Sémantique de corpus numérique. Emmanuel Macron, président thaumaturge (2017-2023) Digital corpus semantics. Emmanuel Macron, thaumaturge president (2017‑2023)

Sémantique de corpus numérique
Damon Mayaffre et Laurent Vanni

Introduction

1La sémantique de corpus – entendons, de corpus numériques – s’est construite en France, depuis la fin du XX^ème siècle et l’œuvre de François Rastier (notamment La Mesure et le Grain. Sémantique de corpus, 2011), un fondement épistémologique solide.

2De fait, la corporalité numérique de nos données révolutionne notre rapport à l’empirie textuelle ; les outils numériques, particulièrement la statistique et l’Intelligence artificielle, font émerger de nouveaux observables linguistiques ; le Web donne accès aux intertextes nécessaires à la compréhension des textes étudiés ; ou encore, les liens hypertextuels balisent et architecturent nos parcours de lecture, pour une sémantique augmentée.

3La présente contribution entend illustrer ces plus‑values heuristiques et l’émergence de nouveaux observables en analyse du discours grâce à l’Intelligence artificielle et au traitement deep learning. Ces nouveaux observables permettront, en l’occurrence, d’objectiver des parcours interprétatifs dans le grand corpus numérique présidentiel français de la V^e République de de Gaulle à Macron, de 1958 à 2023, pour mettre au jour un discours thaumaturgique dans les termes de Marc Bloc ou un discours du care dans les termes de Carol Gilligan, chez le dernier président en date.

4Au sein du corpus (considération macro ou globale) et au sein du paragraphe (considération meso ou régionale), les modèles Transformers, réputés depuis ChatGPT, repèrent l’activation ou mécanisme d’attention (self‑attention) existant entre les différentes grandeurs textuelles étudiées : les mots, la ponctuation, les étiquettes morpho‑syntaxiques, les n‑grams, les motifs (considération micro ou locale). Ce sont ainsi des unités simples ou des unités complexes mais toujours des unités en contexte – en relation global/local – qui se trouvent mises en relief, au service d’une sémantique non pas atomique, formelle et ontologisante mais d’une sémantique relationnelle, contextualisante et interprétative ; bref, au service d’une sémantique de corpus ou d’une herméneutique matérielle numériques (Mayaffre, 2010 ; Guaresi et Mayaffre, 2021).

1. Modèles

5L’IA sait prédire mais peine encore aujourd’hui à décrire. Sans erreur, l’IA sait classer les textes et attribuer à leurs auteurs des productions anonymisées. De manière satisfaisante, l’IA sait également traduire, comme en atteste par exemple la plateforme DeepL (https://www.deepl.com/translator). Depuis l’automne 2022 et les améliorations de GPT‑3 puis GPT‑4, l’IA sait encore générer des textes dont on peut discuter la monstruosité – au sens littéral – et l’intérêt, mais constater la cohésion impeccable et la cohérence acceptable. Mais si l’IA sait classer, traduire ou générer des textes, elle peine encore à décrire la matière textuelle sur laquelle son attention se porte pour performer. Or c’est cette matière décrite qui intéresse le linguiste, le stylisticien ou l’herméneute.

1.1. Du syntagmatique

7Les progrès de l’IA en termes d’interprétabilité des modèles et des descriptions textuelles sont désormais importants et ouvrent le champ d’une sémantique de corpus augmentée : de nouveaux observables apparaissent en effet que la philologie classique avait souvent décrits, parfois pressentis, quelques fois ignorés (Mayaffre et Vanni éds., 2021). Quoique le terme ne soit pas théorisé, nous considérons ces nouveaux observables numérico‑linguistiques comme des herménèmes : des endroits du texte hautement interprétés par la machine et donc – c’est une injonction – interprétables par l’humain, pour des parcours de lecture renouvelés.

8L’architecture IA raffinée que nous présentons en un schéma ci‑dessous (figure 1) et que nous appelons Multi‑channel Convolutional Transformer (MCT) (Vanni et al. 2023) combine deux modèles informatiques dont les performances sont bien établies par la littérature en IA, tout en faisant écho, sans nécessairement le revendiquer, au fondement de la théorie linguistique ; écho linguistique fondamental, donc, puisque le double impératif syntagmatique et paradigmatique, décrit dès l’origine par Saussure, dans le chapitre V du Cours, semble pour partie satisfait.

