# 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. https://ruvy.ch/decks/-P5C_OH2CkcpuPLWmBz8