Si loin, si proche : histoire, mémoire et lecture distante à l’ère des données massives
p. 233-248
Texte intégral
1L’une des caractéristiques de l’« ère numérique » est la mise en données de nombreux aspects de nos vies, devenant ainsi collectables, calculables, analysables, parfois en temps réel. Les réseaux sociaux numériques participent à ce mouvement. Prenant de plus en plus d’ampleur depuis le milieu des années 2000, ces médias « sociaux » permettent ainsi, par exemple, d’analyser très finement certains aspects de notre mémoire collective, grâce aux traces que nous y engendrons, ce qui ne peut laisser historiens et historiennes du contemporain indifférents.
2Parmi ces médias sociaux, qui sont de natures très variées, nous allons nous concentrer sur Twitter1. Ce dernier compte environ 300 millions d’utilisateurs dans le monde. Twitter est un réseau social numérique dit de microblogging en raison de sa fonctionnalité majeure : la possibilité de publier de courts messages appelés tweets de 140 caractères à l’origine, de 280 caractères depuis l’automne 2017. Ces courts messages peuvent être retweetés, c’est-à-dire cités tels quels ou avec un commentaire par un autre compte que celui de l’émetteur du message original. Ils peuvent contenir des hashtags ou mots-dièse, c’est-à-dire des mots, expressions sans espaces ou encore acronymes, précédés d’un croisillon, comme #ww1 pour l’abréviation de World War 1. Les mots-dièse font l’objet d’usages très variables : rejoindre une conversation, insister sur un mot ou un concept ou encore ironiser. Les tweets peuvent faire l’objet d’un like (anciennement « favoris »), c’est-à-dire être stockés dans la liste d’un utilisateur. Ces likes sont, comme les hashtags, d’un sens ambivalent : on a effectivement aimé le contenu d’un tweet, au sens, presque, de donner son accord, ou on peut le mettre de côté pour une lecture ultérieure, par exemple. Un tweet peut mentionner un ou plusieurs utilisateurs, par l’usage de leurs noms d’utilisateurs précédé d’une arobase : @inactinique, pour prendre l’exemple du compte – désormais fermé – de l’auteur de cet article. En moyenne, le réseau social numérique Twitter permet à ses utilisateurs d’émettre collectivement un demi-milliard de tweets par jour2. Ces tweets sont soit publics, soit privés. Dans le second cas, un utilisateur de Twitter ne peut pas émettre qu’un seul tweet privé : soit l’ensemble de ses tweets le sont, soit ils restent tous publics. Le statut « privé » dépend ainsi du compte et non du tweet. De plus, ce statut peut être ajouté ou enlevé en fonction du souhait de l’utilisateur et s’appliquera à tous ses tweets, à émettre ou déjà émis.
3Les fonctionnalités de Twitter que nous venons de décrire autorisent une grande souplesse et liberté d’utilisation. Twitter est un réseau social en ligne asymétrique – un utilisateur peut en suivre un autre, sans que ce dernier suive obligatoirement le premier, contrairement à Facebook ou la relation d’« amitié » est symétrique. Lorsque l’on suit un autre compte Twitter, ses tweets apparaîtront dans la timeline, c’est-à-dire la liste, dynamique, de l’ensemble des tweets émis par ceux qu’un compte Twitter suit.
4L’une des grandes caractéristiques de Twitter est de permettre une circulation de l’information rapide, brève, intense, par répliques ou « vibrations » pour reprendre les mots du sociologue Dominique Boullier3. Dès les premières années de ce réseau social numérique, Twitter a ainsi été une manière de rendre compte de « ce qu’il se passe4 ». Des modifications d’interface ou de fonctionnalités – comme la possibilité donnée aux utilisateurs depuis 2019 de classer les tweets apparaissant dans leur timeline non plus en ordre antéchronologique mais en fonction de leur popularité – renforcent encore cette spécificité.
5Pour l’historien ou l’historienne, étudier une telle plateforme, malgré son aspect peu « historien », a de nombreux avantages, au-delà de son archivage, et notamment étudier la perception de l’histoire et étudier les mémoires collectives. Certains projets utilisent d’ailleurs Twitter pour documenter des événements contemporains pour des recherches futures, comme « Documenting the Now », né de la volonté d’archiver le mot-dièse BlackLivesMatter (né en 2013) et des événements comme les protestations dans la ville de Ferguson, aux États-Unis, en 20145.
6Néanmoins, utiliser les données produites par un réseau social numérique comme Twitter implique de faire face à des données massives6. La textométrie peut être l’une des réponses à ce défi que sont les données massives, qui sont issues des grandes plateformes du web, dont les réseaux sociaux numériques, et plus particulièrement Twitter, font partie. Nous prendrons comme point de départ notre projet de recherche actuel, autour de la Grande Guerre sur Twitter, notamment pour montrer comment l’on peut utiliser la textométrie pour analyser non seulement le contenu des tweets que nous collectons, mais également les temporalités présentes dans notre corpus de tweets. Nous nous arrêterons ensuite autour de la place de la textométrie dans l’analyse des données massives en utilisant notamment la notion de lecture distante. Enfin, nous avancerons quelques éléments de réflexion sur ce que cela implique en termes de paradigme quantitatif.
