GILLES MALONEY LE P1LOJET HIPPO: P,.ECHER.CHE EN AUTOMATISATION DE DONN\]~ES STYLOMI~TRIQUES ~ PAKTIR. DE L'OEUVtkE D'HIPPOCR.ATE

Le Projet Hippo est une recherche sur l'oeuvre d'Hippocrate men6e depuis trois ans par une ~quipe de quatre professeurs, d'assistants, d'un analyste et d'un programmeur, ainsi que d'une soci~t~ commerciale de consultants en statistique. Poursuivi ~. l'universit~ Laval de Qu6bec, ce travail est subventionn~ par l'universit6 elle-m~me, par le Gouvernement du Qu6bec et par le Conseil des Arts du Canada.

Les hell6nistes qui abordent la lecture du Corpus hippocraticum se trouvent en pr6sence d'une multitude de trait6s divers, mais ils constatent bient6t que cet ensemble manque d'homog~n~it6 et que, parmi ces quelques 70 oeuvres, ~ peine une vingtaine portent la marque de la m6decine positive pr6n6e par Hippocrate. Les philologues ont pu distinguer dans ce groupe des 6crits relevant de trois ~coles de pens6e diff~rente, mais n'ont pas encore r6ussi ~t attribuer avec une certitude suffisante un groupe prdcis d'oeuvres appartenant ~t Hippocrate et encore moins ~ attribuer d'autres trait6s ~. d'autres noms.

Le Projet Hippo vise donc ~t analyser et b. classifier tousles trait~s du Corpus par des Etudes quantitatives de style appuyant leurs conclusions sur la statistique et ex~cut6es par ordinateur; nous esp6rons en arriver ~ une hypoth~se g6n6rale capable de grouper les trait6s en sousensembles prEsentant des affmitEs suffisamment pr6cises pour hisser croire qu'ils se rattachent ~ des auteurs cliff, rents.

I1 faut souligner clue nous n'avons aucunement lapr6tention d'attribuer telle ou telle oeuvre ~. tel persomlage historique precis, m~me si le Projet, entant que recherche litt~raire et historique, a pour but ultime de classifier les pi~ces du Corpus. Nous ne pourrons pas non plus attribuer des oeuvres ~ Hippocrate lui-m~me, faute de rep~res ext~rieurs au Corpus. Beaucoup plus modestement, nous essayons de mettre en lumi~re un certain nombre de faits stylom~triques, en accordant ~ des tests statistiques une importance ~t laquelle la philologie classique n'est pas habitude lorsqu'il s'agit de comparer des donn6es quantitatives avec des r6sultats d'analyse de contenu.

Nous avons estim6 que le Corpus contient environ 350.000 roots soit 2.500.000 caract~res, et qu'il faudrait ajouter un autre total de 4.200.000 caract~res pour la codification grammaticale t les lexiclues, sans compter la programmation. Nous pr6voyons donc avoir besoin d'emmagasiner environ 7.000.000 de caract&es. Pour le moment nous utilisons environ 700 K d'espace. Etant donn6 l'ampleur relative de l'entreprise t les hasards qui nous attendaient ~t coup stir, nous avons d'abord d&id~ de tenter un Pr&projet portant sur trois trait~s, qui nous permettraient de sonder l'k-propos de cette recherche du point de vue de la philologie et d'en ~valuer les chances de r~alisation technique dans notre universitY. Cette phase a ~t4 parcourue en deux ans avec des r&ultats qui nous ont encouragd ~ r&liser l'ensemble du Projet, dont nous pr4voyons une fin d'~tape pour septembre 1975.

Le Projet Hippo dtant con~u comme tm travail exp&imental dans tout son ensemble, et puisque nous ne sommes aucunement certains d'apporter une solution au probl~me d'authenticit6 que nous posons h propos du Corpus, nous prenons soin d'obtenir, tout en avan~ant, des r&ultats concrets qui seront valables quelle que puisse &re l'issue de notre recherche.

Nous avons donc mis au point un syst~me d'entr&-sortie sur APL qui nous permet de travailler directement en grec, en utilisant majuscules, minuscules, accentuation et ponctuation, par l'interm6diaire d'un terminal Selectric 2741. Nous en sommes er~ effet venus ~t la conclusion que I'APL &ait actuellement te syst~me ideal pour produire des textes; sur disque, et de 1~ sur ruban magn~tique, vu sa grande flexibilit4 dans les manoeuvres de modifications de donn~es. Dans le travail d'entr~e, de correction ou de sortie nous utilisons un format de 4 ou 5 K, clue nous appelons <~ page ~, reproduisant 40 lignes ou moins de texte qui or~t la m~me longueur et la m~me disposition que dans le livre dont elles provierment. Au moment de l'entr~e nous pouvons corriger un mot real &tit aussi souvent qu'on veut, modifier la ligne, supprimer celle-ci s'il le faut, gr,~ce ~t la possibilit4 de marche arri~re clue les consoles 2741 permettent. A la sortie nous pouvons obtenir par une seule commande soit une ligne pr&ise d'un traitS, soit une page, soit plusieurs pages en s6quence ou non, soit un trait~ au complet soit l'ensemble des trait&. Lorsclu'il faut modifier le texte par suite d'erreurs constat&s, il est possible d'ajouter, n'importe oh et directement, des espaces ou des caract~res ou m~me d'ins~rer des lignes oubli~es, ou au contraire LE PROJET HIPPO: RECHERCHE EN AUTOMATISATION DE DONN\]~ES ... 85 de supprimer des espaces, des caract~res, des mots, des lignes et m~me des pages, pour ainsi dire instantan6ment. Nous pouvons dire actuellement sans grande modestie que, pour ce qui regarde la pr6paration fid~le ~t l'original d'un texte grec sur ruban magn&ique, nous nous sommes pay~s toutes les fantaisies dont nous avions besoin.

