Manuel d’encodage XML-TEI des textes de la Base de Français Médiéval

Introduction

Ce document présente l’ensemble des méta-informations susceptibles d’être intégrées dans un texte en vue de sa gestion dans la base de textes et de son traitement automatique par Weblex. Ces méta-informations sont représentées explicitement dans le texte sous la forme de balises XML. Le nom et la structuration de ces balises correspondent à un sous-ensemble des recommandations de la TEI.

En dehors des balises délimitant le début et la fin du texte aucune balise n’est obligatoire.

Le relecteur/encodeur La personne qui vérifie la conformité du texte avec l’édition de référence et qui ajoute les balises au texte. ajoute les seules méta-informations dont il dispose et qu’il croit nécessaires à l’exploitation future du texte. Ce document ne présente donc pas un « format » de texte particulier mais bien un moyen de communication formel entre le chercheur, ses partenaires et les outils d’exploitation permettant d’expliciter les notions du texte nécessaires à leur traitement (la structure interne du texte, la mise en page de l’édition de référence, les interventions éditoriales…). La représentation de ces notions se fait au moyen de balises insérées dans le texte.

Pour un encodage plus complet on pourra consulter la documentation de la TEI située à l’url http://www.tei-c.org/Guidelines/P5/. De manière générale, il faudra consulter les TEI Guidelines comme complément aux imprécisions de ce manuel.

Généralités

Principes de base

Définition de l’unité textuelle

Les textes de la Base de Français Médiéval sont une représentation d’éditions de référence qui peuvent être corrigées en cas d’erreurs manifestes par nos relecteurs, spécialistes de français médiéval. Cependant l’unité physique d’un volume imprimé ne correspond pas toujours à une unité sémantique (ou « intellectuelle »), alors que cette dernière est de première importance pour l’étude linguistique ou littéraire d’un texte. En effet, certaines œuvres littéraires sont éditées en plusieurs volumes (le Roman de Thèbes par exemple). Dans d’autres cas, un volume physique comporte plusieurs œuvres d’un même auteur (l’édition des Lais de Marie de France par exemple) ou de plusieurs auteurs (le Roman de la Rose commencé par Guillaume de Lorris et terminé plus tard par Jean de Meun).

Face à cette situation, nous avons énoncé un ensemble de principes qui définissent les limites d’un texte dans la Base de Français Médiéval. Dans le cas où une œuvre est éditée en plusieurs volumes, chacun de ces volumes donnera lieu à la création d’un fichier séparé. Mais pour l’exploitation de la base, l’unité textuelle au sens d’unité sémantique est recomposée grâce aux références contenues dans les en-têtes TEI. Dans le cas où un volume physique comprend un ensemble d’œuvres d’un même auteur, du même genre et pour lesquelles on ne possède pas de données distinctes de datation (ce qui est le cas des Lais de Marie de France), le contenu du volume physique est représenté par un seul fichier. Mais à l’intérieur de ce fichier chaque œuvre correspond à une division structurelle délimitée au moyen de balises TEI (cf. ci-dessous) et peut donc être récupérée pour une analyse plus fine. Dans le cas enfin où un volume physique rassemble des œuvres d’auteurs différents et/ou écrites à des dates distinctes, chacune de ces œuvres sera représentée dans un fichier séparé Dans le cas unique du Roman de la Rose dont le premier volume de l’édition rassemble le début du texte, composé par Guillaume de Lorris entre 1225 et 1230, et la suite de ce texte, composée par Jean de Meun entre 1269 et 1278, nous avons choisi de séparer dans deux fichiers distincts ces deux parties. .

Dans son état actuel la représentation des textes dans la BFM se limite au texte proprement dit. Sont donc écartés la page de garde, la préface et les documents liminaires, ainsi que les notes de l’éditeur quelle que soit leur place, le glossaire, etc. Les informations bibliographiques portées par la page de garde sont intégrées dans les rubriques correspondantes des en-têtes TEI. On maintient le titre de l’œuvre dans le texte uniquement dans le cas où ce titre figure sur la première page du texte imprimé.

