• Contenu principal
  • Menu
OpenEdition Books
  • Accueil
  • Catalogue de 16037 livres
  • Éditeurs
  • Auteurs
  • Facebook
  • X
  • Partager
    • Facebook

    • X

    • Accueil
    • Catalogue de 16037 livres
    • Éditeurs
    • Auteurs
  • Ressources numériques en sciences humaines et sociales

    • OpenEdition
  • Nos plateformes

    • OpenEdition Books
    • OpenEdition Journals
    • Hypothèses
    • Calenda
  • Bibliothèques

    • OpenEdition Freemium
  • Suivez-nous

  • Lettre d’information
OpenEdition Search

Redirection vers OpenEdition Search.

À quel endroit ?
  • Presses de l’Université de Montréal
  • ›
  • Hors collection
  • ›
  • Faire preuve
  • ›
  • Partie 2 : Les grands problèmes de la re...
  • ›
  • L’analyse de corpus : démontrer par le t...
  • Presses de l’Université de Montréal
  • Presses de l’Université de Montréal
    Presses de l’Université de Montréal
    Informations sur la couverture
    Table des matières
    Liens vers le livre
    Informations sur la couverture
    Table des matières
    Formats de lecture

    Plan

    Plan détaillé Texte intégral Trois grandes approches de l’analyse de corpus Analyses textuelles croisées avec des métadonnées La mise en œuvre d’un projet d’analyse de texte La preuve par le texte Bibliographie Auteurs

    Faire preuve

    Ce livre est recensé par

    Précédent Suivant
    Table des matières

    6

    L’analyse de corpus : démontrer par le texte

    Kevin Kaiser, Francis Lareau, Christophe Malaterre et Davide Pulizzotto

    p. 113-138

    Texte intégral Trois grandes approches de l’analyse de corpus Les analyses de concepts Les analyses de thèmes Les analyses d’arguments Analyses textuelles croisées avec des métadonnées L’exploitation des dates et les analyses diachroniques L’exploitation des données d’auteurs et les analyses de réseau Autres métadonnées pour d’autres analyses croisées possibles La mise en œuvre d’un projet d’analyse de texte La preuve par le texte Bibliographie Auteurs

    Texte intégral

    1L’importance des outils informatiques en science n’est plus à démontrer. Ces derniers ont radicalement transformé la façon dont la preuve est faite, et ce, même dans les domaines où cette notion est centrale. Ainsi, le théorème des quatre couleurs en mathématiques, conjecture qu’a énoncée Francis Guthrie en 1852, selon lequel quatre couleurs suffisent pour colorier n’importe quelle carte découpée en régions connexes, a été, en 1976, le premier théorème à faire l’objet d’une démonstration exigeant l’utilisation d’un ordinateur (voir le chapitre de Y. Gingras). La contribution des outils informatiques dans l’élaboration de preuves ne se limite pas aux disciplines typiquement rattachées aux STIM (science, technologie, ingénierie et mathématiques). Les avancées spectaculaires en traitement automatique du langage naturel ont rapidement stimulé l’usage, par exemple, de l’analyse de corpus en sciences humaines et sociales pour soutenir des démonstrations dans ces domaines (voir le chapitre de L. Delias et al.). Un des apports du traitement automatique du langage naturel, et non des moindres, est de rendre possible l’analyse d’ensembles de textes bien trop vastes pour être examinés par une lecture humaine attentive. Un autre apport est de permettre la mise en évidence de relations latentes, non détectées jusqu’alors, entre différents éléments textuels. C’est ainsi qu’en 1987, déjà, Don R. Swanson, spécialiste de l’information, a pu mettre à jour, grâce à une modélisation computationnelle partielle de la tâche d’analyse d’un vaste ensemble d’articles issus du domaine médical, une relation entre migraine et carence en magnésium (relation que corroboreront, par la suite, des études cliniques classiques). À cela s’ajoute le fait que l’analyse de corpus apporte des éléments quantitatifs, chiffrés, donc ouverts à la comparaison, à l’analyse statistique, mais aussi à la confirmation, et, donc, à la validation de leur statut en tant que preuve, dès lors que les outils numériques utilisés sont également eux-mêmes soumis à une évaluation.

    2Les méthodes numériques d’analyse de texte sont multiples. De même que la constitution d’un corpus ne peut se faire qu’en vertu de questions de recherche bien précises, de même le choix de méthodes numériques doit être avant tout dicté par ces mêmes questions de recherche, quelles que soient les disciplines dans lesquelles elles s’inscrivent (histoire, philosophie, sociologie, linguistique, sciences politiques et juridiques, communication, littérature, etc.). Dans ce contexte, deux grands types de questions coexistent : d’une part, les questions de nature hypothético-déductive, qui consistent à vérifier des hypothèses bien précises sur la présence ou non de certaines relations textuelles dans un corpus donné ; de l’autre, les questions de nature inductive ou exploratoire qui cherchent à repérer des relations textuelles inédites.

    Trois grandes approches de l’analyse de corpus

    3Parmi les nombreuses méthodes numériques d’analyse de texte, trois nous paraissent d’une importance particulière en sciences humaines et sociales : l’analyse de concept, l’analyse de thèmes et l’analyse d’arguments. À ces méthodes s’ajoutent des analyses croisées avec un certain nombre de métadonnées : ainsi, on peut chercher à caractériser des données textuelles en fonction d’auteurs, de périodes temporelles ou encore selon de multiples croisements de métadonnées. Bien entendu, l’analyse de corpus implique la mise en œuvre concrète des méthodes numériques d’analyse de texte, dont nous brosserons un rapide portrait.

    Les analyses de concepts

    4L’analyse de concept est une des perspectives d’analyse de corpus les plus répandues. La formation et l’évolution des concepts constituent un des fondements de la culture humaine. Leur analyse offre donc de riches perspectives sur de nombreux phénomènes économiques, sociaux, psychologiques, cognitifs, sémantiques, etc. Pour cette raison, des chercheurs de toutes les disciplines des sciences humaines, parfois même à leur insu, utilisent l’analyse conceptuelle dans leurs recherches (Meunier, 2022). L’une des formes les plus courantes de l’analyse de concept consiste à explorer un corpus de textes afin de découvrir les différentes dimensions ou propriétés d’un concept. Il existe plusieurs méthodes et approches pour effectuer une telle analyse : le choix de l’une ou l’autre dépend notamment de la théorie des concepts que l’on retient. Quand on adopte le paradigme linguistique et l’idée que le langage naturel permet d’exprimer et de comprendre les concepts, la langue devient le lieu privilégié de l’analyse. On estime alors qu’un concept peut être véhiculé par diverses expressions différentes, lesquelles deviennent le principal objet de l’étude. Par exemple, on peut faire l’étude du concept de beauté dans les romans français du xixe siècle en relevant toutes les expressions linguistiques et les contextes dans lesquels ce concept est exprimé.

