Sélection des termes étudiés
Nous avons choisi de travailler principalement sur deux émotions car une première lecture montrait qu’elles étaient majoritaires et importantes : la peur et la douleur. Nous avons parcouru la liste des lemmes des deux textes sur Hyperbase pour isoler les mots qui renvoyaient à ces émotions, sans prendre en compte toutes les manifestations émotionnelles qui y faisaient allusion (nous avons exclu par exemple les larmes et les signes de deuil de notre étude sur la douleur).
Ensuite, nous avons effectué une recherche lemmatisée dans les deux corpus d’Hyperbase pour obtenir le nombre d’occurrences de chaque terme. A partir de là, nous avons concentré notre étude sur les termes les plus représentés par rapport aux autres en prenant en compte noms et verbes.

A partir des fréquences absolues relevées sur Hyperbase, nous avons recalculé les écarts-réduits (figure 1) afin de prendre en compte ensemble les lemmes d’une même racine (par exemple timor et timeo). A partir des résultats obtenus, il apparaît que metus est non seulement le terme le plus spécifique des Troyennes avec un écart réduit de 4,1, la probabilité pour que l’on trouve autant d’occurrences dans ce texte est de moins de 0,001%. C’est pourquoi nous avons choisi d’étudier spécifiquement metus. La présence de timor est moins significative (écart-réduit de 1,54, soit une probabilité de 13,4%), toutefois elle est caractéristique du corpus des tragédies de Sénèque par rapport à l’ensemble du corpus « latin » d’Hyperbase (on observe un écart réduit de 17,66, ce qui est extrêmement important et significatif, figure 2).

Pour le corpus grec, vu le peu d’occurrences global, nous avons choisi de prendre en compte tous les mots qui renvoyaient au sentiment de la peur dans le texte.
Concernant la douleur, de nombreux termes renvoient à ce sentiment, de manière directe ou indirecte. Nous avons ainsi relevé les lemmes dolor, doleo, maestus, maereo, tristis, miser, luctus, infelix. Dans le texte grec, nous avons relevé plusieurs termes intéressants δυστυχής, δύστηνος, τάλας, μογερός, ἀλγέω, οἶκτος et μέλεος. Cependant, notre questionnement porte sur le pathétique et sur l’expression de la douleur, c’est pourquoi nous nous intéresserons essentiellement aux moyens d’exprimer la douleur, et non aux termes qui la désignent ou la décrivent.
C’est pourquoi nous avons concentré notre attention sur miser et infelix en latin, et nous avons enlevé ἀλγέω de la liste des lemmes grecs.
De plus, nous avions besoin d’outils plus précis pour étudier la douleur, notamment les adjectifs ci-dessus employés au vocatif, ce qui montre une forme de compassion et de reconnaissance de la douleur d’autrui, ainsi que les interjections qui manifestent une douleur ressentie. Cela nécessitait cependant un travail plus avancé sur les données.
Nous avons pu confirmé par une étude des thèmes (figure 3) dans Hyperbase que, dans le corpus d’Euripide complet, les interjections étaient très liées aux adjectifs que nous avions sélectionnés a priori, ce qui a confirmé l’intérêt de notre choix et notre hypothèse que les deux éléments étaient corrélés dans l’expression de la douleur.

Extraction des données
Nous avons identifié les interjections du texte grec sur Hyperbase à l’aide de la requête « Interj », puis nous avons sélectionné un affichage par lemme que nous avons extrait dans un tableur. A partir de là, après une suppression des doublons, nous avons obtenu une liste des interjections utilisées que nous avons entrée comme liste de mot à chercher dans une requête TXM. Pour le texte latin, le logiciel reconnaît les interjections, ce qui simplifie la requête.


