Versión clásicaVersión móvil
OpenEdition Books

Corpus de textes : composer, mesurer, interpréter

 | 
Émeline Comby
, 
Yannick Mosset
, 
Stéphanie de Carrara

II. Les temps du corpus

Des archives au traitement de textes sous format numérique. L’exemple du traitement médiatique de la pollution du Rhône aux PCB (2005-2010)

Émeline Comby

Texto completo

1En 2005, des analyses révèlent que deux poissons pêchés dans le Canal de Jonage, à une dizaine de kilomètres du centre-ville de Lyon, présente des concentrations en polychlorobiphényles (abrégés en PCB) trop élevées pour la consommation humaine. En effet, des dispositions ont été prises pour réduire l’exposition humaine aux PCB à travers la fixation (à l’échelle internationale et nationale) de teneurs maximales à ne pas dépasser dans les denrées alimentaires. Comme des dépassements de ces teneurs dans des poissons sont observés, des interdictions préfectorales de consommation et de vente sont prises dans ce secteur. À partir de 2007, les analyses révèlent que ces taux supérieurs aux normes ne concernent pas uniquement le Rhône lyonnais, mais aussi la partie du fleuve située en aval. L’année 2007 voit alors se multiplier les interdictions préfectorales de consommation et de vente de certains poissons pêchés dans le Rhône en Isère, dans la Loire, en Ardèche, dans la Drôme, le Vaucluse, le Gard, les Bouches-du-Rhône, mais en aussi en amont dans l’Ain. Si en 2005, la pollution du Rhône par les PCB était considérée comme un phénomène local, elle est reconnue en 2007 comme un phénomène régional, puis national. En effet, la pollution ne touche pas uniquement le Rhône : la pollution d’autres rivières est reconnue et un plan national d’action est lancé en 2008 (Comby et al. 2014). L’article repose sur cette étude de cas : la couverture médiatique de la pollution du Rhône par les PCB dans trois quotidiens régionaux du linéaire rhodanien.

2La presse est généralement scindée en trois, selon les échelles spatiales de son audience, entre presse nationale, régionale et locale. Un des intérêts de la presse quotidienne régionale et locale vient de son échelle de diffusion qui révèle ce qui est donné à penser et à lire en un lieu donné. Alessandro Delitala (2005) affirme que les presses régionale et locale présentent deux avantages sur les presses nationale et internationale : le journaliste décrit des phénomènes qui lui sont proches alors qu’il partage la vision de la communauté locale ; et son relevé des événements est plus précis, limitant alors le côté aléatoire de la recherche. De plus, cette presse semble à ce jour avoir donné lieu à moins de recherches, alors qu’elle offre une entrée sur un système à grande échelle, en prenant en compte les aspects sociaux, économiques et culturels qui sont propres à une communauté de petite taille (Spencer et Triche 1994). Cette presse se fonde sur une certaine proximité et sur une identification à un territoire par le nom même choisi par le titre (Neveu 2009). Toutefois, elle est aussi décriée car elle peine à établir des causalités plus globales ou à mettre en perspective les données obtenues, puisque le local est présenté par le local (Maher 1997).

3Les sources choisies correspondent à trois titres majeurs dont l’aire de diffusion est drainée par le Rhône. Pour la partie amont du Rhône, Le Progrès dans son édition Lyon-Villeurbanne-Caluire est choisi. Le Progrès est le premier vecteur de l’information régionale dans les départements du Rhône (85 514 exemplaires), de la Loire (le journal titrant alors La Tribune Le Progrès avec 63 736 exemplaires) et de l’Ain (36 156 exemplaires). D’après les données PQR 66 de 2012, Le Progrès est le septième quotidien le plus vendu en France, quand Le Dauphiné libéré est le cinquième et La Provence le quatorzième. Le Dauphiné libéré, comme Le Progrès, font partie du même groupe de presse (EBRA). Les ventes les plus élevées du Dauphiné libéré se trouvent en Isère, ensuite en Haute-Savoie, en Savoie, puis dans la Drôme (31 168 exemplaires) et l’Ardèche (22 284 exemplaires) où il est le quotidien régional le plus lu, d’après les chiffres PQR 66 pour 2013. Enfin dans la partie en aval, La Provence est le quotidien le plus vendu, notamment dans les Bouches-du-Rhône et le Vaucluse.