Temporalités et textométrie : l’exemple de la Grande Guerre sur Twitter
7Depuis avril 2014, nous collectons des tweets liés à la Grande Guerre et à son centenaire, entamé en France dès novembre 2013. Le Centenaire a été une occasion inédite d’observer Twitter, par sa longévité – cinq ans de commémorations – et ce contexte médiatique nouveau, où les réseaux sociaux numériques jouent un rôle inédit. Nous allons ici montrer comment la textométrie permet, avec d’autres outils, d’analyser cette séquence mémorielle.
8Le projet « #ww1 : la Grande Guerre sur Twitter » a commencé en avril 2014, par la collecte de tweets contenant un ou plusieurs mots-clés ou hashtags liés à la Grande Guerre ou à son centenaire7. Certains des mots-clés collectés ont été présents dans la collecte dès le départ, d’autres ont été rajoutés au fur et à mesure de la collecte, en fonction des commémorations.
9Cette recherche se situe à la croisée des memory studies8, de l’histoire contemporaine et de ce que l’on appelle parfois l’histoire numérique9. Elle a permis la constitution d’une base de données de 7,3 millions de tweets, émis par plus d’un million de comptes Twitter. Ces derniers peuvent être liés à des individus, des institutions, des musées, des centres d’archives, des personnes politiques, des comptes semi-automatisés (cyborg) ou automatisés (bot).
10Avec cette base de données, nous essayons de comprendre ce que font les réseaux sociaux numériques aux traces de mémoire du passé. En termes d’outils, des logiciels de textométrie nous aident à répondre à cette question. Nous allons ici l’aborder sous l’angle de la temporalité. Cet angle nous a semblé, depuis le départ de notre recherche, particulièrement intéressant, pour diverses raisons : parce que nous parlons d’histoire et de mémoire et, donc, de relation au passé et au temps, bien entendu, mais également parce que Twitter est une plateforme où l’entrecroisement de temporalités est particulièrement intéressant à analyser. Ainsi, dans notre base de données, observons-nous un entrelacs des temporalités : celle, linéaire, ouverte, virtuellement infinie du flux du demi-milliard de tweets quotidiens ; celle de la commémoration elle-même ; celle, pour partie référence de la précédente à un siècle de distance, de la Grande Guerre elle-même ; celle de chaque compte Twitter, qui ont leur agenda propre.
Temporalité générale et linguistique
11Collecter des tweets et les stocker dans une base de données revient à capturer un flux, constant, de tweets. Figurer le rythme quotidien de tweets permet de restituer la dynamique de ce flux intarissable afin de saisir les moments les plus importants, sur Twitter10, de la commémoration du Centenaire, ce que représente la figure 1 :
- 4 et 5 août 2014, centenaire des entrées en guerre, notamment de l’entrée en guerre du Royaume-Uni ;
- 11 novembre 2014 ;
- 11 novembre 2015 ;
- 21 février 2016, commémoration du déclenchement de la bataille de Verdun ;
- 29 mars 2016, concert pour l’Easter Rising, donné la veille de son centenaire ;
- 11-15 mai 2016, controverse Black M puis, 29 mai 2016, commémoration franco-allemande de la bataille de Verdun (un « double » pic) ;
- 1er juillet 2016, centenaire du déclenchement de la bataille de la Somme ;
- 11 novembre 2016 ;
- 9 avril 2017, centenaire de la bataille de la Crête de Vimy ;
- 11 novembre 2017 ;
- 6 février 2018, centenaire de l’ouverture du droit de vote aux femmes au Royaume-Uni ;
- 25 avril 2018, célébration de l’ANZAC day à Villers-Bretonneau ;
- 11 novembre 2018, jour où la Grande Guerre a été la plus tweetée.
Fig. 1. Nombre de tweets par jour (1er avril 2014-3 décembre 2018)

Fig. 2. Répartition linguistique et temporelle (anglais en orange, français en bleu) de notre base de données (hors retweets et autres langues)

12La grande visibilité de ces pics ne doit pas faire oublier des moments, plus discrets, mais faisant montre d’une activité plus importante qu’à l’accoutumée. Entrent dans ce cas, par exemple, le 28 juin 2014 pour le centenaire de l’assassinat de l’archiduc François-Ferdinand ou le 25 avril 2015 pour le centenaire de la bataille de Galipolli, devenu le jour de commémoration annuel des anciens combattants en Australie et Nouvelle-Zélande (Anzac Day).
13Toutefois, dans l’ensemble, les événements qui ressortent sont fortement liés à des moments forts de commémoration. Il n’y a ainsi pas, dans cette temporalité générale, de grande originalité. Le 11 novembre, anniversaire de l’armistice, est la seule commémoration réellement récurrente, bien que le 1er juillet, date de commémoration du démarrage de la bataille de la Somme, apparaisse à nouveau en 2017 pour son 101e anniversaire.
14Si la temporalité générale autorise une compréhension globale du contenu de notre base de données, elle ne permet pas d’appréhender la temporalité propre à chaque langue : notre base de données contient en effet des tweets en diverses langues, notamment anglais (environ 80 à 85 % des tweets) et français (10 à 15 %)11.