Principes de balisage les documents à baliser sont au format texte brut (il n’y a pas de police ou de style particulier à utiliser) ; un document est composé d’éléments, qui sont délimités par des balises ; chaque balise est délimitée par des chevrons (<,>) ; on distingue les éléments qui contiennent un autre type d’élément (ex : le chapitre contient une portion du texte et il est susceptible d’être divisé en paragraphes...), et ceux qui indiquent uniquement une frontière (ex : le saut de ligne marque la frontière entre deux lignes) : dans le premier cas, la balise qui a un contenu (ou une portée) se place au début de son contenu et le termine par une balise fermante qui possède un caractère « / » en préfixe (ex : <div> ... </div>) ; dans le second cas, la balise qui n’a pas de contenu est unique et possède un caractère « / » en suffixe (ex : <pb/>).

contenu du premier chapitre

On appelle élément la partie du document qui commence avec la balise ouvrante div et se termine avec la balise fermante div

toute balise peut posséder plusieurs propriétés en plus de son nom, sous la forme d’une succession de relations nom-attribut="valeur-attribut" situées entre les chevrons (ex : <pb n="2"/>, où l’attribut n encode le numéro de la page qui débute) ; l’ordre dans lequel on indique les attributs est libre ; on indiquera le nom et la valeur de l’attribut si on possède cette information ; le nombre d’espaces ou de tabulations situés entre deux mots ou balises dans le corps du texte et dans les valeurs d’attributs n’a pas d’interprétation particulière ; de même pour les sauts de ligne et leur nombre ; les textes doivent être enregistrés en format texte brut (avec un encodage des caractères Windows ou Unicode).

Rôle des différents acteurs participant à l’édition du texte informatisé

Le document numérique étant constitué à partir d’une édition de référence imprimée ou numérique, il est nécessaire d’indiquer au fil du texte les interventions de l’éditeur scientifique mises en évidence par des procédés typographiques. Pour passer du document imprimé à la version électronique du texte, plusieurs étapes se succèdent :

la numérisation du texte de l’édition de référence ; le « nettoyage » et un pré-balisage du texte numérisé au format Doc Word (Encodage1) la vérification que cette version est conforme au texte de l’édition de référence, l’analyse de l’usage des marques typographiques dans l’édition, le repérage de coquilles éventuelles dans l’édition et la vérification du pré-balisage (Relecture1) ; la conversion du Doc Word au format XML-TEI avec un balisage automatique (Encodage2) ; la vérification et l’enrichissement du balisage et une nouvelle vérification du contenu textuel (Relecture2), la vérification formelle de la structure du document XML et la validation finale (Encodage3).

La TEI prévoit la description formelle de chaque personne intervenant dans la constitution du document. Chaque correction, intervention éditoriale ou commentaire doit porter la mention de la personne qui en est responsable. On utilise pour ce faire l’attribut resp qui renvoie à l’identifiant de la personne ou de son rôle dans la chaîne de la numérisation. La description des différentes responsabilités dans la chaîne de la numérisation et les identifiants des intervenants se trouvent dans l'en-tête TEI (voir le Manuel de description des textes pour la BFM pour plus de détails).

Erreur probable dans l’édition

L'attribut resp de cette note renvoie à l’identifiant xml:id="proofreader2" d’un élément resp dans l’en-tête TEI.

Description formelle du balisage des textes de la BFM

Délimitation du corps du texte et des éléments qui lui sont externes (prologue…) l’élément text regroupe à la fois le corps du texte et tous les éléments qui lui sont externes l’élément body marque le début et la fin du corps du texte proprement dit l’élément front marque les informations liminaires : prologue, sommaire…, et surtout le titre de l’œuvre l’élément back marque les informations supplémentaires : appendice, index…, et surtout l’explicit de l’oeuvre

en plus de son encadrement par l’élément body, le contenu du texte doit toujours se trouver dans au moins un élément de structuration, par exemple dans un élément paragraphe p ou un élément « block anonyme » ab si le texte n’est pas organisé en paragraphes ; dans le même ordre d’idées, un élément front devra toujours encadrer au moins un paragraphe (l’élément p) et une division div, cette division contenant éventuellement un head (cf. 3.2.1 et 3.2.3) ; même chose pour l’élément back dans le cas où le front encadre uniquement le titre, la balise div a un attribut type=titre et la balise p n’a pas d’attribut ; dans le cas du balisage d’un explicit, la balise div a un attribut type=explicit et la balise p n’a pas d’attribut.

La structure potentielle d’un texte est donc la suivante :

titre

contenu du texte

explicit

Seuls les éléments text et body sont obligatoires dans un texte encodé en TEI (en dehors de l’en-tête).

Buona pulcella fut Eulalia, Bel auret corps, bellezour anima. Uoldrent la ueintre li Deo inimi, Uoldrent la faire diaule seruir. Elle no.nt eskoltet les mals conselliers, Qu’elle Deo raneiet chi maent sus en ciel. … Tuit oram que por nos degnet preier Qued auuisset de nos Christus mercit Post la mort et a lui nos laist uenir Par souue clementia.

