Collation

Le classement est l'assemblage d'informations écrites dans un ordre standard. De nombreux systèmes de classement sont basés sur l'ordre numérique ou l'ordre alphabétique , ou sur des extensions et des combinaisons de ceux-ci. Le classement est un élément fondamental de la plupart des systèmes de classement de bureau , des catalogues de bibliothèque et des ouvrages de référence .

Le classement diffère de la classification dans la mesure où les classes elles-mêmes ne sont pas nécessairement ordonnées. Cependant, même si l'ordre des classes n'est pas pertinent, les identifiants des classes peuvent être membres d'un ensemble ordonné, ce qui permet à un algorithme de tri d'organiser les éléments par classe.

Formellement parlant, une méthode de classement définit généralement un ordre total sur un ensemble d'identifiants possibles, appelés clés de tri, qui produit par conséquent un préordre total sur l'ensemble des éléments d'information (les éléments avec le même identifiant ne sont pas placés dans un ordre défini).

Un algorithme de classement tel que l' algorithme de classement Unicode définit un ordre en comparant deux chaînes de caractères données et en décidant laquelle doit venir avant l'autre. Lorsqu'un ordre a été défini de cette manière, un algorithme de tri peut être utilisé pour placer une liste d'un nombre quelconque d'éléments dans cet ordre.

Le principal avantage de la collation est qu'elle permet à l'utilisateur de trouver rapidement et facilement un élément dans la liste ou de confirmer son absence. Dans les systèmes automatiques, cela peut être fait en utilisant un algorithme de recherche binaire ou une recherche par interpolation ; la recherche manuelle peut être effectuée en utilisant une procédure à peu près similaire, bien que cela soit souvent fait inconsciemment. D'autres avantages sont que l'on peut facilement trouver le premier ou le dernier élément de la liste (ce qui est très probablement utile dans le cas de données triées numériquement), ou des éléments dans une plage donnée (utile encore dans le cas de données numériques, et également avec des données classées par ordre alphabétique lorsque l'on peut être sûr uniquement des premières lettres de l'élément ou des éléments recherchés).

Les chaînes représentant des nombres peuvent être triées en fonction des valeurs des nombres qu'elles représentent. Par exemple, « −4 », « 2,5 », « 10 », « 89 », « 30 000 ». L'application pure de cette méthode peut ne fournir qu'un classement partiel des chaînes, car différentes chaînes peuvent représenter le même nombre (comme avec « 2 » et « 2,0 » ou, lorsque la notation scientifique est utilisée, « 2e3 » et « 2000 »).

Une approche similaire peut être adoptée avec des chaînes représentant des dates ou d’autres éléments qui peuvent être classés par ordre chronologique ou d’une autre manière naturelle.

L'ordre alphabétique est la base de nombreux systèmes de classement dans lesquels les éléments d'information sont identifiés par des chaînes composées principalement de lettres d'un alphabet . L'ordre des chaînes repose sur l'existence d'un ordre standard pour les lettres de l'alphabet en question. (Le système ne se limite pas aux alphabets au sens technique strict ; les langues qui utilisent un syllabaire ou abugida , par exemple le cherokee , peuvent utiliser le même principe d'ordre à condition qu'il existe un ordre défini pour les symboles utilisés.)

Pour décider laquelle de deux chaînes de caractères vient en premier dans l'ordre alphabétique, on compare d'abord leurs premières lettres. La chaîne de caractères dont la première lettre apparaît en premier dans l'alphabet vient en premier dans l'ordre alphabétique. Si les premières lettres sont identiques, on compare les deuxièmes lettres, et ainsi de suite, jusqu'à ce que l'ordre soit déterminé. (Si une chaîne de caractères n'a plus de lettres à comparer, elle est alors considérée comme venant en premier ; par exemple, "cart" vient avant "carthorse".) Le résultat de l'organisation d'un ensemble de chaînes de caractères par ordre alphabétique est que les mots ayant la même première lettre sont regroupés, et au sein d'un tel groupe, les mots ayant les mêmes deux premières lettres sont regroupés, et ainsi de suite.