    5La première étape d’une analyse de concept consiste à repérer les segments de texte pertinents (des mots, des phrases, des paragraphes, etc.) pour l’analyse du concept à l’étude. Cette tâche, apparemment simple, cache plusieurs difficultés, qu’on peut résumer par la relation concept-langage. En effet, un mot peut tout à fait exprimer plusieurs concepts (polysémie) et, inversement, plusieurs mots différents peuvent exprimer un seul et même concept (synonymie). De plus, on sait qu’il existe des concepts qui n’ont pas de manifestation lexicale précise. Notons enfin que différents phénomènes de modulation contextuelle influent sur la détermination du sens d’un mot. C’est ainsi le cas de l’ellipse, qui permet l’expression d’un concept dans un segment de texte sans recourir à une forme lexicale explicite.

    6Dans un cadre computationnel, plusieurs approches d’analyse conceptuelle sont possibles. Une première famille d’approches s’appuie sur la fréquence d’utilisation des mots ou des formes lexicales choisis pour représenter le concept. Les hypothèses qui sous-tendent cette approche sont, d’une part, qu’un mot (ou une liste de mots) véhicule un concept, et, d’autre part, que la fréquence d’utilisation d’un mot dénote son importance dans un corpus. Ainsi, la fréquence relative des mots représentant un concept permet de déterminer l’importance relative de ce concept par rapport à d’autres concepts ou en relation avec des métadonnées (ce qui permet de se demander, par exemple, si le concept de beauté est plus fréquent ou non que le concept de jeunesse).

    7Une seconde famille d’approches utilise les relations entre les mots du corpus pour discerner des caractéristiques sémantiques du concept à l’étude. Ces approches exploitent notamment les relations de cooccurrence que des mots entretiennent entre eux. Dans ce contexte, le plongement de mots (word embedding), qui est une technique de représentation vectorielle des distributions lexicales d’un corpus, permet, par exemple, de reconnaître des synonymes grâce au calcul des similarités entre vecteurs. De telles analyses sont pertinentes dans la mesure où des mots qui se trouvent dans un contexte similaire devraient avoir un signifié similaire. L’emploi d’un algorithme de catégorisation (clustering) permet aussi d’exploiter le caractère distributionnel du langage afin de déterminer les propriétés du concept à l’étude, par la détection de groupes de mots en cooccurrence avec les mots cibles de ce concept. On peut complexifier ce type d’analyse des distributions de cooccurrence en ajoutant des métadonnées comme la date, les auteurs, les éditeurs, etc. En outre, l’utilisation de méthodes venant de l’apprentissage machine rend possible la détection de paragraphes elliptiques, c’est-à-dire de segments de texte dans lesquels un concept apparaît sans qu’aucun mot ne s’y réfère explicitement. C’est là un des grands avantages d’une analyse conceptuelle assistée par ordinateur. À titre d’exemple, une approche de ce genre appliquée à 1476 articles de la revue Philosophiques (de 1974 à 2018) a permis de montrer qu’on y exprimait le concept de cognition surtout de manière implicite, sans l’emploi du mot « cognition » (Lareau, 2022) [fig. 1].

    Figure 1 Usage du concept de cognition dans Philosophiques

    Pourcentage des articles où le concept de cognition est exprimé de manière explicite (en bleu) ou de manière implicite (en rouge). Adapté de Lareau (2022, p. 429).

    Les analyses de thèmes

    8Dans le cadre de l’analyse thématique, on peut définir un thème comme un ensemble d’énoncés ou de mots servant à décrire de manière relativement synthétique une des facettes du contenu sémantique du corpus analysé. Ce faisant, on considère le corpus comme étant composé de thèmes et on vise généralement le repérage de mots ou de segments de texte particulièrement représentatifs de ces thèmes. En particulier, on peut chercher à savoir quel est le propos des textes d’un corpus, quels sujets y sont traités ou quelles thématiques s’y déploient, comment le développement d’un thème se distingue d’un texte à l’autre, ou encore quels sont les mots ou les passages les plus emblématiques de certains thèmes dans le corpus.

    9Il existe trois grandes méthodes, qui se présentent chacune sous différents visages, pour réaliser des analyses de thèmes assistées par ordinateur. La première est inductive et permet de détecter les thématiques principales dans les textes sans avoir une connaissance a priori des thèmes à découvrir. Elle utilise l’apprentissage non supervisé, par exemple l’algorithme LDA (latent Dirichlet allocation, « allocation de Dirichlet latente »), pour relever des régularités correspondant à des thèmes. Dans ce contexte, les informations et les catégories thématiques sont directement inférées à partir des données textuelles. La deuxième méthode est déductive et permet de repérer dans les textes des thèmes principaux qu’on connaît déjà a priori. Elle utilise habituellement l’apprentissage supervisé, par exemple au moyen de réseaux de neurones, pour d’abord apprendre comment les thèmes sont exprimés dans les textes d’un corpus d’apprentissage, pour en venir, dans un deuxième temps, à repérer la présence de ces thèmes dans de nouveaux textes. On l’utilise, entre autres choses, pour catégoriser des textes ou des segments de textes en fonction de thématiques données. Enfin, la troisième méthode est hybride : elle consiste, dans un premier temps, à cerner les thèmes principaux d’un corpus sans a priori sur ces thèmes, puis, dans un deuxième temps, à utiliser les mots ou les segments de textes représentatifs de ces thèmes pour voir si les thèmes en question sont présents ou non dans un autre corpus.

    10Ces différentes approches ont leurs limites, bien entendu. On notera surtout que l’approche inductive repose sur le choix des valeurs pour certains paramètres clés des outils informatiques utilisés. Un exemple notable est le choix du nombre de thèmes à découvrir. Ce choix est particulièrement délicat puisqu’il conditionne, notamment, l’interprétation des informations thématiques résultant de l’analyse. L’approche déductive, quant à elle, requiert d’avoir accès à des données textuelles annotées du point de vue de leurs thématiques et en nombre suffisant pour effectuer les opérations d’apprentissage machine, c’est-à-dire l’extraction d’informations permettant le repérage ultérieur des thèmes.