Figure 1. Multi-channel Convolutional Transformer

9Le premier modèle qui sert de pré‑apprentissage du corpus (partie gauche du schéma) est dit convolutionnel et est internationalement connu sous l’acronyme CNN (Convolutional Neural Network) : l’unité est considérée dans une fenêtre ou une convolution. Chaque mot a ainsi une représentation au sein d’un empan co‑textuel identifié. Ici, dans cet article, l’empan convolutionnel est de 3 mots : par fenêtre glissante 3 mots qui précédent le mot étudié, 3 mots qui lui succèdent. Ainsi la représentation numérique, c’est dire la considération ou le traitement du mot « chat » sera différente dans

• (i) Le (1) tout (2) petit (3) CHAT mange (1’) une (2’) souris (3’)

10et

• (ii) J’(1)ai (2) un (3) CHAT dans (1’) la (2’) gorge (3’)

11puisque les deux occurrences de « chat » ne partagent ou ne combinent aucun mot commun sur la chaine, ni à gauche, ni à droite.

12En revanche, le mot « chat » dans

• (iii) Le (1) très (2) gros (3) CHAT mange (1’) une (2’) souris (3’)

13aura, pour le modèle, une représentation numérique ou une identité numérique proche du premier exemple puisque les tokens qui l’environnent – le mot in praesentia dirait Saussure – sont proches (et même strictement identiques pour la partie droite, en position 1’, 2’ et 3’).

14Ajoutons encore que dans

• (iv) Le (1) très (2) gros (3) MATOU mange (1’) une (2’) souris (3’)

15« Chat » et « matou » auront une représentation numérique équivalente au regard de leur convolution identique.

16Si les modèles convolutionnels – que l’on utilise également pour l’image en regardant les pixels dans leurs contiguïtés horizontales et verticales – apparaissent performants pour traiter des textes, c’est, fondamentalement, parce qu’ils restituent l’axe syntagmatique de la langue. La linéarité, l’ordre et les combinaisons des mots sur la chaine du texte ne sont plus négligés, à rebours de la plupart des approches informatico‑statistiques classiques qui fonctionnent le plus souvent selon un schéma d’urne (le texte comme un sac de mot ou comme une urne, dans lesquels les mots sont isolés, décontextualisés, et tirés indépendamment au hasard lors des tests statistiques). Les effets destructeurs du texte et destructeurs du sens que porte en elle la tokénisation sont pour partie corrigés. Le token ou l’item n’est plus seul : il est considéré dans son co‑texte syntagmatique strict et immédiat. La tokénisation – étape nécessaire aux traitements informatiques – décontextualise, et atomise le sens. Elle prend le risque d’une posture sémantique ontologisante : à une forme (« chat ») correspondrait une représentation unique et définitive c’est-à-dire in fine un sens invariable ; et dans le corpus tous les « chats » se vaudraient jusqu’à compter ensemble et de manière indifférenciée, dans l’urne ou dans le sac, toutes leurs occurrences. Quoique cette position soit indéfendable linguistiquement dès le premier abord, lorsqu’on pense à l’homographie, à la polysémie, au sens figuré, à la connotation, etc. (sans même parler d’une sémantique interprétative aboutie), la tokenisation préside à la plupart des traitements informatiques.

17La convolution, elle, reco(n)textualise – on pourrait dire « syntagmatise » – à l’image des n‑grams dont on sait les performances récemment rappelées par Brunet et Vanni (2019) ou à l’image des segments répétés théorisés dès la thèse de Salem (1986) : le sens nait du co(n)texte, et ici, de manière minimale mais très forte, car de manière mathématisée, du co(n)texte syntagmatique immédiat (la convolution).

18En résumé, une approche informatique initiale a pu considérer naïvement le texte comme un « sac de mots ». En complément, l’IA le considère aujourd’hui comme un « sac de mots continus » (CBOW : continuous bag of words). Le premier modèle utilisé, convolutionnel, de notre architecture MCT n’est pas le seul modèle IA relevant du CBOW, mais il en fait partie intégrante.

1.2. Du paradigmatique

19Le deuxième modèle de notre architecture, combiné au premier, est connu internationalement sous le nom de RNN Transformer (Recurrent Neural Network Transformer) et préside, par exemple, à Chat‑GPT dont le succès d’estime est important depuis l’automne 2022. Ce sont les mécanismes d’attention entre les mots, en corpus, au sein du paragraphe, qui sont calculés ; techniquement, dans la littérature anglo‑saxonne, nous parlons de self attention.