Structure du corps du texte

Délimitation des parties du texte : livres, chapitres, sections, sous-sections… l’élément div marque n’importe quelle division du texte ; un élément div contient au moins un élément d’un niveau de structuration inférieur : soit un div de niveau inférieur, soit un p (cf. 3.2.3 pour plus de détails) ; l’élément div peut être renseigné avec l’attribut type pour indiquer le type de la division (chapitre, section…) et par un attribut n pour indiquer son numéro éventuel ;

… Et pour vous informer du temps dont ay eu congnoissance dudit seigneur, dont faictes demande, m’est force de commancer avant le temps que je veinse en son service; et puis, par ordre, je suyvray mon propos jusques à l’heure que je devins son serviteur, et continueray jusques à son trespas.

Au saillir de mon enfance et en l’aage de povoir monter à cheval, fus amené à Lisle devers le duc Charles de Bourgoigne, lors appellé conte de Charroloys, lequel me print en son service, et fut l’an mil quatre cens soixante quatre …

…

Notation des titres de livre, chapitre…

Chaque élément div peut s’ouvrir avec un premier élément head contenant le titre ou l’en-tête de la division et se clore par un élément trailer contenant des informations présentes en fin de division.

Ci commence li premiers chapitres qui parole de l’office as baillis.

Tout soit il ainsi qu’il n’ait pas en nous toutes les graces qui doivent estre en homme qui s’entremet de baillie, pour ce ne lerons nous pas a traitier premiers en cest chapitre de l’estat et de l’office as baillis, et dirons briement une partie des vertus qu’il doivent avoir, et comment il se doivent maintenir, si que cil qui s’entremetront de l’office i puissent prendre aucune essample...

Il peut arriver qu’on rencontre dans un texte un titre qui ne correspond à aucune division logique (et qui n’est pas numéroté). On considèrera alors qu’on a affaire à une pseudo-division qu’on balisera au moyen de la balise div type="pseudo-div"…div. Le titre se trouvera comme dans les cas précédents dans son head.

Indication de date dans des documents juridiques ou historiques

Certains documents juridiques peuvent contenir une indication de la date et du lieu de la réalisation du document. Ces indications sont balisées à l’aide de l’élément dateline qui peur être placé à l’intérieur d’une div, avant ou après head ou à la fin.

1418, 4 septembre, Mont Saint-Michel Vidimus par Laurent le Grant, sénéchal du Mont-Saint-Michel, […]

A tous ceulx qui ces lettres verront Laurens le Grant […]

[…]

Numérotation des pages l’élément pb marque les sauts de page : il a un attribut n qui permet d’encoder le numéro de la page qui s’ouvre Cet attribut est généralement ajouté par des outils de numérotation automatique lors de la vérification finale du balisage. ; le texte de la page, dont le numéro est indiqué par un attribut de la balise pb se trouve après cette balise. Par conséquent, un premier « saut de page » se trouve avant le début du texte ; il a aussi un attribut ed qui permet éventuellement de préciser de quelle édition provient la pagination (en cas d’annotation simultanée de la pagination de plusieurs éditions) ; si une césure de mot se trouve en fin de page, il faut supprimer la césure et placer la balise pb après la fin du mot.

… « Or i voist donc, fait ele, car se il demain ne deust revenir il n’i alast hui par ma volenté. » Et il monte et la damoisele ausi, si se partent de laienz sanz autre congié, et sanz plus de compaignie, fors solement dui escuier qui avec la damoisele estoient venuz. Et quant il sont issu de Kamaalot…

Il arrive que des illustrations s’intercalent dans le texte. Si elles occupent la totalité d’une page et si cette page est numérotée, il est nécessaire d’insérer un saut de page à l’endroit où elles se trouvent dans le texte (même si elles ne sont pas conservées dans la version numérique du texte).

Délimitation des unités inférieures

Textes en prose l’élément p marque les paragraphes ; l’élément lb peut être utilisé pour marquer les sauts de ligne, mais le plus souvent les sauts de ligne de l’édition ne sont pas pris en compte lors de la numérisation de textes en prose ; s’il reste une trace de césure de fin de ligne au milieu d’un mot, il faut la supprimer et éventuellement placer la balise lb après la fin du mot, au début de la ligne suivante.

