Ressources numériques en sciences humaines et sociales OpenEdition Nos plateformes OpenEdition Books OpenEdition Journals Hypothèses Calenda Bibliothèques OpenEdition Freemium Suivez-nous

Etude comparative de deux œuvres portant sur l’empereur Claude

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, RStudioDeucalion 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 amicumamici, 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.

Analyse des structures de réseau dans le projet Sunoikisis Digital Classics

Introduction

Le projet Sunoikisis Digital Classics a pour but de proposer des séminaires thématiques à un public international. Ce projet, commencé en 2015, a été initié par les départements d’études classiques des universités de Leipzig (Allemagne) et de l’université Harvard (États-Unis) et par l’Institute of Classical Studies de Londres (Royaume-Uni). La liste des collaborateurs s’est développée au fil du temps de telle sorte qu’elle contient aujourd’hui des participants de plus de 120 institutions à travers le monde. Si Sunoikisis prenait au départ pour champ de recherche les études classiques comme la philologie, l’histoire et l’archéologie, son champ d’investigation s’est progressivement diversifié avec un intérêt pour les sciences dites « auxiliaires de l’histoire » dans l’étude des mondes anciens telles que l’épigraphie, la paléographie, la papyrologie et la prosopographie. L’objectif initial était de diffuser la maîtrise des humanités numériques. Au vu du nombre de participants, de leur diversité et de leur étendue géographique, cet objectif semble atteint.

Notre travail repose sur un fichier CSV regroupant l’ensemble des séances du projet Sunoikisis Digital Classics à partir de l’année universitaire 2014-2015. Notre première tâche a été de mettre à jour ce tableau, d’en corriger les erreurs et d’ajouter les données oubliées. Ce travail a été poursuivi tout au long du semestre. En effet, il fallait s’assurer d’avoir les informations les plus précises possibles afin d’obtenir des résultats exacts.

Notre but était de nous intéresser aux contributeurs des séances. Au cours de nos recherches, nous avons remarqué une différence entre les participants. Nous avons pu établir une distinction entre hosts (animateurs) et guests (invités). En effet, en nous appuyant sur les vidéos des séances, nous nous sommes aperçus que, bien souvent, une personne préside la séance : non seulement elle présente le sujet, les différents invités et le thème de leurs travaux de recherche mais au cours de l’exposé elle assure aussi le rôle d’animateur. Inversement, les guests sont des invités qui interviennent pour faire part de leurs recherches et de leurs connaissances sur une thématique précise. Ainsi, si l’on observe une certaine récurrence parmi les hosts, les guests sont, quant à eux, très variés.

Toutefois, dans le tableau dont nous disposions, ces données étaient assez éparses. Par exemple, les hosts n’étaient pas toujours notés et la distinction avec les guests n’existait pas. Nous avons donc dû corriger tout cela en nous appuyant sur les données vidéos. Ainsi, les premières recherches que nous avons effectuées apparaissent comme erronées puisque nous ne disposions pas des informations exactes. Le travail de nettoyage des données a été une procédure à la fois individuelle et collaborative : nous avons fait le choix de répartir entre nous la correction et la mise à jour des données.

Observations générales

Un seul coup d’œil sur l’ensemble des données permet d’emblée de remarquer la prédominance des hosts, les plus souvent présents dans les diverses séances en leur qualité d’animateurs. On pense notamment à Gabriel Bodard, Valeria Vitale et Monica Berti. Les guests, quant à eux, font des apparitions plus spontanées, en fonction de leur thème de prédilection.

Puisque le travail était collaboratif, il convenait de s’accorder sur une cohérence globale en ce qui concerne le traitement des données, autant dans leur mise à jour et dans leur présentation. La question des auditeurs s’est également posée. En effet, dans certaines vidéos nous pouvons remarquer qu’en plus des hosts et des guests, il y a parfois également des auditeurs, qui n’interviennent pas, ou peu, simplement pour demander une information ou préciser un détail. La question s’est ainsi posée de savoir comment traiter ces personnes dans nos données. Nous avons fait le choix de ne pas les inclure dans le traitement des données puisqu’il ne s’agit pas d’intervenants majeurs au sein des vidéos.

