Création de sous corpus et exploitation d’Iramuteq sur Mauriac en ligne

Ce texte fait suite au précédent billet publié à la fin de l’année universitaire 2018-2019 et complète la description des missions qui ont été les miennes dans le cadre de mon stage au sein du Service Commun de Documentation de l’Université Bordeaux Montaigne dans le cadre de ma deuxième année de Master Document Numérique et Humanités Digitales (DNHD). Après avoir expliqué la méthodologie mise en oeuvre pour reconnaître les entités nommées au sein du corpus textuel, nous détaillons ici l’analyse textométrique que nous avons réalisée afin de créer des sous corpus d’articles de presse qui permettront de proposer des parcours de lecture au sein de la base de données.

Logo du logiciel IRaMuTeQ © – 2008-2019 Pierre Ratinaud

Une brève introduction à Iramuteq

La textométrie (aussi nommée lexicométrie ou logométrie) permet de réaliser des analyses statistiques sur des corpus plus ou moins vastes de textes. S’il existe plusieurs outils permettant d’effectuer ce type d’analyse, Iramuteq (http://www.iramuteq.org/) se démarque par sa riche documentation. Logiciel libre construit avec des logiciels libres, son usage est facilité par son interface de R (www.r-project.org) et l’exploitation du langage python (www.python.org).

Ses fonctionnalités sont les suivantes : 

  • Faire des analyses statistiques sur des corpus de textes et sur des tableaux de type individus/caractères équivalent à des questionnaires ;
  • Réaliser également des recherches de spécificité à partir de segmentation définie ;
  • Effectuer des statistiques textuelles classiques (fréquences) et inférentielles (Chi2) ;
  • Produire des analyses de similitude sur les formes pleines d’un corpus découpé en segments de textes.

Pour résumer, il permet de donner un aspect visuel et graphique aux statistiques textométriques d’un corpus de textes, et ainsi d’en faciliter l’interprétation et l’analyse. 

Couplé à d’autres logiciel de data-analyse comme Gephi (https://gephi.org/), il permet enfin de réaliser des graphiques plus poussés de liens et de réseaux…

Dans le contexte qui nous intéresse ici, celui du projet Mauriac en ligne, Iramuteq a été exploité pour tenter de créer des parcours de lecture destinés à des publics non expert de François Mauriac. 

Exploiter Iramuteq pour créer des “parcours” de lecture

Le corpus ayant déjà été travaillé sous Iramuteq, nous possédions, pour chaque texte du corpus, les statistiques sémantiques modélisées sous différents types de fichiers, dont des fichiers .csv, c’est-à-dire des tableurs. Ces analyses sémantiques ont été réunies afin de récupérer les données statistiques des mots les plus récurrents et pertinents nous permettant d’effectuer, in fine, des recherches types, à partir de mots comme “femme” ou “mère” par exemple pour regrouper des textes traitant des femmes, de la féminité ou encore de la maternité…

Les classifications de Reinert (création des classes selon les champs lexicaux contenus dans un texte, un corpus…), sur lesquels s’appuie en partie Iramuteq, sont exploitées pour l’analyse sémantique des textes. Afin de réunir toutes les thématiques au même endroit, un regroupement des données a été réalisé dans un tableur.

Un exemple de dendrogramme sur un texte de notre corpus par Classification de Reinert (Iramuteq) – Mauriac en ligne – 2019.

Compte tenu du style de François Mauriac, qui multiplie les parallèles et les métaphores, Cette première sélection doit êtres affinée par une relecture des textes qui nous permet de bien vérifier que le texte en question parle bien du thème retenu pour tel ou tel sous-corpus.

Trois sous-corpus, qui deviendront pour nos futurs lecteurs des thématiques ou des parcours de lecture1, ont ainsi été identifiés :

  • Parcours Femmes qui regroupe les textes dans lesquels François Mauriac évoque la femme, la mère, les jeunes filles, etc.
  • Parcours Jeunesse dans lequel le lecteur trouvera des textes en rapport avec l’enfance, l’adolescence ou les étudiants.
  • Parcours Aquitaine qui regroupe les textes ou François Mauriac mentionne ou décrit l’Aquitaine et son paysage.