21Sans a priori linguistique, ni syntaxique, ni phonologique, ni sémantique, les mots liés sont empiriquement corrélés statistiquement – ils ont quelque chose à voir entre eux numériquement au regard de la norme ou de l’usage dans le corpus d’apprentissage. Dans les termes logométriques traditionnels, issus de la statistique textuelle historique, les modèles Transformer repèrent donc des « cooccurrences » pertinentes entre mots, pour construire des isotopies parlantes, dans une tradition quantitative largement éprouvée en France (Lafon 1981, Heiden et Lafon 1998, Viprey 1997 et 2006, Brunet 2012, Martinez 2012, Mayaffre 2008a, 2008b et 2014, Guaresi 2016, Vanni et Mittemann 2016 etc.). Seulement, comme le terme de « cooccurrence » est réservé depuis 30 ans au strict et simple calcul de probabilité de la co‑présence de deux mots (ou deux lemmes ou deux codes) dans un paragraphe, nous préférons dire qu’il s’agit de repérer ici des corrélations entre mots ou rapports associatifs au regard de leur usage linguistique en corpus. Pour reprendre strictement la terminologie actuelle des Transformers, il s’agit donc de repérer l’attention d’un mot pour un autre au sein d’une séquence de texte donnée ; pour reprendre la philosophie connexionniste même de l’IA, il s’agit de repérer la connexion entre les mots au sein du corpus et plus régionalement au sein du paragraphe.

22Ces rapports associatifs, cette attention, cette connexion entre mots est dite paradigmatique en élargissant le concept de Saussure (éd. 1972, p. 170‑175) à Benveniste (1970, p. 83‑85), et de Benveniste à Rabatel (2017) car nous faisons nôtre la théorisation du paradigme non au niveau formel de la langue mais au niveau herméneutique du texte. Pour Rabatel en effet, dans son article « La notion de paradigme au défi du texte », il s’agit désormais de :

Plaider en faveur d’une extension de la notion de paradigme […] au niveau des textes, articulant aussi syntaxe fonctionnelle et énonciation, description et interprétation, afin de montrer que la notion de paradigme n’est pas superposable avec celle des catégories prédéterminées (et bien fragiles) sur lesquelles se fondent la plupart de nos traditions grammaticales. (Rabatel, 2017, parag. 38, souligné par nous)

23Rabatel précise ainsi ce que notre modèle repère de manière empirique :

Il vaudrait donc mieux penser […] que les rapports associatifs ne naissent pas seulement en fonction du stock de mots qui figurent dans notre mémoire, mais se construisent dans le texte, en fonction des possibilités qu’offre (et tout autant ferme) l’organisation syntagmatique. (Rabatel, 2017, parag. 36, italique de l’auteur, souligné par nous)

24Et plus loin, parlant, dans une expression herméneutique d’une « sémiose du global » (parag. 50), et semblant pressentir l’apport des traitements connexionnistes des textes, de conclure :

Le paradigmatique est ainsi reformaté – à partir d’une syntagmatique concevant les énoncés comme les maillons d’une chaîne textuelle, dans un cadre transphrastique –, rassemblant des éléments syntaxiquement différents, mais que rapproche leur aptitude à provoquer des effets interprétatifs similaires, sur la base d’une homologie fonctionnelle, au plan du texte.

Dans ce cadre, les paradigmes sont ouverts sur des virtualités de la langue comme sur celles qu’offrent les mises en relations effectuées par la parole vive en discours, avec des rapports associatifs inédits, produits par le texte lui‑même. (Rabatel, 2017, parag. 50 et 51, souligné par nous).

26Au final c’est donc, hautement, au sein du corpus, une corrélation (ou self attention) entre les vecteurs (embedding) d’unités textuelles considérées en cotexte (ou en convolution) que notre modèle repère. Par exemple, nous développerons ci‑dessous la relation calculée dans le discours présidentiel entre le pronom « nous », la forme verbale « protégez » et le substantif « soignant » dans des paragraphes d’essence thaumaturgique chez Emmanuel Macron (cf infra, section 2).

1.3. Multichannel Convolutionel Transformer

27Enfin, notre architecture MCT est dite multichannelle. Le multiniveau consiste, pour les images, à traiter indépendamment, avant de les croiser, les pixels bleus, rouges et jaunes. Pour le texte, et avant même que ne se développe l’IA, la communauté de linguistique de corpus a pris l’habitude de traiter les données textuelles au moins à trois niveaux : la forme graphique qui renvoie à la matérialité linguistique (« liront »), l’étiquette morpho‑syntaxique qui renvoie à la grammaire voire à la syntaxe (verbe à la troisième personne du pluriel au futur) et le lemme qui renvoie au lexique et à l’unité de sens (lemme = « Lire »).