15La temporalité linguistique des tweets que nous avons collectés fait l’objet de la figure 2. Ainsi pouvons-nous remarquer que certains moments sont plus francophones : les 11 novembre, hors celui de 2018, et les commémorations de la bataille de Verdun particulièrement, y compris et peut-être surtout, dans ses controverses (6). Le reste de l’année, les tweets anglophones sont majoritaires, parfois de manière écrasante, par exemple pour la commémoration de la bataille de la Somme (7) et la commémoration de la sortie de guerre à l’Ouest, le 11 novembre 2018 (13). Cette dissymétrie entre les deux communautés linguistiques n’est pas surprenante : le taux de pénétration de Twitter est plus élevé dans les pays anglo-saxons qu’en France, l’anglais est plus communément pratiqué que le français sur les réseaux sociaux numériques, y compris par des francophones12. Les tweets francophones ont néanmoins augmenté en moyenne au fur et à mesure de la période. L’explication en est l’activité déployée par des comptes Twitter autour de la base de données des morts pour la France et leur usage du mot-dièse 1j1p (voir infra), ainsi que son inclusion dans les hashtags collectés.
16Ces deux figurations des temporalités générale et linguistique donnent de premières idées, descriptives, sur le corpus que nous utilisons. Plus intéressant est de se pencher non seulement sur le contenu des tweets collectés, mais également sur sa respiration. Nous allons prendre l’exemple du sous-corpus francophone, constitué des tweets en français de notre base de données, pour montrer dans quelle mesure la textométrie nous permet de comprendre ces temporalités de contenu.
Fig. 3a. Classification hiérarchique descendante (méthode Reinert) du sous-corpus francophone

Contenu des tweets en français
17L’analyse par lecture distante du contenu des tweets inclus dans notre base de données est faite par une classification hiérarchique descendante (méthode Reinert)13, telle qu’implémentée dans le logiciel de textométrie Iramuteq14. Sur la base de l’analyse des cooccurrences de mots, le logiciel fournit des profils ou classes (cluster en anglais) de textes ou segments de texte – dans notre cas, de tweets – correspondant aux thèmes majeurs abordés dans notre corpus ou base de données. La figure 3a montre ainsi les grands profils se dégageant du corpus des tweets francophones de notre base de données. La figure 3b les projette dans le temps.
18La figure 3a nous permet de comprendre les grandes lignes du contenu des tweets francophones contenant l’un des hashtags que nous collectons, d’avril 2014 à décembre 2018. Trois grands thèmes se dégagent de la lecture et de l’analyse de cette visualisation de données. Le premier thème (classes 1, 2, 9, 11 et 12) est lié aux Poilus et, peut-être, surtout, à la base de données des morts pour la France, disponible en ligne. La base de données des Morts pour la France est une base de données du ministère des Armées, publiées sur le site web Mémoire des hommes15. Ouverte en 2003, elle contient l’ensemble des actes administratifs des personnes déclarées, selon la loi de 1915, mortes pour la France, soldats ou civils. Toutefois, ces actes administratifs étaient stockés dans la base sous forme d’image avec quelques métadonnées textuelles. En 2013, est adjoint à la base un module d’indexation, c’est-à-dire un dispositif autorisant tout un chacun à retranscrire ces images d’un texte administratif en texte vu comme du texte par l’ordinateur, afin de faciliter les recherches par mots-clés, par exemple. De nombreux internautes, se coordonnant sur Twitter ou Facebook, ont pris en main ce module, avec pour résultat, plusieurs mois avant le 11 novembre 2018, une base de données pleinement indexée. Le hashtag 1j1p – pour « 1 jour-1 Poilu », collecté dans notre base de données à partir de l’été 2014 – a été l’un des moyens utilisés par certains indexeurs pour s’organiser mais également pour répondre collectivement à certains problèmes rencontrés lors des indexations ou faire la publicité des fiches indexées16. L’indexation a été faite dans une double perspective mémorielle (rendre hommage aux morts pour la France) et historique (permettre aux historien·nes de mieux utiliser la base de données). Les classes 11, 12 et 2 relatent ainsi cette histoire de l’indexation de la base de données des morts pour la France. La classe 2 est caractéristique des éléments les plus techniques de l’indexation, les deux autres classes sont relatives aux Poilus eux-mêmes : avec leur prénom, leur classe, leur régiment, les conditions de leur décès. À ce grand thème, nous pouvons aussi ajouter la classe 9, qui narre la condition des soldats sur le champ de bataille, et la classe 1, qui évoque les conditions de combat.
19En second lieu, certaines classes abordent les commémorations elles-mêmes : des aspects politiques généraux (classe 4) où l’on reconnaît des noms d’hommes et femmes politiques français (Emmanuel Macron), ou issus des anciens pays vainqueurs (Donald Trump) ou vaincus (Angela Merkel) et invités en France, lors des commémorations de la bataille de Verdun en mai 2016 ou du 11 novembre 2018. Les classes 13 et 10 se réfèrent à des controverses françaises, comme à l’occasion de l’inauguration par François Hollande de l’Anneau de la mémoire de Notre-Dame-de-Lorette le 11 novembre 2014 ou autour de la commémoration du centenaire de la bataille de Verdun en mai 2016, ce que nous détaillerons ci-dessous. La classe 14 touche aux commémorations avec un vocabulaire plus général, de l’ordre de l’hommage. La classe 6 se rapporte à la bataille de Vimy notamment, avec une référence aux forces britanniques, canadiennes et de l’Anzac. Les classes 7 et 8 relatent plutôt les commémorations du 11 novembre 2018, qui ont été, rétrospectivement, le point d’orgue des commémorations du Centenaire, côté français et côté anglo-saxon.