…

«Or i voist donc, fait ele, car se il demain ne deust revenir il n’i alast hui par ma volenté.» Et il monte et la damoisele ausi, si se partent de laienz sanz autre congié, et sanz plus de compaignie, fors solement dui escuier qui avec la damoisele estoient venuz. Et quant il sont issu de Kamaalot

…

Textes en vers l’élément ab marque les groupes de vers : laisses, strophes, refrains… il a obligatoirement un attribut type auquel on peut donner plusieurs valeurs : laisse, strophe… Voir l’Annexe 5.5 pour la « liste d’autorité » des valeurs de cet attribut. Si la qualification des groupes de vers d’un ouvrage est difficile, l’attribut type a la valeur gv (groupe de vers) Nous avons choisi de ne pas utiliser dans ce cas l’élément lg recommandé par la TEI, parce qu’il impose qu’on balise chaque vers au moyen de l’élément l qui entraîne par ailleurs la présence de contraintes indésirables, notamment en cas de balisage des unités syntaxiques et/ou du discours direct. . l’élément lb marque les débuts de vers, y compris quand le vers est incomplet. cet élément est placé au début (et non à la fin) de chaque vers pour faciliter la mise en forme des textes au moyen de feuilles de styles ; un premier « saut de vers » est placé donc avant le premier vers ; il a un attribut n qui permet d’encoder éventuellement le numéro du vers (cf. élément pb). Cet attribut est normalement ajouté au stade de la vérification finale à l’aide d’un outil de numérotation automatique.

Buona pulcella fut Eulalia, Bel auret corps, bellezour anima. … Post la mort et a lui nos laist uenir Par souue clementia.

Théâtre l’élément sp marque les prises de parole : son attribut who permet de renseigner le nom du locuteur sous une forme normalisée ; cet élément contient éventuellement un élément speaker (cf. ci-dessous) et comporte obligatoirement un ou plusieurs éléments p ou ab selon que le texte est en prose ou en vers. l’élément speaker marque l’indication du locuteur dans le texte source. l’élément stage marque les didascalies.

Li desciples dit a sun maistre :

Maistre, jeo te pri que tu me dies ceo que jeo te demanderai a l’honur de Deu e al pruffit de sainte iglise.

Autres références

Outre les numéros de pages et de vers, l’édition peut fournir d’autres marques de référence, comme par exemple les numéros de folios dans le manuscrit de base

l’élément milestone pourra être utilisé pour représenter ces informations. son attribut unit (obligatoire) sert de préciser l’unité de référence (par exemple, folio ou column pour indiquer la foliotation du manuscrit de base) ; son attribut n portera le numéro.

… par la simplece que il i voit i espoire il tant de bien qu’il li plest mout qu’il le face chevalier. …

Indications dans le corps du texte

Délimitation explicite des lexies

L’objectif premier de la BFM est d’être utilisée dans des recherches linguistiques au moyen d’outils de requête et d’analyse, tels que le logiciel Weblex. L’intégration de textes dans Weblex prévoit notamment un balisage automatique et une indexation des mots (lexies) et des phrases. Cette procédure se base sur des critères formels : les lexies sont séparées par des espaces ou autres « séparateurs » (par exemple l’apostrophe), les phrases sont délimitées par des marques de ponctuation forte (point, point d’exclamation, point d’interrogation).

Dans les cas où la présence d’un « séparateur » formel ne correspond pas à une frontière linguistique (par exemple le point après une abréviation ne signifie pas une fin de phrase), il convient de procéder à un balisage explicite.

Dans le cadre des opérations d’enrichissement linguistique, la délimitation explicite exhaustive des lexies et des phrases (ou la tokenisation ) est effectuée sur l’ensemble des textes (cf. section 4.2 ci-dessous). Les balises présentées dans la présente section servent à préparer les textes à la tokenisation automatique.

Nombres

Certaines éditions utilisent les points pour la mise en évidence des chiffres, en suivant la pratique des manuscrits médiévaux.

l’élément num marque les chiffres mis en évidence par les points.

Sachiez que .M. et .C. et quatre vinz et .XVII. anz aprés l’incarnation Nostre Sengnor Jesu Crist, …

Si le nombre n’est pas entouré de points, le balisage n’est pas obligatoire.

Abréviations l’élément abbr marque les abréviations suivies d’un point ; l’élément expan marque les résolutions des abréviations (mots entiers) ; l’élément ex marque les caractères ajoutés à la place d’une abréviation.

Je vaudroie bien avoir mis En amender vostre pesance .C. s., ke ceste desevrance Me fait plus mal que jou n’ os dire."

Ici, le mot sol (ancienne unité monétaire) est noté dans l’édition par une abréviation s.