Cette fonction devient alors une addition aux ressources de notre Centre de Traitement de l'Information (CTI), qui, ne poss~dant que deux ordinateurs ajug~ bon d'en distinguer les juridictions: tm IBM 370-155 exdcute les travaux en OS tandis qu'un IBM 370-145 est consacr6 tmiquement ~I'APL: quelques 105 consoles lui sont reli&s par lignes t61~phoniques tactuellement il en g&e plus de 65 simultan6ment. En partageant ainsi le temps l'usager gagne en &onomie d'argent ce qu'il perd en espace de mdmoire pour lui disponible. C'est justement pour cette raison que nous traitons nos propres donn~es en OS par langage PL/1.

Ainsi nous produisons des documents en APL sur disques et lorsque nous les jugeons sans faute nous en raisons une copie sur ruban qui est alors trait~ par rautre ordinateur. Quant ~ l'approche n APL, elle est suftisamment simple pour que m~me un non-initial au maniement des ordinateurs puisse apprendre ~t la maltriser en cluelques heures. Autre avantage: en plus de la console plac~e dans le local qui est attribud an Projet, nous pouvons utiliser toutes celles qui sont diss~min&s un peu partout dam l'tmiversit6. Enfin, I'APL permet de travailler ~ plusieurs en mSme temps au Projet, rant sur les textes que sur la programmation.

En ce qui concernc l'aspect productif du Projet, on peut dire que les r~sultats obtenus e rangent en trois classes. D'abord, nous enregistrons des textes sur rubans: nous en sommes actuellement au septi~me traitd du Corpus. De ce point de vue notre travail n'a pas &6 inutile, mSme pour les nombreux philologues int~ress6s ~ l'oeuvre d'Hippocrate, puisqu'ils peuvent disposer sur un ruban magn&ique compatible avec la plupart des machines des textes que nous croyons sans fautes et des lexiques qui d~passent de loin par leur vari&~ l'index d'Hippocrate qu'tm groupe d'hell~nistes allemands est en train de confectionner ~t Hambourg par des proc~dds traditionnels.

En effet nous obtenons aussi ce qui constitue g~n&alement des routines dans les blocs de programmation: ~ savoir des lexiques. Nous imprimons pour chaque trait~ un lexique alphab&ique, un autre selon les fr~quences d'emploi, un selon les categories morphologiques conventionnelles et un dernier qui classe les hapax. Une fois l'oeuvre compl&e enregistrde sur ruban nous produirons quatre index g~n~raux du Corpus.

En troisi~me lieu, nous entretenons ~t propos des donn&s num&iques une crainte parmi nous: celle d'&re inondds par une masse de chiffres que nous ne pourrons jamais analyser nous-m~mes et qui n'int& resseront personne. Aussi nous en tenons-nous ~t la connaissance~des faits suivants:

1) le detail s4quentiel du nombre de roots par phrase, accompagn6 du num4ro d'ordre de la phrase et de la r4fdrence;

2) le nombre total de roots par traitE;

3) la longueur moyenne des roots;

4) la distribution des fr6quences de roots par phrase;

5) la comparaison de la position duns la phrase du premier substantif et du premier verbe ~. forme personnelle ou de tout autre paire de categories morphologiques;

6) la rEpartition des roots selon les categories morphologiques;

7) enfin, une double matrice de 22 × 22 compilant les voisinages primaires et secondaires des roots selon leur cat6gorie. Celles-ci indiquent combien de lois un substantif est suivi d'un autre substantif, combien de fois par un adjectif, par une conjonction, et le reste; puis, combien de lois un adjectif est suivi d'un substantif, d'un infinitif, et ainsi de suite. De plus, combien de fois on trouve un mot entre deux substantifs, entre un substantif et tm adjectif, entre un participe et un infinitif, et le reste. Cette matrice est tr~s fiche en renseignements; elle fournit par exemple la r4partition des roots en d4but et en fin de phrase.