Fig. 3b. Les classes de la figure 3a sont représentées ici sur un axe chronologique, mois par mois.

En abscisse, les mois, dont la largeur dépend du nombre de tweets émis. En ordonnée, les classes, dont l’épaisseur dépend de l’importance de la présence de la classe dans le corpus des tweets francophones. Lorsqu’une classe est laissée blanche, elle n’est pas pertinente pour ce mois. Lorsque sa couleur est présente, mais affadie, elle l’est un peu. Lorsque la couleur est pleine, elle est particulièrement pertinente pour ce mois précis
20Enfin, apparaît une troisième grande thématique, relative au travail historien et mémoriel : les classes 3, 5 et 15 font ainsi référence à des archives, des publications, des photographies, des colloques par exemple.
Temporalité du contenu
21Les grandes thématiques qui ressortent des classes issues de l’analyse Reinert et commentée ci-dessus n’ont pas la même importance en fonction du moment du Centenaire (fig. 3b). La classe 10, par exemple, dont les mots les plus représentatifs sont très polémiques et qui contient le terme black, faisant référence au rappeur Black M, est typique du mois de mai 2016 et des controverses liées à la commémoration du centenaire de Verdun. La bataille de Verdun a fait l’objet de deux grandes commémorations, en février 2016, très française et très militaire, et en mai 2016, franco-allemande et aussi militaire que civile. Cette dernière a ainsi vu deux controverses se développer sur Twitter : la première autour de l’organisation du concert du rappeur français Black M à destination des jeunes Français et Allemands participant à la commémoration et la seconde autour de la scénographie de la commémoration, préparée par un metteur en scène allemand, scénographie à laquelle participaient ces mêmes jeunes17. Cette double controverse a été la plus visible du Centenaire, du moins côté français, mais n’a pas été la seule : d’autres controverses ont été moins visibles, comme à l’occasion de l’inauguration de l’anneau de Notre-Dame-de-Lorette par François Hollande le 11 novembre 2014. Pour cette raison, si la classe 10 est plutôt typique de Verdun, la classe 13, elle aussi contenant un vocabulaire polémique, fait son apparition à presque chaque grande commémoration. Les grandes commémorations ne sont toutefois pas uniquement liées à des controverses : la classe 14, qui est celle de l’hommage général aux Poilus, est également plus signifiante à chacune des commémorations. Les classes 11, 12 et 2, liées à un hommage plus particulier aux Poilus notamment dans le cadre de l’indexation de la base de données des morts pour la France, sont plus représentatives des mois sans commémoration. En d’autres termes, en France, si l’on a rendu hommage aux Poilus, figures centrales de la mémoire française de la Grande Guerre, pendant tout le Centenaire, les mots employés et, donc, le type d’hommage, ont varié, en fonction du rythme des commémorations officielles.
Textométrie et données massives
22Les quelques éléments fournis ci-dessus montrent que des méthodologies quantitatives, parfois simples (le nombre de tweets par jour), parfois plus complexes (la classification hiérarchique descendante), sont nécessaires pour comprendre des données, massives du point de vue de l’historien·ne. Depuis la fin des années 2010, le vocable adopté est celui proposé par Franco Moretti : la lecture distante18. Quelle est la place de la textométrie dans la complémentarité lecture distante/lecture proche lorsque les données historiennes sont massives ?
Lecture distante, lecture proche
23Nous définissons ici la lecture des sources à l’ère numérique comme une interaction entre lecture distante et lecture proche, comme nous l’avons décrite dans une publication antérieure19. En termes méthodologiques, ces complémentarité et interaction des deux modes de lecture impliquent, lorsque l’on utilise des méthodologies de lecture distante – la fouille de texte par exemple –, de pouvoir toujours revenir à la ou aux source(s) singulière(s), aux tweets particuliers dans le cas de notre recherche. En d’autres termes, l’usage de la lecture distante, dont la textométrie est une application, ne doit pas couper l’historien·ne de sa source, de son corpus entendu comme un ensemble de documents singuliers.
24Dans le cas de notre recherche, la lecture des sources, distante ou proche, sert non seulement à obtenir des résultats de notre recherche, mais également à pouvoir la poursuivre sur une période relativement longue, depuis 2014 et probablement jusqu’à novembre 2019. En effet, la lecture distante nous sert notamment à repérer si des hashtags émergent, c’est-à-dire sont très présents dans notre base de données lors même que nous ne les collectons pas. Toutefois, c’est alors la lecture proche des tweets comprenant ce hashtag qui permettra spécifiquement de dire s’il mérite d’être collecté.
25Si la lecture distante nous aide à comprendre la temporalité générale de notre corpus, comme nous l’avons décrit ci-dessus, la temporalité, notamment, de ses contenus avec l’usage de méthodologies de textométrie, il faut se concentrer sur la lecture proche pour comprendre parfois des périodes particulières ou analyser la longue traîne d’un tweet unique, ensuite abondamment retweeté et commenté.
