Version classiqueVersion mobile

Read/Write Book 2

 | 
Pierre Mounier

Autour des big data

Quand Google Books permet de comprendre notre génome culturel

Xavier de La Porte

Note de l’éditeur

La version originale de cet article est disponible sur InternetActu, 20 juin 2011, http://www.internetactu.net/2011/06/20/quand-google-books-permet-de-comprendre-notre-genome-culturel, consulté le 17 août 2012.

Texte intégral

  • 1 Ed Yong, « The Cultural Genome: Google Books Reveals Traces of Fame, Censorship and Changing Langua (...)

1Pour une fois, on va dire du bien de Google dans cette lecture de la semaine. À travers un article paru sur le site de Discover Magazine en décembre 2010, sous la plume d’Ed Yong. Le titre de cet article : « Le génome culturel : Google Books révèle les traces de la notoriété, de la censure et des changements de la langue1 ».

De la même manière qu’un fossile nous dit des choses sur l’évolution de la vie sur Terre, explique Ed Yong, les mots inscrits dans les livres racontent l’histoire de l’humanité. Ils portent une histoire, pas seulement à travers les phrases qu’ils forment, mais aussi par la fréquence de leurs occurrences. Découvrir ces histoires n’est pas facile – cela requiert de convertir les livres en format numérique pour que les textes puissent être analysés et comparés. Et cela requiert d’en numériser des millions.

2Heureusement, poursuit Yong, c’est exactement ce que fait Google depuis 2004 avec Google Books. 15 millions de livres ont été numérisés aujourd’hui, soit 12 % de l’ensemble des livres qui ont été publiés à ce jour. Et depuis 2004, une équipe de l’université de Harvard, dirigée par Jean-Baptiste Michel et Erez Lieberman Aiden2, analyse cette masse de données. Leur premier compte-rendu est disponible depuis quelque temps3. Il est très partiel évidemment, mais selon Yong, il donne une idée du pouvoir du corpus constitué par Google Books. Comme l’explique l’équipe de chercheurs, le corpus « fournira une bonne réserve d’os à partir desquels on pourra reconstruire le squelette d’une science nouvelle ». Ed Yong reprend : il y a des parallèles évidents avec le décodage du génome humain. De la même manière que le décodage complet du génome fournit aux biologistes une ressource incommensurable, le corpus de Google permettra aux chercheurs en sciences humaines d’étudier la culture humaine de manière rigoureuse. C’est pourquoi l’équipe a nommé son champ la « culturomique4 » (sur le modèle de la génomique).

3Le projet, nous explique Yong, est né en 2007 ; l’équipe cherchait alors à montrer que les verbes anglais avaient tendance à devenir de plus en plus réguliers :

Nous avons compris, explique l’un des chercheurs, que l’étude de l’évolution de la culture nécessitait quelque chose comme un génome, une base de données si puissante qu’elle permettrait à de telles analyses d’être faites rapidement, sur toutes sortes de sujets, pas seulement les verbes irréguliers. Et on a remarqué que certains des livres très obscurs que nous utilisions apparaissaient sur Google Books. On a fait le lien.

4Et voici comment Harvard et Google Books se mettent à travailler ensemble.

5L’équipe a travaillé sur un tiers du corpus total. Cinq millions de livres publiés en anglais, français, espagnol, allemand, chinois, russe et hébreu, et remontant au xvie siècle. Ce qui revient à cinq cents milliards de mots. L’un des chercheurs explique que le corpus ne peut pas être lu par un humain. Si vous vous mettiez à lire seulement les entrées correspondant à l’année 2000, au rythme de deux cents mots à la minute, sans vous interrompre pour vous nourrir et dormir, il vous faudrait quatre-vingts ans. La séquence totale de lettres est mille fois plus longue que celle du génome humain (qui représente 3,5 milliards de caractères).

6Maintenant, quelques résultats de ce travail :

71. La langue anglaise s’enrichit. Pendant les 50 dernières années, le vocabulaire anglais a augmenté de 70 %, et on considère que 8 500 nouveaux mots s’ajoutent chaque année. Je vous passe la méthode de calcul, mais les chercheurs estiment que l’anglais comptait 544 000 mots en 1900 contre un peu plus d’un million en 2000. Comme on peut s’y attendre, les dictionnaires ne prennent acte qu’avec retard de cette croissance. Les livres recèlent toujours plus de mots que ce que les dictionnaires en recensent.

La croissance de la variété des mots et la difficulté des dictionnaires à en rendre compte

La croissance de la variété des mots et la difficulté des dictionnaires à en rendre compte

82. La grammaire évolue. C’est la fameuse étude sur les verbes. En deux cents ans, 16 % des verbes irréguliers sont devenus réguliers. Et ce sont les verbes les plus couramment utilisés qui résistent le plus au changement. Malgré tout, explique un chercheur, « chaque année, une population de la taille de Cambridge adopte burned au lieu de burnt ». Ce qui n’est pas rien en termes d’évolution.