Au final, chacun de ces trois sous-corpus regroupe une cinquantaine de textes. Notons que lors de cette phase, de nouvelles thématiques potentielles sont apparues car les thématiques sont souvent croisées: femme et enfant sont ainsi souvent associées, comme guerre et politique par exemple.

Exploiter Iramuteq pour comparer les sujets abordés par journaux, un exemple sur le sous corpus du Figaro

Ce travail réalisé, nous avons souhaité analyser les champs lexicaux développés par François Mauriac en fonction des journaux. L’analyse a été effectuée sur le sous corpus contenant tous les article du Figaro, journal avec lequel François Mauriac a collaboré le plus longuement. Pour la période qui nous intéresse, qui va de 1910 à 1945 et qui représente 924 textes, 289 articles sont ainsi publiés dans Le Figaro. Cette collaboration est, avant guerre, assez diffuse et non continue puisque la plume de François Mauriac apparaît dans les colonnes du Figaro en 1920, 1921 et 1929 puis régulièrement à partir de 1933 et jusqu’en 19452.

Pour ce sous corpus, l’établissement d’une classification de Reinert suivie d’une analyse factorielle des correspondances permet ainsi de voir les classes lexicales définies par le logiciel ; notons que ces classes peuvent être mélangées entre elles. Une analyse de similitude (sur une base de 100 occurrences) complète cette étude puisqu’elle nous permet de visualiser les liens entre les termes les plus présents. 

Préparation des paramètres pour une classification de Reinert sur le sous corpus du Figaro
Mauriac en ligne – 2019.

Pour compléter, lire la description des paramètres : 

Nous obtenons ainsi les statistiques suivantes sur l’ensemble du sous corpus, en plus de différents graphiques liés à l’analyse.

+-+-+-+-+-+-+-+-+
|i|R|a|M|u|T|e|Q| - Tue May 14 09:22:51 2019
+-+-+-+-+-+-+-+-+


Nombre de textes: 289
Nombre de segments de texte: 6445
Nombre de formes: 18832
Nombre d'occurrences: 229585
Nombre de lemmes: 10718
Nombre de formes actives: 10224
Nombre de formes supplémentaires: 494
Nombre de formes actives avec une fréquence >= 6: 2354
Moyenne de formes par segment: 35.622188
Nombre de classes: 4
5483 segments classés sur 6445 (85.07%)

###########################
temps : 0h 1m 20s
###########################

Après classification lexicale et récupération des listes d’occurrences, nous obtenons 4 champs que l’on peut observer ci-dessous.

Classification de Reinert pour le sous corpus du Figaro
Mauriac en ligne – 2019.

Découlant directement de la classification, dans un autre onglet, nous avons accès à l’Analyse Factorielle des Correspondances (AFC) permettant de :

  • Transformer les données sous forme de graphique 2D ou 3D
  • Hiérarchiser l’information des textes dans l’espace
Analyse Factorielle des Correspondances pour le sous corpus du Figaro
Mauriac en ligne – 2019.

Cette représentation nous offre la possibilité de visualiser la répartition des 4 champs lexicaux identifiés, d’observer dans “l’espace” comment ces derniers se recoupent ou se croisent, de voir quelles classes lexicales sont rapprochées, mélangées ou encore disparates. On constate bien ainsi que les 4 classes lexicales identifiées sont bien distinctes et peuvent être regroupées sous les grands thèmes suivant :

  • Religion catholique (thème de la spiritualité si cher à Mauriac)
  • Nation et politique (Mauriac comme témoin de son temps)
  • Livre et roman (la question de la création littéraire)
  • Descriptif de paysages, d’ambiances (le rapport à l’espace géographique et notamment à l’Aquitaine et à ses terres natales)

Enfin, l’analyse des similitudes sur ce sous-corpus, créée à partir de l’indice de cooccurrence, permet de récupérer un dernier graphique où la force des liens entre les champs lexicaux est définie par la présence simultanée de deux ou plusieurs mots dans l’ensemble de ces textes.

