La gestion et l'analyse des textes par ordinateur: leur spécificité dans le traitement de l'information

1.1 La modification du rapport au texte

Un des résultats inattendus de l'introduction de l'ordinateur dans l'environnement de travail, tant des individus que des institutions, est la modification de leur rapport à l'information textuelle. En effet, la possession de plus en plus répandue de micro-ordinateurs a certes bouleversé le mode traditionnel de production et d'archivage de l'information textuelle, mais elle en a surtout profondément modifié la gestion et l'analyse. Il est, par exemple, de plus en plus fréquent de voir des conseillers techniques d'une entreprise fouiller des documents archivés dans une base de données électronique non seulement pour récupérer de l'information contenant des politiques, des normes, etc., mais aussi pour analyser les textes afin de prendre des décisions, orienter des politiques, cerner des tendances, etc.

Cependant, la nature électronique du support, surtout lorsque le corpus est grand, engendre des problèmes de traitement tout à fait nouveaux. En effet, contrairement à un classeur ou à une bibliothèque qui permettent à une personne de fureter, lire, et analyser les fichiers ou les livres, un texte sur support électronique n'est pas accessible directement. Le document doit être atteint et parcouru via des intermédiaires, c'est-à-dire via des programmes spécialisés dans la gestion et l'analyse des textes. Or, ces programmes rencontrent de graves difficultés de traitement en raison de la nature originale d'un texte électronique. Celui-ci se trouve maintenant sur un support physique qui ne présente plus nécessairement un texte de manière linéaire comme cela était le cas sur du papier. De plus, contrairement à ce qui se passe lors de la lecture humaine, le contenu n'est absolument pas transparent aux programmes qui le parcourent.

1.2 La double nature d'un texte

Un texte est un objet de nature originale. Il est certes un objet matériel que l'on doit manipuler physiquement. Un texte est quelque chose que l'on transcrit, copie, repère, transmet, imprime, archive, etc. Mais un texte est plus qu'un objet matériel. Il est aussi un objet sémiotique qui doit être manipulé cognitivement c'est-à-dire lu et parcouru pour que l'on puisse en extraire les idées, les concepts, les propositions ou les thèses; pour que l'on puisse en vérifier les démonstrations ou les preuves; en comprendre la narration, l'argumentation, etc. Bref, un texte présente toujours une double dimension, matérielle et sémiotique. Et c'est cette double dimension qui pose, pour son traitement informatique, des problèmes particuliers de design. Bien qu'en apparence seulement rien ne semble plus facile que cette question du traitement des textes par ordinateur, il faut constater que la problématique est extrêmement complexe. En effet, on ne comprend pas toujours la même chose sous ce concept de traitement de l'information textuelle. Aussi, pour clarifier le débat, nous distinguerons deux grands types de traitements que l'on peut effectuer sur l'objet textuel. L'un touche le support materiel de l'information et l'autre aborde son contenu signifiant. Bien que les deux opérations portent sur l'information, elles n'ont pas les mêmes caractéristiques et ne relèvent pas non plus de la même modélisation formelle.

Une précision s'impose ici: le support physique d'un texte ne détermine ni son statut de texte ni son statut de document. Un texte, tout comme un dessin, peut avoir divers supports physiques: une pierre gravée au stylet, du papier supportant des signes écrits à l'encre, une disquette digitalisée. Mais ce qui donne à ce support physique son statut de texte est la forme particulière d'organisation du code linguistique (différente de la phrase par exemple) et son rôle dans l'univers de la communication humaine: « ce que l'on appelle "texte" c'est ... d'habitude un discours censé faire l'objet d'un choix unique, et dont la fin, par exemple, est déjà prévue par l'auteur au moment où il rédige le début. » (Ducrot, 1980: 176). Ainsi un texte occupe une fonction sémiotique et implique des propriétés qui appartiennent au système sémio-linguistique. Il est constitué des niveaux représentationnels variés: syntaxique, sémantique, pragmatique, entre autres. Il contient des inférences, des narrations, des preuves, des discours. Mais le texte n'est pas le seul mode de communication sémiotique utilisé par les humains. Pensons par exemple aux tableaux, aux cartes, à la danse, à la musique, etc. Toutefois, chacun de ces modes sémiotiques possède des propriétés sémiotiques particulières qui les différencient d'un texte.