26Les logiciels de textométrie comme celui que nous utilisons, Iramuteq, permettent, notamment avec la classification hiérarchique descendante (méthode Reinert), à tout moment, de comprendre les liens entre un profil de segments de texte (les tweets, dans notre cas, sont les segments de texte) et les tweets précis correspondant à ce profil. Non seulement ce lien, simple, efficace, entre lecture distante et source précise permet d’affiner l’interprétation, toujours déterminante, de nos analyses distantes, mais ils transforment les outils de textométrie en outils polyvalents, utilisables bien au-delà des promesses des analyses quantitatives du texte. Cette souplesse en fait des outils encore utilisables à l’ère des données massives, un enjeu pour la pratique de l’histoire contemporaine aujourd’hui.
Les données massives, un enjeu de la pratique de l’histoire
27Devoir analyser de grandes masses d’informations et de données n’est pas tout à fait un enjeu nouveau, comme le montrent certains articles des années 1950 et 1960 : François Furet et Adeline Daumard se faisaient déjà l’écho de ce que l’on appelait encore la mécanographie dans les Annales ESC en 195920. Paul Garelli et Jean-Claude Gardin allaient, deux ans plus tard, plus loin : non seulement la mécanographie leur permettait de gérer un volume important de données, mais également de croiser des données dont la source était différente pour en obtenir de nouvelles informations. Les fondements méthodologiques d’un traitement historien des données sont donc présents dans les sciences historiques depuis plusieurs décennies.
28Toutefois, l’inflation documentaire et archivistique que nous connaissons depuis la fin de la Seconde Guerre mondiale21 conjuguée à l’exploration de domaines historiques de plus en plus étendus, puis à l’explosion des nouvelles technologies de l’information et de la communication qui amplifient encore cette inflation documentaire, changent la donne. Des outils spécifiques doivent de plus en plus être développés, souvent dans un cadre commercial d’ailleurs – les outils mis au point par les grandes plateformes du web pour analyser les données massives qu’elles-mêmes engendrent –, afin de rester capables d’analyser des sources de plus en plus abondantes.
29L’enjeu des données massives est important : il implique pour les historien·nes une évolution des conditions matérielles et logicielles de l’exercice de leur profession. Évolution des conditions matérielles car l’ordinateur ne peut alors plus n’être qu’une machine à écrire améliorée : il devient l’outil matériel central de la recherche mais également la mémoire de l’historien·ne, gardant trace de toutes ses méthodologies et raisonnements. L’ordinateur peut lui aussi se faire distant, certaines fonctionnalités nécessaires au travail de l’historien·ne étant déléguées désormais sur serveurs. Le matériel informatique n’est par ailleurs pas le seul à évoluer et à enrichir les possibilités offertes au chercheur : les éléments logiciels, et, derrière, statistiques et algorithmiques, également. En d’autres termes, non seulement le développement de l’ordinateur, depuis la fin des années 1950, puis plus particulièrement de la micro-informatique à partir de la fin des années 1970 et des années 1980, rythme certains aspects des pratiques historiennes depuis le milieu du xxe siècle, mais l’apparition et le développement de nouvelles familles de logiciels et algorithmes22 ainsi que la mise en réseau des ordinateurs, qui a engendré un déluge de données, continueront probablement à rythmer les évolutions méthodologiques et épistémologiques de l’histoire contemporaine, mais également des autres périodes, comme semblent le montrer des projets comme « Time Machine Europe » ou « Seshat », du moins si ceux-ci aboutissent à des résultats convaincants23.
30En tant qu’historien, et sur la base de nos usages d’outils de lecture distante et plus particulièrement de textométrie, comment peut-on imaginer s’adapter à ces évolutions, sans perdre de vue les fondamentaux de l’étude du passé ? Notre réponse repose sur la notion de « bricolage ».
Histoire, données massives et bricolage
31En 1962, Claude Lévi-Strauss, dans La pensée sauvage, avance la notion de « bricolage ». Si cette notion a fait l’objet de nombreuses critiques, très tôt24, elle connaît, dans les humanités numériques, un certain retour25. Que les humanités numériques s’emparent de cette notion n’est pas surprenant : elle peut largement être utilisée à des fins d’étude de l’innovation sociale. Le bricolage intellectuel est une pensée concrète, permettant une organisation sociale et un rééquilibrage collectif quand la pensée scientifique peut mener à la déstabilisation de l’ordre social. Dans notre cas, plus précisément, nous pensons à une forme de bricolage numérique compris comme une réponse académique, de chercheurs et chercheuses, à la déstabilisation que peut représenter pour nos recherches d’historien·nes l’avancée de la pensée computationnelle.
32En d’autres termes, comment continuer sa recherche alors que les outils, les méthodes et même les sources primaires (leur forme, leur volume) changent très rapidement et alors que nous sommes dans l’incapacité de lire et de comprendre toute la littérature que nous devrions lire et comprendre ? Plus concrètement : comment choisir un outil, comment (apprendre à) l’utiliser, appréhender ses limitations, comment être conscient de ses propres limites techniques, méthodologiques, épistémologiques, tout en se rendant capable de continuer à faire sa recherche ?
33Dans notre pratique de la lecture distante, qui repose dans notre cas surtout sur des éléments de textométrie, ce « bricolage » a consisté en l’appropriation de logiciels, parfois en les détournant. Ainsi, ne disposant que de notre propre ordinateur portable, Iramuteq peut-il servir, via la classification hiérarchique descendante, à distinguer les langues présentes dans un corpus. En effet, si Iramuteq peut être utilisé pour des corpus dans plusieurs langues, il ne peut gérer que des corpus monolingues. En conséquence, la classification hiérarchique descendante appliquée à un corpus multilingue donnera, après souvent quelques tâtonnements avec le logiciel, des profils correspondant aux langues présentes, réexportables pour des analyses monolingues distinctes.