Par foi, dient li baron, li mieudres consiaus que nous vous sachiens donner, ce est que vous la laissiez aler,

Ici, les résolutions des abréviations sont marquées explicitement à l'aide des balises expan (mot entier Par) et ex (quelques caractères dans consiaus et dans que).

Mots composés

Dans l’orthographe du français moderne, certains lexèmes sont notés en plusieurs mots graphiques (aujourd’hui, parce que). Dans la perspective diachronique, il est cependant difficile de définir a priori à quel moment précis une locution devient un mot unique. Il a donc été décidé de s’en tenir à une définition formelle de l’unité-mot, telle qu’elle est représentée par des caractères séparateurs dans l’édition critique.

Corrections et interventions éditoriales

Les éditions de textes en ancien français contiennent souvent des marques typographiques (italiques, caractères gras, majuscules, crochets, etc.) qui servent à mettre en évidence des passages dans une langue étrangère, un changement de manuscrit, une coquille, une intervention éditoriale, etc. Les pratiques varient selon les éditions. Il convient donc d’analyser l’usage des marques typographiques dans chaque édition et de baliser les passages mis en évidence conformément à leur nature avec les éléments qu’offre la TEI.

La technique de balisage des corrections a changé considérablement dans la version P5 de la TEI (lancée officiellement en novembre 2007). Ce manuel d’encodage tient compte de ces modifications.

Corrections de l’éditeur scientifique ou du relecteur

Deux types de corrections éditoriales sont à baliser

corrections de l’éditeur scientifique par rapport à son manuscrit de base signalées par des marques typographiques dans le corps du texte. Le plus souvent, il s’agit de lettres ou de mots placés entre crochets ; corrections du relecteur en cas d’erreur manifeste dans l’édition de référence (coquille typographique ou erreur flagrante de lecture du manuscrit).

Dans tous les cas le balisage doit permettre à l’utilisateur d’accéder au texte corrigé aussi bien qu’au texte initial.

Le plus souvent, les corrections visibles dans le corps du texte d’une édition se limitent à l’ajout de quelques lettres ou de quelques mots qui manquent dans le manuscrit de base. Une seule balise suffit dans ces cas pour indiquer la correction :

l’élément supplied : sert à baliser les lettres ou les mots insérés par l’éditeur à la place de lacunes ou de coquilles de son manuscrit de base ; son attribut rend permet d’indiquer la marque typographique utilisée dans l’édition pour mettre la correction en évidence. Par défaut, on considère que la marque typographique utilisée dans ce cas est une paire de crochets.

Une seule balise suffit également dans les cas où l’éditeur met en évidence des lettres ou des mots superflus (par exemple répétés) :

l’élément surplus : sert à baliser les lettres ou les mots que l’éditeur marque comme superflus (par exemple, des mots répétés ; son attribut rend permet d’indiquer la marque typographique utilisée dans l’édition pour mettre la correction en évidence. Par défaut, on considère que la marque typographique utilisée dans ce cas est une paire de parenthèses.

Dans des cas plus complexes (et notamment en cas de correction proposée par un relecteur), il convient d’utiliser un schéma plus conséquent :

l’élément choice sert à baliser la zone de texte concernée par la correction, il permet de faire un choix de lecture « avant » ou « après » la correction. Il contient obligatoirement les deux éléments suivants : l’élément corr contient le texte corrigé ; son attribut resp renvoie à l'identifiant du responsable de la correction selon l'en-tête TEI, c’est-à-dire l’éditeur scientifique (#editor) ou le relecteur (#proofreader1 ou #proofreader2) ; son attribut rend permet d’indiquer la marque typographique utilisée dans l’édition pour mettre la correction en évidence ; son attribut cert permet d’indiquer éventuellement la certitude de la correction. l’élément sic contient le texte avant la correction, apparemment erroné dans le manuscrit de base (correction de l’éditeur scientifique) ou dans l’édition (correction du relecteur) ; si la correction consiste en un ajout d’un ou de plusieurs mots, cet élément sera vide : sic le relecteur peut utiliser l’élément note pour ajouter un commentaire (cf. 3.3.4 ci-dessous).

Pour faciliter le traitement ultérieur des textes (et en particulier la segmentation lexicale et l’étiquetage morphosyntaxique), nous avons distingué les corrections qui touchent une partie d’un mot de celles qui concernent un mot entier, voire plusieurs mots. Dans tous les cas, les éléments corr et sic contiennent au moins un mot entier. Si la correction consiste en un ajout ou en une suppression d’un ou de quelques caractères, il convient de « prébaliser » l’unité-mot (token) à l'aide de la balise w.