Texte et document ne sont pas assimilables: le générique d'un film peut être un texte mais ne pas être considéré comme un document et un télécopieur transmet des codes, aussi bien du texte que des graphiques, mais il ignore le statut de document. La notion de document relève avant tout d'un modèle de l'organisation de l'information. Elle désigne habituellement une propriété fonctionnelle donnée à l'information dans un régime de transfert et d'organisation. Ce qui fait d'un ex-voto, d'une photo, d'un film, d'une facture des documents, c'est leur position dans ce système qui implique des opérations de gestion:

« [...] a text is an abstract theoretical construct of a grammar (or other theory of discourse), making explicit the structure of a discourse. [...] the term document, as usual, will denote a concrete object 'containing' or 'carrying' one or more discourses, and having a specific processing function (storage, analysis, abstracting, retrieval, etc.). Thus we can read a document, but only understand one of the discourses, whereas the understanding of a discourse takes place by the cognitive or theoretical assignment of text structure to that discourse. » (Van Dijk, 1977: 129-130)

C'est pourquoi, dans ce qui suit, nous ferons une distinction non pas entre le texte et le document, mais entre le traitement matériel et le traitement cognitif et linguistique d'un texte.

2.1 La complexité de la documentation textuelle

Le premier problème auquel est confronté tout système de gestion et d'analyse de texte par ordinateur est celui de la complexité de la documentation textuelle. D'ailleurs, la littérature a régulièrement mis en évidence plusieurs dimensions de cette complexité. Bertrand-Gastaldy (1990) pour sa part, retient les six dimensions suivantes :

1. La première dimension, et la plus évidente, est son volume. On mesure maintenant au kilomètre et même au poids le volume de la documentation textuelle à traiter. Des statistiques crédibles montrent que les entreprises, comme l'administration française, génèrent annuellement quelque trois à quatre cents milliards de pages! On dit que la production d'un Boeing nécessite l'équivalent de son poids en documents nécessaires à son entretien. Un utilisateur, individuel ou collectif, n'est souvent confronté qu'à une fraction de ce volume, mais celui-ci demeure imposant.
2. La seconde dimension relève de la diversité des types de documents et ce, même au sein d'une seule organisation. Se côtoient souvent pour un même domaine des textes légaux, administratifs, des décrets, des procès-verbaux, de la correspondance, des manuels techniques, de la documentation afférente, etc.
3. La troisième dimension touche le caractère dynamique du texte. Tous les documents n'ont pas le même cycle de vie. Certains sont stables, presque éternels (une constitution) alors que d'autres ne durent que le temps de la communication (les mémos). Enfin, certains documents sont en constante évolution; ils peuvent être modifiés quotidiennement.
4. Une quatrième dimension, corollaire aux précédentes, est l'interdépendance des types de documents. En effet, non seulement les documents sont divers, mais un grand nombre d'entre eux sont interreliés. Ainsi, par exemple, les griefs découlent d'un texte de convention collective.
5. Une cinquième dimension résulte du processus de la production textuelle elle-même. S'il arrive quelquefois qu'un texte soit produit d'un bout à l'autre par une seule personne, il est très souvent le résultat d'un travail collectif. Par exemple, le spécialiste, le technicien, le gestionnaire, l'utilisateur éventuel, etc. participent à l'écriture d'un manuel de référence pour un nouveau système. Les uns le rédigent alors que les autres l'annotent, le commentent, le corrigent, le révisent, le traduisent, etc. Une telle dynamique de production entraîne évidemment de nouveaux besoins en termes d'homogénéité de vocabulaire et de style, de validation du contenu, etc.
6. Enfin, la dernière dimension de la complexité des documents textuels concerne leur nature potentiellement composite. Non seulement le corpus peut-il contenir du texte, mais, de plus en plus, il en vient à marier le langage naturel à d'autres formes sémiotiques. On trouvera ainsi à côté de données linguistiques, des données numériques, des images fixes, des graphiques et des plans, et même des images dynamiques (vidéo) ou encore du son. Le corpus devient alors multi- sémiotique ou multi-modal.

Bref, les données à traiter sont complexes. Elles sont souvent volumineuses, hétérogènes, dynamiques, interdépendantes, collectivement produites et multimodales. Les systèmes informatiques qui sont confrontés à ce type de corpus ne peuvent laisser de côté cette complexité car celle-ci est inhérente à la nature même des documents. Aussi, les systèmes de gestion et d'analyse des documents devraient-ils, entre autres, être en mesure :

• de traiter de grandes quantités de documents, tant textuels que multisémiotiques;
• d'offrir des stratégies différenciées d'analyse adaptées à la diversité des documents;
• de permettre une mise à jour en temps réel et une gestion du cycle de production;
• de supporter des liens intertextuels, hypermédia et multimodaux;
• d'assister la rédaction et la validation du contenu;
• de contrôler la diffusion et la confidentialité;
• d'offrir une interface conviviale permettant un accès ergonomique.