34Ces exemples de détournement des logiciels à notre disposition pour nos recherches sont exemplaires du bricolage numérique, permettant aux historien·nes de s’insérer dans un quelque chose plus vaste, touchant les sciences humaines et sociales dans leur ensemble : leur enchâssement dans un nouveau paradigme quantitatif.
Histoire et données massives : s’insérer dans un nouveau paradigme quantitatif ?
35Dans un article de 201526, Dominique Boullier évoque des sciences sociales de « troisième génération ». Il décrit l’histoire des sciences sociales comme étant celle d’une évolution de l’association « données (quantitatives) disponibles/paradigme quantitatif ». La première génération des sciences sociales, celle d’Émile Durkheim, reposait ainsi, selon lui, sur les grandes séries statistiques, « intégrales » dans un sens, et les méthodes statistiques allant avec ces grandes séries statistiques. La deuxième génération est celle de Gallup : on se repose alors sur des sondages, c’est-à-dire sur des méthodes statistiques reposant sur l’échantillonnage. La troisième génération est celle des données massives : elle ne repose ni sur des données aussi complètes mais spécialisées que des grandes séries statistiques, ni sur l’échantillonnage. Elles sont souvent désordonnées (messy), pas toujours cohérentes. Elles ont été engendrées par les grandes plateformes du web, dont les réseaux sociaux numériques comme Twitter. Elles permettent des recherches qui n’auraient pas été possibles autrement. Les traces du passé, engendrées en direct et en masse, dont on ne sait pas toujours comment elles seront archivées, doivent être analysées grâce à de nouveaux outils pour être utiles à l’historien·ne d’aujourd’hui et du futur.
36Pour Dominique Boullier, le nouveau paradigme quantitatif de l’ère des données massives comprend les techniques d’apprentissage, qui sont nées dans les années 1980 mais se sont révélées extrêmement utiles à partir des années 2010, quand les grandes plateformes du web ont commencé à avoir besoin d’outils pour analyser leurs données propres et alors que le matériel informatique commençait à être suffisamment puissant pour mener ces analyses27. Ces techniques – apprentissage machine et apprentissage profond, c’est-à-dire qui repose sur des « réseaux de neurones » – se nourrissent des données massives, seules à même de les rendre efficaces, car, de manière supervisée ou non, ces systèmes informatiques apprennent directement des données et non dans un raisonnement (algorithme) préalablement implanté dans leur code28.
37Dans les sciences historiques, l’usage de ces nouvelles techniques d’apprentissage a déjà commencé. Le projet « Time Machine Europe », déjà évoqué, en est un exemple, la contribution de Magali Guaresi dans ce volume en est un autre. Nous allons ici essayer de tracer quelques lignes directrices de l’usage de la textométrie dans ce nouveau paradigme, sur la base de notre recherche et des perspectives qu’ouvrirait le machine learning pour nous.
38Avec aujourd’hui plus de 7 millions de tweets, les moyens que nous employons sont à la limite de leurs capacités. Si nous avons réussi, par améliorations matérielles et logicielles – notamment en utilisant des logiciels, en complément d’Iramuteq par exemple, qui nous permettent de travailler sur un échantillon de nos données avant d’appliquer nos opérations sur l’ensemble de notre corpus –, à rester dans une configuration globale à peu près stable du début à la (bientôt) fin de notre recherche, nous envisageons pour notre prochain projet de recherche l’utilisation de données plus volumineuses encore. Il y aura donc nécessité de s’adapter à de nouvelles méthodologies numériques, sans pour autant abandonner la textométrie.
39Le problème qui se pose à notre recherche se posera à la plupart des historien·nes qui s’intéresseront aux périodes les plus contemporaines de notre histoire ou qui bénéficieront, pour d’autres périodes, de programmes de numérisation massive. Dans ce cadre, la textométrie, un peu transformée, jouera un rôle toujours plus grand. Notre hypothèse est que l’apprentissage machine et profond, alliés à la textométrie et à d’autres branches de la linguistique informatique comme le traitement automatique du langage, seront nécessaires pour utiliser les réseaux sociaux numériques, par exemple, comme sources primaires, notamment pour les recherches impliquant des corpus de dizaines de milliers de tweets, de posts Facebook, de commentaires sur des sites web de médias, etc. L’informatique d’apprentissage risque ainsi de devenir nécessaire pour de nombreux usages historiens des sources nées numériques, textuelles, s’ils et elles veulent comprendre les traces laissées en ligne et, comme nous le tentons dans notre recherche, les modalités de diffusion de l’information qui s’y observent.
40Toutefois, cette hypothèse pourra être contrariée et ne pas se révéler viable, pour différentes raisons, dont l’émergence de revendications – largement justifiées – autour de la protection des données et en raison de la politique des plateformes en ligne elles-mêmes. Facebook, par exemple, ne donne que très peu accès à ses données. Des plateformes comme Whatsapp ont pour politique de chiffrer les échanges entre les utilisateurs. Les réseaux sociaux numériques sont néanmoins loin d’être les seuls à produire des données en masse.
