J’ai expliqué précédemment l’intérêt des corpus numériques et passé en revue quelques projets existant pour le japonais. Quelles pourraient être les caractéristiques d’un corpus numérique idéal? (bien sûr ce qui constitue un corpus idéal dépende beaucoup des problématiques et usages de chaque chercheur)

Alignement et liens entre éléments

Tout d’abord on aimerait pour le japonais ancien que le texte original, la transcription, et les informations de lemmatisation soient liés. Malheureusement, ce n’est pas le cas dans le Oxford Corpus of Old Japanese, dans lequel le texte original est complètement séparé de la transcription, et rétablir le lien entre les deux n’est pas une tâche aisée. Dans le cas des textes uniquement en phonogrammes, on peut compter les syllabes et réaligner l’original avec sa transcription, mais pour les textes comportant des logogrammes, cela devient impossible.

Par exemple le début du premier poème du Kojiki (712) donnerait en xml  quelque chose comme:
<s><cl>
<phr><w>
<m lemma="XXX999"><c type="phon" orig="夜">ya</c></m>
<m lemma="XXX998"><c type="phon" orig="久">ku</c><c type="phon" orig="毛">mo</c></m>
</w></phr>
<phr><w inflection="adnconc">
<m lemma="XXX997"><c type="phon" orig="多">ta<\c><c type="phon" orig="都">tu</c></m>
</w></phr>
...


Variantes textuelles

Une autre caractéristique souhaitable serait la prise en compte des variantes textuelles. En effet, nous ne disposons pas en général des originaux des textes, mais uniquement de copies plus tardives et souvent discordantes, et même dans le cas où l’original a survécu, le texte peut être corrompu et difficile à déchiffrer parfois. Il peut donc y avoir des variantes dans les versions et des écarts dans la reconstitution du texte. Ces informations sont en général mentionnées dans les notes des bonnes éditions critiques; on pourrait de la même manière imaginer un corpus basé sur une restitution critique du texte mais incluant des annotations sur les variantes de graphies, de texte, ou d’interprétation.

Les annotations pourraient être du genre:
<c type="phon" orig="夜" var="野">ya</c>
Mais il faudrait bien sûr un modèle plus complexe pour pouvoir inclure des annotations au niveau du caractère, du mot, etc., la source de chaque variante, et plusieurs variantes pour un même élément.

Liens vers les sources

Enfin, on pourrait imaginer que les sources manuscrites d’un texte soient toutes numérisées. Un bon nombre ont le statut de trésor national ou de bien culturel important et sont la propriété de l’état ou d’institution publique, il serait donc tout à fait légitime que ces œuvres soient numérisées et mises en accès libre dans un archive publique en ligne. Le corpus pourrait alors contenir des liens vers les différentes sources. Il serait alors facile de vérifier de visu n’importe quelle citation, ce qui serait un grand pas pour la philologie.

Système de référence unifié

Hormis les poèmes du japonais anciens qui sont numérotés et assez courts pour que l’on puisse s’y retrouver, il n’y a pas de système standard pour indiquer la référence précise d’une citation. Avec un corpus bien annoté, il serait simple de numéroter au minimum chaque paragraphe, phrase ou ligne, et mot. Cela donnerait naissance à un système pratique de référence qui manque cruellement pour le moment à la philologie japonaise, et on pourrait ainsi facilement identifier une citation  avec un identifiant du type «Genji.3.69.5».