Les logiciels utilisés : De Github à Gephi, en passant par Visual Studio Code

Github

Pour accomplir notre travail, nous avons principalement utilisé trois logiciels, à savoir GitHub, Open Refine et Gephi. Tout d’abord, GitHub, un service web, a grandement facilité notre collaboration. Il nous a permis de centraliser les données initiales utiles à l’étude et de regrouper, au fur et à mesure, les travaux de chaque étudiant. Il offre, par exemple, la possibilité de pratiquer « l’intégration continue », qui permet de détecter les problèmes se trouvant dans les données, ainsi que la « gestion de version », qui facilite la gestion des différentes versions et le travail collaboratif. Les erreurs de manipulation pouvant facilement s’y glisser, GitHub permet de garder une trace des différents états des fichiers au fil du temps et de repérer facilement toute anomalie dans les données. 

Ensuite, le traitement des données a été effectué à l’aide de l’éditeur de texte Visual Studio Code. Ce logiciel permet la manipulation de données, leur nettoyage et leur mise en forme. Enfin, c’est avec Gephi que nous avons pu donner un sens à nos données. Gephi permet en effet l’analyse et la visualisation graphique de réseaux. Ces représentations permettent une meilleure appréhension des données et la mise en relief d’éléments saillants.

Visual Studio Code

Il s’agissait en effet de sélectionner les données que nous allions conserver pour la réalisation des graphes mais aussi de les mettre en forme sous un format utilisable dans le logiciel Gephi, CSV.

Les données dont nous disposions au début rassemblent un grand nombre de métadonnées des séances Sunoikisis : date, semestre, participants (indifférenciés), thèmes, page GitHub associée… Comme notre projet avait pour objectif l’analyse des contributeurs, notre première tâche a été d’isoler les noms de ces contributeurs et de les rassembler dans un autre fichier CSV, mis en forme à l’aide de VS Code. Ce premier fichier était cependant inutilisable car les données de base n’incluent pas les hosts. Nous avons donc dû le compléter en ajoutant ces contributeurs et en distinguant les hosts et les guests. VS Code nous a permis de travailler localement pour mieux mettre en commun nos fichiers sur Github et de détecter des potentielles erreurs de code plus facilement.

Gephi

Observations avant analyse

Avant de mener à bien notre analyse, on a pu relever quelques problèmes liés au traitement des données. À travers divers tâtonnements, nous avons cherché à nous approprier le logiciel dans le but d’en obtenir les données les plus intéressantes à notre analyse.

En effet, on peut tout d’abord remarquer que la distinction entre les catégories hosts et guests n’est pas aussi claire que l’on aurait pu l’imaginer dans Gephi. Pour une raison assez obscure, le logiciel fait une distinction entre une catégorie “guests” et “; guests” dans l’attribut Type.

Par un recours au Laboratoire de données, une modification a pu être apportée à cette répartition. Le choix le plus pertinent, et qui a été conservé, est celui de ne conserver qu’une seule catégorie pour éviter des doublons.

Le résultat obtenu semble dès lors bien plus pertinent :

Dans certains cas, et pour certains membres de notre groupe d’analyse, Gephi ne semblait pas reconnaître certains signes orthographiques comme les accents ou les cédilles ce qui donnait des aberrations orthographiques et/ou des biais de catégorisation (voir l’exemple d’Aurélien Berra ci-dessous).

Dans le but de corriger ces données, il a été proposé de modifier le fichier CSV directement pour que les noms soient plus lisibles et que chacun n’appartienne qu’à une seule catégorie.

Préparation de l’analyse

Pour l’analyse, il semble obligatoire de réussir à obtenir le graphe le plus lisible possible. Or, même avec des jeux de couleurs, les graphes peuvent apparaître comme surchargés et l’analyse semble dès lors un peu difficile. Pour remédier à cela, plusieurs solutions étaient possibles, notamment celle de supprimer les prénoms des participants, ce qui permet de gagner en lisibilité en enlevant une moitié d’information.

La spatialisation Yifan Hu semble également être la plus pertinente en ce qui concerne l’analyse de réseaux car elle permet une meilleure lisibilité en offrant la possibilité de distinguer à l’œil nu trois groupes qui correspondent aux trois intervenants les plus fréquents : Monica Berti, Gabriel Bodard et Valeria Vitale.