    11Quoi qu’il en soit, les applications sont multiples et fécondes. L’approche inductive de l’analyse de thèmes est ainsi tout à fait pertinente en histoire des idées et en analyse d’information. Elle a été utilisée pour revisiter, par exemple, des périodes charnières de l’histoire de l’économie et de la philosophie des sciences (Claveau et Gingras, 2016 ; Malaterre et al., 2021). L’approche déductive, quant à elle, peut se révéler particulièrement efficace pour indexer des documents à l’aide de mots clés. Dans une telle application (fig. 2), les mots clés possibles apparaissent plus ou moins distants d’un document cible (représenté par un triangle), selon leur capacité à représenter le contenu thématique de ce document (Chartier et Forest, 2017). Dans cet exemple, les auteurs illustrent la notion de similarité sémantique dans un espace à deux dimensions où les mots clés et le document cible sont similaires lorsqu’ils apparaissent proches dans l’espace sémantique où ils sont projetés. Autrement dit, certains thèmes sous forme de mots clés sont corrélés à des distributions de mots similaires dans le corpus.

    Figure 2 Repérage de mots clés représentatifs du contenu thématique d’un document

    Un espace vectoriel de mots clés, ici réduit à deux dimensions afin d’en faciliter l’interprétation, est construit à partir d’un corpus d’apprentissage lié au domaine des sciences de l’information. Un document (représenté par un triangle) est projeté dans cet espace vectoriel de manière à repérer les mots clés les plus proches de son contenu sémantique. Adapté de Chartier et Forest (2017, p. 11).

    Les analyses d’arguments

    12Dans une analyse d’arguments, on considère que l’auteur adopte une posture argumentative et que le texte a pour objectif, en tout ou en partie, d’emporter l’adhésion de son lectorat. Dans ce contexte, on peut définir un argument comme un énoncé ou une suite d’énoncés ayant la particularité de défendre ou d’attaquer une thèse précise. En pratique, les arguments forment des structures plus ou moins complexes soutenant une thèse ou s’y opposant. Parfois nommée « fouille d’arguments » (argument mining), l’analyse d’arguments assistée par ordinateur vise à repérer les segments de texte jouant un tel rôle argumentatif et à préciser ce rôle, notamment en déterminant les interrelations qu’ils peuvent avoir les uns avec les autres au point de former des structures de plus haut niveau (par exemple, pour/contre l’énergie nucléaire, voir fig. 3). En particulier, on peut chercher à déterminer le contenu inférentiel d’un ensemble de textes, les thèses principales et les argumentations qui les soutiennent, les procédures rhétoriques qui sont employées ou la façon dont les arguments sont interreliés pour former des structures argumentatives de haut niveau.

    13L’analyse d’arguments peut recourir à différents moyens informatiques. Nous en retiendrons quatre. Premièrement, l’apprentissage machine offre plusieurs techniques permettant de catégoriser des composantes discursives selon leur rôle argumentatif. Deuxièmement, certaines méthodes computationnelles peuvent servir à repérer et à exploiter des marqueurs linguistiques spécifiques dont la fonction argumentative est connue (par exemple, « conséquemment », « donc », « si », « alors », etc.). Troisièmement, d’autres techniques emploient la détection d’opinion ou de sentiment de manière à établir la portée de composantes argumentatives, par exemple des rôles de critique ou d’appui. Enfin, l’analyse des citations permet de dégager des relations argumentatives entre différents textes, par exemple entre des arguments ou des structures argumentatives pour former des structures intertextuelles à un niveau plus général.

    14Une limite importante de l’analyse d’arguments est le caractère polysémique du terme « argument ». En effet, il existe de nombreuses théories de l’argumentation, plus ou moins compatibles entre elles, ayant, par exemple, chacune sa propre conception de ce qu’est un argument. De plus, l’argumentation est un objet complexe qui nécessite certaines ressources préalables, par exemple des ensembles suffisamment vastes de données textuelles annotées en fonction de leur rôle argumentatif (ou non), afin de satisfaire aux contraintes de l’apprentissage machine. Or, dans ce domaine, les données annotées sont encore rares et, lorsqu’elles sont disponibles, elles ne sont pas toujours compatibles avec les cadres théoriques des chercheurs.

    Figure 3 Relations argumentatives entre des segments de textes et un thème

    Le thème « Énergie nucléaire », qui correspond ici à la thèse « L’énergie nucléaire est une bonne chose », reçoit du soutien de la part de la phrase j tout en subissant la critique de la phrase i. De surcroît, les phrases i et j se critiquent mutuellement. Adapté de Trautmann et al. (2020).

    15Malgré les limites respectives des analyses de concept, de thèmes ou d’arguments, ces méthodes numériques ont en commun de transformer de façon automatisée des mots ou des groupes de mots en données. Ces données peuvent servir à caractériser de grands corpus de textes et à évaluer des thèses d’après leur contenu. En ce sens, les données construites avec ce type d’outils servent d’éléments probants – de preuves – dans l’analyse de larges volumes de textes, dont les caractéristiques sont difficilement discernables autrement. Qui plus est, on peut croiser ces données avec d’autres indicateurs pour poser des questions plus complexes.

    Analyses textuelles croisées avec des métadonnées

    16En effet, une des richesses des analyses computationnelles de texte tient à la facilité de les coupler avec de multiples métadonnées, offrant alors autant de perspectives spécifiques sur le contenu textuel des corpus étudiés. Parmi celles-ci, les dates et les auteurs occupent une place de choix, malgré le fait que plusieurs autres métadonnées peuvent se révéler également pertinentes, sinon plus, en fonction des questions de recherche.

    L’exploitation des dates et les analyses diachroniques

    17Les textes étant souvent datés, on peut facilement mobiliser ces dates dans le cadre d’analyses computationnelles, ce qui rend possibles des analyses diachroniques. On notera, plus généralement, que n’importe quelle relation d’ordre existant entre des textes ou des fragments de textes, par exemple une succession de chapitres ou encore la position de certains fragments en début ou en fin de textes, peut servir de métadonnée. Dans tous les cas, l’intérêt de ces relations d’ordonnancement est qu’elles ajoutent une dimension d’analyse, à savoir une échelle de progression dans le corpus. Celle-ci revêt fréquemment une importance capitale puisqu’elle peut révéler des changements ayant lieu dans le temps, par exemple le déploiement d’un nouveau concept, puis la stabilisation progressive de sa définition.