28Un des principaux programmes se trouve là : le modèle IA doit savoir croiser ces trois niveaux élémentaires pour faire ressortir des motifs linguistiques complexes, possiblement lexicaux‑grammaticaux ; autrement dit le modèle doit mettre au jour des marqueurs ou des observables linguistiques, non obvies comme pouvait l’être un mot isolé ou un n‑grams simples niveaux, aussi statistiquement significatifs qu’aient pu être ce mot ou ce n-grams. A noter, également, que ces nouveaux observables, de taille variable, peuvent être discontinus sur la chaine ; la proximité entre termes et/ou codes grammaticaux est repérée dans la fenêtre (disons provisoirement le paragraphe) mais sans exiger leur stricte contiguïté : c’est bien le motif au sens de (Longrée et Mellet 2013) qui est recherché et non seulement le syntagme figé, la colligation ou le n‑grams.

29En résumé, la figure 1 (supra) montre la chaine de traitement MCT que nous venons de présenter en trois points : (i) un pré‑apprentissage du corpus par convolution (CNN – une représentation du mot ad hoc, selon son co(n)texte ou enchainement syntagmatique), (ii) un traitement Transformer comme dans GPT (les mots dans leurs relations, rapports associatifs ou self‑attention) ; et ceci (iii) en essayant de croiser trois niveaux de granularité linguistique : le mot‑forme, le mot‑lemme et la part‑of‑speech.

2. Parcours et résultats : Macron le président thaumaturge

30Il n’existe pas de modèle valide sans résultat convaincant. Les deux premières sorties-machine du traitement des vœux d’Emmanuel Macron pour l’année 2023 sont éloquentes. Elles nous paraissent fertiles d’interprétation pour l’analyse du discours politique et illustrent ainsi concrètement l’herméneutique matérielle numérique que nous programmons grâce à l’IA.

31En l’occurrence, Macron fait résonner la dimension thaumaturgique de son pouvoir présidentiel comme les rois, touchant les écrouelles, cultivaient cette dimension symbolique pour raffermir leur légitimité (Marc Bloch 1924). Si un de Gaulle asseyait l’autorité de son discours avant tout sur le/la geste régalien/ne, Macron joue ainsi de la thaumaturgie ou du care (cf. ci‑après) durant une période politique difficile pour les Français.

32En effet, la machine attire notre attention sur le passage‑clef suivant :

[1] […] avec vous, officiers et soldats dans notre armée, qui nous protégez, avec vous, policiers, gendarmes, pompiers, forces de sécurité, sauveteurs en mer, qui veillez sur cette soirée. Avec vous, médecins, soignants, patients. Avec vous, agents publics […] (Macron, 31 décembre 2022, Vœux aux Français)

33Ce passage extrait automatiquement, qu’il convient dans un premier temps de considérer dans sa globalité, est riche de contenu pour l’analyste politique puisqu’il se présente comme une longue énumération des professions, et finalement des Français, à qui Macron souhaite une joyeuse nouvelle année (policiers, gendarmes, pompiers, sauveteurs, médecin, patients, etc.). Mais notre modèle précise les mots, lemmes ou codes grammaticaux qui, au sein du passage, ont été (i) particulièrement activés par le réseau de neurones par convolution pour attribuer ce passage à Macron et qui (ii) sont reliés entre eux ou activés ensemble, selon la self attention, pour signer, selon Hyperbase deep, la prose macronienne. Se dessine alors aisément l’isotopie thaumaturgique du soin et de la guérison que Macron s’applique, de fait, à mobiliser dans son discours :

Figure 2. Passage-clé(I) des vœux de Macron, le 31 décembre 2022

35A ce stade, il convient de rappeler que les sorties‑machine IA articulent un traitement macro (global), meso (régional) et micro (local) du corpus. Traitement macro, évidemment, car l’identification du passage et de ses unités se fait par la considération de l’ensemble du corpus présidentiel (1958‑2023) et, au sein de ce corpus de plus de 1000 discours et de 4 millions de mots, de l’ensemble du sous-corpus Macron (2017‑2023) : c’est toujours par rapport à un corpus‑norme – une norme interprétative que nous avons qualifiée ailleurs de corpus réflexif (Mayaffre, 2002) – que chaque événement local ou régional (ce mot‑ci ou cet extrait‑là) prend sens. Cette posture méthodologique voire épistémologique fondamentale (le global détermine le local selon les termes de l’herméneutique et de François Rastier, 2001) prend un tour concret en IA qui parle de « corpus d’apprentissage ». Ici cet extrait a donc été reconnu comme typiquement macronien au regard de la norme présidentielle depuis 1958, apprise par la machine. Le lecteur a pu peut-être penser un instant que la tonalité thaumaturgique était une caractéristique générique inévitable des discours de vœux ? Certes. Mais au‑delà, la machine calcule qu’il s’agit d’une caractéristique de Macron versus de Gaulle, Mitterrand ou Sarkozy, au sein du corpus présidentiel 1958‑2023, tous genres de discours confondus.

