Introduction
Lucien de Samosate est un écrivain de la Seconde Sophistique, un courant culturel et littéraire qui s’est épanoui au deuxième siècle de notre ère. Les figures de ce mouvement, qui s’en revendiquent plus ou moins explicitement, ont pour point commun une culture littéraire approfondie et une maîtrise avancée de l’art rhétorique, fruits d’une éducation longue et exigeante. Ces hommes “formés et éduqués” (πεπαιδευμένοι) connaissent souvent par cœur l’Iliade, l’Odyssée et les grands classiques, et sont rompus aux exercices rhétoriques qui leur ont appris à faire parler dieux et héros, à présenter le pour et le contre de chaque cause, à réécrire des épisodes de mythes et de légendes. Par jeu autant que par habitude ou encore par volonté de montrer leur érudition, ces nouveaux sophistes émaillent leurs écrits de références à Homère.
Mon mémoire porte notamment sur la présence de l’univers homérique dans l’oeuvre de Lucien, entre allusions, citations, et jeu avec les notions de mythes, de vérité et de mensonge.
De nombreuses études ont recensé les vers homériques dans les écrits de Lucien. La plupart des éditions soulignent, au moyen de notes et de renvois, des termes manifestement homériques, utilisés exprès par Lucien, comme clins d’oeil, allusions, ou plus largement dans une démarche d’imitation (μίμησις) de l’oeuvre homérique. Toutefois, il n’y a pas, à ma connaissance, d’éditions numériques de tels recensements. La recherche exhaustive des termes liés aux notions de vérité, de mensonge, de réalité et de mythes, ou encore de vraisemblance, ne semble pas non plus disponible sur des plateformes publiques.
Le logiciel R semble tout indiqué pour une telle analyse textuelle, difficile à effectuer manuellement du fait de l’ampleur des œuvres de Lucien. Repérer des “indices homériques” prédéfinis, quantifier et présenter les résultats de manière organisée permettrait à la fois d’orienter mes recherches sur le mémoire et d’étayer des constats déjà établis à l’issue de mes lectures préparatoires.
Pour mener à bien ce travail, il est tout d’abord nécessaire d’identifier et préparer le corpus et les outils de recherche. Au terme de cette préparation, une triple détection sera effectuée: 1. vers ou hémistiches homériques, 2. autres “indices homériques” (éléments de phonétique, de morphologie, de syntaxe et de vocabulaire propre à Homère), 3. champ lexical de la réalité/vérité, du mensonge et du mythe.
1. Travail préparatoire
Il serait possible d’effectuer l’analyse sur l’intégralité du corpus de Lucien, qui comporte environ soixante-dix œuvres (selon les éditions, et notamment selon l’exclusion d’oeuvres jugées apocryphes). Une sélection semble utile au regard du thème du mémoire, qui se focalise davantage sur les rapports de confiance et de méfiance vis-à-vis de l’oeuvre homérique, via les notions de mensonge, de vérité, de réalité, de mythes, etc. On se concentre donc sur quelques dialogues comico-philosophiques, des récits et quelques pièces diatribiques où ces thèmes semblent davantage abordés. Une telle sélection est bien sûr arbitraire et on pourrait étendre l’analyse à tous les textes attribués à Lucien, disponibles en ligne.
La sélection porte sur les pièces suivantes: Alexandre ou le faux Prophète, La Double accusation ou les Jugements, Charon ou les Contemplateurs, Sur les sacrifices, Dialogues des dieux, Dialogues des morts, Discussion avec Hésiode, Histoires vraies, Icaroménippe ou le Voyage aérien, Jupiter confondu, Jupiter tragique, Ménippe ou la Nécyomancie, Nigrinus ou le Portrait d’un philosophe, Philopseudès ou l’Incrédule, Comment il faut écrire l’histoire.