L’évolution de la conjugaison des verbes dans les corpus de livres et notamment le passage de « burnt » à « burned » (brûlé, incendié)

L’évolution de la conjugaison des verbes dans les corpus de livres et notamment le passage de « burnt » à « burned » (brûlé, incendié)

93. La présence historique. Les chercheurs se sont intéressés aux occurrences des années. Par exemple, l’année 1951 n’était que très rarement mentionnée avant 1951. Elle apparaît beaucoup cette année-là, est mentionnée encore quelques fois pendant les trois années qui suivent, puis les occurrences diminuent de moitié chaque année pendant les quinze ans qui suivent. « Mais la forme du graphe évolue, notent les chercheurs. Le pic est plus haut pour chaque année, mais nous oublions notre passé plus vite. » L’année 1880 met trente-deux ans à être moitié moins mentionnée dans les livres. Il ne faut plus que dix ans à l’année 1973 pour arriver au même niveau. Ceci alors même que les mots désignant des innovations technologiques intègrent de plus en plus vite le discours commun.

Nous intéressons-nous de plus en plus à notre histoire récente ?

Nous intéressons-nous de plus en plus à notre histoire récente ?

104. La durée de la notoriété diminue. Les chercheurs ont aussi remarqué qu’une personne célèbre l’était plus aujourd’hui qu’auparavant, mais le restait moins longtemps. En croisant ces données avec les dates de naissance, ils ont observé qu’au début du xixe siècle, les gens commençaient à devenir célèbres en moyenne à 43 ans et mettaient huit ans à doubler leur popularité. Au milieu du xxe siècle, la célébrité commençait vers 29 ans et doublait en trois ans seulement. Mais la chute est plus rapide. Il y a un siècle, pour que la fréquence d’un nom célèbre diminue de moitié, il fallait 120 ans ; il en faut 71 aujourd’hui.

11D’autres résultats sont mentionnés par Yong, comme l’usage des mots pendant certaines périodes historiquement marquées, le nazisme par exemple. Bref, selon les chercheurs, ce ne sont là que quelques exemples des possibilités offertes par le traitement de cet immense corpus. On peut regarder comment les gens mangeaient en sélectionnant le vocabulaire de la nourriture, on peut tracer l’adoption d’un concept scientifique, comme l’Évolution, en regardant quand et comment il s’impose dans les livres.

L’évolution de ce que nous mangeons…

L’évolution de ce que nous mangeons…

L’évolution de certains termes dans les livres comme l’Évolution, la cellule, la bactérie, l’ADN…

L’évolution de certains termes dans les livres comme l’Évolution, la cellule, la bactérie, l’ADN…

12Mais de toute façon, plus il y a de livres qui sont numérisés par Google Books, plus les langues sont nombreuses, plus les périodes historiques sont vastes, plus les données auront de valeur pour les chercheurs.

13Avec une limite cependant, que l’équipe de Harvard mentionne :

Les livres ne sont pas représentatifs de l’ensemble de la culture, même si le corpus contient 100 % des livres publiés. Seules certaines catégories de personnes écrivent des livres et les publient, et cette petite classe a changé au cours du temps, avec les progrès de l’alphabétisation… Il faudrait aussi numériser les journaux, les manuscrits, les cartes, les œuvres d’art et une myriade d’autres créations humaines.

14Et puis, évidemment, comme le note un chercheur de l’université de Pennsylvanie, le seul critère de l’occurrence donne des résultats qui ne sont pas inintéressants, certes, mais le corpus atteindra toute sa valeur le jour où on pourra analyser comment les mots prennent leur sens dans la phrase, ce qui est une tâche autrement plus difficile.

Notes

1 Ed Yong, « The Cultural Genome: Google Books Reveals Traces of Fame, Censorship and Changing Languages », Discover Magazine, 16 décembre 2010, http://blogs.discovermagazine.com/notrocketscience/2010/12/16/the-cultural-genome-google-books-reveals-traces-of-fame-censorship-and-changing-languages, consulté le 9 août 2012.

2 Erez, http://www.erez.com

3 Jean-Baptiste Michel et al., « Quantitative Analysis of Culture Using Millions of Digitized Books », Science, vol. 331, no 6014, janvier 2011, p. 176-182, publié en ligne le 16 décembre 2010, http://www.sciencemag.org/content/331/6014/176, consulté le 9 août 2012.

4 Culturomics, http://www.culturomics.org

Table des illustrations

Titre La croissance de la variété des mots et la difficulté des dictionnaires à en rendre compte
URL http://books.openedition.org/oep/docannexe/image/262/img-1.png
Fichier image/png, 20k
Titre L’évolution de la conjugaison des verbes dans les corpus de livres et notamment le passage de « burnt » à « burned » (brûlé, incendié)
URL http://books.openedition.org/oep/docannexe/image/262/img-2.png
Fichier image/png, 21k
Titre Nous intéressons-nous de plus en plus à notre histoire récente ?
URL http://books.openedition.org/oep/docannexe/image/262/img-3.png
Fichier image/png, 31k
Titre L’évolution de ce que nous mangeons…
URL http://books.openedition.org/oep/docannexe/image/262/img-4.png
Fichier image/png, 33k
Titre L’évolution de certains termes dans les livres comme l’Évolution, la cellule, la bactérie, l’ADN…
URL http://books.openedition.org/oep/docannexe/image/262/img-5.png
Fichier image/png, 30k

Auteur

Journaliste et producteur de l’émission Place de la toile.

CC-BY-NC-ND-4.0

Le texte seul est utilisable sous licence CC BY-NC-ND 4.0. Les autres éléments (illustrations, fichiers annexes importés) sont « Tous droits réservés », sauf mention contraire.

Acheter

Volume papier

i6doc.com
Rechercher dans OpenEdition Search

Vous allez être redirigé vers OpenEdition Search