Le traitement statistique de ces donn4es par rapport au probl~me que nous d6finissons h propos du Corpus 'est rEvEIE au cours du Pr&Projet trop complexe et hasardeux pour nos forces. Nous avons donc recours aux services de professionnels dans le domaine, la Soci&6 de Math4matiques Appliqu4es (SMA) de Montreal, compagnie de consultants qui est unique au Qu4bec. Comme nous n'avons pas affaire ~. un v4ritable probl~me d'authenticit4 mais ~ une discussion sur des groupements hypoth&iques, nous avons r&olu de n'appliquer pour le moment ~t nos donn6es que deux types de tests: l'un portant sur l'entropie des oeuvres, l'autre &ant le test d'analyse factorielle dit ANAFACO, fourni par Metra International. Jusqu'~t maintenant les r4sultats de ces essais coYncident avec les hypoth&es commun4ment admises par les philologues; nous continuerons donc ~ les appliquer dans les m~mes conditions pour tousles trait4s, quitte ~t ajouter en cours de route quelques tentatives diff4rentes. L~t encore nous essayons de garder un juste milieu entre l'emploi syst4matique du Z ~, par exemple, et des tests si complexes LE PROJET HIPPO: RECHERCHE ~N AUTOMATISATION DE DONNI~ES ... 87 qu'ils risquent de ne plus &re compatibles avec l'aspect litt&aire d'tm texte.

Pour revenir au traitement du texte, il faut dire que les lexiques que nous obtenons ne sont pas lemmatis&, et que 1'analyse morphologique que l'ordinateur en connalt est tr~s E16mentaire.

En effet, dans les trois premiers traitEs que nous avons enregistr&, nous raisons suivre chaque mot d'une cote allant de 1 h 22 et correspondant ~ une cat6gorie morphologique. De 1~ nous avons tire tin lexique alphab&ique contenant la fr6quence, la forme, son code morphologique et ses rEfErences. Nous avons reportE sur disque le lexique du premier traitE d'Hippocrate (L'ancienne mMecine), amputE de ses rEfErences, lui attribuant une cinquantaine de pages en APL. I1 est alors devenu mall6able comme les autres textes: nous demandons done une ligne qui imprime disons, ~5 0~¥0~0o6g~, c'est&-dire: adjectif 0~¢0~0o6g. Comme le format des lignes est variable, nous Ecrivons ~ une certaine distance la suite du mot: &~'~06g. Puis nous raisons suivre une analyse compl~te qui dEtaille le ~ 5 ~ qui caract&isait le mot jusqu'fi ce moment: elle consiste en 10 El~ments num6riques qui indiquent si le mot est un lemme ou non, puis s'il est un homonyme ou non, les 8 autres ElEments codifiant l'analyse morphologique d&aill& de la forme rencontr&. Bien entendu, cette analyse manuelle peut se fake en &apes successives. C'est ~l construire ce lexique au complet que nous travaillons actuellement, les sections qui en sont terminEes nous permettant de roder la programmarion subsEquente.

Car ce lexique va constituer la base de l'analyse semi-automatique de tout le Corpus: par comparaison avec lui le lexique non-lemmatisE du trait~ Des Airs, des eaux et des lieux recevra l'analyse complete de tous les roots non-homonymes. Nous compl~terons sur console APL l'analyse des formes nouvelles et celle des homonymes, et par tm fondu des lexiques 1 et 2 nous ferons un petit index g~n&al lemmatisE d'Hippocrate; celui-ci sera compare au lexique non-lemmatisE du traitE des Epid3mies et ainsi de suite. I1 n'est pas difficile k ce moment-lk de b,~tir un index d6finitif bas6 sur les lemmes en faisant reporter automatiquement chaque forme ~t la suite de son lemme et d'obtenir ainsi un lexique lemmatisE pour chaque traitE et de m~me un lexique gEnEral du Corpus.

Une fois ce bloc de programmation terminE, il nous faudra transporter ces donnEes sur rordinateur 370-155 et l~t commencera la tiernitre &ape du Projet, qui consistera firendre possible le traitement des donn~es num~riques et lexicologiques en TSO, c'est-~.-dire n direct, par l'intermddiaire l~t aussi d'une console.

Comme les personnes urtout engag~es dam le Projet Hippo font pattie d'un d~partement des litt~ratures, nous esp~rons que cette recherche continuera ~t avoir des effets utiles pour nos coll~gues: il n'est pas difficile en effet de passer d'un caract~re d'imprimerie ~t l'autre sur console 2741, et tout ce que nous raisons devient imm~diatement applicable ~ des textes en d'autres langues. En m~me temps les ~tudes littdraires automatis~es feront chez nous des progr~s, en s'installant parmi les activit~s du Centre de Traitement de l'Information, ~ c6t~ de la g~rance de la biblioth~que, de la consultation par t~16-information des Statuts du Quebec offerte aux juristes, de la Banque d'Information en Bibliographie Patristique, et de quelques recherches importantes en linguistique.

C'est ainsi Clu'Hippocrate serait sans doute ~tonn6 de voir que ses carnets aident maintenant un groupe d'universitaires ~demeurer dam leur 6poque.