    18On peut ainsi chercher à produire des données pour savoir, par exemple : à quel moment un mot ou un concept apparaît, prend ou perd de l’importance, change ou non de sens ; dans quelle mesure les thèmes abordés dans un corpus se modifient au fil du temps ou à la suite de certains événements ; quelles sont leurs relations de filiation ; ou encore si les types de raisonnement mobilisés dans les discussions sur un sujet donné sont stables dans le temps.

    19On peut utiliser les métadonnées directement, en l’état, comme dans le cas d’années de publication. On peut aussi les construire, par exemple en définissant des fenêtres temporelles et en agrégeant les textes en fonction de la date de leur publication. Cette dernière pratique a pour avantage de permettre la comparaison entre des périodes théoriquement motivées (par exemple, des textes issus de périodes politiques distinctes, comme les projets de loi adoptés au Québec sous les gouvernements Parizeau, Bouchard et Landry, de 1994 à 2003, d’un côté, et ceux du gouvernement Charest, de 2003 à 2012, de l’autre), mais aussi de satisfaire à des contraintes techniques (par exemple, lorsque le volume de textes est faible ou irrégulier).

    20Un exemple patent du potentiel des analyses diachroniques se retrouve dans l’étude de Malaterre et ses collaborateurs (2021), qui ont examiné le contenu thématique des huit principales revues de philosophie des sciences sur un peu plus de huit décennies, soit du début des années 1930 à 2017. Dans ce projet, ils ont regroupé les 15 897 articles du corpus dans des fenêtres temporelles de quatre ans, selon l’année de leur publication. Ce découpage par fenêtre temporelle visait à obtenir une granularité suffisamment fine pour observer des variations importantes au fil du temps, tout en étant suffisamment grossière pour gommer des fluctuations annuelles vraisemblablement anecdotiques (fig. 4). Leurs analyses ont révélé, entre autres, de fortes variations dans les orientations thématiques des publications en fonction des périodes temporelles.

    21Bien que les analyses textuelles diachroniques permettent d’ajouter une dimension analytique et de répondre à des questions qui resteraient autrement sans réponse, elles présentent tout de même d’importants défis. Sur le plan interprétatif, par exemple, une connaissance fine des dynamiques sociales, historiques et épistémologiques entourant l’objet d’étude est nécessaire pour fournir une interprétation des fluctuations observées. Un autre défi concerne le choix du « pas de temps » approprié. En effet, l’utilisation d’un pas court peut révéler plus de détails, mais aussi introduire inutilement du bruit et compliquer la reconnaissance des tendances générales. A contrario, l’utilisation d’un pas trop long risque d’effacer des fluctuations pourtant significatives

    Figure 4 Évolution diachronique des thèmes dans huit revues de philosophie des sciences de 1931 à 2017

    Les probabilités d’occurrence de chacun des 25 thèmes dans le corpus ont été mesurées et représentées par périodes temporelles. Pour chaque période temporelle, la hauteur de chaque segment bande est fonction de la probabilité d’occurrence du thème correspondant dans le corpus (échelle de gauche). Le nombre d’articles par période est représenté en pointillé (échelle de droite). Tiré de Malaterre et al. (2021).

    L’exploitation des données d’auteurs et les analyses de réseau

    22Lorsque les données s’y prêtent, il peut être intéressant d’analyser les textes en fonction des auteurs. Par exemple, on peut évaluer la quantité relative de segments de textes ou de documents produits par une ou plusieurs personnes en particulier dans un corpus donné, ou encore examiner les différents usages de certains concepts d’un auteur à un autre. De même, on peut s’intéresser au contenu thématique des textes en fonction de leurs auteurs afin de déterminer les thèmes propres à certains auteurs ou groupes d’auteurs.

    23De telles analyses nécessitent un corpus dans lequel les textes sont attribués à des auteurs : une métadonnée de « nom d’auteur » doit caractériser chaque texte. De plus, en fonction des questions de recherche, il peut être pertinent d’analyser d’autres métadonnées associées aux auteurs lorsqu’elles sont disponibles, par exemple l’institution d’attache, la localisation géographique, le genre, l’âge, la formation, la langue, etc. Les métadonnées choisies vont alors constituer des dimensions particulières d’analyse.

    24Dans le cas le plus simple d’analyses en fonction des noms d’auteurs, on cherchera d’abord à agréger les données d’analyse textuelle par auteur. On pourra, par exemple, calculer les fréquences moyennes de certains termes dans les textes selon les auteurs. Si une analyse de thèmes a été effectuée sur le corpus entier, la prise en compte des métadonnées d’auteurs permettra de calculer le poids moyen des thèmes dans tous les textes d’un même auteur, de sorte qu’on pourra déterminer, pour ainsi dire, le profil thématique de chaque auteur représenté dans le corpus. Il deviendra même possible de catégoriser les auteurs selon leurs profils thématiques, faisant ainsi ressortir des groupes d’auteurs dont les textes comportent les mêmes thèmes. Les degrés de similarité des profils peuvent ensuite servir de base pour construire des réseaux d’auteurs selon leur proximité thématique, afin de repérer des communautés latentes d’auteurs ayant les mêmes champs d’intérêt.

    25Dans une étude sur la revue Biometrika, une des revues fondatrices des sciences statistiques, créée par Karl Pearson au début du xxe siècle, Bertoldi et ses collaborateurs (2024) proposent une analyse de thèmes portant sur le corpus complet de la revue, soit les 5596 articles publiés entre 1901 et 2020. Leur analyse dresse d’abord un panorama thématique d’ensemble de la revue et de son évolution au cours du siècle passé. La prise en compte des métadonnées d’auteurs conduit ensuite au calcul des profils thématiques des auteurs, puis à leur représentation en réseau selon leur proximité thématique et enfin à leur regroupement en classes, caractérisées par certains thèmes particulièrement dominants (fig. 5).

