la fréquence élevée des mots brabançon (rang 4003, fréquence 825), brainois
(rang 10143, fréquence 145), borain (rang 6796, fréquence 325), etc. dans le journal Le Soir,
où la rubrique des informations locales occupe une place importante. Au rédacteur du
dictionnaire de décider bien évidemment de la pertinence de ces termes.
2.2. Listes de fréquences des corpus partiels Le Monde/Le Soir
Le fait de disposer de deux corpus provenant de deux communautés linguistiques
différentes offre la possibilité de cerner de façon relativement précise les termes spécifiques à
chacune de ces communautés. Il nous semble que les variantes géographiques les plus
fréquentes ont leur place dans un dictionnaire d'apprentissage, ne serait-ce que comme
révélateurs d'une réalité culturelle sous-jacente.
Pour établir les listes des termes spécifiques aux deux communautés (France : Le
Monde - Belgique : Le Soir) nous avons procédé à une double analyse.
En premier lieu, nous avons extrait des deux corpus les lemmes qui apparaissaient moins de
20 fois dans l'autre corpus. Dans le tableau 4 est consigné le résultat de cette comparaison
pour les lemmes les plus fréquents du corpus Le Monde.
lemme fréquence
corpus Le
Monde
ballottage 1565 *snes 280
*insee 781 *ena 261
*cnpf 743 préfectoral 253
*mdc 647 baccalauréat 240
*smic 497 *gdf 239
*rmi 464 *secam 238
cantonal 446 *loto 238*cgc 422 *unef 219
*cftc 412 *bts 213
*anpe 376 * cdd 208
*ratp 358 intéressement 206
*unedic 320 *afb 200
minitel 313 *iut 200
*rmc 285
Tableau 4. Échantillon de lemmes : fréquence >= 200 corpus Le Monde/= 500 corpus Le Soir/Une deuxième analyse porte sur la fréquence relative des termes à fréquence supérieure
à 20 dans les deux corpus. La faible fréquence absolue dans un corpus n'est en effet pas le
seul critère pour identifier un lemme comme caractéristique d'une communauté linguistique ;
la probabilité d'emploi en constitue sans conteste un autre. Comme les journaux relatent les
informations des pays voisins, beaucoup de termes propres aux pays limitrophes se glissent
dans les textes, mais certainement pas dans les mêmes proportions. C'est sur cette
constatation qu'est basée notre deuxième analyse. Dans un premier temps, nous avons ramené
toutes les fréquences absolues des lemmes à leur probabilité d'apparition dans leur corpus
respectif selon la formule suivante :
p = nombre d'occurrences total du lemme/nombre total d'occurrences dans le corpus partiel
Un mot comme français présente ainsi une probabilité d'apparition de p=0,0011 (28 969
occurrences/25 727 742 lemmes) dans le corpus Le Monde et de p=0,0006 dans le corpus Le
Soir. Inversement, belge a une proportion d'apparition de p=0,0009 dans le corpus Le Soir
contre p=0,00007 dans le corpus Le Monde.
Ce calcul, appliqué à la totalité des lemmes à fréquence supérieure à 20, révèle une
proportion d'emploi nettement plus élevée des lemmes suivants dans le corpus Le Monde
(tableau 6). La liste ne reprend que les disparités les plus flagrantes, illustrées par
l'importance du chiffre qui accompagne le lemme. Les sigles et les abréviations sont à
nouveau précédés de l'astérisque.
lemme fréquence relative x fois plus
importante dans le corpus Le
Monde par rapport au corpus Le
Soir
*cfdt 66,5
*cgt 61,9
*rpr 51,6
*udf 37,5
départemental 32,6
*sncf 29
*edf 25,5
*cnrs 24,5
*cac 20,8
préfet 19,2
*pcf 18,6
*bnp 16,6
lycéen 14
*fo 12,9
lyonnais 12,4
interministériel 11,4
Tableau 6. Mots typiques du corpus Le Monde (échantillon).
Dans la suite de la liste, on relève d'autres mots plus spécifiques au français de France,
tels que cantonal, préfecture, maire, lycée, préretraite, etc.