Ki son sens aüse et travaille

Ici, d’après l’éditeur scientifique, une lettre i est omise par erreur de copiste dans la graphie travaille. L’éditeur l’a donc ajoutée entre crochets.

Exemple de balisage d’une correction concernant plusieurs mots :

Quant li palefrois biaus et gens Fu venus la pucele i monte. Li maistre cambrelens le conte

Ici, d’après l’éditeur scientifique, un vers est omis dans le manuscrit de base. Ce vers est rétabli d’après un autre manuscrit et placé entre crochets. Ces crochets sont remplacés par la balise supplied dont l’attribut rend signale la marque typographique utilisée. Pour les valeurs de cet attribut, il convient de se référer à la liste d’autorité présentée dans l’Annexe 5.4.

Exemple d’une correction proposée par un relecteur ou un encodeur :

Ço Co que li plus halz fist plus bas peüst desfaire;

Ici le démonstratif est noté avec un C sans cédille dans l’édition. Cependant, il y a dans l’édition d’autres occurrences du pronom qui comportent la cédille. L’encodeur, qui a constaté ce manque d’homogénéité, a décidé de proposer une correction.

Lacunes du manuscrit indiquées par l’éditeur scientifique et non comblées l’élément gap permet d’indiquer les lacunes constatées par l’éditeur scientifique dans le texte ; son attribut resp permet d’indiquer la personne qui a constaté la lacune, c’est-à-dire l’éditeur scientifique (resp= editor) ; son attribut rend permet d’indiquer éventuellement la marque typographique utilisée dans l’édition ("…", par exemple). Pour les valeurs de cet attribut, il convient de se référer à la liste d’autorité présentée dans l’Annexe 5.4 ; son attribut reason permet éventuellement de décrire la nature de la lacune (par exemple, manuscrit endommagé, vers omis). Il convient de se référer aux notes de l’éditeur scientifique pour renseigner cet attribut ; son attribut extent permet éventuellement d’indiquer l’ordre de grandeur de la lacune. On peut utiliser des valeurs comme 1 line, 0,5 line, etc.

L’autres gaians, qui rostissoit Et aveuc son poivre faisoit.

Dedens vont, regardent les Afaitent les, metent

Passages difficiles à lire dans le manuscrit l’élément unclear permet de marquer des passages qui ne sont pas clairs dans le manuscrit source et que l’éditeur scientifique met en évidence à l’aide de marques typographiques. Son usage est limité normalement aux éditions diplomatiques ; son attribut resp sert à indiquer la personne qui a mis en évidence le passage incertain, c’est-à-dire l’éditeur scientifique (resp= editor) ; son attribut rend permet éventuellement d’indiquer la marque typographique utilisée dans l’édition. Pour les valeurs de cet attribut, il convient de se référer à la liste d’autorité présentée dans l’Annexe 5.4 ; son attribut reason permet éventuellement d’indiquer la raison pour laquelle le passage est considéré comme n’étant pas clair (par exemple, illegible ou ambiguous) ;

Que les prisons touz uos rendrai.

Autres types de passages mis en évidence

Passages en langue étrangère L’élément foreign marque les passages écrits dans une langue différente de celle du texte. si c’est du latin, ce qui est le cas le plus fréquent, la balise foreign est suffisante. S’il s’agit d’une autre langue, il convient d’ajouter l’attribut xml:lang dont la valeur permet de préciser quelle la langue est utilisée ; l’attribut rend permet d’indiquer quelle marque typographique est employée. Pour les valeurs de cet attribut, il convient de se référer à la liste d’autorité présentée dans l’Annexe 5.4.

… - Et tout li haut homme, et clerc et lai et petit et grant, demenerent si grant goie a l’esmovoir que onques encore si faite goie ne si fais estoires ne fu veus ne oïs; et si fisent li pelerin monter as castiaus des nes tous les prestres et les clers qui canterent Veni creator spiritus . Et trestout et grant et petit plorerent de pec et de le grant goie qu’i eurent …

Mises en évidence typographiques dont la signification n’est pas claire L’élément hi marque les passages imprimés dans une typographie différente de celle qu’on trouve habituellement dans le texte et dont on n’a pas d’interprétation particulière : la marque typographique de l’italique est encodée au moyen de l’élément hi rend="ital"…hi. la marque typographique de mots en majuscules est encodée au moyen de l’élément hi rend="maj"…hi. la marque typographique de mots en petites majuscules est encodée au moyen de l’élément hi rend="pmaj"…hi. la marque typographique de mots en exposant est encodée au moyen de l’élément hi rend="exp"…hi. la marque typographique de mots en indice est encodée au moyen de l’élément hi rend="ind"…hi Cf. Annexe 5.4. .