    26L’analyse de corpus à partir des métadonnées d’auteurs présente tout de même certains défis. D’une part, pour les textes écrits à plusieurs, il peut être nécessaire de choisir une règle qui détermine la contribution respective de chaque auteur (contribution équitable, contribution en fonction de l’ordination des auteurs, etc.). D’autre part, il faut s’attendre à devoir nettoyer et harmoniser les métadonnées d’auteurs. En effet, il est fréquent que les corpus constitués à partir d’articles scientifiques, pour ne nommer qu’eux, mentionnent certains noms d’auteurs avec des orthographes légèrement différentes, qu’il faut alors rectifier avec soin.

    27Un grand apport de ces approches est de permettre de comprendre la spécificité de certains auteurs par rapport à d’autres en fonction du contenu de leurs textes respectifs. Elles permettent aussi de faire ressortir des groupes d’auteurs qui partagent les mêmes caractéristiques textuelles et de les organiser en réseaux sans avoir à recourir à des mesures d’interaction sociale et donc sans avoir besoin, par exemple, de données bibliométriques. Elles permettent enfin de faire de la catégorisation d’auteurs et de comprendre les spécificités des groupes selon les caractéristiques de leurs ensembles de textes respectifs.

    Figure 5 Exemple de réseau d’auteurs selon leur proximité thématique dans la revue Biometrika (1901-2020)

    Les nœuds représentent les auteurs ; la taille des nœuds et celle des noms sont proportionnelles à la contribution des auteurs en nombre d’articles (1924 auteurs sont représentés, soit les 42 % d’auteurs les plus prolifiques, à l’origine de 4477 articles, soit 80 % du corpus). Les couleurs des nœuds correspondent aux thèmes dominants des auteurs. L’épaisseur des arêtes est proportionnelle au degré de corrélation des auteurs en fonction de leurs thèmes. Les lettres correspondent aux différentes communautés thématiques d’auteurs. Tiré de Bertoldi et al. (2024).

    Autres métadonnées pour d’autres analyses croisées possibles

    28On peut aussi réaliser des analyses textuelles en couplant plusieurs métadonnées. Ce sera le cas si l’on souhaite analyser l’évolution temporelle de communautés thématiques d’auteurs, l’évolution temporelle des distributions de thèmes dans certaines revues spécifiques (ou plus généralement dans un sous-ensemble tiré du corpus cible), l’utilisation de certains concepts par certains groupes d’auteurs, par exemple selon leur genre ou leur localisation géographique, ou encore l’utilisation préférentielle de certains types d’arguments par certains groupes d’auteurs, etc.

    29De telles analyses croisées requièrent, bien entendu, la disponibilité de plusieurs métadonnées pour chacun des segments de textes constituant le corpus. Ces métadonnées sont des données non contenues dans le texte, mais qui décrivent des propriétés du texte ou des différents documents du corpus. Les plus fréquentes sont les données de noms d’auteurs et de dates de publication, mais de nombreuses autres métadonnées sont possibles : noms des revues dans lesquelles sont publiés les textes, lieux de publication, éditeurs, langues des textes, mots clés associés aux textes, catégorisation des textes (par exemple, selon des champs disciplinaires prédéfinis par les revues), données sur le genre des auteurs, leur affiliation institutionnelle, leur pays, etc. Notons qu’on peut également construire des métadonnées en se référant aussi bien à d’autres métadonnées qu’à des résultats d’analyses textuelles préliminaires : on peut ainsi, entre autres choses, catégoriser les documents selon certaines de leurs caractéristiques textuelles (par exemple, selon la similitude des termes employés) et utiliser cette catégorisation comme métadonnée.

    30Une fois les métadonnées choisies, de nombreuses analyses sont possibles, notamment en agrégeant les données textuelles selon les croisements des métadonnées choisies ou en examinant les corrélations entre données textuelles, d’une part, et jeux de métadonnées, d’autre part. On pourra ainsi dégager des corrélations entre la fréquence d’occurrence de certains termes et les années de publications des documents, ou encore étudier l’évolution dans le temps du profil thématique des différentes revues d’un corpus en agrégeant les distributions de thèmes par fenêtre temporelle et par revue. On a déjà évoqué l’exemple de la caractérisation, par Malaterre et al. (2021), des principales revues de philosophie des sciences selon leur profil thématique au fil du temps. D’autres exemples concernent la caractérisation de l’interdisciplinarité d’auteurs en fonction de la proximité de leurs textes avec des textes ayant été au préalable désignés comme représentatifs de disciplines spécifiques (Evans, 2016) ou encore la mise au jour de relations entre les caractéristiques des chercheurs et leurs thématiques de recherche (Kozlowski et al., 2022). Mentionnons un dernier exemple, qui montre la possibilité d’établir, au moyen de régressions linéaires, la relation étroite entre certaines technologies dans le domaine de la 5G, recensées grâce à une analyse thématique, et des fabricants de semi-conducteurs, illustrant la guerre industrielle entre les États-Unis et la Chine pour le développement de la 5G (Rhaiem et al., 2022).

    31Un des avantages que présente le croisement des données textuelles avec plusieurs jeux de métadonnées réside, bien entendu, dans la richesse possible des analyses. Cela nécessite néanmoins que de telles métadonnées soient à la fois disponibles et de qualité. Il est en effet fréquent que des métadonnées s’avèrent, après examen, requérir un nettoyage systématique et minutieux, ou se révèlent même inutilisables du fait de leur piètre qualité. Notons aussi que les analyses croisées peuvent exiger, dans certains cas, une très bonne maîtrise des outils d’analyse statistique multivariée. De très riches analyses sont donc possibles, mais avec la contrepartie d’efforts plus importants. En somme, la rançon du succès.

    La mise en œuvre d’un projet d’analyse de texte

    32Si les méthodes d’analyse computationnelle de texte sont particulièrement puissantes, il n’en demeure pas moins que leur mise en œuvre requiert une attention toute particulière. La réalisation d’un tel projet présente en effet une complexité certaine. Sans entrer ici dans le détail, trois grandes phases méritent d’être distinguées : la phase de conception de la recherche, la phase de réalisation et la phase de diffusion.