41De notre expérience, de l’expérience de ceux qui nous ont précédé, nous avons ici essayé de démontrer non seulement l’utilité d’approches quantitatives du texte, mais aussi de leurs capacités à faire de nous des bricoleurs numériques, c’est-à-dire des historien·nes s’adaptant constamment à l’évolution de l’environnement informatique et numérique. La prochaine étape, déjà en cours, de ce bricolage numérique concernant le texte et plus généralement l’ensemble des sources historiennes, est l’adaptation des technologies d’apprentissage, ces logiciels implémentant des algorithmes d’intelligence artificielle prévus pour apprendre des données. Le travail de l’historien·ne ne pourra qu’en être modifié, y compris dans sa matérialité et dans sa relation à la source : le goût de l’archive à l’ère numérique n’est, ainsi, plus le même29.
Notes de bas de page
1Ce chapitre a été rédigé avant l’acquisition de Twitter Inc. par Elon Musk en octobre 2022. Beaucoup des éléments décrits ici ne sont plus valables ou ont fortement évolué. Néanmoins, la description faite ici de Twitter et de ses fonctionnalités est pertinente pour comprendre le cadre de la recherche qui y est exposée.
2Thomas Coëffé, « Chiffres Twitter – 2018 », 20 mai 2018, https://www.blogdumoderateur.com/chiffres-twitter, consulté le 19 juillet 2019.
3Dominique Boullier, « Les sciences sociales face aux traces du big data », Revue française de science politique, 65/5-6, 2015, p. 805‑828, DOI : 10.3917/rfsp.655.0805.
4Claudine Beaumont, « New York Plane Crash : Twitter Breaks the News, Again », The Telegraph, janvier 2009, https://www.telegraph.co.uk/technology/twitter/4269765/New-York-plane-crash-Twitter-breaks-the-news-again.html, consulté le 25 juin 2018.
5https://www.docnow.io/, consulté le 19 juillet 2019.
6Nous n’utiliserons pas le terme un peu galvaudé mais néanmoins pertinent big data, notamment car ce terme implique une utilisation en direct des données (vélocité des données), ce que nous ne faisons pas. Pour une définition longue et complète et un descriptif des usages possibles dans certains domaines de la recherche en sciences humaines et sociales, voir Viktor Mayer-Schönberger, Kenneth Cukier, Big Data : A Revolution that will Transform how we Live, Work, and Think, Boston, Houghton Mifflin Harcourt, 2013, ou Patrick Manning, Big Data in History, New York, Palgrave Pivot, 2013, pour le cas de l’histoire.
7La liste des mots-clés collectés est la suivante : wwiafrica, wwi, ww1, 1gm, 1wk, wk1, 1Weltkrieg, centenaire, centenaire14, centenaire1914, GrandeGuerre, centenaire2014, centenary, fww, WW1centenary, 1418Centenary, 1ereGuerreMondiale, WWIcentenary, 1j1p, 11NOV, 11novembre, poppies, WomenHeroesofWWI, womenofworldwarone, womenofww1, womenofwwi, womenww1, ww1athome, greatwar, 100years, firstworldwar, Verdun, Verdun2016, Somme, Somme100, PoilusVerdun, RemembranceisEveryday, arras100, vimy100, chemindesdames, CWGC100, passchendaele, passchendaele100, RussianRevolution, RussianRevolution1917, Hartmannswillerkopf, Cambrai100, Testamentsdepoilus, anzacday, anzacday2018, waac, waac2018, sesouvenirencore, ArmisticeDay, ArmisticeDay100, LestWeForget, remembranceday, armistice100, PoppyAppeal, ThankYou100, WorldWarI, WorldWar1, remembrance, 11novembre2018, craonne, 11november18, 11november2018, 11novembre18, Armistice18, Armistice2018, centenaire1418.
8Nous ne sommes naturellement pas seul à nous intéresser aux traces de mémoire collective en ligne. Voir Andrew Hoskins (dir.), Digital Memory Studies : Media Pasts in Transition, New York, Routledge, 2017.
9Nous renvoyons ici à Daniel Cohen, Roy Rosenzweig, Digital History : A Guide to Gathering, Preserving, and Presenting the Past on the Web, Philadelphie, University of Pennsylvania Press, 2005, ouvrage pionnier en la matière, très orienté histoire publique, ou à l’introduction d’un numéro consacré au sujet de la Low Countries Historical Review par Gerben Zaagsma : Gerben Zaagsma, « On Digital History », Low Countries Historical Review, 128, 2013, p. 3‑29. Gerben Zaagsma y définit, de fait, l’histoire numérique comme la prise en compte des changements dans les pratiques des historiens et historiennes liés au tournant numérique.
10Evelien D’heer et al., « What are we Missing ? An Empirical Exploration in the Structural Biases of Hashtag-Based Sampling on Twitter », First Monday, 22/2, janvier 2017, DOI : 10.5210/fm.v22i2.6353.
11Nous obtenons une estimation de la répartition des langues par un détournement du logiciel Iramuteq que nous détaillons plus loin dans le texte. Cette répartition ne comprend que les tweets originaux, sans les retweets.
12D’après https://www.slideshare.net/wearesocialsg/digital-in-2016/176-wearesocialsg_176JAN2016_TOP_ACTIVE_SOCIAL, janvier 2016, consulté le 19 juillet 2019, le taux de pénétration de Twitter en France est de 11 % contre 20 % au Royaume-Uni par exemple.