Ces discours sont disponibles en ligne sur le site Perseus/Scaife notamment, en format txt ou xml. Il est plus facile de télécharger les textes bruts, mais la numérotation est perdue; or celle-ci s’avérera nécessaire pour le traitement des résultats de recherche. Il semble donc indispensable d’utiliser les fichiers en format xml qui, eux, ont une architecture détaillée (par sections, sous-sections, paragraphes, lignes, etc.).
La première étape consiste à télécharger les fichiers xml, à les enregistrer sur son dossier de travail et à préparer leur utilisation sur R (extraction et traitement des racines). La deuxième étape consiste à parcourir chaque fichier xml pour copier son contenu, afficher le titre en majuscule, extraire le contenu de chaque paragraphe, l’épurer des caractères latins (commentaires d’éditeur dans les fichiers xml), les doubles espaces résiduels, les doubles sauts de lignes, les signes de ponctuation, pour éviter de perturber les opérations ultérieures de recherche. Par “paragraphes”, on entend en réalité “sections de référence” des oeuvres de Lucien: il existe une numérotation conventionnelle, chaque section pouvant comprendre plusieurs “paragraphes” au sens où nous l’entendons de sections de texte délimitées par des retours à la ligne. Ces sections sont repérables aux balises “< div >< / div >” dans les fichiers xml.
2. Recherche des citations homériques (hémistiches)
2.1. Création de la liste des hémistiches de l’Iliade et de l’Odyssée
Il est tout d’abord nécessaire de télécharger les 24 chants de l’Iliade, puis ceux de l’Odyssée, en format xml sur le site de Perseus/Scaife. En raison de l’ampleur de ces fichiers, il faut procéder par groupes de chants (le site ne pouvant supporter des requêtes trop importantes). Ces fichiers sont ensuite fusionnés en un seul fichier xml. La même chose est faite pour l’Odyssée.
Après nettoyage des textes de l’Iliade et de l’Odyssée, il faut maintenant générer la liste des hémistiches. Il aurait été possible de créer la liste des vers entiers, mais il semble plus intéressant d’avoir à disposition la liste des hémistiches, pour deux raisons: la première est que toute recherche d’hémistiches aboutira a minima aux mêmes résultats que la recherche de vers homériques; la deuxième raison tient au fait que les hémistiches homériques présentent souvent une unité sémantique qui justifie leur citation indépendamment de leurs correspondants.
Cette étape est la plus délicate. Il est en effet très difficile d’établir des règles automatiques pour la détection des hémistiches homériques, puisque leur détermination repose sur la prosodie grecque, indétectable en tant que telle dans le texte brut. Il est possible de découper chaque vers en deux, en arrondissant au nombre supérieur de mots, afin d’éviter un découpage au milieu des mots. Il faut néanmoins avoir conscience du caractère approximatif de cette démarche, qui fonctionnera uniquement lorsque la césure homérique véritable correspond au découpage ainsi paramétré. La même chose est faite pour l’Odyssée.
Une méthode plus précise (mais toujours imparfaite) consiste à retranscrire dans un script R les règles paramétrables de la métrique grecque afin de constituer un compteur qui attribue un temps à chaque caractère et permet de scinder chaque vers. La logique est la suivante: concernant le premier caractère, soit il s’agit d’un espace, d’une apostrophe ou d’une consonne, et le compteur métrique n’est pas incrémenté, soit il s’agit, avec le caractère suivant, d’une diphtongue, en quel cas le compteur est incrémenté de 2 et le rang de 2 également (pour passer au caractère après la diphtongue et éviter ainsi de passer de nouveau en revue la deuxième lettre), soit il s’agit d’une voyelle qui est nécessairement longue (compteur +2, rang +1). Pour les caractères suivants, la boucle est un peu plus complexe, puisque les diphtongues peuvent être longues ou courtes (si certaines sont situées en fin de mot) et que les voyelles brèves peuvent être longues si elles sont suivies d’une double consonne ou de deux consonnes.
A chaque fois qu’un caractère est traité, le rang a été incrémenté d’un ou de deux unités, et on passe ainsi à l’examen du caractère suivant ou de celui d’après. Le résultat est une matrice contenant le caractère, son rang et le compteur métrique associé.