    33Dans la phase de conception, un des premiers éléments à déterminer est la question de recherche. Quels objectifs se donne-t-on ? Que cherche-t-on à montrer ? Quels types de résultats s’attend-on à découvrir ? Comme nous l’avons vu, les approches computationnelles d’analyse de texte se révèlent pertinentes pour des questions qui appellent des réponses quantifiables, mesurables à l’aide d’échelles numériques. De telles questions vont naturellement présenter une composante empirique, qu’il s’agisse de confirmer ou d’infirmer des hypothèses formulées en amont, ou de faire émerger de façon inductive des structures latentes aux données. Enfin, ces questions vont, bien entendu, concerner des données textuelles comme des articles scientifiques, des livres, mais aussi des rapports, des documents gouvernementaux, des séries d’échanges dans des médias sociaux, etc. (voir le chapitre de L. Delias et al.). C’est pour cette raison que la spécification d’une question de recherche va de pair avec le choix d’un corpus : le corpus doit permettre, du fait de sa représentativité, de répondre à la question de recherche. Il y est donc intrinsèquement lié, ainsi qu’au cadre théorique en arrière-plan. Le choix du corpus répond aussi à des considérations pratiques, liées à l’accessibilité des documents sous forme numérique, aux droits qui y sont associés ou encore à la qualité de la numérisation. Des considérations méthodologiques peuvent s’imposer, notamment en lien avec les méthodes de collecte des documents (par le moissonnage de sites Internet, par exemple). Notons enfin la nécessité, dans certains contextes, de considérations éthiques, concernant, par exemple, la gestion confidentielle des données de recherche.

    34Un deuxième volet clé de la phase de conception consiste à traduire la question de recherche en une chaîne d’opérations à réaliser sur le corpus choisi. Autrement dit, il s’agit de fournir une formulation algorithmique de la question de recherche, afin de rendre possible son opérationnalisation. C’est à ce moment qu’on doit définir précisément quels éléments concrets du texte on cherche à quantifier et comment on compte le faire. Souhaite-t-on analyser tous les termes potentiellement pertinents ou seulement certains d’entre eux, et ce, pour chaque document, ou plus finement, par exemple à l’échelle de chaque paragraphe ? Souhaite-t-on faire une analyse de thèmes ? Avec une granularité plutôt fine ou grossière ? Certaines métadonnées doivent-elles jouer un rôle particulier ? Lequel ? Dans l’idéal, on devrait pouvoir schématiser chaque opération en précisant ses intrants, les actions posées et les extrants qui en découlent, qui pourront servir ensuite d’intrants à une opération ultérieure.

    35Enfin, un troisième moment important de la phase de conception concerne les choix au sujet de l’implémentation concrète de la chaîne d’opérations : quel ordinateur prévoit-on d’utiliser et pour quelles opérations ? Dans quel environnement de programmation, avec quels algorithmes, quelle paramétrisation ? Quelles opérations doivent au contraire être effectuées manuellement ? Qui s’en charge ? Comment s’assure-t-on que les intrants et les extrants sont bien les bons, que les processus fonctionnent correctement ? Comment stocke-t-on toutes les données intermédiaires ? La phase de conception donne souvent lieu à plusieurs itérations, certaines contraintes n’émergeant qu’au fur et à mesure de l’étude. Ainsi, il n’est pas rare que la décomposition de la question de recherche en une chaîne d’opérations impose de réviser la portée du projet, ou que des problèmes de mise en œuvre exigent d’apporter des changements à la chaîne d’opérations.

    36La deuxième grande phase d’un projet d’analyse computationnelle de texte est la phase de réalisation. On peut découper cette phase en trois étapes : la préparation des données ou le décodage, l’analyse des données et, enfin, la représentation des résultats d’analyse (fig. 6). L’étape de préparation des données consiste à extraire des documents à la fois les données purement textuelles et les métadonnées (ces dernières pouvant aussi provenir d’autres sources). Les données textuelles comme les métadonnées doivent souvent être uniformisées, notamment lorsque les documents proviennent de plusieurs sources, et nettoyées. Il est, en effet, fréquent de trouver des « éléments parasites » dans le texte, comme des anomalies liées à des problèmes de reconnaissance de caractère ou d’encodage, ainsi que des erreurs dans les métadonnées, par exemple des orthographes légèrement différentes de noms d’auteurs. Les données textuelles font alors l’objet d’une décomposition à plusieurs niveaux : le corpus est généralement découpé en segments de texte (qu’on peut nommer « domaines d’information »), lesquels peuvent correspondre, par exemple, à des articles, des paragraphes ou des phrases, selon la question de recherche ; les segments de texte sont à leur tour découpés en unités linguistiques atomiques (ou encore « unités d’information »), lesquelles peuvent correspondre à des caractères, des mots ou des groupes de mots (bigrammes, n-grammes). Un certain nombre de traitements peuvent alors être réalisés. Ainsi, on peut souhaiter étiqueter chaque mot en indiquant sa catégorie grammaticale (nom, verbe, adjectif, etc.) ainsi que son lemme (la forme du mot retenue comme entrée dans un dictionnaire, par exemple l’infinitif pour un verbe conjugué). Grâce à ces traitements, on pourra centrer l’analyse sur les unités d’information d’intérêt, par exemple en se limitant aux noms, adjectifs et verbes. On peut également vouloir filtrer les unités d’information très rares (et donc peu représentatives) ou, au contraire, trop fréquentes (et, par conséquent, peu informatives). À cette fin, on peut appliquer des seuils de fréquences ou encore avoir recours à des méthodes de pondération (comme le tf-idf ou term frequency–inverse document frequency). Les données qui résultent de ces opérations sont enfin assemblées en des objets informatiques que différents algorithmes d’analyse pourront manipuler. Ces objets sont, par exemple, des matrices documents-termes (ou DTM pour document term matrix) qui comptabilisent le nombre d’unités d’information présentes dans chaque domaine d’information.

    37L’étape d’analyse à proprement parler consiste à mettre en œuvre des algorithmes capables de reconnaître des régularités ou des caractéristiques statistiques pertinentes. Bien entendu, ces algorithmes seront spécifiquement adaptés à la question de recherche et, donc, au type souhaité d’analyse, qu’il s’agisse d’une analyse conceptuelle, thématique ou d’arguments. C’est à cette étape qu’on utilise le plus souvent les métadonnées, afin de multiplier les perspectives sur les données textuelles. Cette étape implique souvent des allers-retours entre les données, les outils, leur paramétrisation et les résultats obtenus. Ainsi, à la lumière de résultats préliminaires, on pourra juger nécessaire de paramétrer différemment les algorithmes utilisés (par exemple, le nombre de thèmes dans une analyse thématique) ou encore de changer de métrique. Un recul critique par rapport aux résultats est donc toujours nécessaire.