Analyse générale

D’un point de vue macroscopique, avec l’outil modularité, qui crée des groupes au sein du réseau, on constate deux ensembles construits sur deux intervenants : Monica Berti (en rouge) et Gabriel Bodard (en bleu). Cependant, il faut mentionner aussi la présence de groupes disparates et d’un sous-groupe prédominant au sein du groupe Bodard, celui de Valeria Vitale.

Analyse sur la modularité

Lors de la collecte des données, il était déjà clair que certains noms, les noms des hosts les plus fréquents, allaient recouper davantage de connexions. Il s’agit, dans un premier temps, de confirmer cette hypothèse à l’aide d’une visualisation qui met en avant les connexions.

Pour cela on peut utiliser un classement des liens par leur poids. Nous pouvons lire dans ce classement quelles sont les connexions les plus fréquentes. Les liens les plus foncés sont ceux qui relient les hôtes les plus fréquents, à savoir Gabriel Bodard et Monica Berti, puis Valeria Vitale.

Spatialisation Force Atlas 2 présentant un classement des liens par poids et des labels par type 

La schématisation de la modularité peut se faire soit par partition, soit par classement. L’outil partition définit précisément des valeurs pour les hosts et les guests, mais n’autorise pas une visualisation claire de cette modularité. Nous avons donc opté pour un classement (et non une partition) des couleurs des labels par modularité. En choisissant trois couleurs bien distinctes pour le spectre de couleurs, des groupes se dessinent de façon plus flagrante.

Spatialisation Yifan Hu avec application de la modularité des labels

On observe trois grands groupes de couleurs : vert, marron et rose. Se distinguent également Rebecca Seifried dans un sous-ton de vert et un groupe de trois personnes en bleu : Alessio Sopracasa, Karsten Tolle et Lily Grozdanova. Lorsque l’on cherche à connaître les connexions des personnes en bleu, on observe que Tolle et Grozdanova sont exclusivement liées entre elles et à Monica Berti. Avec la mise en perspective du tableau de données, il semble que ces trois personnes aient assisté à la même séance, animée par Monica Berti. Il est curieux alors que ce choix de couleur ait été fait par Gephi, d’autant plus que le troisième protagoniste bleu, Alessio Sopracasa, a participé à une autre séance, avec d’autres invités. On retrouve une dynamique similaire avec Rebecca Seifried, qui est liée avec Sarah Murray et Piraye Haciguzeller.

Dans la visualisation Yifan Hu, les personnalités les plus importantes apparaissent par le grand nombre de liens qu’elles réunissent : c’est le cas de Gabriel Bodard, Valeria Vitale et Monica Berti. Ces personnes ont aussi pour caractéristique de se trouver au centre de cette spatialisation. En effet, plus les personnes sont éloignées dans le cercle, moins elles ont de connexions. Mais dans cette spatialisation ce critère est relativement confus, étant donné que des personnes avec tout aussi peu de connexions se retrouvent au centre, comme Federico Boschetti sur cette visualisation.

Spatialisation Force Atlas 2 avec application de la modularité pour les labels et poids pour les liens

Ainsi, grâce à la spatialisation Force Atlas 2, ce critère est davantage visible : les personnalités qui recoupent le plus de relations sont au centre et se distinguent clairement du reste. Mais on peut tout de même observer les sous-groupes avec l’application de la modularité sur la couleur des labels. Dans cette configuration, le poids des liens ne nous permet pas d’observer plus d’éléments signifiants que les couleurs ne faisaient déjà apparaître.

Peut-on analyser ces données avec un graphe dynamique?

Avec la fonctionnalité « dynamic », Gephi nous donne la possibilité d’associer chaque nœud à un moment dans le temps. On peut ainsi donner une dimension temporelle au graphe, à travers une animation prenant en compte les modifications, les changements en fonction d’un axe temporel. Cet outil semble intéressant pour analyser nos données, étant donné que chaque apparition des contributeurs est associée à une date de séance précise. On peut ainsi supposer que les « hosts » remplissent ce rôle sur plusieurs séances consécutives, souvent en fonction des saisons. Dans une moindre mesure, les « guests » pourraient également être présents sur plusieurs séances, notamment des séances doubles, portant sur la même thématique. Toutefois, il ne nous est pas possible de tester cette hypothèse puisque nos données n’ont pas été formatées pour être dynamiques. Mais même si cela était possible, l’intérêt d’un graphe dynamique resterait limité. L’évolution chronologique montrerait seulement les mêmes groupes d’intervenants que ceux qu’on retrouve dans nos graphes statiques. Malgré tout, cet outil serait très utile si nous avions choisi d’analyser nos données sous un autre angle.