36Traitement meso ensuite, la fenêtre de traitement est une fenêtre paramétrable de 50 mots (voir l’extrait supra), dans laquelle les unités sont examinées. À ce palier intermédiaire, ce sont donc des extraits de texte relativement larges dans leurs cohésion/cohérence, dans leurs échos internes, dans leurs redondances ou particularités, qui sont considérés, et non pas les unités (les mots, ni même les phrases) prises isolément. Contrainte techniquement, la machine exige des fenêtres fixes pour qu’elles soient strictement comparables. Nous pouvons ainsi paramétrer le programme pour qu’il traite des passages de 25 mots, 50 mots ou 100 mots mais difficilement pour qu’il traite des fenêtres de tailles changeantes comme peuvent l’être les paragraphes naturels ou typographiques du texte. Quoi qu’il en soit, prolongeant la notion rastierienne de « passage » (Rastier, 2007), nous parlons ici de « passage‑clefs » : des extraits sélectionnés pour leur pertinence interprétative (ie. interprétés par la machine / interprétables pour l’humain) (Vanni et al., 2022).

37Traitement micro enfin, nous l’avons dit, car chaque token est considéré individuellement dans son co‑texte particulier, enrichi de sa convolution propre, afin de lui attribuer une représentation numérique unique en fonction de sa place et de son importance locale ; et cette importance locale est dument chiffrée via un indice : le TDS (Vanni et al., 2018). De plus, la représentation locale unique se trouve enrichie dans le modèle par les relations individuelles avec les autres unités qui l’environnent (la self‑attention). Ainsi dans cette phrase‑ci « chat » aura une certaine représentation (un certain sens) et sera plus ou moins activé par le réseau de neurones (une certaine importance), enfin il entretiendra, à titre individuel, des liens avec tels ou tels mots du paragraphe (certaines affinités particulières). Dans cette phrase‑là, en revanche, « chat » aura une autre représentation, pourra ne pas être activé par le réseau au regard de sa faible importance, et entretiendra, peut‑être, des liens avec d’autres mots que précédemment.

38Dans le discours de vœux pour l’année 2023 examiné pour l’occasion, le deuxième passage que l’IA repère comme typiquement macronien nous permet d’aller plus loin dans l’analyse du discours du président, et dans le parcours sémantique ou interprétatif suscité par l’IA.

Figure 3. Passage-clé (II) des vœux de Macron, le 31 décembre 2022

3. Le macronisme et le care

41Il est vrai ici que les sorties IA peuvent être nourries et étayées par divers indices. Macron est un président qui se veut thaumaturge et bene volens (benovolentia, « bienveillance », veut du bien). Et cette posture ne date pas du discours du 31 décembre 2022 ci‑devant examiné, ni de la pandémie COVID en 2020 ou 2021 : il signe constamment le discours - sans quoi la statistique et l’Intelligence artificielle n’auraient pas pu la repérer dans le corpus d’apprentissage – depuis 2017 voire depuis 2016 ou 2015.

42Sans fausse modestie, en effet, Macron milite depuis le début de sa carrière politique pour une re‑sacralisation du pouvoir présidentiel qu’il estime historiquement dégradé sous les quinquennats Chirac, Sarkozy ou Hollande. Et dans cette re‑sacralisation, la dimension thaumaturgique, miraculeuse, mystérieuse, mystique doit retrouver son rang.

43Durant la campagne de 2017, interrogé sur quelques élans rhétoriques particulièrement habités, sur la charisma du leader ou sur des postures surprenantes de l’orateur en meeting les bras en croix, Macron avait par exemple déclaré :

[2] La dimension christique, je ne la renie pas ; je ne la revendique pas. […] La politique, c’est mystique. […] C’est tout mon combat. C’est une erreur de penser que le programme est le cœur d’une campagne […]. J’ai toujours assumé la dimension de verticalité, de transcendance, mais en même temps elle doit s’ancrer dans de l’immanence complète, de la matérialité. (Macron, 11 février 2017, interview au JDD)

[3] La démocratie comporte toujours une forme d’incomplétude, car elle ne se suffit pas à elle‑même. Il y a dans le processus démocratique et dans son fonctionnement un absent. Dans la politique française, cet absent est la figure du Roi, dont je pense fondamentalement que le peuple français n’a pas voulu la mort. La Terreur a creusé un vide émotionnel, imaginaire, collectif : le Roi n’est plus là ! On a essayé ensuite de réinvestir ce vide, d’y placer d’autres figures : ce sont les moments napoléonien et gaulliste, notamment. Le reste du temps, la démocratie française ne remplit pas l’espace. On le voit bien avec l’interrogation permanente sur la figure présidentielle, qui vaut depuis le départ du général de Gaulle. Après lui, la normalisation de la figure présidentielle a réinstallé un siège vide au cœur de la vie politique. Pourtant, ce qu’on attend du président de la République, c’est qu’il occupe cette fonction. (Macron, 8 juillet 2015, interview au journal Le 1)

Figure 4. Surutilisation du verbe « protéger » chez Macron durant la campagne 2017 (Calcul des spécificités – sortie Hyperbase 2023)

46Tout le long de son premier quinquennat, Macron, en tant que président, martèle ainsi « protéger » ou « protection », avant, pendant, après le Covid-19 : on ne saurait l’imputer à la seule pandémie (figure 5).