    38Une manière de faciliter ce recul critique, mais aussi de rendre possibles l’interprétation et l’exploitation des résultats, est de recourir à des outils de représentation. Ces outils, en effet, permettent de créer des visualisations synthétiques plus parlantes que les données brutes. C’est là l’objet de la troisième étape, orientée vers l’interprétation des résultats à la lumière du cadre théorique du projet. Les divers éléments quantitatifs sont alors exprimés en langage naturel et souvent étayés par des retours au texte (par des extraits ou des références).

    39La phase de diffusion, comme dans tout projet de recherche, consiste à faire partager les résultats finaux. Cette phase n’est pas propre aux approches computationnelles, mais celles-ci présentent des particularités. Une de ces particularités est l’importance accordée à l’exposition des méthodes et des choix sous-jacents. En effet, la qualité des résultats étant directement liée à la qualité de la méthodologie, la présentation de cette dernière sert, encore plus directement qu’ailleurs, en partie d’argument pour la validité du propos et des conclusions. Une autre particularité, et non des moindres, concerne l’archivage et la mise à disposition des objets de la recherche, notamment des données et des outils utilisés, qu’on rend accessibles dans des dépôts de données de recherche (Zenodo, Github, etc.). Un des objectifs de cette pratique est de permettre que d’autres travaux soient menés sur les mêmes données, afin d’apporter des éclairages supplémentaires sur les textes étudiés, mais aussi, et surtout, de faciliter la réplication des analyses. Dans tous les cas, une documentation rigoureuse est nécessaire.

    Figure 6 Principaux éléments de la phase de réalisation d’un projet d’analyse computationnelle de texte

    Trois types d’objets y sont représentés (boîtes bleues) : les utilisateurs, les objets informationnels et les outils permettant de manipuler ces objets. Ces derniers sont classés en trois sous-groupes en fonction des étapes de la réalisation où ils interviennent (boîtes vertes) : décodage, analyse ou représentation. (Figure utilisant des codes graphiques inspirés du langage unifié de modélisation [UML, pour unified modeling language] ; l’UML est un langage de modélisation permettant la visualisation des objets en jeu lors du développement logiciel et de la conception orientée objet. Tiré de Lareau (2022, p. 417).

    La preuve par le texte

    40Pour peu qu’elles soient mises en œuvre dans la perspective d’une question de recherche appropriée et de manière précautionneuse, les approches numériques de l’analyse de texte peuvent faire mieux comprendre comment certains concepts sont utilisés dans un corpus de textes, quels thèmes le traversent et quels arguments y sont développés. Croisées avec des métadonnées, ces analyses sont susceptibles de révéler des variations ou des spécificités parfois inattendues. De surcroît, parce qu’elles reposent sur des algorithmes informatiques, de telles analyses sont d’autant plus pertinentes que la quantité de données textuelles est considérable et se prête difficilement à une lecture manuelle. Lorsqu’elles sont déployées, ces approches numériques conduisent à des résultats qui aident à justifier certaines thèses sur les contenus des corpus étudiés et jouent donc un rôle de preuve. Cinq grandes caractéristiques contribuent à leur conférer un tel « rôle probant ».

    41Les approches numériques fonctionnent, tout d’abord, selon un processus algorithmique clairement décomposable et qu’il est possible de suivre pas à pas, tout comme une démonstration mathématique. Cette transparence de la démarche facilite l’acceptation des résultats, qu’on perçoit alors comme en découlant logiquement. Cette même transparence assure aussi la reproductibilité des résultats et, donc, leur fiabilité (voir le chapitre de J. Moisan et V. Larivière). La deuxième caractéristique qui contribue au rôle probant des approches numériques est la robustesse des résultats. En effet, il est fréquent que, pour une même question, on puisse recourir à plusieurs variantes algorithmiques d’une même approche (par exemple, plusieurs manières de réaliser un modèle thématique) et que celles-ci conduisent toutes aux mêmes types de résultats. Cette robustesse apporte aux résultats la solidité qu’on attend d’une preuve. Une troisième caractéristique est leur dimension quantitative, mathématique, qui répond à la forme souvent attendue d’une preuve. Le quatrième attribut réside dans l’exhaustivité des approches numériques, qui sont systématiques et dont les résultats portent sur l’entièreté d’un corpus dans ses moindres recoins. Enfin, parce qu’elles permettent d’analyser des ensembles très vastes de textes, leurs conclusions se rapprochent d’un certain idéal de représentativité.

    42Bien entendu, le caractère probant des approches numériques ne vaut que si elles sont correctement mises en œuvre. Or, cette mise en œuvre n’a rien d’aussi immédiat que la lecture d’un texte. Comme on l’a vu plus haut, elle repose sur un bon nombre d’opérations, qu’il faut réaliser avec précaution. Elle dépend aussi du corpus, choisi ou construit, de la qualité de ses données textuelles et de ses métadonnées, ou encore de sa représentativité (notons à cet égard que ce dernier point est tout aussi pertinent pour la lecture et l’analyse classiques de textes). Peut-être plus que d’autres méthodes, les approches numériques exigent des questions de recherche clairement formulées et, surtout, en adéquation avec les moyens choisis et leurs limites.

    43On doit appréhender les méthodes numériques d’analyse de corpus de textes comme offrant des perspectives complémentaires de celles des approches existantes, comme la lecture et l’analyse fine de textes choisis. Dans certains cas, elles permettent de confirmer des éléments déjà connus ou supputés, auxquels elles apportent une justification supplémentaire, notamment quantitative. Dans d’autres cas, elles permettent de tester des hypothèses. Mais un de leurs plus grands atouts est certainement de rendre possible l’exploration de vastes ensembles de textes, à la recherche de faits saillants et, surtout, non encore découverts. Dans tous les cas, leur transparence algorithmique, leur dimension quantitative et leur caractère systématique, de même que la robustesse et la représentativité de leurs résultats, sont autant de caractéristiques qui contribuent à leur fonction de preuve.

    Bibliographie

    Bertoldi, Nicola, Francis Lareau, Charles H. Pence et Christophe Malaterre, « A quantitative window on the history of statistics : Topic-modelling 120 years of Biometrika », Digital Scholarship in the Humanities, vol. 39, no 1, p. 13-29, 2024.