Les mots nettement plus utilisés dans le corpus Le Soir que dans le corpus Le Monde
sont les suivants (tableau 7).lemme fréquence relative x fois plus
importante dans le corpus Le Soir
par rapport au corpus Le Monde
wallon 126,6
bruxellois 47,1
communal 44,7
*sp 43,6
anversois 40,5
tram 35,4
subside 34,3
duché 23,2
infographie 22,5
flamand 22,4
*mcc 21,6
dixit 19,3
volley 17,7
coach 17
voirie 15,4
ardennais 15
urbanistique 14
*pj 13,4
germanophone 12,9
Tableau 7. Mots typiques du corpus Le Soir (échantillon).
Plus loin dans la liste apparaissent des termes comme provincial, intercommunal,
braderie ou régionaliser qui sont également davantage propres au français de Belgique.
Ces quelques exemples montrent comment, en disposant de deux corpus provenant de deux
communautés linguistiques différentes, il est possible, par simple comparaison, d'extraire
d'intéressantes informations quant aux termes et aux sigles propres à chacune de ces
communautés. Ici aussi, le rédacteur du dictionnaire devra décider si ces informations sont
pertinentes par rapport à son public-cible.
Un autre aspect de la vie de la langue qui peut être saisi à partir de cette comparaison de
corpus est l'assimilation de mots anglais. De ce point de vue, la France a toujours adopté une
politique de défense de la langue en proposant avec un succès inégal de nombreuses
alternatives aux termes anglais, principalement dans des domaines comme l'économie ou
l'informatique, voire pour le vocabulaire de la vie quotidienne. Sans avoir ici des données
complètes à fournir, il semble toutefois que les termes anglais sont bien représentés, tant dans
le corpus Le Monde que dans le corpus Le Soir. Dans ce dernier, les mots anglais sont
légèrement plus fréquents, bien que, à quelques rares exceptions près, que nous avons fait
précéder d’un astérisque, la différence de fréquence ne soit pas vraiment pertinente. Le
tableau 8 présente un échantillon de mots anglais relevés dans les deux corpus.
mot anglais fréquence fréquence
corpus Le Monde corpus Le Soir
business 446 471
*coach 83 1424
cool 108 169
design 305 312
efficience 27 23efficient 14 23
fast-food 42 88
goal 69 108
*goodwill 2 48
*hardware 4 15
holding 573 505
internet 4178 2272
joint(-)venture 84 95
leasing 29 69
lobbying 137 114
marketing 847 767
software 7 17
*team 76 590
trader 48 35
Web/web7 1057 514
Tableau 8. Échantillon de mots anglais relevés dans les corpus.
Une étude plus approfondie du phénomène serait nécessaire. Dans un certain nombre de
cas, le terme français équivalent semble s'être imposé, comme par exemple dans le cas de
logiciel (respectivement 1 392 et 721 occurrences dans les deux corpus, contre 7 et 17 pour
software), alors que pour d'autres mots, le terme anglais semble bien ancré, comme pour Web
ou internet face à toile, qui apparaît moins de 200 fois dans le corpus Le Monde, voire moins
de 20 fois dans le corpus Le Soir, ou encore marketing face à mercatique, qui doit se
contenter de 2 attestations dans l’ensemble du corpus.
3. Comparaison liste de fréquences - nomenclature du DF
3.1. Congruence des listes
Comme nous l'avons fait remarquer ci-dessus, le DF met en évidence le fait que sa
nomenclature couvre la langue journalistique et la langue parlée quotidienne. L'on s'attendrait
dès lors à retrouver l'essentiel des mots de notre nomenclature dans celle de ce dictionnaire
d'apprentissage. Tel n'est pas vraiment le cas puisque 12,1 % des mots de notre liste de
fréquences n'y apparaissent pas. La progression du décalage entre les deux listes est
inversement proportionnelle à la fréquence des mots (tableau 9).