13Max Reinert, « Une méthode de classification descendante hiérarchique : application à l’analyse lexicale par contexte », Les cahiers de l’analyse des données, 8/2, 1983, p. 187‑198.
14Pierre Ratinaud, Sébastien Dejean, « IRaMuTeQ : implémentation de la méthode Alceste d’analyse de texte dans un logiciel libre », MASHS 2009, Toulouse, 2009 ; voir également le texte de Pascal Marchand et Pierre Ratinaud dans ce livre.
15Ministère des Armées, http://www.memoiredeshommes.sga.defense.gouv.fr/, consulté le 22 janvier 2019.
16Voir notamment https://www.1jour1poilu.com, consulté le 22 juillet 2019.
17Pour une analyse détaillée, voir Frédéric Clavert, « Commémorations, scandale et circulation de l’information : le Centenaire de la bataille de Verdun sur Twitter », French Journal For Media Research, 10, juillet 2018, http://frenchjournalformediaresearch.com/lodel-1.0/main/index.php ?id=1620, consulté le 22 juillet 2019.
18Franco Moretti, Graphs, Maps, Trees : Abstract Models for Literary History, Londres, Verso, 2007.
19Frédéric Clavert, « Vers de nouveaux modes de lecture des sources », dans Olivier Le Deuff (dir.), Le temps des humanités digitales, Limoges, FYP, 2014.
20François Furet, Adeline Daumard, « Méthodes de l’histoire sociale : les archives notariales et la mécanographie », Annales ESC, 14/4, 1959, p. 676‑693.
21L’association des archivistes français s’inquiète du volume des archives contemporaines dès 1968. Voir « Le traitement des archives contemporaines. Réunions régionales d’archivistes tenues en 1968 sur le thème », La gazette des archives, supplément au numéro 63, 1968.
22Nous pensons par exemple aux développements de l’apprentissage machine et profond, discutés dans ce volume par Magali Guaresi.
23Voir https://timemachine.eu/ ou http://seshatdatabank.info/, consultés le 22 juillet 2019.
24Voir Claude Lévi-Strauss, La pensée sauvage, Paris, Pocket, 1990. Les éléments avancés par Claude Lévi-Strauss ont très vite été critiqués, par exemple par Paul Ricœur : voir un entretien entre les deux chercheurs, datant de novembre 1963 : « Autour de La pensée sauvage. Réponses à quelques questions. Entretien du “groupe philosophique” d’Esprit avec Claude Lévi-Strauss (novembre 1963) », http://www.fondsricoeur.fr/uploads/medias/articles_pr/prclaudelevistraussesprit63.PDF, consulté le 22 juillet 2019.
25Par exemple, voir Nell Smith, Martha et al., « Blogger Grrrrrrrrrls : Feminist Practices, New Media, and Knowledge Production », dans Digital Humanities 2009. Conference Abstracts (22-25 juin 2009, Maryland), p. 43-46.
26Dominique Boullier, « Les sciences sociales face aux traces du big data », art. cité.
27Pour l’histoire des techniques d’apprentissage et leur insertion dans le champ de l’intelligence artificielle, voir Dominique Cardon, Jean-Philippe Cointet, Antoine Mazières, « La revanche des neurones : l’invention des machines inductives et la controverse de l’intelligence artificielle », Réseaux, 211/5, 2018, p. 173-220, DOI : 10.3917/res.211.0173.
28Dominique Cardon, Culture numérique, Paris, Presses de Sciences Po, 2019.
29Arlette Farge, Le goût de l’archive, Paris, Seuil, 1997 [1989], et, pour l’ère numérique, Caroline Muller, Frédéric Clavert (dir.), Le goût de l’archive à l’ère numérique, livre « vivant » en ligne, http://www.gout-numerique.net/, consulté le 22 juillet 2019.

Le texte seul est utilisable sous licence Creative Commons - Attribution - Pas d'Utilisation Commerciale - Pas de Modification 4.0 International - CC BY-NC-ND 4.0. Les autres éléments (illustrations, fichiers annexes importés) sont « Tous droits réservés », sauf mention contraire.
Enfermements. Volume II
Règles et dérèglements en milieu clos (ive-xixe siècle)
Heullant-Donat Isabelle, Claustre Julie, Bretschneider Falk et al. (dir.)
2015
Une histoire environnementale de la nation
Regards croisés sur les parcs nationaux du Canada, d’Éthiopie et de France
Blanc Guillaume
2015
Enfermements. Volume III
Le genre enfermé. Hommes et femmes en milieux clos (xiiie-xxe siècle)
Isabelle Heullant-Donat, Julie Claustre, Élisabeth Lusset et al. (dir.)
2017
Se faire contemporain
Les danseurs africains à l’épreuve de la mondialisation culturelle
Altaïr Despres
2016
La décapitation de Saint Jean en marge des Évangiles
Essai d’anthropologie historique et sociale
Claudine Gauthier
2012
Enfermements. Volume I
Le cloître et la prison (vie-xviiie siècle)
Julie Claustre, Isabelle Heullant-Donat et Élisabeth Lusset (dir.)
2011
Du papier à l’archive, du privé au public
France et îles Britanniques, deux mémoires
Jean-Philippe Genet et François-Joseph Ruggiu (dir.)
2011