Bref, les systèmes doivent être polyvalents et souples; ils doivent mettre les utilisateurs en relation directe avec la complexité même du corpus textuel, au moyen d'une interface commune et conviviale (Belkin et al., 1991). Un système trop spécialisé dont l'application serait restreinte à certains types de documents et qui n'effectuerait qu'un nombre réduit de fonctions sera peut-être informatiquement efficace, mais il deviendra vite inadéquat et source de frustration pour un utilisateur. Il sera vite incapable de soutenir un cheminement de gestion et d'analyse de la documentation telle qu'elle se présente en réalité.

2.2 La complexité du processus cognitif d'accès à l'information textuelle

Non seulement un système de traitement électronique des textes doit-il s'ajuster à la nature complexe du corpus textuel, mais il est aussi confronté à la complexité du processus d'accès à l'information textuelle. En effet, le but ultime d'un traitement électronique de textes est de permettre à un utilisateur d'extraire du corpus de l'information pertinente. Pour ce faire, les textes doivent être lus et interprétés. Il ne faut jamais oublier que ce n'est que par métonymie que l'on dit que l'ordinateur traite l'information textuelle. Seul l'humain, en dernière instance, peut lire et interpréter un texte. Ce processus est d'ordre cognitif et présente des caractéristiques propres.

La première caractéristique de ce processus est que de la part du lecteur il s'agit toujours d'un acte privé. Les théories classiques sur le processus cognitif de l'accès au contenu d'un texte ont toujours soutenu que cette activité dépend toujours des objectifs et des projets que se donne le lecteur:

« Quiconque veut comprendre un texte a toujours un projet. Dès qu'il se dessine un premier sens dans le texte, l'interprète anticipe un sens pour le tout. À son tour, ce premier sens ne se dessine que parce qu'on lit déjà le texte, guidé par l'attente d'un sens déterminé. C'est dans l'élaboration d'un tel projet anticipant, constamment révisé, il est vrai, sur la base de ce qui ressort de la pénétration ultérieure dans le sens du texte, que consiste la compréhension de ce qui s'offre à lire [...]. Ce processus est donc le renouvellement incessant du projet qui entretient le mouvement de la compréhension et de l'interprétation. » (Gadamer, 1976: 196)

Autrement dit, il faut toujours situer l'accès au contenu d'un texte ou ce que traditionnellement on appelle l'interprétation dans un horizon d'action. C'est le projet qui permet l'avènement ultime du sens du texte.

Cela signifie, en conséquence, que la lecture variera presque nécessairement d'une personne à une autre, d'un moment à un autre. C'est en ce sens qu'on dira qu'elle est un acte privé. Un avocat ne « lira » pas un texte comme le ferait un administrateur parce que chacun possède son propre projet de lecture. Il s'ensuit que même si un texte se présente dans une langue spécifique, par exemple, le français, et même si l'ensemble des expressions linguistiques qui le constituent sont relativement stables et susceptibles d'être partagées socialement, son contenu présentera toujours une part d'indétermination:

« Le texte contient une composante d'indétermination. Ce n'est pas un défaut, mais bien une condition fondamentale de la communication du texte; elle permet la participation du lecteur à l'intention du texte. » (Iser, 1985: 15).

La deuxième caractéristique de ce processus est qu'il est social. L'accès au contenu d'un texte est non seulement marqué par la subjectivité d'un lecteur, il l'est aussi par le milieu social dans lequel cette lecture s'effectue et pour lequel un texte sert de médium de communication.

La recherche contemporaine dans le domaine de l'analyse du discours et des textes a amplement montré que le texte se construit en regard du tissu social dans lequel il s'insère. Un texte n'est jamais isolé des autres discours auquel il renvoie (Foucault, 1969). Il sert à consolider les normes d'action (Brenner, 1990), à étayer le savoir et à consolider la mémoire (Kinstch, 1977). Dans une organisation sociale, un texte remplit donc plusieurs fonctions importantes, non seulement pour assurer la transmission de l'information mais aussi pour consolider l'existence même de l'organisation.

