Contexte et mise au point du projet
Mon mémoire portant sur l’injure scatologique chez Aristophane, le R semblait bien être un moyen de mettre en avant de façon pertinente certains aspects de mon texte.
Au départ, je voulais ainsi analyser et étudier de nombreux éléments : les fréquences des mots scatologiques, leur répartition par vers dans les pièces, leur nombre d’utilisation, le pourcentage d’insultes scatologiques au sein de toutes les insultes d’Aristophane, voir si on pouvait prédire
Finalement, après de nombreux écrémages, j’ai décidé de m’intéresser, dans toutes les pièces :
- au nombre de mots scatologiques
- à leur fréquence
- aux endroits de la pièce où ils apparaissent (à quels vers)
Et, pour mon corpus spécifiquement (Les femmes à l’Assemblée, les Cavaliers, les Nuées, la Paix), j’ai décidé de voir plus en détail :
- les mots à caractère insultant (ou plutôt, d'”exposure” = mettre à nu une personne, l’humilier publiquement)
- ceux qui dévalorisent leur locuteur.
Préparation des données
Pour ce faire, il a fallu d’abord faire du repérage dans les 11 pièces d’Aristophane pour trouver les mots à caractère scatologique : entre recherches dans le dictionnaire, lectures des oeuvres et de certains critiques, d’autres mots se sont ajoutés grâce aux recherches dans les textes-mêmes lors des corrections des lemmatisations (dont nous reparlerons ci-après).
Au total, c’est 76 mots qui se répartissent dans un tableau csv dont voici un aperçu (les valeurs numériques et la traduction correspondent à un point du mémoire qui n’est pas nécessaire pour ce tableau) :
Pour que cela soit utile, il faut ensuite lemmatiser les différents textes afin de pouvoir faire des recherches rigoureuses des différents mots qui nous intéressent. On doit donc prendre toutes les pièces d’Aristophane en xml sur le projet Perseus. En ne gardant du xml que les numéros de lignes et les vers, mis en plain text après diverses manipulations sur Visual Studio, on peut lemmatiser le texte sur Deucalion.
Une fois ceci fait, il faut corriger les lemmes grâce à Pyrrha : les mots scatologiques sont rares et donc assez mal analysés pour certains, notamment les verbes qui se trouvent assimilés à d’autres : la recherche permet même d’identifier de nouveaux mots scatologiques que je ne connaissais pas. Cela fait donc une première série de 11 textes lemmatisés.
Le problème réside maintenant dans le fait qu’on a alors une analyse uniquement lemme par lemme. Si cela nous sera utile également, notre but est d’avoir aussi une analyse vers par vers pour des statistiques plus poussées dans chaque pièce. Grâce à un programme en R réalisé avec l’aide de M. Berra, on peut alors mettre ensemble les lemmes pour les grouper en vers derrière leur numéro dans un tableau csv. On a donc 11 nouveaux fichiers prêts à être utilisés. Par exemple, pour les oiseaux, le fichier ressemble à ça :
Méthodes d’analyses et résultats
Maintenant, on utilise un fichier R dans lequel on programme différentes parties :
- La première phase, d’initialisation, dans laquelle on programme les différentes fonctions et convoque les différents textes
- La deuxième phase, de statistiques et de décomptes (combien de fois prononce-t-on de mots scatologiques ?)
- La troisième phase, de distribution par mot
- La quatrième phase, de distribution par vers
- La cinquième et dernière phase, qui permet de définir si les mots sont des insultes ou non, et, si oui, si elles dévalorisent leur locuteur ou non.
Ainsi, avec la première partie, on crée les différentes variables de textes qu’on nettoie de toutes les dernières impuretés tout en mettant le tout sous forme de dataframe. On met aussi sous forme de dataframe la liste des lemmes scatologiques afin de les comparer aux textes.
Avec la deuxième partie, on obtient des décomptes sur les différents textes du nombre de mots scatologiques : on peut ainsi obtenir un tableau par pièce, trié de la plus forte occurrence à la plus faible. On rajoute également une ligne “TOTAL” au bout.
On en fait également un général, dans lequel on voit le décompte total des mots de ce type chez Aristophane, et un général axé davantage sur les 4 pièces de mon corpus. Voici un aperçu du tableau des pièces de mon corpus, à savoir qu’il y a en tout, sur 217 mots scatologiques au total dans les 11 pièces, 124 mots de ce type dans ces 4 pièces.