4Cette contribution s’articule autour de deux objectifs méthodologiques : a) présenter les avantages et inconvénients de la numérisation d’un corpus de quotidiens régionaux, et b) montrer la complémentarité de deux offres de logiciels gratuits dans une approche mêlant quantitatif et qualitatif.

Dis-moi comment tu construis ton corpus, je te dirai…

5Ce titre reprend en partie l’intitulé d’un article de Patrick Charaudeau (2009), « Dis-moi quel est ton corpus, je te dirai quelle est ta problématique ». Si le corpus semble érigé au prisme de la problématique, il semble que les modalités de recueil sont toutes aussi centrales pour comprendre le corpus. Il s’agit alors de justifier les choix qui ont favorisé la mise en place des corpus et de permettre un retour d’utilisateur pour favoriser la reproductibilité de la recherche. Ce temps à portée méthodologique questionne des non-dits de la littérature comme l’impact des bases de données sur les corpus produits, les avantages et les inconvénients de ce travail ou les modalités pratiques qui semblent faciliter la mise en place de démarches géohistoriques. En effet, les approches géohistoriques apparaissent

comme une tentative de restituer à la fois la dynamique et la structuration des milieux ou des territoires sur le temps long. À cet égard, les archives recèlent le principal matériau de travail, familier aux géographes par la formation historique qu’ils reçoivent. (Jacob-Rousseau 2009, p. 211)

6L’exploration d’archives semble donc être une passerelle entre différentes disciplines. Que les discours soient consultés et sélectionnés initialement sous format papier ou sous format numérique, la numérisation des archives semble s’imposer. Certes cette pratique apparaît comme chronophage et pose des questions techniques (notamment en termes de traitement d’image ou de reconnaissance de caractères, d’automatisation ou d’intelligence artificielle), mais elle permet la sauvegarde du travail d’archives, le partage des données, et ouvre un large champ des possibles pour les analyses.

L’affirmation des bases de données en ligne

7L’émergence et l’affirmation des bases de données favorisent la manipulation de textes sous format numérique. Le principe de la base de données repose sur un accès généralement à distance. Néanmoins, parfois, des questions de droit font que cette ressource ne peut être consultée que dans des lieux précis.

8La première distinction entre les différentes bases de données repose sur la gratuité ou non de la recherche et de l’extraction. L’accès aux différentes bases de données est bien souvent fonction de l’ancienneté de la production textuelle : les données historiques sont parfois accessibles gratuitement. Une telle couverture historique s’explique en partie par la dégradation de certains journaux anciens (la numérisation devenant une priorité pour limiter les sorties), des enjeux autour des droits d’auteurs et des facteurs plus conjoncturels (programme de recherche ou source de financement). L’objectif est de transmettre l’information, sans que la manipulation des fonds anciens ne les mette en péril. Ainsi, des bibliothèques municipales et des archives notamment départementales mettent en ligne certains fonds. Par exemple, Gallica diffuse les collections numériques de la Bibliothèque nationale de France (BnF) ; mais les données consultables en ligne concernent la presse de l’avant-Première Guerre mondiale (Comby et al. 2012). En revanche, de nombreuses bases de données sont payantes, soit pour les requêtes et la consultation, soit uniquement pour la consultation : parmi les plus utilisées en France, Factiva, Lexis Nexis ou Europresse. Michelle Driedger (2007) évoque pour le Canada les bases suivantes : Lexis Nexis, Canadian Business and Current Affairs (CBCA), Current Events, Canadian Newsstand et Factiva. Néanmoins, de nombreuses bibliothèques offrent un accès libre sur place.