    Chartier, Jean-François et Dominic Forest, « Les espaces sémantiques de mots-clés : Une méthode d’indexation automatique de documents par assignation de mots-clés », Recherche d’information, document et web sémantique, vol. 1, no 1, p. 1-24, 2017.

    Claveau, François et Yves Gingras, « Macrodynamics of Economics : A Bibliometric History », History of Political Economy, vol. 48, no 4, p. 551-592, 2016.

    Evans, Eliza D., « Measuring Interdisciplinarity Using Text », Socius, vol. 2, p. 1-18, 2016.

    Kozlowski, Diego, Vincent Larivière, Cassidy R. Sugimoto et Thema Monroe-White, « Intersectional inequalities in science », Proceedings of the National Academy of Sciences, vol. 119, no 2, 2022.

    Lareau, Francis, « Approche computationnelle de l’analyse conceptuelle. Présentation opérationnelle et approfondissement méthodologique de la détection de concept dans des extraits textuels », Philosophiques, vol. 49, no 2, p. 413-431, 2022.

    Malaterre, Christophe, Francis Lareau, Davide Pulizzotto et Jonathan St-Onge, « Eight journals over eight decades : A computational topic-modeling approach to contemporary philosophy of science », Synthese, vol. 199, p. 2883-2923, 2021.

    Meunier, Jean-Guy, Computational Semiotics, Bloomsbury Academics, 2022.

    Rhaiem, Mehdi, Davide Pulizzotto, Anas Ramdani et Catherine Beaudry, « Patent Text Mining : Evolution Paths in 5G Industry », XXXIII ISPIM Innovation Conference, Copenhague, Danemark, 2022.

    Trautmann, Dietrich, Michael Fromm, Volker Tresp, Thomas Seidl et Hinrich Schütze, « Relational and Fine-Grained Argument Mining », Datenbank-Spektrum, vol. 20, no 2, p. 99-105, 2020.

    Auteurs

    • Kevin Kaiser
    • Francis Lareau
    • Christophe Malaterre
    • Davide Pulizzotto
    Précédent Suivant
    Table des matières

    Le texte seul est utilisable sous licence Licence OpenEdition Books. Les autres éléments (illustrations, fichiers annexes importés) sont « Tous droits réservés », sauf mention contraire.

    Voir plus de livres
    Le savoir des livres

    Le savoir des livres

    Benoît Melançon (dir.)

    2005

    Faire preuve

    Faire preuve

    Comment nos sociétés distinguent le vrai du faux

    Julien Prud'homme et Molly Kao (dir.)

    2025

    Voir plus de livres
    1 / 2
    Le savoir des livres

    Le savoir des livres

    Benoît Melançon (dir.)

    2005

    Faire preuve

    Faire preuve

    Comment nos sociétés distinguent le vrai du faux

    Julien Prud'homme et Molly Kao (dir.)

    2025

    Accès ouvert

    Accès ouvert

    ePub

    PDF

    PDF du chapitre

    Acheter

    Édition imprimée

    Presses de l’Université de Montréal
    • amazon.fr
    • decitre.fr
    • mollat.com
    • leslibraires.fr
    • placedeslibraires.fr

    Faire preuve

    X Facebook Email

    Faire preuve

    Vous pouvez vous connecter à votre bibliothèque à l’adresse suivante : https://freemium.openedition.org/oebooks

    Suggérer l’acquisition à votre bibliothèque

    Si vous avez des questions, vous pouvez nous écrire à access[at]openedition.org

    Faire preuve

    Vérifiez si votre bibliothèque a déjà acquis ce livre : authentifiez-vous à OpenEdition Freemium for Books.

    Vous pouvez suggérer à votre bibliothèque d’acquérir un ou plusieurs livres publiés sur OpenEdition Books. N’hésitez pas à lui indiquer nos coordonnées : access[at]openedition.org

    Vous pouvez également nous indiquer, à l’aide du formulaire suivant, les coordonnées de votre bibliothèque afin que nous la contactions pour lui suggérer l’achat de ce livre. Les champs suivis de (*) sont obligatoires.

    Veuillez, s’il vous plaît, remplir tous les champs.

    La syntaxe de l’email est incorrecte.

    Référence numérique du chapitre

    Format

    Kaiser, K., Lareau, F., Malaterre, C., & Pulizzotto, D. (2025). L’analyse de corpus : démontrer par le texte. In J. Prud’homme & M. Kao (éds.), Faire preuve. Montréal: Presses de l’Université de Montréal. https://doi.org/10.4000/14ugp
    Kaiser, Kevin, Francis Lareau, Christophe Malaterre, et Davide Pulizzotto. « L’analyse de corpus : démontrer par le texte ». In Faire preuve, édité par Julien Prud’homme et Molly Kao. Montréal: Presses de l’Université de Montréal, 2025. doi:10.4000/14ugp.
    Kaiser, Kevin, et al. « L’analyse de corpus : démontrer par le texte ». Faire preuve, édité par Julien Prud’homme et Molly Kao, Presses de l’Université de Montréal, 2025, https://doi.org/10.4000/14ugp.

    Référence numérique du livre

    Format

    Prud’homme, J., & Kao, M. (éds.). (2025). Faire preuve. Montréal: Presses de l’Université de Montréal. https://doi.org/10.4000/14ugt
    Prud’homme, Julien, et Molly Kao, éd. Faire preuve. Montréal: Presses de l’Université de Montréal, 2025. doi:10.4000/14ugt.
    Prud’homme, Julien, et Molly Kao, éditeurs. Faire preuve. Presses de l’Université de Montréal, 2025, https://doi.org/10.4000/14ugt.
    Compatible avec Zotero Zotero

    1 / 3

    Presses de l’Université de Montréal

    Presses de l’Université de Montréal

    • Plan du site
    • Se connecter

    Suivez-nous

    • Flux RSS

    URL : http://www.pum.umontreal.ca

    Email : pum@umontreal.ca

    Adresse :

    100-5450, Chemin de la Côte-des-neiges

    QC, H3T 1Y6

    Montréal

    Canada

    OpenEdition
    • Candidater à OpenEdition Books
    • Connaître le programme OpenEdition Freemium
    • Commander des livres
    • S’abonner à la lettre d’OpenEdition
    • CGU d’OpenEdition Books
    • Accessibilité : partiellement conforme
    • Données personnelles
    • Gestion des cookies
    • Système de signalement