La quantité des voyelles n’obéit pas entièrement à des règles (absolues ou liées à la métrique): il est parfois nécessaire de consulter un dictionnaire. Typiquement, un “α” final peut être long ou court: long dans “μῆνιν ἄειδε θεὰ Πηληϊάδεω Ἀχιλῆος”, court dans “αἰδεῖσθαί θʼ ἱερῆα καὶ ἀγλαὰ δέχθαι ἄποινα”. De plus, comme les vers se divisent rarement en deux groupes égaux de mots correspondant à la fois à deux groupements métriques équilibrés et à deux unités de sens, il est nécessaire d’effectuer un choix: soit le mot contenant la lettre à laquelle le compteur est arrivé à sa moitié doit être rattaché au premier hémistiche, soit il doit l’être au second. Aucune de ces deux règles ne convenant à tous les vers, il semble préférable de conserver les deux options et de créer deux paires d’hémistiches possibles. Il devient alors extrêmement probable qu’une des deux paires correspondent au bon découpage.
2.2. Détection des hémistiches
Afin de détecter les hémistiches homériques dans les oeuvres sélectionnées de Lucien et d’organiser les résultats de manière organisée, il faut que le script parcoure, pour chaque hémistiche (première boucle), chacune des oeuvres sélectionnées (deuxième boucle), et, en cas de correspondance, mémorise le titre de l’oeuvre et l’hémistiche concerné, pour enfin restituer les résultats sous forme d’un tableau.
Cette opération représente un nombre très élevé de calculs (au moins cinquante cinq mille hémistiches recherchés dans les chaînes de caractère d’une quinzaine d’oeuvres de plusieurs milliers de caractères chacune).
2.3. Conclusion
Une centaine d’hémistiches de l’Iliade et de l’Odyssée est détectée dans le corpus de recherche. Une analyse de ces résultats permettra de distinguer les “véritables” emprunts homériques de possibles coïncidences: par exemple, “δὲ καὶ ἄλλα” n’est sans doute ni un véritable hémistiche homérique (trop court) ni une particularité homérique (la combinaison de ces trois est très courante); à l’inverse “τε καὶ ἀνέρες ἱπποκορυσταὶ” est très probablement une citation homérique. Il sera également intéressant de vérifier si ces citations sont relevées par les éditions de référence, ou si certains hémistiches détectés par le script ne sont pas signalés.

extrait des résultats obtenus dans les écrits Alexandre, La Double Accusation et Les Observateurs.
3. Détection des “indices homériques”
3.1. Définition des “indices homériques”
La langue homérique présente de nombreuses particularités, tant phonétiques que morphologiques, syntaxiques, sémantiques et stylistiques. Ces particularités sont dues à l’ancienneté de ces chants, ainsi qu’à la diversité des dialectes dont est issu le texte homérique canonique. La langue ayant évolué depuis les temps archaïques jusqu’à la période de la Seconde Sophistique, la présence de ces particularités ou “indices” homériques dans les oeuvres de Lucien ne peut normalement résulter d’une coïncidence, mais bien illustrer une allusion homérique de l’écrivain.
Nous distinguons deux catégories d’indices.
La première regroupe des particularités phonétiques, morphologiques, syntaxiques et sémantiques énumérées sur le site Hypothèses et qui peuvent faire l’objet d’un codage univoque. Par exemple, la recherche “\b\wῃσι\b” est bien univoque, dans le sens où elle cherche tous les mots s’achevant par les caractères ”ῃσι”, une désinence de datif archaïque que l’on retrouve dans l’Iliade et l’Odyssée mais pas en prose attique classique.
A l’inverse, la recherche”\b\w*θι\b” est équivoque, puisque si elle vise à repérer les adverbes archaïques en “θι”, elle aboutira également à la détection de toutes les formes d’impératifs en “θι” qui relèvent de l’attique classique.