9La deuxième distinction repose sur la portée de ces bases de données. Les fonds numérisés dans le cadre de campagnes de sauvegardes et d’archivages des documents visent à informer le grand public. Leur but est de transmettre l’information, sans mettre en péril des fonds anciens. Les bases de données payantes s’adressent plutôt au monde dit « de l’entreprise ». Ainsi, elles présentent des coupures et des extraits de presse pour mieux connaître des concurrents, des segments de marché ou le contexte économique. Par exemple, Factiva dispense des informations sur la santé financière des entreprises et offre un accès au Who’s Who français. Lexis Nexis présente des données économiques (à l’échelle de l’entreprise, des données financières, des brevets et des marques, ou à l’échelle des pays avec des chiffres mis à jour), des données juridiques (législation et presse spécialisée) ou des informations sur les personnes (le Who’s Who). Cette logique mercantile explique des créations de monopoles : Le Monde est en 2011 consultable uniquement sur Europresse, alors que Factiva disposait jusqu’en 2010 d’un accès à ce quotidien.

10L’utilisation des bases de données devient de plus en plus répandue dans la littérature car elles permettent des recherches précises et rapides sur différents thèmes. Se constituer un corpus d’articles est alors possible à distance, à toute heure et sans dépouiller exhaustivement les multiples quotidiens. Dans la littérature anglophone, de nombreux auteurs utilisent Lexis Nexis (Boykoff 2007 ; Dudo et al. 2007 ; O’Donnel et Rice 2008 ; Smith et Joffe 2009). Les périodes couvertes augmentent rapidement, tout comme le nombre de titres inclus, à l’heure d’une numérisation crescendo : si Michael Maher (1997) évoque 170 journaux et 330 magazines, Lexis Nexis, en mars 2011, compte 11 000 titres de presse en langue anglaise sur un total de 36 000 sources. Europresse évoque sur son site Internet 3 513 sources en mars 2011. Des comparaisons sont possibles entre différentes bases de données (Factiva et CBCA pour Diedger 2007) et sont facilitées entre différents titres (Smallman 1997) et différentes périodes.

11Ce type de recours à l’information s’avère dans la plupart des cas non justifié : seule la base de données consultée est citée, comme si leur usage était devenu une activité normale ou une culture partagée. Malgré l’évidence apparente du recours à ces sources, des inconvénients doivent être soulignés :

Ces bases de données se contentent généralement de lister le contenu écrit de l’article sans les images qui font partie de l’histoire originale. De plus, les participations institutionnelles à ces bases de données varient et dépendent de la base de données elle-même, les informations locales (dans les journaux, la télévision et la radio) peuvent ne pas être cataloguées et archivées. Puisque ce sont les éditeurs qui contribuent au texte électronique, la couverture peut être partielle ou absente et ce à différentes échelles géographiques. (Driedger 2007, p. 777)

12Ces biais, en termes d’accès à l’information, sont relativement peu questionnés ou soulignés dans la littérature. Un des seuls moyens de les mettre en lumière semble de procéder à un double dépouillement (papier et base de données) ; ce qui fait perdre son intérêt à la base de données.

13Or la constitution du corpus influence tous les résultats et analyses ultérieurs. Ainsi, Dominique Brossard et al. (2004) soulignent que, si six termes sur le changement climatique cherchés dans les titres des articles de la base de données Lexis Nexis du New York Times permettent d’obtenir 206 articles de 1987 à 1997, la même démarche ne fonctionne pas pour LeMonde. Ils expliquent cette dichotomie par la diversité des termes français utilisés pour nommer ce phénomène et par une plume journalistique française aux titres moins explicites.

14Ainsi, tout corpus créé plus ou moins automatiquement par ces bases de données doit être interrogé en termes de contenus (lacunes ou surplus), de chronologies (les périodes ne sont pas couvertes de façon homogène pour tous les titres) et de pertinence des requêtes. Malgré toutes ces précautions, les articles doivent donc être fortement triés : sur la base de données suédoise Mediearkivet, Max Boholm (2009) passe de 255 articles générés à 166 retenus à cause des doublons et du manque de pertinence. Par conséquent, les bases de données donnent un contact immédiat avec un corpus qu’il s’agit de s’approprier et donc de sélectionner, tout en interrogeant les choix d’une intelligence artificielle.