Il s'ensuit alors que le texte subira un ensemble extrêmement diversifié de parcours interprétatifs. La « lecture » des textes changera en fonction de l'évolution des besoins et de l'état des connaissances de l'organisation sociale:

« [...] different persons, in different occupations may possess different world views and make different demands upon sources of knowledge as a consequence. For example, some occupations may require no more than 'recipe knowlege' for their effective performance; others, falling short of a need for 'expert' knowledge, may demand more in the nature of 'reasoned opinion' and, hence, a greater need for access to sources of information. » (Wilson, 1984: 200)

Ces deux dimensions de l'accès au contenu du texte, à savoir son caractère privé et en même temps social, nous amènent à une conclusion théorique importante: il est impossible de construire un système de lecture et d'analyse automatiques des textes.

Certaines thèses issues des recherches en intelligence artificielle (Schank et Abelson, 1977), de la linguistique computationnelle (Pêcheux, 1972) et même du repérage de l'information (Salton et Mc Gill, 1983) ont donné à croire qu'il était possible de construire des systèmes d'analyse du contenu d'un texte qui soient automatiques

Des arguments semblables ont été invoqués dans la critique des projets de traduction automatique. On parle plutôt maintenant de projets en traduction assistée par ordinateur (TAO).

Selon nous, « la lecture automatique du discours ou du texte » sont, dans cette perspective, des contradictions dans les termes. Lire et comprendre un texte est idiosyncratique à l'activité d'intégration et d'adaptation des humains à leur environnement. Autrement dit, la lecture et l'interprétation de textes sont des activités cognitives humaines qui, à ce titre, ne peuvent être automatisées.

Cependant, si on ne peut construire des systèmes qui simulent la lecture et la compréhension humaines, il ne s'ensuit pas que l'ordinateur ne peut en rien être utile dans ce processus.

Au contraire, on peut penser outiller les utilisateurs pour faciliter ce processus, plutôt que de les en déposséder au profit d'un automate qui ne pourra de toute façon que construire des représentations rudimentaires, stéréotypées et insensibles au projet de l'utilisateur. Autrement dit, s'il est impossible de doter un ordinateur de toutes les connaissances et habiletés nécessaires pour « comprendre » un texte, il est cependant réaliste de concevoir des outils informatiques capables d'assister l'utilisateur dans la transformation des données textuelles en éléments structurés, significatifs et porteurs de connaissances.

Il sera alors plus aisé pour ce dernier de manipuler, de classifier, de relier et d'interpréter de tels éléments. Pour ce faire, il faut donc abandonner la voie des systèmes informatiques qui se donnent comme des robots-lecteurs au profit de celle de systèmes « adjuvants » dans l'activité cognitive de la lecture humaine (Meunier, 1992) qui laissent la maîtrise ultime du traitement de l'information entre les mains de l'expert humain. Ce n'est que dans cette perspective qu'on peut garantir une amélioration de la qualité du travail de gestion et d'analyse, tant en termes de volume, de rigueur et de systématicité (Paquin et Beauchemin, 1988).

Par conséquent, un système informatique de gestion et d'analyse des textes ne peut être clos et autonome; il doit au contraire être ouvert et offrir une grande polyvalence de fonctions. Un peu à la façon d'une boîte à outils, le système doit mettre à la disposition de l'utilisateur - lecteur et interprète - un éventail de modules et de fonctions avec lesquelles il pourra gérer et analyser son corpus. Seul l'humain doit ultimement contrôler ce processus de gestion et d'analyse. Sur le plan de la gestion, des modules devront être en mesure d'assister l'utilisateur dans tout le processus de production, de transmission et de classification de l'information, c'est-à-dire sa chaîne de traitement. Et sur le plan de l'analyse, des modules devront lui permettre de pénétrer le contenu du texte c'est-à-dire de participer à la dynamique de sa construction, de sa description et d'en extraire des connaissances.

3.1 Les opérations dans les systèmes de traitement électronique de l'information

La conception de la problématique du traitement électronique des textes que nous avons brièvement esquissée nous oblige donc à mieux préciser ce que nous entendons par la gestion et l'analyse des textes. Pour expliciter ces concepts, nous proposerons un modèle comportant les principales tâches ou fonctions opératoires qui sont en jeu dans une chaîne de traitement, de gestion et d'analyse de textes par ordinateur. Il nous faut cependant faire quelques remarques préliminaires.

