Séminaire Transnum #5 : Numérisation de corpus et fouille de données en humanités : quels outils pour quels projets

Cette séance a rassemblé deux recherches qui lient les outils de statistique et de fouille de corpus à l’analyse de texte. Marine Riguet vient de devenir docteure au sein du laboratoire OBVIL suite à une thèse consacrée au rapport entre critique littéraire et discours scientifiques au xixème siècle, en s’appuyant sur un corpus de plus de trois cents ouvrages numérisés. Pierre-Carl Langlais est post-doctorant au GRIPIC et a présenté son travail de numérisation de corpus de presse du xixème siècle dans le cadre du programme Numapresse.

***

Reproportionner l’homme : la recherche numérique

Marine Riguet s’intéresse à l’articulation entre questions qualitatives et quantitatives et à ce que les outils de lexicométrie, d’alignement textuel (traque des réutilisations de mots) et de cartographie permettent pour étudier le dialogisme entre discours de la critique littéraire et discours scientifique. L’emploi de ces outils va avec la multiplication des niveaux d’analyses : référentielle, lexicale, conceptuelle et rhétorique.

Ce sont 341 ouvrages de critique littéraire parus entre 1850 et 1914 qui sont étudiés, à partir de différentes sources d’archives (Gallica, Internet Archive, Wikisource, Gutenberg, récupérés en PDF ou reconstruits à partir d’un logiciel de reconnaissance optique). Ces ouvrages sont ensuite analysés et dans le même mouvement édités en HMTL / TXT / TEI (adresse), en cohérence avec la posture de « libre accès » souvent revendiquée par le champ des « humanités numériques ». Ce travail a été rendu possible par une formation de 3 jours en XML / TEI à l’université de Tours. La numérisation a ensuite été retravaillée avec les équipes d’ingénieurs d’OBVIL pour harmonisation.

Marine distingue sa démarche des pratiques de distant reading (Franco Moretti) et de big data. Si le corpus est  en effet considérable du point de vue des conventions en littérature, il est très petit relativement aux projets de big data ou de numérisation à grande échelle. De plus, son travail reste dans un va et vient constant avec une lecture « proche » des ouvrages. Pour elle, le « nouveau régime de visibilité » du distant reading permet d’échapper à la lecture « microdéformante » du « lecteur traditionnel » et de lever de nouvelles questions, conduisant à naviguer « entre les deux infinis » potentiels du close et du distant reading.

L’analyse porte sur les figures d’autorité en circulation, les noms de personnes devenant des « entités nommées » grâce à un outil développé par Alaa Abi-Haidar (UNERD), classées par fonctions – écrivains, personnalités, philosophes, critiques, savants – qui sont ensuite visualisées via GEPHI, un logiciel d’analyse de réseaux (cf. notre séance avec Jean-Edouard Bigot). Il apparaît par exemple que la référence scientifique dans la critique littéraire tient surtout à une nouvelle représentation du monde vivant, ou que des agglomérats se dégagent autour de l’ « étude interne de l’homme », entre psychologie allemande, psycho-physiologie française, sociologie, anthropologie et criminologie.

Ce type de calcul d’occurrences pose, par effet retour, des questions épistémologiques sur ce qui constitue la « centralité » d’un auteur dans un réseau, entre le simple nombre d’occurrences et la position d’intermédiaire entre plusieurs réseaux d’auteurs. Les philosophes comme Darwin, Spencer et Heckel occupent par exemple une position transversale : ils sont cités par des nombreux auteurs appartenant à des agglomérats différents. L’usage d’outils d’analyse de réseaux conduit à une pensée de l’histoire comme faite de « moments », ici un « moment de la vie » dans l’histoire littéraire qui se dégage des relations entre les œuvres. La méthode conduit à penser en termes d’« ontologie relationnelle », où l’objet de recherche devient défini par les relations dynamiques qu’il entretient avec des thèmes, des auteurs, etc. Marine décrit son travail comme un va et vient permanent entre les hypothèses, les données et les interprétations, en articulant les différentes échelles de lecture.

***

Faire du text mining en humanités : nouveaux regards sur la presse française numérisée (1800-1945)

Pierre Carl-Langlais propose de réfléchir aux liens entre humanités et « text & data mining » et ce qu’il nomme de « nouveaux regards sur la presse numérique », à partir de son travail post-doctoral au sein de l’ANR « Numapresse – Du papier à l’écran. Mutations culturelles, transferts génériques, poétiques et médiatiques de la presse francophone de 1800 à aujourd’hui. ».