Quelques limites des bases de données

15Les bases de données permettent un réel gain de temps, à l’heure de la numérisation des corpus. Sur une base de données, le texte et l’image sont déjà numérisés, ce qui évite le dépouillement exhaustif, la capture minutieuse de la donnée et l’utilisation d’OCR parfois très longs. Leur fonctionnement est relativement classique. Différents champs peuvent être renseignés : les mots clés à chercher ensemble ou indépendamment les uns des autres, les périodes de couverture, les sources choisies, des régions du monde, des langues, des sujets, des entreprises… Une fois les choix rentrés, il suffit de « lancer la recherche » pour obtenir les premiers résultats. La prise en main est très rapide. Elle ne demande ni formation particulière, ni temps d’adaptation dans cette phase de requête. Le gain de temps par l’utilisation des bases de données est alors colossal : finies l’« OCRisation » et la relecture très rigoureuse du texte, la donnée est immédiatement importée dans un logiciel de traitement de texte. D’après les tests effectués, les corps de texte des articles sont d’excellentes qualités. À condition de choisir la bonne édition : aucun problème dans le corps du texte n’a été remarqué, les fautes d’orthographes des journalistes étant même conservées. Les figures de presse sur cette base de données se trouvent à la fin de l’article, après le texte, toujours en couleur, et peuvent être aisément enregistrées ou coller dans un traitement de texte classique. Factiva permet de constituer plus rapidement un échantillon au premier abord plus abondant et à une échelle plus petite. Néanmoins, en cas d’étude précise à une échelle micro, grâce à un titre comme Le Progrès, la focale sur une seule édition (ici l’édition lyonnaise) n’est pas possible. Il faut ouvrir l’article par un double-clic pour avoir accès à son édition ; ce qui peut devenir chronophage. En outre, pour étudier des crises précises dans des lieux et des temporalités délimités, il faut s’assurer que l’édition en question soit bien en ligne sur la base de données.

16Néanmoins, les trois quotidiens régionaux choisis ont été dépouillés sous format papier. Lorsque le recueil de données pour ce travail a commencé, les bases de données étaient moins développées et moins fiables qu’aujourd’hui. Le deuxième problème résidait dans un questionnement sur la qualité de ces bases de données (Comby 2011). La période test étudiée (de 2003 à 2010) dans Le Progrès était censée être couverte par Factiva, mais l’abonnement ne commençait que le 23 octobre 2003. De plus, la fiche de présentation pour ce titre soulignait des lacunes dans les informations transmises et en cours d’expertise. Un zoom réalisé au printemps 2011 sur la période 2008-2010 est proposé pour comparer les données obtenues sous format papier et sous format numérique. En 2009 et 2010, les articles rassemblés sous Factiva sont nettement plus fournis, grâce aux nombreuses éditions couvertes. Néanmoins, des doublons ne sont pas détectés par la base de données : selon les éditions, le titre de l’article peut être modifié, tout en conservant le même corps de texte. La solution numérique offre un champ des possibles bien plus large : le dépouillement est simplifié, mais reste chronophage dans sa phase de tri. En 2008, le constat est fort différent. À partir du 18 avril et jusqu’à la fin de l’année, les articles de l’édition lyonnaise n’ont pas été retrouvés (en tapant les mots du titre ou les mots clés du texte, et même en dépouillant tous les articles présents sur plusieurs jours dans la base de données du Progrès) : cette édition ne semblait plus couverte dans cette base de données. De plus, le nombre d’éditions présentes avait fortement diminué : il ne semblait en rester que deux. Comme la base de données est censée couvrir la période 2003-2010, deux solutions se présentent : soit un disfonctionnement ponctuel de Factiva, soit une absence de couverture de l’édition lyonnaise sur toute la période annoncée. Cette difficulté témoigne d’une des limites des bases de données numériques : l’information transite par des sortes de boîtes noires, sans que le chercheur ait accès à la donnée initiale. S’il est très compliqué de savoir si des articles existent ou non, sans avoir recours au format papier, l’absence d’articles sur le moyen et le long terme peut alerter le chercheur qui connaît les problématiques posées par son étude. Par conséquent, constituer un corpus à l’aide d’une base de données peut sembler aléatoire. Face au gain de temps que peut entraîner la consultation des bases de données, elles semblent séduisantes, si le chercheur est en mesure d’analyser la qualité des informations fournies. Depuis ce travail de 2011, l’interface de Factiva a été entièrement repensée, mais aucun nouveau travail de test sur la donnée n’a été effectué.

