Ce qui est connu sous le nom de mots ou de marqueurs de discours a fait couler beaucoup d’encre et nombreuses sont les études les analysant (pour ne citer qu’une poignée de références : Schiffrin 1988, Blakemore 2002, Dostie 2004, Fisher 2006, Degand et al 2013, Lefeuvre et Dostie 2017, Larrivée et Poletto 2018…) : pourtant « [c]ette somme de données et d’analyses accumulées avec le temps aura quelque chose de trompeur si elle laisse croire que le sujet est clos » (Dostie & Pusch, 2007 : 3). La délimitation de cette famille est notoirement difficile et se pose à chaque analyste la question, ne serait-ce, des frontières de cette catégorie : faut-il ainsi inclure les connecteurs (du coup), les onomatopées (bang !), les formes de gestion du discours (heu) ? On reconnaît par exemple aux marqueurs du point de vue du locuteur (putain !), aux appels au locuteur (écoute) et aux reformulatifs (disons) une forme courte, un lien avec la situation d’énonciation, une position détachée et une valeur métaprédicative, commentant sur une prédication ; mais ces propriétés ne permettent pas nécessairement de fonder les marqueurs de discours en classe grammaticale.

Le fait que ces mots du discours soient des embrayeurs, liés à l’ici et maintenant du discours, explique l’intérêt qu’ils suscitent, mais aussi la difficulté de collecter des données comme rares sont les corpus, librement disponibles, en français parlé spontané entre proches. Cette difficulté est d’autant plus grande en diachronie, où les textes qui attestent de réels échanges de proximité sont rares en français, et où les mots du discours peuvent être laissés de côté. C’est pourquoi la recherche historique s’est davantage attachée à l’oral représenté (Rodriguez Somolinos 2011, Guillot et al 2014, Lefeuvre et Parussa 2020), dont la fidélité aux pratiques réelles est difficile à évaluer sans point de comparaison avec des textes non-fictionnels, susceptibles d’être plus proches de la réalité discursive du temps.

Nous désirons participer à cette discussion, avec une présentation visant deux objectifs. D’un point de vue descriptif d’abord, nous nous intéressons à la distribution des mots du discours selon les types de texte qu’attestent les corpus, et aux types de fonctions interpersonnelles qu’ils traduisent. D’un point de vue méthodologique ensuite, nous souhaitons proposer une démarche en vue de l’extraction automatique des mots du discours dans les corpus diachroniques de français, en nous fondant sur le formalisme Universal Dependencies et sur les recommandations du consortium TEI.

Notre réflexion s’appuie sur deux corpus diachroniques du français strictement calibrés pour le type de texte, MICLE et CHRONIQUES. La calibration de ces corpus, disponibles sur le portail TXM-CRISCO, a pour objectif de documenter le changement grammatical, et les dimensions qui le motivent, en excluant autant que possible les facteurs dus à la variation régionale et textuelle. En effet, les textes français réunis pour ces deux corpus appartiennent à la région (anglo-)normande et au domaine légal ou historique. Ils varient selon leur dimension temporelle, du début du XIIIe à la fin du XVIIe siècle pour le premier, de la fin du XIIe à celle du XIXe pour le second. Leur outillage autorise des recherches en lemme, en partie du discours, en dépendance et en fonction syntaxique, selon le formalisme Universal Dependencies, et les segments identifiés comme relevant du discours direct ont été délimités lors de l’annotation. Celle-ci, produite automatiquement par différents outils développés au long des projets MICLE et CHRONIQUES et par le parser HOPS, a été vérifiée et corrigée manuellement à plusieurs moments de la constitution du corpus.

Nous montrons que deux facteurs permettent d’envisager l’extraction automatique des mots de discours dans un corpus historique. La conjonction des catégorisations en partie du discours (et notamment les interjections) et du détachement graphique par des ponctuations faibles dans les textes originaux permettent de repérer les formes pertinentes. Ce repérage montre que ce sont surtout les textes légaux qui mettent en scène l’oral représenté, comme les procès et les dépositions : c’est là que nous trouvons des marqueurs de discours. Les chroniques, en retour, n’en présentent que peu. Enfin, ces mots de discours semblent essentiellement concerner l’implication du locuteur dans son message, afin d’en appuyer la véracité. L’emploi de mots de discours dans des corpus légaux historiques donne un nouvel éclairage sur la valeur et la diversité des textes de ce domaine. Le fait que certains représentent une oralité conceptuelle (Dourdy et Spacagno 2020) rappelle l’utilité qu’ils peuvent avoir pour la documentation du changement linguistique.

Enfin du point de vue théorique, nous discuterons de l’intérêt de multiplier les critères d’analyse (catégories et fonctions syntaxiques, identification du discours direct, ponctuation) pour affiner le repérage des marqueurs discursifs. Nous montrerons aussi la façon dont les avancées du TAL et de la linguistique de corpus peuvent être exploitées pour identifier les occurrences pertinentes, en l’absence d’une catégorie « marqueur discursif » dans le formalisme choisi par les projets MICLE et CHRONIQUES, et les limites et défis de notre stratégie.