Conclusion

Grâce à l’analyse de réseau des animateurs et intervenants, nous avons mis en évidence les pivots du réseau qui entretiennent le projet Sunoikisis Digital Classics. La concentration des interactions entre certains sujets a permis de distinguer des groupes d’échanges qui témoignent autant de l’importance du regroupement effectué par les animateurs que de la diversité des sujets traités. La combinaison des logiciels de traitement et de partage des données a rendu possible l’expérimentation d’une mise en abyme intéressante à travers une analyse de réseau.

Billet rédigé par Hugo Caverivière, Inès Le Guillou, Frédéric Mellet, Léa Morel, Axelle Penture et Evie Roussel.

Le malheur des bergers

Au nom de Rome, heureux vieillards que nous sommes !
Dépossédés de nos biens, nous n’avons plus rien :
Ni terres, ni brebis, sommes-nous citoyens, 
Si après si longtemps, on expulse les hommes ?

De nos bœufs pourtant, on nous vantent les mérites,
A l’ombre des forêts, notre seule richesse,
Quand dans notre cœur, ne reste que la tristesse,
Ô mon bel enfant, même l’amour nous évite ?

Car même entre nous, les querelles sont constantes :
A la meilleur génisse, au meilleur poète.
Les dieux en sont témoins, on se creuse la tête,
On s’admire, on se loue mais nos lèvres se mentent.

Mais ensemble chantons le bonheur de la terre,
Elle est la sainte mère de tous nos bienfaits.
Mon enfant reconnaît, remercie ses effets,
Pour que l’âge d’or succède à l’âge de fer.

Et quand la mort frappe, toute la vie s’arrête.
Le ruisseau cesse d’être, et plus rien ne s’agite.
De notre malheur, les étoiles sont instruites,
Lorsque de nos cœurs blessés, les vers se transmettent.

Hélas depuis longtemps, les nymphes disparaissent.
Vierges infortunées, mélodies oubliées,
Si pour dresser l’acier, les forêts sont rasées,
Nos chants ne vantent plus Pan et la chasseresse.

Aux frênes des forêts, succèdent les brasiers,
Aux pins de nos jardins, le béton et les briques,
D’Apollon et des Muses que nos vers lyriques,
Ou s’affrontent tous deux : immeubles et beauté.

Car de nos pâtures, l’amour nous est ôté;
Ville, cruelle mère qui ravit, qui détruit
Mais nourrit nos vers d’une douce hérésie.
Retournons en arrière, et chantons, ô bergers :

Chantons un temps béni du noble art de la terre :
Où nous possédions tout, au plus loin de ces villes;
Viens, regarde comme nous étions si habiles,
Près des anciens chemins, la pureté de l’air.

Viens, viens donc avec moi, chanter l’amour d’antan
Chanter l’amour d’avant, celui des frondaisons.
Ni la neige ni le froid, au cœur de la saison
Ne m’enlèverons jamais, mes arbres et leurs chants.

J’ai choisi pour réaliser mon pastiche de m’inspirer de l’oeuvre des Bucoliques de Virgile. La poésie pastorale, ou poésie bucolique, est un genre poétique qui a pour but de représenter la vie champêtre et les mœurs des bergers. Elle se construit à travers la description et la célébration d’un univers rural. Plusieurs choix m’ont conduit à la réalisation de mon pastiche. En effet, en me servant de Voyant Tools pour connaître les mots et les syntagmes les plus utilisés par Virgile, j’ai pu me rendre compte que cela ne témoignait pas vraiment de l’oeuvre dans son entièreté.

L’églogue 8 par exemple fausse les données globales. En effet, un vers notamment est répété à de nombreuses reprises, ce qui modifie les termes et les syntagmes les plus répandus alors qu’ils ne sont présents que dans une églogue en particulier.