tranche de notre nombre de pourcentage nombre pourcentage
liste de mots sur cette cumulé cumulé
fréquences absents du tranche
DF
0-500 0 0 0 0
501-1000 2 0,4 2 0,2
1001-1500 3 0,6 5 0,3
1501-2000 1 0,2 6 0,3
2001-2500 10 2 16 0,6
2501-3000 16 3,2 32 1,1
3001-3500 18 3,6 50 1,4
7
La graphie avec majuscule, étiquetée comme nom propre lors de la lemmatisation, est la plus courante dans le
corpus.3501-4000 28 5,6 78 2
4001-4500 40 8 118 2,6
4501-5000 45 9 163 3,3
5001-5500 48 9,6 211 3,8
5501-6000 61 12,2 272 4,5
6001-6500 58 11,6 330 5,1
6501-7000 67 13,4 397 5,7
7001-7500 39 7,8 436 5,8
7501-8000 87 17,4 523 6,5
8001-8500 80 16 603 7,1
8501-9000 102 20,4 705 7,8
9001-9500 120 24 825 8,7
9501-10000 115 23 940 9,4
10001-10500 110 22 1050 10
10501-11000 129 25,8 1179 10,7
11001-11500 154 30,8 1333 11,6
11501-12000 124 24,8 1457 12,1
Tableau 9. Évaluation du décalage entre la liste de fréquences et la nomenclature du DF.
Comme l'illustre le tableau 9, les mots jusqu'au rang 2 000 sont quasiment tous présents
dans la nomenclature du DF. L'écart se creuse toutefois rapidement à partir du rang 3 500
pour atteindre plus de 20 % dans les tranches à fréquence supérieure à 8 500 de notre liste.
Le tableau 10 récapitule par ordre de fréquence décroissante les mots, les sigles et les
abréviations (précédés d’un astérisque) les plus fréquents qui sont absents de la nomenclature
du DF.
lemme fréquence
corpus complet
*ex. 7885 brugeois 1392
*tél. 6850 bénéficiaire 1381
*pt. 5152 lyonnais 1374
investisseur 3922 intercommunal 1373
budgétaire 3731 modalité 1345
entité 2494 *tv 1338
concertation 2204 instar (à l’~ de) 1293
restructuration 2198 mini 1272
infrastructure 2166 *mo 1271
forum 2080 sélectionneur 1267
info8 1870 qualifié 1262
privatisation 1831 régularisation 1189
*pib 1798 correctionnel 1177
amendement 1793 gantois 1147
*mm. 1728 expertise 1126
*ndlr 1726 management 1116
rwandais 1687 jusque-là 1102
*pp. 1640 blues 1091
namurois 1569 concéder 1081
technologique 1549 holding 1078
8
Le mot est mentionné dans l’article consacré à information, mais il ne fait pas l’objet d’une entrée séparée.*sicav 1516 internaute 1064
coach 1507 open 1060
infographie 1455 supporteur 1052
spécialisé 1414 centrer 1003
social- *éd. 1003
démocrate 1404 maïeur/mayeur 1000
yougoslave 1399
Tableau 10. Principaux absents de la nomenclature du DF en termes de fréquence
(fréquence >= 1000).
Les mots en italique du tableau sont représentés dans le DF par au moins un autre
membre de leur famille lexicale. Du point de vue de la compréhension, l'utilisateur trouvera
donc par inférence dans le dictionnaire au moins quelques indications sur le sens du mot
absent. Du point de vue de la production, compte tenu des irrégularités et/ou de la complexité
du système dérivationnel du français, aucune information complémentaire ne peut pallier
l'absence du mot.
Il est possible en outre de cibler davantage les lacunes dans certains domaines. De ce
point de vue, le vocabulaire économique semble sous-représenté dans le DF (tableau 11).
lemme fréquence corpus complet
investisseur 3922
budgétaire 3731
restructuration 2198
privatisation 1831
pib 1798
technologique 1549
sicav 1516
bénéficiaire 1381
management 1116
holding 1078
libéralisation 932
consultant 927
coter 920
business 917
compétitivité 873
reconversion 813
logistique 758
réorganisation 753
obligataire 752
Tableau 11. Principaux termes économiques absents de la nomenclature du DF.
Compte tenu de l’ensemble de nos observations, on conviendra du fait qu’il faut
nuancer l'affirmation selon laquelle la nomenclature du DF rend compte des mots de la
presse.