Premièrement, il faut constater que les systèmes traditionnels de traitement électronique des documents mettent habituellement à la disposition d'un utilisateur un vaste échantillon d'opérations à effectuer sur le corpus. Voici, à titre d'exemple, une liste non exhaustive de celles-ci: création, sélection, acquisition, description, indexation, évaluation, synthèse, stockage, organisation, conservation, repérage, diffusion, mise à jour, etc.

Les modèles provenant des sciences documentaires et de l'information préciseraient assurément davantage cette liste. On pourrait même y ajouter des opérations plus simples comme paginer, souligner, ordonner, segmenter, etc. Notre souci n'est pas ici d'en faire la liste exhaustive mais d'en comprendre la nature plus formelle.

Sauf pour certaines, comme le stockage, la diffusion, la conservation, il faut voir que ces opérations ne portent pas sur la matérialité de l'information, mais sur son contenu. En effet, malgré les apparences, ces opérations sont d'ordre sémio-cognitives c'est-à-dire qu'elles participent à l'interprétation par un humain du donné informationnel. Même une opération aussi simple que de paginer un document est une opération cognitive complexe. Que ce soit au moment de la création de l'édition ou de l'utilisation, il s'agit d'une interprétation appliquée à une réalité physique (un segment de signaux). L'association d'un nombre et d'un ordre aux segments est toujours assujettie à un projet de manipulation humaine. Paginer est une opération descriptive d'ordonnancement qui est certes plus simple que celle de reconnaître une catégorie syntaxique comme le syntagme nominal, mais qui n'en demeure pas moins une opération cognitive de haut niveau.

Deuxièmement, il faut constater que cette liste d'opérations a été établie surtout en fonction de systèmes de gestion de l'information pour des documents de type notices bibliographiques plutôt que pour des documents de type plein texte. En effet, ces opérations ont été surtout utilisées dans des approches traditionnelles de gestion documentaire pour des documents bibliographiques ou des dossiers d'archives et ce à des fins de repérage d'information ("information retrieval") dont les performances sont habituellement évaluées en termes de taux de rappel et de taux de précision.

Si, dans une perspective de repérage d'information, des stratégies numériques non sensibles aux dimensions linguistiques ou discursives des documents se sont avérées efficaces, il faut voir que l'accès au contenu d'un texte ne peut aucunement se réduire à ce type de stratégies. Repérer un document n'est qu'une activité - importante dans un contexte de recherche documentaire - parmi plusieurs autres qu'un humain peut vouloir effectuer sur un texte. On imagine l'absurde d'une situation où l'apprentissage de l'usage d'un texte n'aurait pour seul but que de montrer comment repérer de l'information. Lire Shakespeare consisterait alors à trouver où la phase « to be or not to be » est imprimée!

Ces constatations entraînent un ajustement de la précédente liste d'opérations. En effet, des difficultés surgissent lorsqu'on veut étendre leur domaine d'application au texte intégral et ce à des fins d'analyse. Rappelons que l'analyse des documents textuels vise leur contenu et, pour ce faire, doit tenir compte de leurs aspects linguistiques, discursifs, conceptuels, argumentatifs, etc. C'est ainsi que certaines opérations ne s'appliqueront pas aussi facilement au plein texte, alors que dans certains cas d'autres opérations se transformeront en de véritables stratégies d'analyse. Voici, à titre d'exemple quelques-unes de ces opérations:

Liste partielle des opérations de traitement/gestion/analyse
 d'un texte

	
Ordonnancement
		
Par ex.: établir une pagination.
	
Segmentation
		
Par ex.: diviser le texte en chapitres.
	
Sélection
		
Par ex.: le choix de textes selon divers critères (coût, 
		durée de vie, pertinence technique).
	
Catégorisation éditique
		
Par ex.: les divers éléments d'un texte comme le titre, 
		les sous-titres, le références citées selon des normes 
		internationales (comme SGML).
	
Classification
		
Par ex.: regroupement de textes ou de segments selon 
		différents domaines de la connaissance dans une base 
		de données.
	
Liaison
		
Par ex.: relier des parties de textes entre elles et les 
		textes à d'autres textes (liens hypertextuels).
	
Indexation 
		
Par ex.: assigner des mots-clés et fabriquer un index 
		pour accéder aux textes ou aux passages de textes.
	