Il s’agit de numériser des grands volumes de texte issus de différents journaux (4 quotidiens français et 11 périodiques canadiens), en particulier pour reconstituer leur circulation en identifiant les reprises de textes. Pierre-Carl utilise pour ce faire des outils d’alignement de textes conçus pour détecter le plagiat, même si la question ne se pose pas dans un corpus à une époque où le droit d’auteur n’existe pas pour ces textes. Les analyses quantitatives ne répondent pas à un souci de plus d’objectivité mais permettraient surtout de poser de nouvelles questions. Avec de telles méthodes, le chercheur en littérature Ted Underwood a par exemple montré qu’on pouvait substituer à l’hypothèse de « l’avènement de la romancière » au XIXème siècle l’hypothèse contraire de sa disparition.

On peut se demander dans quelle mesure cette « nouvelle question » a réellement à voir avec ce que permet l’analyse quantitative plutôt qu’avec l’envie de tester l’hypothèse de départ. Pierre-Carl montre néanmoins comment ces outils s’avèrent particulièrement adaptés pour observer la circulation de textes entre différents journaux. Il y a certes un risque d’« explosion combinatoire » lorsqu’on cherche des similitudes mais on peut se concentrer sur un échantillon de « formules partagées », en affinant progressivement les requêtes. Pierre-Carl parle de « viralité » pour définir cette circulation d’énoncés dans tous les journaux étudiés qui montre qu’il existe un système médiatique francophone de l’information au xixème siècle, où des éléments d’actualité internationale circulent sans attribution, mais avec des intermédiaires privilégiés, comme le journal « Courrier du Canada ». Les mouvements de reprise étudiés peuvent être ensuite interprétés et par exemple mis en correspondance avec les flux de voyages par bateaux (steamers), puisque les reprises arrivent groupées. On remonte ainsi des phénomènes textuels vers de grands phénomènes socio-médiatiques, même s’il manque beaucoup d’information sur les infrastructures techniques et médiatiques : réseau télégraphique, salles de rédaction…

Faire des analyses quantitatives suppose « d’arrêter de lire » et de faire confiance à la machine tout en lui demandant des gages de fiabilité. Les corpus numérisés et l’analyse quantitative permettent aussi de dégager des modèles de genres journalistiques, valables sur 20 à 30 ans, qui relient un genre à des « sacs de mots ». Là encore, il y a un aller-retour permanent entre les résultats que produisent au départ des catégories trop larges et leur « correction » manuelle. Les modèles sont des grilles de lecture mais « tous les modèles sont faux » : un texte peut être à 1% de bourse, 1% de tel autre genre, etc. et les courbes renseignent aussi sur les genres qui sont « bien » reconnus par un modèle ou pas : la publicité ou le roman feuilleton sont facilement identifiables, tandis que le fait divers l’est beaucoup moins. Avec ces outils, on peut finalement envisager le genre à l’intersection :

  • Des motifs textuels : des récurrences lexicales identifiées par les modèles de classement des textes qui ne sont pas que thématiques mais aussi stylistiques (ex roman feuilleton)
  • Des thématiques : liées à l’emploi privilégié de certains termes
  • Des constructions éditoriales : agencement des textes, images et tableaux
  • Les signatures des journalistes : notamment lorsqu’ils ont une activité stable et continue.

On peut alors se demander quels genres ont le plus de frontières intertextuelles.

Pierre-Carl conclut en soulignant que ce qu’il propose relève avant tout d’un outil d’exploration de la presse qui permet de créer des sous-corpus et des thèmes de recherche pour des recherches plus focalisées – par exemple « l’écriture du sport au xixème » ou de voir apparaître des moments de conflits sociaux dans les périodiques étudiés. Une piste pour la suite consiste à réfléchir à la manière d’intégrer l’analyse des images dans la suite des outils développés par Google pour Google Image.

***

Suite aux présentations la discussion traite de :

  • La façon dont ces nouveaux régimes de visibilité du texte sont susceptibles de construire de nouvelles invisibilités
  • Le rapport de la périodisation via la statistique textuelle avec les épistémologies de l’histoire existantes (Marine parle d’un « moment de la vie » dans la critique littéraire, les méthodes semblent parfois opérationnaliser les questionnements de Foucault sur l’émergence de formations discursives)
  • Le risque d’écraser la poétique textuelle sous la dimension référentielle (mais les travaux sont toujours en dialogue dynamique avec une analyse poétique et rapprochée)
  • L’attitude « ça ne coûte rien d’essayer » qui consiste à emprunter des outils de traitement et de visualisation quand ils se présentent pour les appliquer au corpus déjà numérisé, à profiter des fonctions qui circulent (comme les extracteurs de comparaison), à les ajuster (dans la collaboration avec des informaticiens du Lip6 (UPMCS) pour Marine, dans un apprentissage personnel de la programmation pour Pierre-Carl)
  • Le choix de faire apparaître les visualisations comme partie du corps de la thèse et non comme annexe (Marine).

 


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.