jjc -> jjc

Notes et commentaires du relecteur/encodeur

Nous avons fait le choix de ne pas conserver dans notre version numérique du texte les notes de l’éditeur scientifique (dans lesquelles il donne en particulier des variantes du texte).

l’élément note marque les annotations et les commentaires du relecteur/encodeur. son attribut resp doit indiquer quelle est la personne responsable de la note : le relecteur (proofreader), l’encodeur (encoder)…

A Com cist cheualiers qui ci siet. Deux lettres majuscules initiales Qu’il ne respont ne un neel.

l’éditeur indique la présence de deux majuscules en début de ligne.

Passage au discours direct ou indirect l’élément q marque les passages au discours direct ou indirect : son attribut who permet de marquer le nom du locuteur ; son attribut type permet éventuellement d’indiquer s’il s’agit de paroles prononcées ou de pensées ; son attribut direct permet éventuellement d’indiquer si le passage est au discours direct ou indirect (les valeurs acceptées sont y, n et unspecified); un élément q peut en contenir un autre, si un personnage cite les paroles d’un autre.

Et quant Melyan voit ces letres si dist a Galaad : Frans chevaliers por Dieu lessiez moi entrer en cele a senestre, car en cele porrai je esprover ma force, et connoistre s’il avra ja en moi proesce ne hardement por quoi je doie avoir los de chevalerie. - S’il vos pleust, fait Galaad, je m’en entrasse en cele a senestre, car si com je pens je m’en getasse mielz que vos.

Citations l’élément quote marque les passages cités ou les mentions (du type : indication du nom qui est écrit sur un siège…).

… Si troevent le perron qui estoit venuz a rive et issuz hors de l’eve, et estoit de marbre vermeil, et ou perron estoit une espee fichiee qui mout estoit bele et riche par semblant, et en estoit li ponz d’une pierre precieuse ouvrez a letres d’or mout soutilment, et li baron resgardoient les letres qui disoient : Ja nus ne m’ostera de ci se cil non a qui costé je pendrai, et cil sera li mieldres chevaliers del monde . Et quant li rois voit ces letres si dist a Lancelot : « Biau sire ceste espee est vostre par bon droit, car je sai bien que vos estes li mieldres chevaliers dou monde… » …

Annotations linguistiques

Annotations ponctuelles l’élément w encadre toutes les indications à caractère linguistique portant sur un lexème du texte (indications de nature morphologique, syntaxique, sémantique, pragmatique, etc.) son attribut type permet de préciser la nature ou la valeur de ces indications et l’attribut lemma permet d’introduire le lemme. l’élément c peut être utilisé exceptionnellement pour annoter les caractères particuliers qui ne correspondent à aucun caractère standard de la table ISO-8859-1 (ASCII). son attribut function permet de préciser éventuellement la fonction justifiant l’usage de ce caractère particulier et l’attribut rend permet de donner les indications sur la forme de ce caractère (par exemple, son nom conventionnel).

Dans la base non étiquetée cet élément est utilisé pour mémoriser les annotations antérieures à l’intégration d’un texte à la base (en cas d’échanges) et pour baliser explicitement certaines lexies dont la reconnaissance automatique poserait un problème.

L’exemple ci-dessous présente l’usage de l’attribut type pour conserver l’identifiant d’un lemme dans un texte du corpus reçu dans le cadre d’un échange.

Puis que ma dame de Chanpaigne vialt que romans a feire anpraigne, je l’anprendrai molt volentiers come cil qui est suens antiers de quanqu’il puet el monde feire

Tokenisation (balisage des lexies et des phrases)

La tokenisation des textes de la BFM a pour but d’assurer le bon fonctionnement des outils d’étiquetage morphosyntaxique. Elle consiste en un balisage explicite des lexies et des phrases, qui permet par ailleurs d’augmenter la fiabilité des résultats des requêtes et des analyses textométriques.

La tokenisation des textes est effectuée grâce à une procédure automatique basée sur l’analyse des caractères séparateurs et des balises XML présentes dans le texte.

Lexies

Toutes les occurrences-mots sont balisées au moyen de l’élément w. De façon générale, les limites de mots sont définies par la présence d’un caractère séparateur ou de l’une des balises qui sont, par définition, externes à un mot.