Contrôle du vocabulaire 
		
Par ex.: identifier, contrôler et structurer le vocabulaire 
		technique d'un domaine, (aéronautique, biologie, éducation).
	
Condensation pour la diffusion
		
Par ex.: faire le résumé d'un article de périodique.
	
Identification des synonymes ou paraphrases
		
Par ex.: recherche d'expressions similaires dans des 
		documents, tels pollution sonore et problème de bruit.
	
Étude de la détermination d'un terme générique
		
Par ex.: congé sans solde, congé sans salaire, congé 
		de maternité.
	
Description des relations conceptuelles d'un terme avec d'autres
		
Par ex.: ascenseur, monte-charge, élévateur.
	
Lisibilité
		
Par ex.: indice de la complexité lexicale, syntaxique, etc. 
		des textes produits par une entreprise.
	
Construction d'une thématique conceptuelle
		
Par ex.: interprétation légale de concepts aux frontières 
		floues, tels: meurtre au premier degré et contrat de bonne foi.
	
Comparaison de la thématique des propositions
		
Par ex.: les normes dans les conventions collectives.
	
Repérage des arguments pour ou contre une décision
		
Par ex.: dans les transcriptions d'audience publique sur 
		l'établissement d'un site d'enfouissement de déchets 
		dangereux.
	
Regroupement des arguments pour une décision stratégique
		
Par ex.: investir ou ne pas investir dans l'amiante.
	
Regroupement de réponses dans une enquête à questions ouvertes
		
Par ex.: arguments pour ou contre l'euthanasie.
	
Identification des défendeurs d'une idée, d'un mouvement, etc.
		
Par ex.: qui soutient le développement d'un barrage 
                        dans un territoire amérindien?

Comme on le voit, les opérations que l'on peut effectuer sur un texte sont nombreuses et diversifiées. Certaines recoupent les opérations que l'on peut faire sur une description bibliographique, mais la majorité cherchent véritablement à atteindre le contenu informationnel. En ce sens, elles sont toutes d'ordre sémio- cognitives c'est-à-dire qu'elles participent aux activités de lecture et d'interprétation du matériau textuel. Certaines sont plus orientées vers la gestion alors que d'autres sont orientées vers de l'analyse.

3.2 La chaîne de traitement dans la gestion et l'analyse de texte par ordinateur

Nous avons dit que les opérations énumérées ci-haut portent sur diverses dimensions de la gestion et de l'analyse textuelle. Cependant, présentées sous la forme d'une liste, on ne voit pas clairement le principe de leur distinction. Pour rendre ce point plus clair, on peut les regrouper dans une perpective de chaîne de traitement ("work flow"). Le terme chaîne de traitement recouvre ici l'ensemble des opérations de base, séquentielles et récursives, que l'on peut appliquer dans la gestion et l'analyse électroniques des textes. On distinguera alors les opérations qui sont liées à: a) la production du texte, b) sa description, c) l'extraction d'information et d) la représentation des connaissances. Chacune des étapes se décompose elle-même en plusieurs autres opérations. Nous ne pouvons ici les décrire de manière exhaustive, mais nous pouvons en faire une présentation schématique.

4.1 Les logiciels documentaires spécialisés

Un premier type de logiciels a été conçu pour le repérage de documents d'archives ou de bibliothèques via l'interrogation de bases de données bibliographiques. Ces systèmes assurent généralement des fonctions de gestion des collections: l'acquisition, le classement, le prêt, la conservation, la préservation de la confidentialité, etc. La plupart de ces logiciels ont été développés il y a plusieurs années pour remplir des besoins bien spécifiques sans souci d'intégration des différents services d'information. À cette époque, pas si lointaine, l'accès au plein texte relevait encore de l'utopie (Karivalo, 1989).

Sur le plan logiciel, la structure interne des données de chacun des systèmes empêche le partage de l'information; les stratégies d'interfaces sont variées et, la plupart du temps, cryptiques de sorte que la manipulation des systèmes requiert souvent une période d'entraînement longue et intensive. Sur le plan conceptuel, chacun de ces systèmes a déterminé sa propre grille d'analyse et ses propres catégories d'accès (Bertrand-Gastaldy, 1990: 74). Tout ceci constitue un obstacle à la collecte exhaustive de renseignements. Or, la gestion d'information ne constitue pas la spécialisation des professionnels des organisations. Ces derniers ont un problème à résoudre, une décision à prendre, un dossier à évaluer, etc. Toutefois, les enjeux qui sont reliés à l'accomplissement de ces tâches exigent un accès rapide et précis à plusieurs types d'informations situées sur des systèmes différents et ce par la personne elle-même sans que celle- ci ait préalablement subi un entraînement intensif.