17Si les bases de données et les exemplaires papiers présentent des différences quantitatives, se surimposent de forts contrastes dans la donnée obtenue sur le plan qualitatif. Le format papier présente l’atout de présenter au chercheur la donnée telle que le lecteur l’a reçu à l’achat du journal. Pour étudier les impacts de la lecture d’un article dans le journal, cette reconstitution du réel semble nécessaire. La première difficulté réside dans la perte de la construction du journal. La matérialité du journal disparaît. Le lien entre première page et pages suivantes semble essentiel pour comprendre la construction du journal, il est occulté par les bases de données : deux articles sont créés aux titres différents. De même, si l’article se trouve sur deux pages : deux articles sont générés. Par conséquent, les bases de données peinent à penser la continuité du texte, quand la page du journal est tournée, sans entrave, par le lecteur. Le deuxième problème est lié à l’absence d’information réelle sur le poids de l’article. En effet, si la base de données indique le nombre de mots de l’article, aucune donnée n’est consultable sur la taille occupée dans le journal, sur la police ou la mise en page. Le troisième problème provient de l’altération de la donnée : des titres sont modifiés, les chapeaux introductifs disparaissent très régulièrement. Le quatrième problème est issu de la gestion de la photographie. Si le discours médiatique est construit autour de deux réalités : le texte et l’image, la donnée sur l’image est fortement altérée. Les photographies peuvent être déconnectées du texte : il est alors possible d’espérer la retrouver à l’aide des mots clés de sa légende. L’image est toujours en couleur dans la base de données, alors qu’elle peut être en noir et blanc dans le journal et alors moins accrocheuse à l’œil. La taille est standardisée, tandis qu’elle présente une grande variété dans le journal. De même, son emplacement est perdu. Par conséquent, un travail sur l’image peut être décrédibilisé par la perte de toutes ces informations qui modifient fortement la perception d’un article par le lecteur.

Le retour en archives

18Ces réticences initiales à l’égard des bases de données ont été renforcées par l’absence des journaux étudiés dans les bases de données au moment où il a fallu recueillir les articles. Ainsi, Le Dauphiné libéré n’était présent ni dans Lexis Nexis, ni dans Factiva, ni dans Europresse. De plus, jusqu’en 2013, La Provence n’était archivée que dans Factiva, base qui indiquait alors ne moissonner que le site Internet du journal (ce qui risquait de réduire le nombre d’articles trouvés tant quantitativement et qualitativement). Le Progrès était lui présent dans deux bases : Factiva et Europresse. Pour Le Progrès, la période couverte par Factiva était plus courte que celle d’Europresse qui débute en 1997. Si la qualité de la donnée fournie par Factiva a été questionnée, celle d’Europresse ne l’a pas été : pour homogénéiser le protocole de recueil des données entre les quotidiens régionaux, le choix des archives a été fait.