Figure 5. Surutilisation du verbe « protéger » chez Macron dans le corpus présidentiel (1958‑2023) (Calcul des spécificités – sortie Hyperbase 2023)

47Et sans surprise, en 2022, pour sa réélection, Macron fait de « protéger » un des seuls mots fort d’une campagne muette par ailleurs pour cause de guerre en Ukraine ; ici la comparaison avec Mélenchon, Roussel, Hidalgo, Jadot, Pécresse, Le Pen est parlante (figure 6) :

Figure 6. Surutilisation du verbe « protéger » chez Macron durant la campagne 2022 (Calcul des spécificités – sortie Hyperbase 2023)

48Avec le verbe « protéger », nous posons que le terme « bienveillance », repéré par l’Intelligence artificielle comme central dans le deuxième extrait analysé, porte en lui beaucoup de la rhétorique macroniste.

49Nous trouvons des attestations significatives chez Macron dès la campagne 2017 lorsqu’il s’en prend, par exemple, à la « mondialisation non bienveillante » (28 février 2017, meeting à Angers) ou qu’il théorise, autour du mot, une autre façon de penser la politique et la démocratie :

[4] C’est pourquoi il nous faut toujours une exigence de bienveillance. Je vous la demande, non pas comme une idée simple, non pas comme une forme de naïveté de la vie politique, comme disent certains. La bienveillance, c’est d’abord et avant tout une hygiène démocratique. (Macron 4 avril 2017, meeting à Lyon)

50En quoi la « bienveillance » serait une « hygiène démocratique » et peut‑être même la condition de la démocratie ? Le discours n’ira pas plus loin, mais nous touchons ici à l’affirmation axiomatique d’une posture care fondamentale, plutôt que d’un programme politique, qui semble structurer le discours et l’idéologie d’Emmanuel Macron.

51Statistiquement en tout cas, Macron est le seul président depuis 1958 qui sur‑utilise massivement le mot dans ses discours :

Figure 7. Surutilisation de « bienveillance » chez Macron dans le corpus présidentiel (1958‑2023) (Calcul des spécificités – sortie Hyperbase 2023)

53Cette posture care, en guise de programme, en guise « d’exigence démocratique » fondamentale et, ici, dans le discours analysé par la machine, en guise de vœux à la nation, sera illustrée de mille manières dans une contribution à venir. Faute de place et parce que cette présente contribution est avant tout méthodologique nous l’évoquerons seulement de manière cursive renvoyant aux Cahiers de Praxématique 2023 pour un développement abouti (Mayaffre et Vanni, 2023 à paraitre).

55Du point de vue féministe, précisément, nous avons montré ailleurs combien le couple Macron, Brigitte mais ici plus encore Emmanuel, concentrent ses efforts pour un féminisme care, plus que politique, adressé à la personne plus qu’à la citoyenne, adressé à la victime de viol et de violence plus qu’à l’ouvrière (Mayaffre, 2021, p. 261‑275]. Loin du féminisme historique du MLF, souvent d’obédience marxiste, la concentration du discours sur les soins médicaux et psychologiques à apporter aux femmes battues est remarquable dans le corpus Macron. Une sortie médiatique, via les réseaux sociaux, illustre cette posture care, individuelle, personnalisée, incarnée jusqu’au prénom des victimes de violence – la violence contre les personnes comme antonyme de la bienveillance ou de la sollicitude inter‑individuelle.