Les lettres majuscules sont généralement traitées comme équivalentes à leurs lettres minuscules correspondantes. (Pour des traitements alternatifs dans les systèmes informatisés, voir Classement automatique, ci-dessous.)

Certaines limitations, complications et conventions spéciales peuvent s'appliquer lorsque l'ordre alphabétique est utilisé :

• Lorsque les chaînes contiennent des espaces ou d'autres séparateurs de mots, il faut décider s'il faut ignorer ces séparateurs ou les traiter comme des symboles précédant toutes les autres lettres de l'alphabet. Par exemple, si la première approche est adoptée, alors "parking" viendra après "carbone" et "carpe" (comme si on écrivait "parking"), alors que dans la deuxième approche, "parking" viendra avant ces deux mots. La première règle est utilisée dans de nombreux dictionnaires (mais pas tous) , la seconde dans les annuaires téléphoniques (de sorte que Wilson, Jim K apparaît avec d'autres personnes nommées Wilson, Jim et non après Wilson, Jimbo).
• Les abréviations peuvent être traitées comme si elles étaient écrites en entier. Par exemple, les noms contenant « St. » (abréviation du mot anglais Saint ) sont souvent classés comme s'ils étaient écrits « Saint ». Il existe également une convention traditionnelle en anglais selon laquelle les noms de famille commençant par Mc et M' sont listés comme si ces préfixes étaient écrits Mac .
• Les chaînes qui représentent des noms de personnes sont souvent classées par ordre alphabétique de nom de famille, même si le prénom vient en premier. Par exemple, Juan Hernandes et Brian O'Leary doivent être triés comme « Hernandes, Juan » et « O'Leary, Brian » même s'ils ne sont pas écrits de cette façon.
• Les mots initiaux très courants, comme The en anglais, sont souvent ignorés à des fins de tri. Ainsi, The Shining serait trié comme simplement « Shining » ou « Shining, The ».
• Lorsque certaines chaînes contiennent des chiffres (ou d'autres caractères non alphabétiques), plusieurs approches sont possibles. Parfois, ces caractères sont traités comme s'ils se trouvaient avant ou après toutes les lettres de l'alphabet. Une autre méthode consiste à trier les nombres par ordre alphabétique comme ils seraient orthographiés : par exemple, 1776 serait trié comme s'il s'écrivait « dix-sept soixante-seize » et 24 heures du Mans comme s'il s'écrivait « vingt-quatre... » (en français pour « vingt-quatre »). Lorsque des chiffres ou d'autres symboles sont utilisés comme formes graphiques spéciales de lettres, comme dans 1337 pour leet ou Se7en pour le titre du film Seven , ils peuvent être triés comme s'il s'agissait de ces lettres.
• Les langues ont des conventions différentes pour traiter les lettres modifiées et certaines combinaisons de lettres. Par exemple, en espagnol, la lettre ñ est considérée comme une lettre de base suivant n , et les digrammes ch et ll étaient auparavant (jusqu'en 1994) traités comme des lettres de base suivant c et l , bien qu'ils soient désormais classés par ordre alphabétique comme des combinaisons de deux lettres. Une liste de ces conventions pour différentes langues peut être trouvée dans Ordre alphabétique § Conventions spécifiques aux langues .

Dans plusieurs langues, les règles ont changé au fil du temps, et les dictionnaires plus anciens peuvent donc utiliser un ordre différent de celui des dictionnaires modernes. De plus, le classement peut dépendre de l'utilisation. Par exemple, les dictionnaires allemands et les annuaires téléphoniques utilisent des approches différentes.