Les Bucoliques de Virgile sont composés de 10 églogues différentes, témoignant chacune d’une idée précise et mettant en scène des personnages différents. Ainsi, lors de la réalisation de mon pastiche, je me suis inspirée des mots les plus courants de l’oeuvre entière, mais pas seulement; en effet, mon poème est composé de 10 strophes qui s’identifient chacune à une églogue particulière en en reprenant syntagmes et termes les plus répandus. J’ai donc utilisé Voyant Tools à la fois pour disposer d’une vision globale de l’oeuvre mais aussi pour obtenir une vision distincte des caractéristiques de chaque églogue.

En ce qui concerne l’oeuvre entière, après avoir fait abstraction des noms des différents personnages qui composent le poème, j’ai retenu une liste de 10 termes majeurs : carmina, ducite, incipe, amor, ovis, versus, puer, urbe, venit et montibusque j’ai essayé de disséminer tout au long de mon pastiche.

 

Concernant chaque strophe individuellement, elles s’appuient chacune sur l’églogue correspondante. Ainsi, pour la première strophe, j’ai essayé de reprendre les syntagmes et les mots les plus présents dans la première églogue, et ainsi de suite.

Églogues

Strophes
Églogue 1

longo post tempore
fortunate senex

deus/viridi/fortunate/senex/rupe
Au nom de Rome, heureux vieillards que nous sommes !
Dépossédés de nos biens, nous n’avons plus rien :
Ni terres, ni brebis, sommes-nous citoyens ?
Si après si longtemps, on expulse les hommes.
Églogue 2

o formose puer

umbra/vaccinia/silvis/sequitur
De nos bœufs pourtant, on nous vantent les mérites,
A l’ombre des forêts, notre seule richesse,
Quand dans notre cœur, ne reste que la tristesse,
Ô mon bel enfant, même l’amour nous évite ?
Églogue 3

necdum illis labra admovi sed condita servo
est mihi

pecus/vitulam/pueri
Car même entre nous, les querelles sont constantes :
A la meilleur génisse, au meilleur poète.
Les dieux en sont témoins, on se creuse la tête,
On s’admire, on se loue mais nos lèvres se mentent.
Églogue 4

incipe parue puer
pan etiam arcadia

puer/ultima/vestigia/tellus/parue
Mais ensemble chantons le bonheur de la terre,
Elle est la sainte mère de tous nos bienfaits.
Mon enfant reconnaît, remercie ses effets,
Pour que l’âge d’or succède à l’âge de fer.
Églogue 5

ad astra
ad sidera

puer/flumina/carmina
Et quand la mort frappe, toute la vie s’arrête.
Le ruisseau cesse d’être, et plus rien ne s’agite.
De notre malheur, les étoiles sont instruites,
Lorsque de nos cœurs blessés, les vers se transmettent.
Églogue 6

a uirgo infelix
nec tantum
Hélas depuis longtemps, les nymphes disparaissent.
Vierges infortunées, mélodies oubliées,
Si pour dresser l’acier, les forêts sont rasées,
Nos chants ne vantent plus Pan et la chasseresse.
Églogue 7

fraxinus in siluis
pinus in hortis
aut si

umbra/ambo/viridis
Aux frênes des forêts, succèdent les brasiers,
Aux pins de nos jardins, le béton et les briques,
D’Apollon et des Muses que nos vers lyriques,
Ou s’affrontent tous deux : immeubles et beauté.
Églogue 8

crudelis tu quoque mater

urbe/versus/carmina/ducite
Car de nos pâtures, l’amour nous est ôté;
Ville, cruelle mère qui ravit, qui détruit
Mais nourrit nos vers d’une douce hérésie.
Retournons en arrière, et chantons, ô bergers :
Églogue 9

huc ades
in urbem

carmina/via/veteres
Chantons un temps béni du noble art de la terre :
Où nous possédions tout, au plus loin de ces villes;
Viens, regarde comme nous étions si habiles,
Près des anciens chemins, la pureté de l’air.
Églogue 10

mihi phyllis
nam neque/nec si

amor/venit/carmina/nives/frigora
Viens, viens donc avec moi, chanter l’amour d’antan
Chanter l’amour d’avant, celui des frondaisons.
Ni la neige ni le froid, au cœur de la saison
Ne m’enlèverons jamais, mes arbres et leurs chants.
Dans ce tableau j’ai voulu représenter les mots à partir desquels je me suis inspirée lors de la rédaction des strophes. Les mots en italiques dans la colonne de droite correspondent aux mots et/ou syntagmes les plus courants dans l’églogue correspondante. Quant-à ceux encadrés, ce sont les mots les plus répandus au sein des Bucoliques dans leur globalité.