La deuxième catégorie regroupe un certain nombre d’épithètes dites “traditionnelles” ou “homériques”, qui servent à caractériser certains dieux ou héros (source: Wikipedia par exemple).
3.2. Détection et restitution
Les deux recherches sont effectuées de manière séquentielle. Pour chacune, le script parcourt chaque terme. Pour chacun d’eux, il balaie toutes les lignes du tableau de données créé précédemment à partir des fichiers txt, et, à chaque fois qu’un terme est détecté dans une ligne, le script extrait le mot correspondant. La liste des paragraphes ainsi que le nombre total de correspondances est ensuite mis à jour, avant de poursuivre la recherche.
matching_paragraphs <- list()
total_matches <- 0
# boucle correspondant à la 1ere recherche
for (term in search_terms_homerismes) {
for (i in 1:nrow(combined_df)) {
paragraph <- combined_df$paragraph[i]
if (grepl(term, paragraph)) {
words_found <- grep(term, unlist(strsplit(paragraph, "\\s+")), value = TRUE)
for (word in words_found) {
matching_paragraphs[[length(matching_paragraphs) + 1]] <- data.frame(
source = combined_df$source[i],
paragraph = paragraph,
search_type = "homerismes",
word_found = word,
stringsAsFactors = FALSE
)
}
total_matches <- total_matches + length(words_found)
}
}
}
# boucle correspondant à la 2e recherche
for (term in search_terms_epithetes) {
for (i in 1:nrow(combined_df)) {
paragraph <- combined_df$paragraph[i]
if (grepl(term, paragraph)) {
words_found <- grep(term, unlist(strsplit(paragraph, "\\s+")), value = TRUE)
for (word in words_found) {
matching_paragraphs[[length(matching_paragraphs) + 1]] <- data.frame(
source = combined_df$source[i],
paragraph = paragraph,
search_type = "epithetes",
word_found = word,
stringsAsFactors = FALSE
)
}
total_matches <- total_matches + length(words_found)
}
}
}
df <- do.call(rbind, matching_paragraphs)
output_file <- "XXX/resultats/indices_homeriques_lucien.xlsx"
write.xlsx(df, output_file)
print(df[, c("source", "word_found", "search_type")])
## source word_found search_type
## 1 alexander.txt ἔσσεαι homerismes
## 2 alexander.txt Δίζεαι homerismes
## 3 nigrinus.txt γένηαι homerismes
## 4 alexander.txt πελάζεο homerismes
## 5 alexander.txt φι homerismes
## 6 historiae_verae.txt μακάρεσσι homerismes
## 7 quomodo_historia.txt Πέρσῃσι homerismes
## 8 alexander.txt τεκμαίροιο homerismes
## 9 alexander.txt Πόντοιο homerismes
## 10 alexander.txt βιότοιο homerismes
## 11 alexander.txt νούσοιο homerismes
## 12 alexander.txt Ἀμφιλόχοιο homerismes
## 13 alexander.txt Ἴστροιο homerismes
## 14 contemplantes.txt ἠϋκόμοιο homerismes
## 15 dialogi_mortuorum.txt γένοιο homerismes
## 16 icaromenippus.txt αἰγιόχοιο homerismes
## 17 iuppiter_tragoedus.txt καθέζοιο homerismes
## 18 nigrinus.txt ἠελίοιο homerismes
## 19 alexander.txt μιν homerismes
## 20 quomodo_historia.txt μιν homerismes
## 21 historiae_verae.txt εἴδομεν homerismes
## 22 historiae_verae.txt εἴδομεν homerismes
## 23 historiae_verae.txt εἴδομεν homerismes
## 24 historiae_verae.txt εἴδομεν homerismes
## 25 historiae_verae.txt εἴδομεν homerismes
## 26 iuppiter_tragoedus.txt εἴδομεν homerismes
## 27 alexander.txt Τιέμεναι homerismes
## 28 alexander.txt πλωέμεναι homerismes
## 29 historiae_verae.txt προϊέμεναι homerismes
## 