Cette constatation est confirmée par l'analyse des entrées du DF qui n'apparaissent pas
dans notre liste de fréquences. En effet, après avoir écarté de la liste des entrées du DF les
formes verbales et nominales irrégulières et les noms propres, il reste un ensemble de motsdont peu paraissent essentiels dans un contexte de communication écrite ou orale standard. Le
tableau 12 en présente un échantillon tiré du début de la lettre A.
a fortiori abêtissant abreuvoir accessoiriste
à gogo abjurer abricotier accotement
à jeun ablution abrutir accouder (s')
a.z.t. aboiement abrutissant accoudoir
abasourdi abois (aux) abscisse accoutrement
abat-jour abominablement absenter (s') accoutrer
abats abortif abyssin accroupir (s')
abattant aboutissants acadien accumulateur
abattis abracadabrant acariâtre accus
abêtir abrasif accablement achalandé
Tableau 12. Mots de la nomenclature du DF à fréquence inférieure à 100 dans le corpus.
Ce fait légitime un peu plus le choix de textes journalistiques, pour lequel nous n'avions
jusqu'à présent que deux arguments pragmatiques, leur disponibilité et le fait qu'ils soient
utilisés fréquemment dans l'enseignement, comme point de départ de l'élaboration d'une
nomenclature de dictionnaire d'apprentissage. Pour l'oral, toutefois, la question reste
partiellement ouverte, faute de véritable point de comparaison.
Compte tenu des listes des mots divergents, la nomenclature du DF semble plutôt
orientée vers le littéraire, ce qui nous semble coller moins au contexte d'apprentissage actuel
des langues étrangères. Mais, comme nous le constaterons dans ce qui suit, l’établissement
d’une nomenclature basée sur des indications de fréquence est également sujette à caution.
Ainsi, pour le DAFLES, afin de présenter une nomenclature cohérente, il conviendra de
repêcher certains mots nécessaires pour compléter des familles de mots : s'absenter devra
ainsi figurer aux côtés de absent, malgré sa fréquence inférieure à 100. Par contre, des mots
comme abasourdi, abats, abattis, etc. pourront définitivement être écartés sur une base
objective.
3.2. Congruence des indications de fréquence et d'importance
Le DF offre pour chaque mot de la nomenclature une indication de son 'importance' :
"Est important un mot dont on ne peut se passer dans le vie quotidienne, ou pour comprendre,
ou pour s'exprimer" (DF, 1999 : IX). Le critère de l'importance est considéré comme
supérieur à celui de la fréquence puisque
Une grande partie des mots fréquents sont importants (dormir, interdit, argent,
vite), mais d'autres moins fréquents sont extrêmement utiles parce qu'ils désignent
des choses précises sans avoir de synonymes (coincer, comparable,
obligatoirement). (DF, 1999 : IX)
L'importance du mot est signalée par une flèche bleue en marge.
Comme nous disposons d'indications de fréquence précises pour notre nomenclature, il
nous a paru intéressant de les comparer aux indications d'importance données dans le DF.
Nous avons effectué cette comparaison pour la lettre A, avec, d'une part, 1 046 lemmes de
notre nomenclature et, d'autre part, 1 571 lemmes comparables pour le DF, c'est-à-dire lesentrées du dictionnaire sans formes irrégulières de verbes, d'adjectifs ou de noms, sans noms
propres et sans distinction d'homonymes.9
Le tableau 13 donne un aperçu général de cette comparaison. Dans les cellules figure le
nombre de mots qui correspond aux critères respectifs.
classe indice de mots mots moins mots absents du
fréquence - importants importants - DF
DAFLES - DF DF
1 ***** 34 4 0
2 **** 41 6 0
3 *** 76 16 0
4 ** 116 49 4
5 * 247 336 117
6 - 135 511
Tableau 13. Comparaison fréquence corpus - critère d'importance du DF.
Les chiffres mettent en évidence un important groupe de mots à fréquence limitée dans
le corpus mais considérés comme importants par les auteurs du dictionnaire (en italique dans
le tableau 13). Les tableaux 14 et 15 présentent un échantillon de ces mots, respectivement
pour la classe 5 (fréquence comprise entre 853 et 100) et la classe 6 (fréquence inférieure à
100).
abaisser abandonné abattu abbé
abdiquer abdominal abeille aberrant
abîmer abominable abondant abordable
abstraction abstrait absurde abusif
académique accablant accabler accaparer
accélérateur accessoire accidentel accidentellement
accidenté acclamer accordéon accouchement
accourir accro accueillant accumulation
Tableau 14. Mots importants (DF) à faible fréquence (classe 5 corpus).
abcès abîmé ablation aboiement
aboyer abrégé abréviation abruti
absenter (s’) acajou acclamation accoupler
accoutumé accroupi acrylique acuponcture
adhésif adipeux adoucissement adroit
adroitement aérer affairé affectueusement
affectueux affliger affolant affolé
affolement affranchissement affreusement affublé
Tableau 15. Mots importants (DF) à très faible fréquence (classe 6 corpus).
