Lecture distante, textométrie et fouille de textes

Sciences de l'information · Master 1

Analyse quantitative de corpus : lecture distante, textométrie, fréquences et topic modeling.

Introduction

Face à des corpus de milliers de textes, la lecture attentive d'un texte à la fois ne suffit plus. La lecture distante, notion popularisée par Franco Moretti, consiste à analyser des motifs à grande échelle grâce à des méthodes quantitatives, quitte à renoncer au détail du texte singulier. Elle ne remplace pas la lecture rapprochée : elle la complète en suggérant des hypothèses.

La textométrie, tradition particulièrement vivante dans l'espace francophone, étudie la distribution du vocabulaire dans un corpus : fréquences, spécificités, concordances, cooccurrences. La stylométrie compare les habitudes d'écriture pour discuter d'attributions d'auteur. Le topic modeling regroupe automatiquement les mots qui apparaissent ensemble en thèmes.

Ces méthodes dépendent de la qualité du corpus : sa constitution, son nettoyage et sa représentativité déterminent les résultats. Elles exigent un esprit critique sur les biais, par exemple ceux de l'océrisation, et une documentation rigoureuse pour que l'analyse soit reproductible.

Objectifs d'apprentissage

Distinguer lecture distante et lecture rapprochée
Utiliser les notions de fréquence, spécificité et concordance
Expliquer le principe du topic modeling et ses limites
Identifier les biais d'un corpus numérisé
Documenter une analyse pour la rendre reproductible

Concepts clés

Lecture distante: Analyse de grands corpus par des méthodes quantitatives pour repérer des motifs impossibles à voir en lisant texte par texte.
Textométrie: Ensemble de méthodes statistiques sur le vocabulaire d'un corpus : fréquences, spécificités, cooccurrences, concordances.
Topic modeling: Technique statistique qui regroupe les mots co-occurrents en thèmes latents ; les thèmes restent à interpréter.
Constitution du corpus: Choix et préparation des textes : sources, périmètre, nettoyage, métadonnées. Ils conditionnent la validité des résultats.
Reproductibilité: Capacité d'un tiers à refaire l'analyse avec les mêmes données et méthodes pour obtenir les mêmes résultats.

Conclusion

La lecture distante, la textométrie et la fouille de textes ouvrent de nouvelles questions aux sciences humaines, à condition d'être pratiquées avec rigueur. Le corpus est le socle : sa constitution est un acte scientifique à documenter.

Le rôle du spécialiste de l'information est d'assurer la qualité des données, l'interopérabilité et la reproductibilité, afin que les résultats puissent être discutés et réutilisés.

Cartes

Qui a popularisé la notion de lecture distante ?: Franco Moretti, théoricien de la littérature.
Qu'est-ce qu'une concordance ?: Une liste des occurrences d'un mot avec son contexte immédiat.
Que mesure la spécificité d'un mot dans un sous-corpus ?: Son sur- ou sous-emploi par rapport à ce qu'on attendrait au hasard compte tenu du reste du corpus.
Qu'est-ce que le topic modeling ?: Une méthode statistique non supervisée qui découvre des groupes de mots récurrents appelés thèmes.
Pourquoi les thèmes d'un topic model demandent-ils interprétation ?: Parce que l'algorithme regroupe des mots sans comprendre le sens ; c'est le chercheur qui nomme et valide les thèmes.
Quel biais peut venir d'un corpus issu d'OCR ?: Les erreurs de reconnaissance faussent les fréquences, surtout pour les typographies anciennes.
À quoi sert la stylométrie ?: À comparer les habitudes d'écriture, par exemple pour discuter d'attribution d'auteur.
Pourquoi la lecture distante ne remplace-t-elle pas la lecture rapprochée ?: Elle repère des tendances ; l'interprétation du sens requiert encore la lecture attentive.
Que doit documenter une analyse reproductible ?: Les sources, le nettoyage, les paramètres et les outils utilisés avec leurs versions.

Glossaire

Cooccurrence: Apparition de deux mots dans un même contexte (phrase, fenêtre).
Lemmatisation: Réduction des mots à leur forme de base.
Mot vide: Mot très fréquent sans valeur informative propre, souvent écarté.
Corpus: Ensemble de textes rassemblés selon des critères pour être étudiés.
Stylométrie: Étude statistique du style d'écriture.
Étiquetage morphosyntaxique: Attribution à chaque mot de sa catégorie grammaticale.