4.2 Les logiciels de gestion des documents saisis en mode image

Le succès des systèmes de gestion électronique des documents (GED) en mode image

Des logiciels comme Desktop Document Manager, Inspire VisionQuest, Optix, etc. sur le marché nord-américain et Taurus en France. Ces logiciels sont aussi appelés DIP (Document Image Processing).

Cependant, ces logiciels automatisent surtout les tâches effectuées sur le document textuel en tant que porteur physique d'information. L'accès au contenu qui mobilise une grande partie du temps des professionnels dont il a été question plus haut pose les mêmes problèmes que lorsque l'information est sur support papier. Il faut soi-même fournir des mots-clés pour décrire le ou les thèmes principaux traités dans les documents et renoncer à repérer directement l'information spécifique selon de multiples points de vue. On voit cependant apparaître des logiciels de GED interfacés avec des systèmes de repérage en plein texte

Des logiciels comme BRS, BasisPlus, MicroQuestel, etc.

4.3 Les logiciels de repérage en plein texte

Aux États-Unis, le marché du repérage de l'information textuelle a presque atteint un stade de maturité, d'après Delphi Consulting Group (1992) qui a dénombré 107 000 sites où sont installés des logiciels. La croissance de ce marché est considérable si l'on en juge par l'analyse que ce groupe en a faite

"Text retrieval was a $118+ million market in 1990. Both the PC and mini/mainframe markets are growing at an impressive rate. The PC market revenue is growing at a 45% CAGR. The mini/mainframe market revenue is growing at a 35% CAGR. The market is expected to reach the critical 300+ million mark in approximately 2-3 years". (Delphi Consulting Group, 1992:TR-12)

Cependant, la plupart de ces logiciels de repérage en plein texte

Des logiciels comme Book Manager, Basis +, Open TEXT, TOPICS, ConQuest, Elexir, Isys, Zyindex, etc., et plus près de nous : CEDROM, Édibase, Seconde, etc.

Certes, il existe des logiciels qui tiennent davantage compte de la nature linguistique du matériau à traiter. Ils tentent de retrouver par delà les chaînes de caractères de véritables unités conceptuelles. Les meilleurs résultats s'arrêtent cependant à la reconnaissance de termes complexes susceptibles de dénoter des notions importantes dans le domaine de référence à condition que celles-ci soient « bien formées »

Des logiciels comme ALETH de la firme GSI-ERLI et SPIRIT de la compagnie SYSTEX.

4.4 Les logiciels d'analyse de texte

Un dernier type de logiciel ou plutôt de plate-forme informatique commence à voir le jour, de sorte que le traitement électronique des documents textuels se modifie lentement. D'une part, les modalités classiques de l'organisation et du repérage de l'information sont de plus en plus ajustées en fonction de la diversité des données à consulter. D'autre part, des stratégies cherchent de plus en plus à atteindre le contenu même de l'information afin d'adapter les opérations aux tâches que les utilisateurs effectuent sur leur documentation textuelle. On voit ainsi apparaître des logiciels qui contribuent de plus en plus aux quatre phases du flux de traitement que nous avons présentées plus haut.

Par exemple, certains logiciels s'insèrent dans la phase de production des textes. Ils permettent l'interaction simultanée ou parallèle de plusieurs auteurs. Mais leurs fonctionnalités semblent relativement limitées; les cycles de consultation, de traduction, de révision, d'approbation, etc. ne sont pas couvertes. De même, la validation des éléments autres que le contenu est laissée pour compte : aucun automatisme ne permet de vérifier l'uniformité de la terminologie employée, la lisibilité en fonction du public visé, la conformité à une politique éditoriale. L'insertion de modules n'est pas prévue pour assister la création de thésaurus ou de bases de connaissances pourtant de plus en plus nécessaires dans les systèmes dits « intelligents », malgré l'intérêt qui émerge pour ce genre d'applications dans des publications récentes (Schmitz-Esser, 1990; RIAO Conference Proceedings, 1991). Les documentalistes, terminologues et cogniticiens sont contraints d'attendre « que les outils informatiques d'analyse de contenu des textes soient à la portée de tous » (Ranjard, 1991).