30 iuppiter_confutatus.txt κεν homerismes
## 31 iuppiter_tragoedus.txt κεν homerismes
## 32 quomodo_historia.txt κεν homerismes
## 33 alexander.txt δῶμα homerismes
## 34 iuppiter_tragoedus.txt μῆτις homerismes
## 35 dialogi_deorum.txt ἰδέ homerismes
## 36 alexander.txt ἀλεξίκακε epithetes
## 37 quomodo_historia.txt ἀλεξίκακος epithetes
## 38 de_sacrificiis.txt κυανοχαίτην epithetes
## 39 alexander.txt Φοῖβος epithetes
## 40 de_sacrificiis.txt γλαυκῶπιν epithetes
## 41 dialogi_deorum.txt γλαυκῶπις epithetes
## 42 iuppiter_tragoedus.txt γλαυκῶπις epithetes
## 43 iuppiter_tragoedus.txt τριτογένεια epithetes
## 44 dialogi_deorum.txt ῥοδοδάκτυλος epithetes
## 45 dialogi_mortuorum.txt καλλίσφυρον epithetes
Il est intéressant de connaître la fréquence d’apparition des “homérismes” dans les œuvres de Lucien, leurs types, et ceux qui en sont absents. Pour cela, on crée un tableau avec deux colonnes: la première recense les différents termes recherchés, et l’autre recense le nombre de correspondances trouvées. Ces dernières sont déterminées au moyen d’une fonction “term” appliquée à chaque terme de recherche et qui renvoie des valeurs boléennes (1 pour chaque correspondance), qui sont ensuite sommées.
# calcul du nombre de correspondances pour chaque terme de recherche
results <- data.frame(
search_term = c(search_terms_homerismes, search_terms_epithetes),
matches = sapply(c(search_terms_homerismes, search_terms_epithetes), function(term) {
sum(grepl(term, combined_df$paragraph))
}),
stringsAsFactors = FALSE
)
output_file_results <- "XXX/resultats/resultat_recherches_indices_homeriques_lucien.xlsx"
write.xlsx(results, output_file_results)
4. Détection du champ lexical de la vérité, du mensonge et du mythe
L’attitude des intellectuels (rhéteurs, philosophes, historiens notamment) vis-à-vis de l’oeuvre homérique et plus précisément des récits merveilleux ou “mythes” qu’elle contient, est complexe: beaucoup critiquent les “mensonges” d’Homère et n’y ajoutent pas foi, tout en professant non seulement un attachement profond au poète et à son oeuvre (qu’ils ont tous longuement étudiés pendant leur cursus scolaire), mais aussi la reconnaissance d’une “imitation” (μίμησις) réussie de la réalité, ainsi que la croyance dans le caractère historique des cadres de l’épopée (guerre de Troie, vie des héros).
L’analyse de ces rapports complexes est rendue plus difficile encore par les différences de vocabulaire entre le français et le grec ancien: il n’y a pas d’équivalent en grec ancien des mots, pourtant fondamentaux, de “vérité” et de “mensonge”, puisque ἀλήθεια et ψεῦδος signifient à la fois respectivement “réalité” et “vérité”, “mensonge” et “inadéquation avec la réalité”.
Lucien est un érudit: il connaît les reproches adressés à Homère et plus largement aux poètes, leur fondement intellectuel et philosophique (on pense notamment à la République de Platon), mais aussi la critique littéraire, de la Poétique d’Aristote aux études alexandrines. Dans ses oeuvres, il joue avec les notions employées par ces critiques, et l’on retrouve de nombreuses occurrences de termes liées à la réalité, au mensonge, à la tromperie, à la croyance, à la crédibilité ou la crédulité, et bien sûr aux mythes et à Homère lui-même.
