Introduction
La figure de l’empereur Claude a suscité de nombreux récits, tant dans l’Antiquité qu’à l’époque contemporaine. Ce projet se propose de comparer deux représentations textuelles majeures : celle de Suétone, historien latin du Ier siècle, et celle de Robert Graves, romancier britannique du XXe siècle, auteur de I, Claudius. À travers une analyse lexicale et lemmatisée des deux corpus, l’objectif était de comparer la différence de traitement d’un auteur antique et d’un auteur moderne sur un seul et même sujet, à savoir la figure de Claude.
Outils utilisés
Cette étude comparative a mobilisé plusieurs outils numériques complémentaires, chacun jouant un rôle spécifique dans la constitution et le traitement des corpus. Parmi eux, RStudio, Deucalion et VSCode ont constitué la base du travail méthodologique.
Rstudio
Rstudio, et le langage R plus spécifiquement, a été l’outil principal pour l’analyse des textes. Grâce à des bibliothèques spécialisées comme tidytext ou encore ggplot2, il a été possible de transformer les textes en corpus analysables, de nettoyer les données, de construire des tableaux de fréquence, et de générer des visualisations comme des graphes comparatifs.
deucalion
Développé par l’École nationale des chartes, ce logiciel dispose d’un rôle crucial en ce qui concerne la lemmatisation des textes. Cela a donc permis une comparaison lexicale plus pertinente et cohérente des textes par le recours aux lemmes.
Visual studio code
Utilisé à la suite de Deucalion, VS code m’a notamment permis de gérer les données obtenus quant à la lemmatisation des textes et d’en faire un fichier TSV plus simple a utiliser ensuite.
Préparation des données textuelles
Suétone
Dans un premier temps, l’objectif a été de structurer le texte de La Vie de Claude de Suétone, à la fois dans sa version française et dans sa version originale en latin. Les deux textes sont lus ligne par ligne, puis nettoyés. Ce nettoyage inclut notamment la suppression des balises inutiles, l’élimination des espaces superflus et la fusion de toutes les lignes pour former un texte unique. Une expression régulière identifie les chiffres romains, qui correspondent aux différentes sections du texte dans l’édition choisie. Le texte est alors découpé en fonction de ces chiffres pour isoler chaque section.

Ensuite, à chaque section identifiée est associé un titre explicite, précédemment défini, stocké dans un vecteur nommé titles. Ce couplage a pour but de mieux contextualiser l’analyse ultérieure. Un tableau est ensuite créé, dans lequel chaque ligne contient le numéro de section, son titre, le texte en français et le texte en latin correspondant. La mise en parallèle des textes latin et français permet un rapport direct au texte original et à sa traduction en regard, facilitant le travail de recherche.

Une fois le corpus structuré, une phase de nettoyage approfondie a dû être appliquée à chaque texte. En effet, mon but était d’obtenir les données les plus propres possibles pour faciliter mes analyses. Cette étape a ainsi veillé à supprimer la ponctuation superflue en début de texte, à enlever les parenthèses et leur contenu, ou encore à corriger certains caractères parasites dans le but d’obtenir un texte aussi propre et uniforme que possible pour éviter que des éléments de forme n’introduisent de biais dans l’analyse lexicale.


L’étape suivante est celle de la tokenisation, c’est-à-dire la découpe du texte en unités lexicales, ici en mots. Cette opération est réalisée indépendamment pour le texte français et pour le texte latin, sans prendre en compte les titres. Chaque mot devient une ligne dans une nouvelle table, ce qui permet ensuite de compter leur fréquence d’apparition dans le texte.
Les mots les plus fréquents sont comptés pour chaque langue. Cette analyse brute met en lumière les mots les plus utilisés dans le texte, mais elle peut être faussée par la présence de mots grammaticaux fréquents (articles, pronoms, etc.). Pour affiner l’analyse, une liste de stopwords est utilisée pour chaque langue, afin de supprimer ces mots sans intérêt analytique. Une nouvelle table de fréquence est alors produite avec uniquement les mots significatifs. Pour une meilleure lisibilité, on peut visualiser les mots les plus fréquents après suppression des stopwords sous forme de diagrammes en barres horizontales.
Afin de dépasser les limites d’une analyse basée uniquement sur les formes des mots, une lemmatisation est appliquée au texte latin. Cela signifie que les formes fléchies des mots sont ramenées à leur forme canonique, ou lemme. Par exemple, les mots amicum, amici, et amicus sont tous ramenés au lemme amicus. Cette opération est rendue possible grâce à un fichier Lemma_Suetone.tsv généré grâce à Deucalion et VSCode.


Le tableau issu de Deucalion est à son tour nettoyé pour supprimer les chiffres, les doublons, et les mots vides. La fréquence des lemmes est ensuite calculée, ce qui permet une analyse sémantique plus robuste que l’analyse de surface. Enfin, les dix lemmes les plus fréquents sont extraits et affichés, offrant une synthèse claire du vocabulaire essentiel du texte latin.
Graves
Le processus pour le second texte, celui de Graves, a été assez similaire dans l’ensemble. Cependant, si je disposais d’un fichier avec le texte brut pour Suétone, ce n’était pas le cas ici. En effet, mon premier objectif et la première difficulté que j’ai rencontré ici, après avoir réussi à me procurer le texte, a été celle de lire et de nettoyer des fichiers HTML et XHTML contenant le texte de Robert Graves. Pour ce faire j’ai dû créer une fonction pour nettoyer et extraire le texte brut afin de créer un nouveau document avec le texte brut exclusivement. Comme pour Suétone, les chapitres du texte ont été associés à des titres prédéfinis.