Quant à la phase de description, des analyseurs linguistiques robustes et dotés d'une grande couverture sont en cours de construction. Les uns touchent la catégorisation morphologique et grammaticale alors que d'autres s'attaquent à la sémantique lexicale. Des dictionnaires riches et complexes sont produits et des normes pour leur rédaction sont en cours d'élaboration; citons à cet effet le projet GENELEX. Malheureusement, la plupart des ces produits n'ont pas été élaborés dans la perspective d'une tâche d'analyse textuelle assistée par ordinateur. Un bon nombre de ces analyseurs ont vu le jour dans une perspective de traduction automatique. Ils sont souvent réalisés sur des plates-formes incompatibles et dotés de structures de données particulières. Dans leur forme actuelle, il est donc difficile de les interpeller au sein d'un flux intégré de traitements. On trouve encore moins de logiciels d'analyse de texte qui entrent en interaction avec des modules de description. Et même lorsqu'ils le font, on ne retrouve pas la description organisée de manière à ce qu'elle soit utilisable dans un processus d'analyse textuelle tel que nous l'avons décrit dans le flux de traitement.

La phase d'extraction a reçu cependant une plus grande attention. Elle s'est développée notamment dans les contextes de repérage d'information et dans le contexte des travaux d'analyse de texte effectués par les chercheurs en sciences humaines ou en linguistique. Les trois premières approches, exposées précédemment, n'ont malheureusement produit qu'une vision assez réductrice de l'analyse de texte: le repérage de passages en fonction d'une question thématique. Qui plus est, cette tradition théorique n'a pas cru toujours nécessaire de passer par les strates de l'organisation de la signification des textes soit les niveaux éditique, syntaxique, sémantique et encore moins pragmatique. Les stratégies numériques de types statistiques (indice de discrimination, pondération différentielle, etc.) se sont avérées amplement satisfaisantes. Ces stratégies ont ainsi permis de construire des modèles d'indexation et de classification assez performants. Mais elles ne donnent que des résultats limités si l'on veut atteindre le contenu discursif du texte.

La tradition linguistique et celle d'analyse du discours ont elles aussi offert des stratégies intéressantes d'extraction d'information. Du lexique à la concordance, de l'analyse stylistique à l'analyse thématique, elle a, à travers les années, produit un éventail important de stratégies d'extraction. Malheureusement, ces diverses stratégies sont demeurées relativement isolées dans le milieu de la recherche universitaire et n'ont que très peu été intégrées dans des plates-formes accessibles au grand public. Il y a cependant quelques exceptions, au Centre ATO•CI un système d'analyse de textes par ordinateur (SATO) (Meunier et al., 1976) a été développé dès les années 1970. Ce système produit une représentation matricielle du texte qui supporte les annotations (Daoust, 1992). Cette représentation permet une fouille efficace, autant à partir des unités du texte que des descriptions qui ont pu leur être adjointes. Les résultats obtenus peuvent être soumis à des analyseurs statistiques pour déterminer la co-occurrence lexicale, la distance entre des segments, etc. De plus, depuis peu, un générateur de systèmes à base de connaissances a été intégré à SATO pour constituer un atelier cognitif et textuel (ACTE) (Paquin et Daoust, 1993). ACTE permet à des non-informaticiens de mettre au point des analyseurs spécifiques à leurs besoins incorporant des stratégies de contrôle sensibles au contexte. De plus, la prise en compte d'informations incertaines permet de dépasser le cadre strict de la logique booléenne pour déboucher sur la modélisation de l'interprétation de descriptions plurielles, différenciées par leur plausibilité. D'autres recherches sont en cours afin « d'enrichir et de faire évoluer les méthodes d'analyse et de traitement d'informations composites associant données quantitatives et qualitatives » en associant l'analyse statistique à l'analyse de contenu (Moscarola, 1992).

Enfin, la phase de configuration des connaissances demeure à l'horizon de la recherche. Certes il existe de nombreuses plates-formes qui peuvent représenter des connaissances : les systèmes experts, les bases de données relationnelles, les bases de données orientées objet, les réseaux sémantiques, etc. Toutefois, ces plates-formes n'ont pas été conçues comme dépositaires des informations issues d'un texte, mais comme des matrices pour gérer des opérations ou modéliser un savoir. Elles peuvent être utilisées avec profit en relation avec l'analyse et la gestion textuelle mais elles doivent être réunies par des passerelles. Et dans ce secteur rien n'est automatique.