4.1. Constitution de la liste des termes recherchés
Nous cherchons les champs lexicaux de la réalité/vérité (ἀλήθεια, ἔτυμος), du mensonge/inadéquation à la réalité (ψεῦδος), de la “forgerie” (πλάσμα), de la crédibilité (πιθανός) et de son contraire (παράδοξος), des apparitions (φαντασία, τέρασμα), de la confiance (πίστις), du mythe (μῦθος, mais aussi ὡς φασι et ὡς φησι qui introduisent usuellement l’énoncé de récits mythologiques), ainsi que les mentions du poète Homère lui-même.
En raison des déclinaisons et de l’accentuation grecques, il est nécessaire de définir des chaînes de caractère sufisamment longues pour ne capturer que les notions désirées (ou du moins, minimiser les résultats non voulus), mais suffisamment courtes pour englober le maximum de formes fléchies.
Voici la liste de chaînes de caractères recherchées:
search_terms <- c( "ἀλήθ", "ἀληθ", "ψεῦ", "ψευ", "ψεύ", "μῦθ", "μύθ", "μυθ", "ἔτυμ", "ἐτύμ", "ἐτυμ", "πίθα", "πιθά", "πιθα", "πλάσμ", "πλασμ", "πλασά", "πλάττ", "πλαττ", "Ὅμηρ", "Ὁμήρ", "Ὁμηρ", "τέρατ", "τεράτ", "τερατ", "τέρασμ", "τεράσμ", "τερασμ", "τέραστ", "τεράστ", "τεραστ", "ὡς φασι", "ὡς φησι", "φάντασμ", "φαντάσμ", "φαντασμ", "πίστ", "πιστ", "παράδοξ", "παραδόξ", "παραδοξ")
4.2. Détection et restitution
La première étape consiste simplement à appeler les fichiers à traiter, à définir les termes de la recherche et à initialiser le compteur.
Vient ensuite la recherche elle-même. Une boucle passe en revue chacun des textes du corpus. Une deuxième boucle interne passe en revue chacun des termes de la recherche, et la fonction grep détecte ces chaînes de caractères dans le texte, et renvoie la ligne correspondante. Une troisième boucle interne s’applique à chaque correspondance trouvée, détecte le mot contenant la chaîne de caractères en question (paste0("\\b\\w*", term, "\\w*\\b")
). Une quatrième boucle crée, pour chaque mot détecté, une nouvelle entrée dans la liste “matching_paragraphs” avec le nom du fichier où le mot a été trouvé (“source”), la chaîne de caractères recherchée (“term”), le mot trouvé (“word”) et le texte du paragraphe où se situe de mot (“paragraph”).
A noter: malgré l’encodage UTF-8, une vérification manuelle montre qu’en de rares occasions, des termes ne sont pas trouvés. C’est notamment le cas, semble-t-il, de mots commençant par “ἀ”. Une recherche séparée est faite pour ces mots, avec des résultats mitigés (quelques mots détectés, mais “ἀπίθανον” de La double accusation n’est pas relevé).
La troisième étape consiste à restituer les résultats sous forme de deux fichiers Excel, afin de poursuivre mes recherches pour le mémoire. Le premier fichier Excel (“verites&mensonges_lucien.xlsx”) restitue les quatre informations décrites plus haut: fichier, chaîne recherchée, mot, paragraphe. Le deuxième (“resultats_recherches_verite&mensonge_lucien”) restitue le nombre de mots trouvés par chaîne de caractères recherchée.
4.3. Analyse de texte et visualisation
Le texte des paragraphes où se situent les mots trouvés en lien avec les notions de réalité, de vérité, de mensonge, de fiction, de croyance et de mythes a été sauvegardé au terme de ces recherches. Il peut être intéressant de détecter les mots les plus fréquents dans cette compilation de textes, afin de dégager, éventuellement, des nouveaux champs sémantiques.