19Trois sites d’archives ont été choisis en lien avec les sources consultées. Les documents sont consultés sous format papier ou microfilm pour comprendre la place de l’article dans la structure du journal. L’extraction de l’information du Progrès a eu lieu au Centre de documentation contemporaine de l’Institut d’études politiques (IEP) de Lyon. Pour le dépouillement du Dauphiné libéré, le choix a été fait d’opter pour les archives départementales de la Drôme à Valence. Elles offraient l’avantage de concentrer sur microfilm les différentes éditions du corridor drômois et ardéchois ainsi qu’une portion vauclusienne aux environs de Bollène. Pour La Provence, le choix de la médiathèque Ceccano d’Avignon s’explique par l’accès aisé à l’édition avignonnaise.

20Le choix des archives présentent quelques inconvénients. Le temps de recueil est relativement long et demande un déplacement sur un site avec des horaires d’ouverture imposés. Le Progrès de Lyon témoigne d’un premier enjeu : la conservation de ses données est exogène au scientifique, en témoigne la problématique du désherbage des fonds de presse de l’IEP de Lyon. De plus, la numérisation sous-entend ensuite de retransformer le texte en image, puis en texte et en image. Le Dauphiné libéré n’a pas pu être consulté sous format papier. Or le contact avec le microfilm rend plus difficile la numérisation des données, notamment pour maintenir une bonne qualité d’image. La reconnaissance optique de caractère, abrégée OCR (pour Optical Character Recognition), permet de transformer des images numériques en fichiers textes. La qualité de l’image s’avère cruciale pour l’« OCRisation » du texte : si elle est trop faible, le taux de reconnaissance du texte est faible ; si elle est trop forte, le logiciel refuse de charger l’image. Cette question doit donc être posée en amont de toute campagne de recueil de données.

L’appréhension des temporalités des discours

L’analyse de données textuelles : la comparaison de deux logiciels

21La démarche menée vise à repenser la dichotomie entre approches quantitatives et qualitatives des données, en imbriquant ces deux logiques. Elle combine l’analyse de contenu et la textométrie, forme contemporaine de la lexicométrie (Lebart et Salem 1994). Parfois nommée « logométrie » ou « statistiques textuelles », elle propose des procédures pour appréhender des corpus de textes numérisés (Pincemin 2011). La numérisation des textes est un préalable. La textométrie permet de travailler à différentes échelles : elle peut à la fois appréhender des gros corpus, objectif en plein essor avec la diffusion de techniques comme le text mining ou l’information retrieval, mais elle permet aussi des lectures à des échelles très fines, telle une requête sur un mot. Le corpus traité correspond à 75 articles sur la pollution du Rhône par les PCB publiés dans Le Progrès entre 2005 et 2010 : il rassemble 36 000 mots. Deux logiciels gratuits, IRaMuTeQ et TXM, sont mobilisés.

22Le logiciel IRaMuTeQ est un logiciel qui propose une interface de R pour les analyses multidimensionnelles de textes et de questionnaires ; il repose sur la méthode du logiciel Alceste qui est fondée sur une segmentation des textes, l’analyse des formes dites « pleines » et une lemmatisation (Reinert 1983) dont elle est une nouvelle implémentation (Ratinaud et Marchand 2012). Le corpus proposé est importé dans le format « ligne étoilée » avec comme métadonnée l’année des articles. Chaque article correspond à une unité de contexte initiale, elle-même divisée en segments de textes dits « unités de contexte élémentaire ».

23Le corpus a également été analysé avec la plateforme open source TXM (Heiden et al. 2010) qui propose des fonctionnalités innovantes en textométrie. L’import du corpus choisi repose sur un format .csv pour les métadonnées et un format .txt pour chacun des articles. Une lemmatisation et une annotation morphosyntaxique sont proposées, mais ne sont pas obligatoires : le plugin de Traitement automatique des langues (TAL) TreeTagger doit être installé et mobilisé. Cet outil n’est pas nécessaire pour mener des analyses, puisque TXM propose de travailler sur des formes graphiques. TXM permet de travailler la structure du corpus en construisant des sous-corpus ou des partitions, ouvre la voie à statistiques univariées par des concordances, des index ou des lexiques ; mais aussi bivariées par des progressions et multivariées avec les analyses factorielles des correspondances (AFC) ainsi que des classifications hiérarchiques ou bien probabilistes par le calcul d’indice comme celui des spécificités (Le Lay et al. 2014).