Caractères séparateurs :

[espace]’’.!?,:;"“”«»()[]

La présence de l’un de ces caractères provoque la fermeture de la balise w. Les entités xml/html (é etc.) sont autorisées et ne sont pas résolues lors de la tokenisation.

Quelques caractères d’un mot peuvent être placés entre parenthèses ou crochets. Normalement, cela signale une intervention éditoriale, et le balisage correspondant (corr, cf. section 3.3.2 ci-dessus) doit être utilisé. En cas de tokenisation de textes où les interventions éditoriales n’ont pas été balisées, les parenthèses ou crochets sont autorisés à l’intérieur d’un mot.

L’apostrophe est placée à l’intérieur de la balise w.

d’ iceol

Certaines éditions de textes très anciens ( Serments de Strasbourg, Sainte Eulalie, Vie de Saint Léger, Passion de Clermont... ) utilisent le « point haut » pour marquer l’enclise (comme dans les textes provençaux) ou d’autres phénomènes phonétiques combinatoires ( no·l, a·ddextris ). S’il s’agit d’une simple enclise d’un mot grammatical à un autre mot grammatical, ces segments sont considérés comme des formes uniques ( wno·sw ). S’il s’agit d’autres phénomènes, où l’autonomie des morphèmes est préservée, un balisage séparé est pratiqué, le point haut étant incorporé à la forme qui le suit : ( wmeww·ttrestozw ).

Les marques de ponctuation sont balisées w type="pon".

Les abréviations et les chiffres romains entourés de points sont balisés w type="abbr" et w type="num" respectivement. Les points sont placés à l’intérieur de ces balises, s’ils ne jouent pas le rôle de ponctuation de phrase.

.LX. s.

Les balises w type="num" et w type="abbr" remplacent dans un texte tokenisé les balises num et abbr respectivement (cf. section 3.3.1 ci-dessus).

Phrases

Les phrases « orthographiques » sont balisées à l’aide de l’élément s. Les frontières des phrases sont déterminées par la présence d’une ponctuation forte ou par une balise de fin d’unité structurelle de niveau supérieur à une phrase (div, head, p) ou d’une frontière (initiale ou finale) d’un discours direct (q ou q).

Caractères de ponctuation forte :

.!?

Etiquetage morphosyntaxique

L’attribut type de l’élément w est utilisé actuellement pour porter l’étiquette morphosyntaxique. Si plusieurs jeux d’étiquettes sont utilisés simultanément, les valeurs sont séparées par un point-virgule.

L’attribut lemma peut être utilisé pour fournir le lemme de la forme étiquetée :

escrit

Annexes

Un exemple de prose :

[à mettre à jour]

Un exemple de théâtre :

[à mettre à jour]

Un exemple de vers :

[à mettre à jour]

Liste d’autorité pour les valeurs de l’attribut rend des éléments suivants : corr, supplied, hi, gap et foreign A distinguer de la liste d’autorité des valeurs de l’attribut rend de l’élément p. Valeur Description Exemple chevrons ce chevrons-susp 3 points de suspension entre chevrons … crochets voir le NOTA BENE. plusieurs mots à l’intérieur des crochets Tote ert la vile mise en cendre. crochets-ital italiques entre crochets 69v crochets-pmaj Petites majuscules entre crochets La prédication crochets-susp 3 points de suspension entre crochets … exp exposant XXC gras gras creator ind indice XXC ital italiques creator maj majuscules eneas parentheses parenthèses culpalbles pmaj petites majuscules Renaud de Beaujeu points plus de 3 points de suspension ……… susp 3 points de suspension …

Liste d’autorité pour les valeurs de l’attribut type de l’élément ab pour les textes en vers Pour les textes en prose, l’attribut rend n’est pas utilisé avec l’élément p. Valeur Description strophe strophe laisse laisse couplet couplet gv groupe de vers sans dénomination particulière

De façon générale, la valeur sera déterminée à partir du terme qu’utilise l’éditeur scientifique. En cas d’absence, on emploiera la valeur gv.

categorizes the domain of use. didactique historique juridique litteraire politique religieux vie_quotidienne autre Spécifie si le domaine du texte est unique ou multiple specifies a particular kind of purpose. argumentative narrative dialogale autre Spécifie si la fonction du texte est unique ou multiple characterizes the type of segment. indicates how the element in question was rendered or presented in the source text. characterizes the element in some sense, using any convenient classification scheme or typology. indicates how the element in question was rendered or presented in the source text. indicates how the element in question was rendered or presented in the source text.