Cependant, là encore il a fallu procéder à un nettoyage pour obtenir les données les plus propres possibles. Cependant puisque les différents chapitres venaient à l’origine de 3 livres différents avec des formats différents, le nettoyage s’est révélé plus difficile que prévu. En effet, si jusqu’au chapitre 33 j’ai pu me contenter de retirer tout ce qui se trouvait avant la première majuscule, pour les chapitres suivants j’ai dû définir des conditions plus précises et complexes.


J’ai ensuite fait le choix, avant d’entamer l’analyse lexicale, de remplacer les apostrophes par des espaces dans le but de faciliter la tokenisation. Puis de même que pour Suétone, j’ai eu recours aux stopwords avant de passer à la lemmatisation du texte avec Deucalion.
Mise en parallèle des textes et analyse
Comparaison des lemmes
J’ai tout d’abord choisi de commencer par analyser les lemmes les plus fréquents dans les textes de Suétone et de Graves en générant un graphique. Cette approche permet de voir d’un coup d’œil les termes les plus utilisés dans les deux œuvres. De plus, les graphiques sont placés côte à côte pour faciliter la comparaison entre les deux auteurs. Le graphique ci-dessous présente ainsi les 10 lemmes les plus fréquents chez chaque auteur, mais la comparaison peut évidemment porter sur plus ou moins de lemmes en fonction de la nécessité.

Cela m’a ainsi permis de voir les lemmes les plus fréquents chez chaque auteur et de les comparer. Ainsi, chez Graves on peut remarquer que les lemmes les plus fréquents semblent être en lien avec la politique et le pouvoir impérial mais surtout qu’il se concentre en grande partie sur les personnes ayant partagés la vie de Claude. Chez Suétone, l’accent est mis sur des aspects plus administratifs et institutionnels du pouvoir romain. De plus, si l’empereur Auguste semble majeur des deux côtés, la première différence notable est la mention d’Hérode chez Graves.
Etude des noms propres
J’ai ensuite choisi d’accès mon analyse sur les noms propres. pour ce faire j’ai procédé à l’extraction de ces derniers en commençant par filtrer les mots qui commencent par une majuscule puis en calculant la fréquence de chaque nom dans les deux corpus. Pour chaque texte les noms propres sont extraits et triés en fonction de leur fréquence d’apparition. Ces fréquences sont ensuite utilisées pour créer des graphiques qui comparent visuellement l’importance des noms propres dans chaque œuvre.

La différence de langue entre les deux textes ne me permettait cependant pas de les comparer de façon rapide et immédiate. J’ai ainsi réfléchi à un moyen de contourner ce problème en créant un dictionnaire de correspondance entre les noms latins et français. L’objectif est ainsi de rendre les noms cohérents entre les deux textes, en particulier lorsqu’un même nom peut être écrit différemment dans les deux œuvres. Le code utilise cette liste pour remplacer les noms latins par leurs équivalents français dans les deux corpus, afin de faciliter la comparaison. Il a malgré tout fallut manuellement vérifier les données à partir des lemmes et des possibilités d’erreurs qui y sont liées.

Une fois la normalisation effectuée, les données sur les noms propres sont fusionnées pour créer une comparaison directe entre les deux textes. Le code permet de comparer la fréquence de chaque nom dans les œuvres de Suétone et de Graves, en mettant en parallèle les résultats pour chaque texte.
Suite à cela j’ai ainsi pu obtenir les noms les plus répandus chez l’un et l’autre auteurs, mais aussi ceux les plus répandus chez les deux auteurs en même temps. Ce qui permet une visualisation directe des différents personnages dans les deux textes.

Suite à cela, je me suis interrogée sur les noms uniques chez l’autre et l’autre auteurs comme cela semblait le cas pour Hérode.

La présence significative de Caligula et d’Hérode chez Graves et leur absence encore plus significative chez Suétone me donne ainsi des pistes de réflexion intéressante pour mon mémoire sur la réception moderne de l’empereur Claude. En effet, l’omission total d’Hérode par Suétone pousse à s’interroger sur son rôle dans la vie de l’empereur.
Fréquences relatives
La taille des deux corpus s’est avéré un autre problème puisqu’il semblait absurde de prendre en compte le nombre d’occurence étant donné la différence de taille entre les deux œuvres. J’ai ainsi décidé de procéder à une nouvelle normalisation sous forme de fréquence relative ce qui m’a permis de neutraliser l’effet de la différence de taille entre les textes. Ce graphique montre ainsi les fréquences relatives des noms propres pour chaque auteur, permettant une comparaison plus fine et plus logique des deux corpus.

Visualisation de l’évolution lexicale
J’ai ensuite voulu pouvoir visualiser la distribution des noms propres au sein des différents chapitres des œuvres pour pouvoir m’y référer rapidement au besoin.
Pour ce faire, j’ai dû comme auparavant, séparer les textes en fonctions des chapitres, les tokeniser et les lemmatiser en fonction de leur chapitre tout en supprimant les données parasites vu précédemment.
J’ai ensuite crée une liste des noms à “surveiller” pour chaque œuvre qui contient des noms définis manuellement. J’obtiens ainsi par exemple ce graphique pour l’un et l’autre corpus ce qui me permet de repérer rapidement la répartition des personnages dans le texte et de pouvoir comparer des passages.


Conclusion
En résumé, ce code fournit une analyse détaillée des noms propres dans les textes de Suétone et de Graves, en commençant par une exploration des lemmes les plus fréquents et en allant jusqu’à une comparaison des noms propres normalisés. Chaque étape vise à extraire et à comparer les éléments clés de ces œuvres, tout en prenant en compte les variations de langue et la longueur des textes. Les graphiques générés tout au long de ce processus permettent de visualiser facilement les résultats et d’obtenir des insights sur les différences et similitudes entre les deux auteurs.