24Par conséquent, ces deux logiciels utilisent le logiciel R pour leurs calculs, mais reposent sur des logiques différentes (lemmatisation et segmentation pour IRaMuTeQ, travail sur la forme et lemmatisation facultative sous TXM). Des passerelles existent : l’import Alceste existe sous TXM et l’import TXM fonctionne sous IRaMuTeQ.

IRaMuTeQ et TXM : des résultats comparables ?

25Ce temps propose de mettre en parallèle les résultats obtenus par les deux logiciels : les deux analyses factorielles des correspondances (AFC) produites par chacun des logiciels sont comparées (figure). Le logiciel IRaMuTeQ produit deux analyses dans un premier temps, une classification descendante hiérarchique puis une AFC, le tout après une lemmatisation. Dans le logiciel TXM, aucune lemmatisation n’a été produite et l’AFC repose sur les mots et non sur les segments de textes.

Figure. Une mise en regard de deux AFC proposés sur le même corpus (en haut TXM, en bas IRaMuTeQ).

Figure. Une mise en regard de deux AFC proposés sur le même corpus (en haut TXM, en bas IRaMuTeQ).

26Malgré des méthodes différentes, les deux AFC laissent apparaître la même structuration temporelle des discours. Sur l’axe F1, seule l’année 2009 change de côté et apparaît du côté positif ; sur l’axe F2, l’année 2010 n’a pas exactement la même position. Le côté positif et négatif n’ayant pas d’importance, puisque le temps lexical doit être vu comme une trajectoire (Salem 1988), l’organisation temporelle est conservée. Ainsi, les différences entre ces deux AFC apparaissent comme minimes malgré des choix de traitement différents comme la lemmatisation et la segmentation, ce qui semble témoigner d’une certaine robustesse des méthodes d’analyses de données textuelles.

27La rupture entre la période 2005-2006 et la période ultérieure sur l’axe F1 s’explique notamment par le contexte de prise de conscience de la gravité de la crise, au moment où les interdictions se multiplient et où la pollution semble changer d’échelle pour devenir un problème national. L’analyse de données textuelles parvient donc à mettre en lumière une rupture dans les représentations de la pollution, en s’appuyant sur des données discursives.

*

28Par conséquent, le corpus est à la fois le témoin d’une problématique, mais aussi le reflet de méthodes de recueil. Si les bases de données tendent à supplanter les archives dans la collecte de messages médiatiques, elles ont tendance à dissimuler leurs biais. Seule une comparaison fine entre archives et bases de données permet de comprendre les avantages et les inconvénients de chacune des méthodes. Si la numérisation des données s’impose de plus en plus, les modalités de traitement ouvrent un large champ des possibles : là encore le chercheur peut se sentir dépourvu face à la rareté des comparatifs existants entre différentes offres logicielles. Toutefois, la comparaison des AFC menées sur TXM et IRaMuTeQ montre des résultats proches, malgré des méthodes différentes.

Bibliografía

Boholm Max, 2009, « Risk and causality in newspaper reporting », Risk Analysis, vol. 29, nº 11, p. 1566-1577.

Boykoff Maxwell T., 2007, « Flogging a dead norm ? Newspaper coverage of anthropogenic climate change in the United States and United Kingdom from 2003 to 2006 », Area, vol. 39, nº 4, p. 470-481.

Brossard Dominique, Shanahan James et McComas Katherine, 2004, « Are issue-cycles culturally constructed ? A comparison of French and American coverage of global climate change », Mass Communication and Society, vol. 7, nº 3, p. 359-377.

Charaudeau Patrick, 2009, « Dis-moi quel est ton corpus, je te dirai quelle est ta problématique », Corpus, vol. 8, p. 37-66.

Comby Émeline, 2011, Le Rhône sous presse lyonnaise (2003-2010), mémoire de master 2 STDDAD, ENS de Lyon, 133 p.