J’ai également utilisé Voyant Tools pour mettre en avant les collocations les plus courantes dans l’oeuvre entière pour tenter de les représenter à travers mon pastiche.

Pour mon pastiche j’ai également fait le choix d’écrire en alexandrins pour reprendre les hexamètres dactyliques présent dans les Bucoliques. De même, à partir de la sixième strophe, soit la moitié du poème, j’ai inclus une notion plus contemporaine qu’est celle de la déforestation et de l’urbanisation. En effet, dans les termes les plus courants, on peut voir le terme urbe de plus en plus présent vers la fin du poème et qui m’a conforté dans ce choix. Ainsi, la fin de mon pastiche met en avant la disparition de la vie rurale au profit des villes toujours plus démesurées et impersonnelles, mais également l’expropriation des petits propriétaires terriens qui se languissent de cette perte à travers leur chants.

J’espère en tout cas que ce pastiche et ces explications vous ont plu !

Le Projet Gutenberg : du Bénévolat au Lectorat

 

Le Projet Gutenberg est né au début des années 1970 grâce à Michael Hart , un informaticien américain. Il s’agit d’une immense bibliothèque informatique en ligne, à travers laquelle on peut accéder à un grand nombre de textes, dans un grand nombre de langues.

Le projet est entièrement gratuit , les ouvrages partagés ne sont de fait plus soumis à des droits d’auteur (vous n’y trouverez donc pas les dernières nouveautés ;)) et se développent grâce au bénévolat de certaines personnes qui relisent, corrigent et ajoutent de nouveaux ouvrages à la base de données.

Le Projet Gutenberg est également facile d’utilisation , les modes de recherches sont multiples et assez intuitifs : le lecteur au choix entre une recherche rapide, à partir d’un mot clé, ou encore une recherche avancée visant à trouver l’ouvrage se rapprochant le plus des critères.

 

Les livres peuvent être obtenus dans plusieurs formats différents , ce qui laisse la possibilité au lecteur de trouver celui qui lui convient le plus par rapport à ses besoins et aux outils qu’il utilise. On note ainsi la possibilité de télécharger au format TXT mais aussi en HTML, en EPUB ou encore en format adapté aux tablettes Kindle.

Pour ce qui est du site en lui-même, son interface reste assez sobre et ne témoigne pas de quelque chose de très moderne, son esthétique est assez rudimentaire.

Concernant son utilisation au sein d’études en lettres classiques , je pense qu’elle reste assez limitée, dans le sens où le site dispose de peu de textes antiques malgré la quantité importante d’ouvrage disponible. Il ne s’agit pas d’un site à vocation savante, mais vraiment d’ouverture à un grand lectorat. 

Veni, Vidi, Legi

Kalimera à toutes et à tous,

Moi c’est Léa, bientôt 21 ans, qui, après des études m’ayant menée vers un bac scientifique, ai décidé de retrouver mes premières amours, à savoir tout ce qui a trait à l’histoire antique et la mythologie. C’est donc tout naturellement que je me suis orientée vers une CPGE A/L avant de me spécialiser en Lettres Classiques. Si j’ai opté pour ce master pour poursuivre mes études c’est en grande partie grâce à ma curiosité qui voulait en savoir plus sur cette double dimension alliant Humanités Classiques et Humanités Numériques.

Pour l’instant, je ne sais pas encore vers quoi je souhaiterais m’orienter par la suite, mais laissons  au temps le temps, je finirais bien par trouver. Je vais avant profiter des deux années qui se profilent pour apprendre un maximum de choses et m’ouvrir à de nouvelles perspectives. J’ai d’ailleurs choisi, pour accompagner ma présentation, une photo que j’ai eu la chance de prendre au mois d’avril dernier en Grèce, et je ne compte pas m’arrêter là, prochaine étape je l’espère : l’Italie !

Temple d’Apollon, Delphes

Ravie de faire partie de l’équipe cette année avec et pour vous tous 😉

Léa M.