Préparation des paramètres pour l’analyse de similitudes sur le sous corpus Figaro
Mauriac en ligne – 2019.

Afin de ne pas avoir trop d’informations sur le graphique, j’ai décidé de partir sur une base de 100 occurrences. L’indice de cooccurence (combien de fois des éléments apparaissent en même temps, présence simultanée de deux ou plusieurs mots dans un même énoncé) est l’indice par défaut mais il en existe de nombreux (voir documentation).

La présentation retenue s’appuie sur l’option “Fruchterman Reingold”, d’après l’algorithme de ces deux auteurs3, qui s’adapte parfaitement au corpus de faible dimension et qui calcule la distance entre les nœuds ainsi que leurs poids et la force de leurs liens.

Pour plus de visibilité, il faut penser à cocher la case “Communautés”, qui va nous permettre d’avoir un code couleur correspondant aux regroupements des similitudes. Pour plus d’informations sur les paramètres de l’analyse de similitudes, je vous invite à suivre ce lien vers la documentation.

Représentation visuelle des similitudes du sous-corpus du Figaro
Mauriac en ligne – 2019.

Pour conclure

A ce stade de notre analyse, quelques remarques conclusives peuvent être formulées concernant le recours à la textométrie dans ce type de projet de diffusion numérique d’un patrimoine écrit. En plus de pouvoir analyser des corpus entiers, des segments de texte et des variables spécifiques, Iramuteq nous a en effet aidé à la création de sous-corpus permettant de publier, dans un avenir proche, des parcours de lecture et des dossiers pédagogiques ; cette semi-automatisation a ainsi permis de dépasser les difficultés rencontrées par l’équipe de chercheurs réunie autour de Mauriac en ligne dans la structuration de ces regroupements thématiques. Au delà de ce travail “architectural” autour de la base de données, nous avons également pu tester des analyses selon le type de variables (date, éditeur…) ou des modalités précises permettant de soulever de nouvelles questions de recherche.

Lors de mon stage, j’ai enfin pu effectuer différentes études comme par exemple :

  • Un travail sémantique sur le corpus de la Guerre d’Espagne
  • Une étude de l’évolution des thèmes abordés par François Mauriac de manière chronologique, d’abord par tranche de 5 puis 10 ans, et ensuite par lot de 50 textes répartis car la densité d’articles entre des périodes fixes varie énormément.

Reste désormais aux intéressés de s’emparer de ces résultats et de les faire parler…

 

Pour citer cet article : Mélanie Aubry, "Création de sous corpus et exploitation d’Iramuteq sur Mauriac en ligne," dans Mauriac en ligne, 18/09/2019, https://mauriacenligne.hypotheses.org/891.
  1. A cet égard, le projet Mauriac en ligne fait actuellement l’objet d’une réflexion dont les grands objectifs sont : la refondation de la base de données actuelle, l’évolution du portage du projet et la mise en place d’une communauté d’usagers ; cette réflexion s’effectue dans le cadre de l’Appel à Projets Plan de Numérisation et de Valorisation du Ministère de la Culture. []
  2. La parution du journal sera interrompue du 11 novembre 1942 au 25 août, jour 1944 où est publié à Paris un éditorial de François Mauriac sur Charles de Gaulle sous le titre “Le premier des nôtres“. []
  3. Sur un retour d’expérience de visualisation de réseaux, voir par exemple : Floriant Cafiero, “Analyse de réseaux (3): s’il vous plaît… dessine-moi un réseau“, Sacré Gr@@l, 13 février 2017. []

Vous aimerez aussi...

Laisser un commentaire

Votre adresse de messagerie ne sera pas publiée. Les champs obligatoires sont indiqués avec *

Ce site utilise Akismet pour réduire les indésirables. En savoir plus sur comment les données de vos commentaires sont utilisées.