On peut donc voir ici que dans mon corpus, le mot qui ressort le plus est πρωκτός qui signifie simplement “cul”, tandis que les verbes les plus employés sont χέζω (chier) et πέρδομαι (péter). On peut déjà déceler la première insulte directe qui est également la plus employée dans ce registre: εὐρύπρωκτος (enculé / large-cul).
La troisième partie nous permet d’obtenir des résultats bien utiles également : l’ordre d’apparition des mots scatologiques et leur place précise dans le texte. Cela fonctionne exactement comme la partie suivante, mais nous est moins intéressant, donc on détaillera la méthode avec cette dernière. Cette partie était un premier essai, et se fait remplacer complètement en réalité par la quatrième. Cependant, elle a permis d’obtenir un tableau isolant les lemmes dans l’ordre, ce qui reste pratique.
La quatrième partie nous donne une représentation graphique des différentes occurrences scatologiques dans une pièce : c’est un graphique de distribution.
Pour obtenir ces résultats, on demande au programme de comparer les textes lemmatisés par ligne avec la liste des lemmes scatologiques trouvés. On ajoute à la dataframe la colonne “scat”, qui prend la valeur “1” si un des mots du vers au moins est dans la liste, et “0” autrement. Ensuite il suffit de regrouper dans deux variables les données obtenues : la première en ne conservant que les lignes ayant pris la valeur “1” dans la colonne “scat” (afin de faire un tableau permettant de voir toutes les occurrences par ligne dans l’ordre, sans s’embarrasser de lignes non-scatologiques), et la deuxième contenant toutes les données afin de permettre la visualisation : chaque vers où la valeur “scat” est 0 est donc représentée par du vide, et chaque vers où elle est égale à 1 se voit représenté par une barre. Ainsi on peut facilement identifier le profil d’une pièce, déceler les clusters scatologiques dans la pièce et au contraire les moments où ces motifs sont totalement absents.
Voici l’exemple de ce qu’on obtient pour la Paix :
Dans l’exemple ci-dessus, on peut expliquer aisément le cluster de début : c’est le bousier qui est à Athènes et qui dévore des galettes d’excréments servies par des koprologoi, et la situation, qui est “merdique”, est relatée par Trygée et ses esclaves. De plus, pour préparer son envol vers l’Olympe, il a besoin que chacun “ferme son anus” pour éviter que le bousier ne veuille redescendre sur terre. La seule occurrence scatologique entre les vers 200 et 700 environ vient du choeur qui se dit “péter de joie”, ce qui le dégrade quelque peu et le rend grossier et ridicule certes, mais marque une seule occurrence, anomalie, dans ce passage chez les dieux, marqué bien davantage par des plaisanteries positives autour de la sexualité (puisque la sexualité engendre, là où l’excrément est pure excrétion de matière morte et digérée). Ensuite, le retour de ces motifs provient du retour sur terre, puis le nouveau cluster est l’utilisation abusive par Trygée de la scatologie pour dégrader la guerre : faire d’une armure des toilettes notamment. Il est donc aisé de voir les schémas de la pièce et l’utilité des motifs scatologiques pour l’intrigue via ces graphiques.
Enfin, la cinquième phase permet d’obtenir trois données : ceux qui sont visés par des insultes dans les pièces (et donc, s’il s’agit d’insulte ou non), s’il s’agit d’auto-dérision ou non, et qui prononce le plus de propos scatologiques. Il suffit pour cela de regarder les textes directement afin d’avoir le contexte, et d’ajouter des colonnes supplémentaires aux dataframes ne conservant que les occurrences scatologiques de la distribution par vers.
Ici par exemple, on voit que sur les 127 lemmes scatologiques relevés dans les pièces qui nous intéressent, 121 sont utilisés de façon dégradante, 90 “exposent” quelqu’un d’autre que le locuteur, et 31 sont employés afin de se moquer de la personne qui parle.
Conclusion
Ces données sont donc précieuses pour analyser le fonctionnement de l’insulte scatologique dans l’oeuvre d’Aristophane. Elles m’ont permis de découvrir des aspects de mon corpus, de mettre en lumière facilement les choses qui m’intéressaient, et me permettront d’illustrer mon mémoire et de nourrir sa réflexion.
OpenEdition vous propose de citer ce billet de la manière suivante :
Zacharie (19 avril 2023). L’usage des mots scatologiques dans l’œuvre d’Aristophane. Classiques et numériques. Consulté le 13 juin 2025 à l’adresse https://doi.org/10.58079/mvrs