Quant aux adjectifs, nous avons fait une recherche des termes au vocatif dans Hyperbase pour le corpus latin, et dans le TLG pour le corpus grec. Nous avons extrait à partir de là les termes qui pouvaient exprimer la pitié et la douleur, ou l’infortune. Nous avons ensuite exécuté la requête dans TXM pour réaliser les analyses de progressions et faire les recherches sur le corpus structuré par le XML (notamment où les répliques de personnages sont balisées).
Un dernier problème était de pouvoir travailler sur des textes lemmatisés en grec, notamment dans TXM (mais on aurait pu établir la progression par exemple aussi dans Voyant Tools). Or, Voyant ne lemmatise pas, et TXM ne lemmatise pas le grec ancien. Nous avons donc récupéré du corpus du LASLA le texte grec lemmatisé par un export en copier-coller, afin d’obtenir un corpus lemmatisé qui permette de faire des recherches parfois plus précises et d’obtenir facilement les visualisations qui vont avec. Ce texte lemmatisé a été partagé et utilisé par d’autres groupes sur d’autres axes.
Calculs et préparation du texte
Nos recherches ont d’abord pris pour base des analyses quantitatives de mots des émotions recherchées, à partir de la sélection qui a été détaillée précédemment. Nous nous sommes basés d’une part sur des résultats en fréquence absolue car cela permet d’avoir des données brutes sur chaque texte, d’autre part sur le calcul d’écart-réduit qui donne une idée de la signification des valeurs obtenues. Les œuvres d’Euripide ont donc été analysées en relation avec l’ensemble du corpus de chaque auteur, pour mettre en avant les spécificités de ces pièces.
Nous avons également opéré des calculs à l’échelle de chaque œuvre, à partir du corpus lemmatisé et balisé. Les textes latins et grecs avaient été importés de dépôt Git de Perseus, et nous avons corrigé et précisé l’annotation (figure 6) afin d’avoir une partition des textes par réplique de personnages, similaire dans les deux textes. Nous avons ainsi précisé les balises <sp> par l’élément @who (absent du texte grec) qui permet d’identifier systématiquement les personnages qui s’expriment, et nous avons modifié ou harmonisé les balises <speaker> pour encoder les didascalies introduisant les répliques des personnages. En effet, cela semblait être un élément de construction dramatique important et il importait d’avoir un document encodé efficacement. Il a été partagé et mis à la disposition de tous. Ce traitement du texte nous a permis d’obtenir des données précises, notamment quant à l’expression de la douleur.

Nous avons cherché à isoler des groupes ou cooccurrents spécifiques aux termes ciblés, grâce à TXM ou Hyperbase, mais les résultats n’étaient pas suffisamment probants pour être exploités de manière significative. Les lemmes sélectionnés ne comptent pas suffisamment d’occurrences, et le corpus est trop réduit, pour visualiser des phénomènes significatifs.
Conclusions :
L’analyse textuelle sur les sentiments est toujours complexe, notamment quand il s’agit de déterminer avec quel lexique on choisit de travailler. Chaque outil pris individuellement n’a pas suffit pour pousser notre analyse ou nous voulions, mais leur combinaison permet d’obtenir des résultats intéressants. Les données quantitatives servent de point d’appui utile et heuristique pour les analyses qualitatives, fournissant notamment de nombreux repères pour un retour au texte efficace. Elles permettent notamment de prendre facilement du recul sur l’œuvre et de juger de la pertinence de l’intérêt porté à un phénomène en le comparant à un corpus plus étendu, mais aussi tout simplement de comparer efficacement deux textes et deux auteurs de langues différentes. Malgré tout, elles sont sans voix sans des analyses précises du texte et un retour au contexte, surtout quand il est question d’un objet aussi complexe et polyforme que l’émotion.
OpenEdition vous propose de citer ce billet de la manière suivante :
Caroline Richard (18 mai 2022). Analyse textuelle des sentiments dans les Troyennes. Classiques et numériques. Consulté le 13 juin 2025 à l’adresse https://doi.org/10.58079/mvqx