[5] Monica, Pascale, Taïna, Séverine, Nadine, Guo, Michèle, Béatrice, Isabelle, Patricia, Gulçin, Sylvie, Céline, Caroline, Maureen, Josette, Gaëlle, Ginette, Nelly, Nicole, Hilal, Julie, Georgette, Dolorès, Babeth, Fabienne, Caroline, Stéphanie, Chantal, Céline, Dalida, Nathalie, Sandra, Marie-Alice, Chloé, Yaroslava, Sandra, Martine, Martine, Laura, Pierrette, Moumna, Marilyne, Gwenaëlle, Mambu, Nathalie, Mariette, Priscilla, Maïté, Audrey, Mayie, Michèle, Chantal, Coralie, Leïla, Isabelle, Mesdames, la République n’a pas su vous protéger. Vos prénoms nous sont familiers, vous êtes nos amies, nos mères, nos sœurs, nos filles. La violence qui vous a coûté la vie nous écœure, nous révolte. La République française se doit de protéger toutes celles dont la vie est aujourd’hui en danger. (Macron, FaceBook, 6 juillet 2019)

56Le carisme de Macron est surtout étayé par la logométrie lorsqu’elle permet de retourner systématiquement au texte et de convoquer certains extraits autour des mots pressentis par l’algorithme comme « bienveillance », « soin », « solidarités » (au pluriel car il s’agit moins du concept idéalisé que de ses déclinaisons pratiques, individuelles, quotidiennes).

57La convocation des passages contenant le motif « LEM =Prendre + soin » (prendra soin, a pris soin, devoir prendre soin, prendre le plus grand soin, etc.) est particulièrement éclairante, surtout si l’on considère qu’il constitue une traduction fidèle du verbe « to care ».

58Devant les évêques de France, dans des mots très choisis, Emmanuel Macron explique :

[6] Vous avez ainsi établi un lien intime entre des sujets que la politique et la morale ordinaires auraient volontiers traités à part. Vous considérez que notre devoir est de protéger la vie, en particulier lorsque cette vie est sans défense. Entre la vie de l’enfant à naître, celle de l’être parvenu au seuil de la mort, ou celle du réfugié qui a tout perdu, vous voyez ce trait commun du dénuement, de la nudité et de la vulnérabilité absolue. Ces êtres sont exposés. Ils attendent tout de l’autre, de la main qui se tend, de la bienveillance qui prendra soin d’eux. (Macron, 9 avril 2018, discours aux évêques de France)

59Le carisme macronien se confond, ici, avec la charité chrétienne. Et Macron pointe ici l’articulation entre ce qu’il appelle la « politique » et ce qu’il nomme la « morale », et que la littérature care nomme plutôt l’éthique. La formulation « la bienveillance qui prendra soin d’eux » confine au tautologique, mais aucune redondance n’est inutile à Macron pour dire la compassion, la sollicitude, le bien‑être : le care.

60C’est naturellement durant le COVID, c’est‑à‑dire lors d’un moment suspendu durant lequel les hommes et les sociétés semblent redécouvrir leur vocation à mourir, que Macron joue de la thaumaturgie et du care avec quelques élans remarquables à la télévision lors d’adresses aux Français, suivies par des millions de téléspectateurs.

[7] Chacun d’entre nous détient une part de la protection des autres, à commencer par ses proches. Je compte sur vous aussi pour prendre soin des plus vulnérables de nos compatriotes, ne pas rendre visite à nos aînés. […]. Écrivez, téléphonez, prenez des nouvelles, protégez en limitant les visites. Je compte sur vous, oui, pour aussi aider le voisin qui, lorsqu’ il est personnel soignant, a besoin d’une solution de garde pour ses enfants pour aller travailler et s’occuper des autres. (Macron, 3 décembre 2020, Adresse aux Français).

61L’entraide, « aider le voisin », « s’occuper des autres » : durant le confinement, le politique semble s’arrêter, le Parlement est mis entre parenthèse, les conflits sociaux sont suspendus : le care devient l’alpha et l’omega du discours présidentiel.

62Pour en revenir aux mesures féministes qui se concentrent sur la lutte contre les violences faites aux femmes plutôt que sur la lutte traditionnelle contre les inégalités politiques, économiques ou salariales, les extraits vont dans le même sens :

[8] Si elle [une femme victime] est prise en charge aux urgences, je souhaite qu’elle ne soit pas obligée ensuite d’aller porter plainte le lendemain au commissariat. Facilitons son parcours, mieux accompagner c’est prendre soin de ces femmes et les aider psychologiquement. Les violences subies ont un effet dévastateur et là aussi, les chiffres ne disent pas tout de l’épaisseur des vies, mais ils racontent beaucoup de l’horreur. Il y a 5 fois plus de tentatives de suicide chez les femmes victimes de violence, elles perdent une à quatre années d’espérance de vie. Il s’agit donc d’organiser la prise en charge psycho‑traumatique des victimes. Nous souhaitons ainsi créer dès 2018 dans les centres hospitaliers des unités spécialisées dans la prise en charge globale du psycho‑trauma. La résilience des femmes agressées ne passe pas seulement par une solution judiciaire mais par la consultation, par la reconstruction. (Macron, 25 novembre 2017, Discours sur la Grande cause nationale)

63Ici c’est non seulement la solution politique mais la solution judiciaire qui sont secondarisées pour mettre en avant, en revanche, la bienveillance care : « prendre soin de ces femmes », « les aider psychologiquement », « organiser la prise en charge psycho‑traumatique ».