Certains dictionnaires arabes , comme le Dictionnaire bilingue de l'arabe moderne écrit de Hans Wehr , regroupent et trient les mots arabes par racine sémitique . Par exemple, les mots kitāba ( كتابة « écriture »), kitāb ( كتاب « livre »), kātib ( كاتب « écrivain »), maktaba ( مكتبة « bibliothèque »), maktab ( مكتب « bureau »), maktūb ( مكتوب « destin » ou « écrit »), sont agglomérés sous la racine trilitère k - t - b ( ك ت ب ), qui désigne « écriture ».

Voir aussi les caractères chinois et l'ordre des caractères chinois

Une autre forme de classement est le tri par radicaux et traits , utilisé pour les systèmes d'écriture non alphabétiques tels que les hanzi chinois et les kanji japonais , dont les milliers de symboles défient tout classement conventionnel. Dans ce système, les composants communs des caractères sont identifiés ; on les appelle radicaux en chinois et dans les systèmes logographiques dérivés du chinois. Les caractères sont ensuite groupés par leur radical principal, puis classés par nombre de traits de plume au sein des radicaux. Lorsqu'il n'y a pas de radical évident ou qu'il y a plus d'un radical, la convention détermine lequel est utilisé pour le classement. Par exemple, le caractère chinois 妈 (qui signifie « mère ») est classé comme un caractère à six traits sous le radical principal à trois traits 女.

Le système radical-et-barre est encombrant par rapport à un système alphabétique dans lequel il y a quelques caractères, tous sans ambiguïté. Le choix des composants d'un logographe qui comprennent des radicaux séparés et de celui qui est primaire n'est pas évident. Par conséquent, les langues logographiques complètent souvent l'ordre radical-et-barre par un tri alphabétique d'une conversion phonétique des logographes. Par exemple, le mot kanji Tōkyō (東京) peut être trié comme s'il était orthographié dans les caractères japonais du syllabaire hiragana comme "to-u-ki- _yo -u" (とうきょう), en utilisant l'ordre de tri conventionnel pour ces caractères.

En outre, les caractères chinois peuvent également être triés par un tri basé sur les traits . En Grande Chine, l'ordre des traits des noms de famille est une convention dans certains documents officiels où les noms des personnes sont répertoriés sans hiérarchie.

Lorsque les informations sont stockées dans des systèmes numériques, le classement peut devenir un processus automatisé. Il est alors nécessaire de mettre en œuvre un algorithme de classement approprié qui permette de trier les informations de manière satisfaisante pour l'application en question. L'objectif sera souvent d'obtenir un classement alphabétique ou numérique qui respecte les critères standards décrits dans les sections précédentes. Cependant, tous ces critères ne sont pas faciles à automatiser.

Le type le plus simple de classement automatique est basé sur les codes numériques des symboles d'un jeu de caractères , comme le codage ASCII (ou l'un de ses sur-ensembles comme Unicode ), les symboles étant classés par ordre numérique croissant de leurs codes, et cet ordre étant étendu aux chaînes conformément aux principes de base du classement alphabétique (mathématiquement parlant, le classement lexicographique ). Ainsi, un programme informatique peut traiter les caractères a , b , C , d et $ comme étant classés $ , C , a , b , d (les codes ASCII correspondants sont $ = 36, a = 97, b = 98, C = 67 et d = 100). Par conséquent, les chaînes commençant par C , M ou Z seront triées avant les chaînes contenant des minuscules a , b , etc. C'est ce qu'on appelle parfois l'ordre ASCIIbétique . Cet ordre diffère de l'ordre alphabétique standard, notamment en raison de l'ordre des majuscules avant toutes les minuscules (et éventuellement du traitement des espaces et autres caractères non alphabétiques). Il est donc souvent appliqué avec certaines modifications, la plus évidente étant la conversion de la casse (souvent en majuscules, pour des raisons historiques ) avant la comparaison des valeurs ASCII.