Une interprétation de ce genre de données reste bien évidemment subjective, mais il
semble quand même qu'au-delà du critère de l'importance, la fréquence reste un critère
9
Dans les cas où deux homonymes présentaient deux indications d'importance différente, nous avons
systématiquement assignée la plus importante au lemme. Parfois, l'importance est attribuée uniquement à l'un
des sens du mot. Dans ces cas, nous l'avons systématiquement reporté au lemme.indispensable. En effet, lorsque l'on compare ces deux échantillons, on relève sans conteste
dans le deuxième certains mots qui ne sont pas prioritaires dans le cadre d'un apprentissage
de la langue : ablation, acajou, acrylique, adipeux, affranchissement, affublé entre autres.
Leur absence de la nomenclature d'un dictionnaire d'apprentissage semble dès lors s'imposer.
Inversement, on peut s'étonner de voir 26 mots particulièrement fréquents dans notre
corpus ne pas être considérés comme importants par le DF (en gras dans le tableau 13) :
Classe 1
à10, année, américain, allemand
Classe 2
afin de/que, ami, assez, actuellement, anglais, accès
Classe 3
aménagement, asiatique, autoriser, actionnaire, administratif, associer, application, africain,
arrêté, approuver, assistance, attribuer, affecter, arabe, albanais, auparavant
Tous ces mots, sauf peut-être albanais, sont sans aucun doute des mots courants et
mériteraient de figurer parmi les mots importants de la langue.
Le critère d'importance d'un mot est sans conteste un critère opérationnel. Il permet de
récupérer certains mots courants qui font défaut dans le corpus (aboyer, adroit, agrafer, allô,
amphi, ampli, aspirateur, au revoir). Toutefois, un avis subjectif concernant l'importance des
mots doit en tout cas être accompagné d'un contrôle de leur fréquence.
4. Comparaison listes de fréquence corpus journalistique - corpus TLF
Dans P. IMBS (1971) sont consignées les données de fréquence relatives au TLF sous
la forme d’une liste de lemmes, classés par fréquence décroissante. Nous avons prélevé de
cette liste un échantillon de taille analogue à celle de notre liste de fréquences : 12 174
lemmes, soit les lemmes à fréquence supérieure à 155.11
Les divergences entre les deux listes sont assez marquées puisque nous comptons
16 475 lemmes différents après fusion. Ce chiffre élevé s’explique en partie par la
lemmatisation particulière adoptée par le TLF, qui distingue trois formes du verbe (infinitif,
participe passé, soit plusieurs centaines de cas, et participe présent). En outre, la
lemmatisation n’est pas complète pour de nombreux mots grammaticaux (la, l’, les, une, sa,
etc.) et on relève un certain nombre de lemmes déviants (longue, semaines, chère, etc.).
Une comparaison des deux listes met en relief de façon très évidente les spécificités des
deux corpus. Absents de l’échantillon du TLF sont toute une série de mots actuels dont le
rang traduit une fréquence d’usage importante, à l’exception de mots tels que wallon ou
bruxellois, qui sont surreprésentés dans le corpus belge (tableau 16). On notera que nous
n’avons pas tenu compte des abréviations présentes dans notre liste de fréquences.
lemme rang corpus
journalistique
10
La présence du mot à dans cette liste peut surprendre. Assez étrangement, ce n'est pas le seul mot
particulièrement fréquent qui n'est pas taxé d'important par le DF. Ainsi, parmi les 30 mots les plus fréquents de
notre corpus (voir Annexe 1), 6 mots ne sont pas accompagnés de la flèche bleue identifiant les mots
importants: le, un, à, il, tout et leur.