Le première étape est de combiner les textes des mots et des paragraphes trouvés en un vecteur unique, de nettoyer le texte d’éventuelles scories (ex: caractères latins) et des signes de ponctuation, et d’éliminer les “stop words”, ces mots très fréquents sans valeur sémantique forte. Pour la détermination de cette liste de “stop words”, on repart de celle utilisée au premier semestre et on la complète de termes présents dans le corpus de Lucien. Cette liste est enregistrée dans le dossier “outils”. On crée ensuite un tableau, avant de classer les mots par fréquence décroissante. On garde en mémoire les cent mots les plus fréquents et on affiche les vingt mots les plus fréquents.
df_excel <- read_excel("XXX/resultats/verite&mensonges_lucien.xlsx")
paragraphs <- df_excel$paragraph
words <- df_excel$word
combined_text <- c(paragraphs, words)
stopwords_file <- "XXX/outils/stopwords_greek.txt"
stopwords <- readLines(stopwords_file, warn = FALSE)
combined_text <- gsub("[[:punct:]]", " ", combined_text)
combined_text <- gsub("[a-zA-Z]", " ", combined_text)
words <- unlist(strsplit(combined_text, "\\s+"))
words <- words[!tolower(words) %in% stopwords]
# création d'une liste de mots, conversion en tableau de fréquence et tri
word_freq <- table(words)
word_freq_df <- as.data.frame(word_freq)
word_freq_df <- word_freq_df[order(-word_freq_df$Freq), ]
# affichage
top_100_words <- head(word_freq_df, 100)
top_20_words <- head(word_freq_df, 20)
print(top_20_words)
## words Freq
## 5649 Μένιππος 86
## 8486 Τυχιάδης 83
## 392 ἀληθῆ 81
## 3576 Ἑρμῆς 80
## 3927 Ζεύς 64
## 6259 ὅλως 63
## 399 ἀληθῶς 62
## 9164 ψεῦδος 59
## 6265 Ὅμηρος 58
## 9005 Χάρων 53
## 6365 ὁρᾷς 46
## 377 ἀληθείας 45
## 6264 Ὅμηρον 45
## 6175 οἶμαι 43
## 9058 χρὴ 43
## 6236 ὀλίγον 42
## 8485 Τυχιάδη 42
## 2303 δοκεῖ 39
## 8834 Φιλοκλῆς 39
## 2577 εἶδον 37
Vient ensuite l’étape de la visualisation. On choisit le graphique “cirrus” qui a l’avantage de présenter de manière esthétique les mots les plus fréquents en modulant leur taille.
set.seed(1234)
wordcloud(words = top_100_words$words, freq = top_100_words$Freq, min.freq = 2, scale = c(3.5, 0.15),
colors = colorRampPalette(brewer.pal(9, "Set1"))(100), random.order = FALSE, rot.per = 0.1,
use.r.layout = TRUE, fixed.asp = TRUE, max.words = 100)

Logiquement, ce graphique fait apparaître des mots correspondant aux chaînes de caractères recherchées. Cela est intéressant dans la mesure où l’on aperçoit la fréquence relative de ces termes, mais par définition, leur proportion est sur-représentée par rapport aux autres termes contenus dans les paragraphes, puisque ceux-ci n’ont pas fait l’objet d’une recherche explicite. Il semble donc nécessaire de renouveler l’opération, cette fois-ci en supprimant les mots de la colonne “word” du fichier Excel.
set.seed(1234)
wordcloud(words = top_100_words$words, freq = top_100_words$Freq, min.freq = 2, scale = c(3.5, 0.15),
colors = colorRampPalette(brewer.pal(9, "Set1"))(100), random.order = FALSE, rot.per = 0.1,
use.r.layout = TRUE, fixed.asp = TRUE, max.words = 100)

On remarque la présence de nouveaux mots liés à la vraisemblance, comme εἰκότως, à la vue et/ou au savoir (ὁρᾷς, εἰδέναι, οἶδʼ, οἶσθα), à l’opinion (οἴονται, δοκεῖ), aux hommes et aux dieux, à la parole (λόγων), également au plaisir (τερπνὸν). Une lecture plus approfondie de ces extraits et du corpus permettra de préciser s’il s’agit de coïncidences ou si ces constats peuvent mener à de nouvelles pistes de recherche.