Dans de nombreux algorithmes de classement, la comparaison ne repose pas sur les codes numériques des caractères, mais sur la référence à la séquence de classement (une séquence dans laquelle les caractères sont supposés venir aux fins du classement) ainsi que sur d'autres règles de classement appropriées à l'application donnée. Cela peut servir à appliquer les conventions correctes utilisées pour le classement alphabétique dans la langue en question, en traitant correctement les lettres avec des casses différentes, les lettres modifiées , les digrammes , les abréviations particulières, etc., comme mentionné ci-dessus dans Ordre alphabétique, et en détail dans l' article Ordre alphabétique . De tels algorithmes sont potentiellement assez complexes, nécessitant éventuellement plusieurs passages dans le texte.

Des problèmes se posent néanmoins fréquemment lorsque l'algorithme doit prendre en compte plusieurs langues. Par exemple, dans les dictionnaires allemands, le mot ökonomisch est placé entre offenbar et olfaktorisch , tandis que les dictionnaires turcs traitent o et ö comme des lettres différentes, plaçant oyun avant öbür .

L' algorithme de classement Unicode est un algorithme standard permettant de classer toute collection de chaînes composées de n'importe quel symbole Unicode standard . Il peut être adapté pour utiliser la séquence de classement appropriée pour une langue donnée en adaptant sa table de classement par défaut. Plusieurs de ces adaptations sont rassemblées dans Common Locale Data Repository .

Dans certaines applications, les chaînes par lesquelles les éléments sont classés peuvent différer des identifiants affichés. Par exemple, The Shining peut être trié comme Shining, The (voir Ordre alphabétique ci-dessus), mais il peut toujours être souhaité de l'afficher comme The Shining . Dans ce cas, deux ensembles de chaînes peuvent être stockés, l'un à des fins d'affichage et l'autre à des fins de classement. Les chaînes utilisées pour le classement de cette manière sont appelées clés de tri .

Il est parfois souhaitable de classer un texte avec des nombres incorporés en utilisant l'ordre numérique approprié. Par exemple, « Figure 7b » se place avant « Figure 11a », même si « 7 » se trouve après « 1 » en Unicode . Cela peut être étendu aux chiffres romains . Ce comportement n'est pas particulièrement difficile à produire tant que seuls les entiers doivent être triés, bien qu'il puisse ralentir considérablement le tri. Par exemple, Microsoft Windows le fait lors du tri des noms de fichiers .

Trier correctement les décimales est un peu plus difficile, car les différentes langues utilisent des symboles différents pour le point décimal et parfois le même caractère utilisé comme point décimal est également utilisé comme séparateur, par exemple « Section 3.2.5 ». Il n'existe pas de réponse universelle sur la façon de trier de telles chaînes ; les règles dépendent de l'application.

Dans certains contextes, les chiffres et les lettres ne sont pas tant utilisés comme base pour établir un ordre, mais comme moyen d'étiqueter des éléments déjà ordonnés. Par exemple, les pages, les sections, les chapitres et autres éléments similaires, ainsi que les éléments de listes, sont fréquemment « numérotés » de cette manière. Les séries d'étiquetage qui peuvent être utilisées comprennent les chiffres arabes ordinaires (1, 2, 3, ...), les chiffres romains (I, II, III, ... ou i, ii, iii, ...) ou les lettres (A, B, C, ... ou a, b, c, ...). (Une autre méthode pour indiquer les éléments d'une liste, sans les numéroter, consiste à utiliser une liste à puces .)

Lorsque des lettres d'un alphabet sont utilisées à cette fin d' énumération , il existe certaines conventions spécifiques à la langue concernant les lettres à utiliser. Par exemple, les lettres russes Ъ et Ь (qui, à l'écrit, ne servent qu'à modifier la consonne précédente ), et généralement aussi Ы , Й et Ё , sont omises. De plus, dans de nombreuses langues qui utilisent l'écriture latine étendue , les lettres modifiées ne sont souvent pas utilisées dans l'énumération.