64Les deux derniers extraits (toujours sélectionnés autour du motif « prendre + soin ») confirment l’analyse, et mériteront commentaires plus approfondis ailleurs. Mais apprécions tout de suite la dernière phrase du premier, issus d’une très solennelle prise de parole à la télévision :

[9] Et les vertus qui, aujourd’hui, nous permettent de tenir, seront celles qui nous aideront à bâtir l’avenir, notre solidarité, notre confiance, notre volonté. Alors prenez soin de vous, prenons soin les uns des autres. (Macron, 13 avril 2020, Adresse aux Français)

65Dans un écho intertextuel palpable le « aimez-vous les uns les autres » christique est mobilisé par l’Élu de la nation, à la première personne du pluriel (prenons) pour plus d’effet encore.

66Quant au deuxième extrait qui date du 31 décembre 2021, son aspect remarquable tient dans la redite – parfois mot à mot –, de l’extrait que l’IA avait initialement remarqué dans les vœux en 2022 : le care chez Macron n’est pas une saute d’humeur ni un hasard, mais une ligne conductrice d’un discours général qui n’hésite pas à se répéter.

[10] Je veux ce soir, une fois encore, en votre nom à tous, témoigner notre reconnaissance pour nos personnels soignants, nos armées, nos forces de l’ordre, nos sapeurs‑pompiers, nos auxiliaires de vie nos aides à domicile et tant d’autres professions, tous engagés ce 31 décembre comme chaque jour pour nous protéger, pour prendre soin de nous. (Macron, 31 décembre 2021, Vœux aux Français. cf. nécessairement l’extrait du 31 décembre 2022 supra)

Conclusion

67La sémantique de corpus numérique renonce prudemment à réduire la relation entre expression et contenu à une relation bijective. À une forme ne correspond évidemment pas un sens unique ; parfois des sens opposés. Et les contenus s’expriment, d’évidence, de diverses manières dans la matérialité linguistique des textes. Loin d’un rapport bijectif, ce qui relie un signe linguistique à son sens en discours est plutôt de l’ordre de l’analogie, du métaphorique, de l’interprétation contextuelle.

68Conséquemment, la pertinence que le linguiste demande à un programme IA n’est pas d’extraire le sens ; puisque le sens est construit par la lecture et non déjà‑là, supposément offert, dans le texte. Il s’agit donc non pas de prouver le sens, mais d’implémenter des parcours de lecture dont on jugera la pertinence à l’aune de leurs productivités sémantiques.

69La lecture numérique que proposent les algorithmes d’intelligence artificielle mettent ainsi au jour des passages ou des zones du texte qui doivent être considérés comme des textèmes, des herménèmes ou des interprétants : la machine les a considérés comme pertinents pour identifier un texte, un auteur, un président, ou pour produire un résumé, une traduction, un texte pastiche.

70Outre leur efficacité empirique – puisqu’ils président à des tâches de classification réussies ou des tâches de génération convaincantes ; comme ils ont réussi à nous mettre dans cette contribution sur la voie de l’idéologie macroniste – ces chevilles interprétatives, passages ou herménèmes numériques semblent performants car ils considèrent l’axe syntagmatique (la combinaison sur la chaine, in praesentia) – et l’axe paradigmatique (la sélection des mots, non pas in abstentia en mémoire, mais dans le corpus) pour rendre compte au final de l’entrelacs textuel et de motifs significatifs

71Le modèle de deep learning présenté, et implémenté aujourd’hui dans le logiciel libre Hyperbase (http://hyperbase.unice.fr), a ainsi permis de montrer comment Macron développe une rhétorique thaumaturgique et multiplie dans son discours un vocabulaire care. Loin d’un programme revendiqué, loin d’un corpus idéologique avoué, Macron ramène l’idéal politique à la bienveillance individuelle, la justice sociale au soin personnel, et le politique à la sollicitude inter‑individuelle. Au moment où ces lignes sont écrites, Macron prescrit aux Français une réforme des retraites contestée. Mais là où ses opposants dénoncent une régression sociale historique, un déni démocratique sans précédent ou une injustice collective, Emmanuel Macron raisonne différemment et fait valoir que désormais chaque travailleur âgé bénéficiera d’un médecin attitré et d’une visite médicale personnalisée, susceptibles de l’exonérer, en cas de problème de santé personnel, des deux années de travail supplémentaires que la nouvelle loi promet.