11
On notera que la liste originale comprend 12 427 lemmes dont la fréquence est supérieure à 155. Pour faciliter
la comparaison informatisée des deux listes, nous avons toutefois dû exclure les doublons (aimant (nom,
participe), alerte (adjectif, nom), aperçu (nom, participe), etc.).régional 314 salarié 804
match 329 internet 823
wallon 360 fédéral 859
soit 383 francophone 951
euro 436 fiscal 998
championnat 554 chômeur 1015
football 557 nouvelle 1018
culturel 570 bourgmestre 1024
sûr 573 record 1052
télévision 629 gérer 1065
festival 641 investir 1109
bruxellois 699 compétition 1113
finale 719 diffuser 1142
week-end 783 néerlandais 1158
entraîneur 802 palestinien 1171
Tableau 16. Mots absents de la liste de fréquences du TLF (fréquence >= 155) (échantillon).
En analysant les mots absents de notre liste, on se rend compte que le corpus
journalistique couvre mieux les mots très fréquents du corpus TLF qu’inversement, comme
en témoigne le rang des mots consignés dans le tableau 17. Les lacunes à fréquence élevée
dans le corpus TLF ont trait à quelques mots spécifiques de la conversation et à une série de
mots dont bon nombre désignent des concepts qui sont datés (tableau 17).
lemme rang corpus
TLF
ha 203 divinité 2705
eu 207 continuel 2728
hé 303 environs 2733
ho 306 fâché 2761
hélas 936 gémir 2762
pardessus 1530 évangile 2805
sou 1627 tressaillir 2842
paupière 1904 gentilhomme 3044
sire 2381 rameau 3078
aurore 2395 orient 3130
vôtre 2518 piété 3184
monseigneur 2529 accoutumé 3211
providence 2618 hideux 3280
immortel 2644 écu 3282
sottise 2689 matelot 3285
Tableau 17. Mots absents de la liste de fréquences du corpus journalistique (échantillon).
De façon générale, la comparaison avec la liste du TLF met en évidence des lacunes
assez prononcées du corpus journalistique dans le domaine du vocabulaire touchant les
domaines propres aux personnes (sentiments, attitudes, etc.) (tableau 18).
lemme rang corpus
TLF
fâché 2761 ravissant 3916gémir 2762 blâmer 3963
tressaillir 2842 étreinte 3989
accoutumé 3211 blême 4005
balbutier 3380 inexplicable 4007
infâme 3397 paresseux 4033
rancune 3426 promptement 4038
frissonner 3450 canaille 4040
affectueux 3592 langueur 4103
lugubre 3699 pâleur 4107
pressentiment 3741 frémissant 4114
pensif 3766 puéril 4142
tendrement 3779 adoration 4159
gaiement 3789 gâté 4172
orgueilleux 3876 ennuyé 4175
Tableau 18. Mots absents de la liste de fréquences du corpus journalistique
(vocabulaire touchant aux personnes) (échantillon).
Ces données nous permettent d’apporter un autre correctif nécessaire à notre
nomenclature originale sous la forme de l’inclusion dans le DAFLES de mots tels que fâché,
rancune, lugubre, tendrement, gaiement, etc.
5. Conclusion
L'élaboration d'une nomenclature est l'une des premières étapes dans le processus de
rédaction d'un dictionnaire. Cet aspect est d'autant plus crucial pour un dictionnaire
d'apprentissage qu'il détermine de façon évidente la qualité du dictionnaire : les apprenants
doivent y retrouver les mots auxquels ils vont être confrontés et qu'ils doivent utiliser.
Nous avons choisi de fonder notre nomenclature sur une analyse de corpus de textes.
Pour l'écrit, les textes journalistiques offrent toutes les garanties de diversité et de
disponibilité nécessaires. Ils traitent en outre de thèmes actuels en termes courants, non
spécialisés.
Nous avons comparé une liste de fréquences élaborée à partir de ce corpus et qui servira
de nomenclature au DAFLES à la liste de fréquences du TLF ainsi qu'à la nomenclature du
seul dictionnaire d'apprentissage actuel du français, le DF. Les comparaisons ont montré des
divergences assez marquées. Le corpus journalistique présente une langue actuelle qui couvre
assez bien le vocabulaire le plus général tel qu’il est répertorié dans les deux autres sources. Il
présente certaines lacunes dans le domaine du vocabulaire spécifique aux actions et aux
sentiments des personnes. Certains mots passe-partout de la langue parlée sont également
absents. Inversement, le fait de coller à l’actualité donne un aperçu très complet des mots et
concepts utilisés fréquemment dans la communication quotidienne. L’indice de fréquence
permet en outre de corriger l’intuition du lexicographe quant à l’importance d’un mot.