Comby Émeline, Le Lay Yves-François et Piégay Hervé, 2014, « How chemical pollution becomes a social problem. Risk communication and assessment through regional newspapers during the management of PCB pollutions of the Rhône river (France) », Science of the Total Environment, vol. 482-483, p. 100-115.

Delitala Alessandro M. S., 2005, « Perception of intense precipitation events by public opinion », Natural Hazards and Earth System Sciences, vol. 5, nº 4, p. 499-503.

Driedger Michelle S., 2007, « Risk and the Media : A Comparison of Print and Televised News Stories of a Canadian Drinking Water Risk Event », Risk Analysis, vol. 27, nº 3, p. 775-786.

Dudo Anthony D., Dahlstrom Michael F. et Brossard Dominique, 2007, « Reporting a potential pandemic a risk-related assessment of avian influenza coverage in U.S. newspapers », Science Communication, vol. 28, nº 4, p. 429-454.

Heiden Serge, Magué Jean-Philippe et Pincemin Bénédicte, 2010, « TXM : une plateforme logicielle open source pour la textométrie. Conception et développement », Statistical Analysis of Textual Data – Proceedings of 10th International Conference Journées d’analyse statistique des données textuelles, Milan, LED, p. 1021-1032.

Jacob-Rousseau Nicolas, 2009, « Géohistoire / géo-histoire : quelles méthodes pour quel récit ? » Géocarrefour, vol. 84, nº 4, p. 211–216.

Lebart Ludovic et Salem André, 1994, Statistique textuelle, Paris, Dunod, 344 p.

Le Lay Yves-François et al., 2014, « Quand l’eau fait la loi : de l’eau-ressource à l’eau-territoire (1898-2006) », Le discours et la langue, vol. 5, nº 1, p. 125-142.

Maher T. Michael, 1997, « How and why journalists avoid the population-environment connection », Population and Environment, vol. 18, nº 4, p. 339-372.

Neveu Érik, 2009, Sociologie du journalisme, Paris, La Découverte, 128 p.

O’Donnell Cecilia et Rice Ronald E., 2008, « Coverage of environmental events in US and UK newspapers : frequency, hazard, specificity, and placement », International Journal of Environmental Studies, vol. 65, nº 5, p. 637-654.

Pincemin Bénédicte, 2011, « Sémantique interprétative et textométrie. Version abrégée », Corpus, vol. 10, p. 259-269.

Ratinaud Pierre et Marchand Pascal, 2012 ; « Application de la méthode ALCESTE aux “gros” corpus et stabilité des “mondes lexicaux” : analyse du “CableGate” avec IRAMUTEQ », Lexicometrica, 10 p.

Reinert Max, 1983, « Une méthode de classification descendante hiérarchique : application à l’analyse lexicale par contexte », Les cahiers de l’analyse de données, vol. 8, nº 2, p. 187-198.

Salem André, 1988, « Approches du temps lexical. Statistique textuelle et séries chronologiques », Mots, vol. 17, nº 1, p. 105-143.

Smallman Clive, 1997, « Read all about it. Risk trends in the media : a research note », Disaster Prevention and Management : An International Journal, vol. 6, nº 3, p. 160-164.

Smith Nick W. et Joffe Helen, 2009, « Climate Change in the British Press : The Role of the Visual », Journal of Risk Research, vol. 12, nº 5, p. 647-663.

Spencer J. William et Triche Elizabeth, 1994, « Media constructions of risk and safety: differential framings of hazard events », Sociological Inquiry, vol. 64, nº 2, p. 199-213.

Índice de ilustraciones

Título Figure. Une mise en regard de deux AFC proposés sur le même corpus (en haut TXM, en bas IRaMuTeQ).
URL http://books.openedition.org/enseditions/docannexe/image/7355/img-1.jpg
Archivo image/jpeg, 98k

© ENS Éditions, 2016

Condiciones de uso: http://www.openedition.org/6540

Leer

Freemium

open access

Brindado por L’éditeur de ce site