De façon générale, on peut poser que les lexicographes ont tout intérêt à intégrer une
analyse de corpus lors du processus de définition de la nomenclature et de rédaction d’un
dictionnaire. Comme le note l'éminent lexicographe anglais J. SINCLAIR (traduction reprise
à V. GRUNDY 1996 : 131) :
(...), il y a une différence énorme et systématique entre les impressions [que] des
gens notent sur les détails de la langue et les faits de langue réels que l'on peut
observer dans les textes. Cela laisse à supposer que les êtres humains ont une idéetout à fait particulière de la langue et que cette idée ne correspond pas du tout à ce
qui se passe effectivement lorsqu'ils utilisent cette langue.
Le corpus est le moyen par excellence de saisir une variété d'informations qui sont le
reflet de la compétence linguistique d'un nombre important de locuteurs. Cette masse
d'informations permet de se faire une image nuancée du fonctionnement de la langue, même
s’il s’avère nécessaire d’y apporter quelques correctifs compte tenu des lacunes du corpus ou
de la prise en compte d’autres critères de sélection, comme par exemple la disponibilité des
mots ou le fait d’appartenir à une série conceptuelle. Face à la richesse des résultats de
l’analyse de corpus, on ne peut que déplorer une fois de plus l’absence d’un grand
échantillonnage de textes pour le français.
Serge VERLINDE
Thierry SELVA
Groupe de recherche en lexicographie pédagogique (Grelep)
K.U.Leuven, Belgique
BIBLIOGRAPHIE
BLANCHE-BENVENISTE, Claire (1996) : « De l’utilité du corpus linguistique », Revue
française de linguistique appliquée, I-2, 25-42.
BRUNET, Étienne (1981) : Le vocabulaire français de 1789 à nos jours d’après les données
du Trésor de la langue française, Genève, Paris, Slatkine, Champion, 3 vol. (Travaux
de linguistique quantitative, 17).
CLIJSTERS, Willy (1990) : Mille lettres d’affaires. Richesse formelle, richesse lexicale,
stock lexical, lexitope et lexitraits, combits, Paris, Genève, Champion, Slatkine.
(Travaux de linguistique quantitative, 46).
ENGWALL, Gunnel (1984) : Vocabulaire du roman français (1962-1968), Dictionnaire des
fréquences, Stockholm, Almqvist & Wiksell International.
GOUGENHEIM, Georges ; René MICHÉA, Paul RIVENC et Aurélien SAUVAGEOT
(1967) : L’élaboration du Français Fondamental (1er degré), Paris, Didier.
GREIDANUS, Tine (1990) : Les constructions verbales en français parlé, Étude quantitative
et descriptive de la syntaxe des 250 verbes les plus fréquents, Tübingen, Max Niemeyer
Verlag. (Linguistische Arbeiten, 243).
GRUNDY, Valerie (1996) : « L’utilisation d’un corpus dans la rédaction du dictionnaire
bilingue », in BÉJOINT, Henri et Philippe THOIRON, Les dictionnaires bilingues,
Louvain-la-Neuve, Duculot, 127-149.
HENMON, V.A.C. (1924) : A French word book based on a count of 400,000 running words,
Madison, Wisc., University of Wisconsin.
IMBS, Paul (1971) : Dictionnaire des fréquences. Vocabulaire littéraire des XIXe et XXe
siècles, I – Table alphabétique, II - Table des fréquences décroissantes. Nancy, Paris,
C.N.R.S., Didier.
JUILLAND, Alphonse ; Dorothy BRODIN et Catherine DAVIDOVITCH (1970) : Frequency
Dictionary of French Words, La Haye, Paris, Mouton.
LYNE, Anthony A. (1985) : The vocabulary of French business correspondance. Word
frequencies, collocations and problems of lexicometric method, Genève, Paris, Slatkine,
Champion. (Travaux de linguistique quantitative, 23).Vous pouvez aussi lire
