Volume 11, Number 1, November 2015 Sur le thème de l’analyse de données textuelles informatisée Guest-edited by Claude Vautier

FR:

Cette contribution présente une réflexion méthodologique consistant en la comparaison des approches et des méthodes en matière de traitement automatisé des données textuelles, le croisement des outils logiciels, voire l’utilisation des résultats des uns pour les soumettre aux autres, et défend une démarche expérimentale en lexicométrie ou textométrie.

EN:

This paper presents a methodological reflection comparing various automated data processing techniques, approaches, and methods. It promotes the use of various types of software while working on textual data, explains how results of software can be used as data in different settings and promotes an experimental approach in atextometrical or lexicometrical field.

FR:

Nous nous interrogeons sur les méthodologies à utiliser pour analyser le contenu des programmes et documents d’accompagnement publiés par le ministère de l’Éducation Nationale en France. Ce corpus textuel présente une forme particulière dans la mesure où les paragraphes de texte sont complétés de tableaux et graphismes variés. L’article présente une étude exploratoire et précise d’abord pourquoi et comment nous articulons deux méthodologies d’analyse logicielle (Alceste et Tropes) et une analyse dite « manuelle ». Les résultats obtenus indiquent des fonctions similaires et une complémentarité. Nous précisons enfin les conditions à respecter pour mener à bien ce travail, les avantages et les limites inhérentes.

EN:

In this article, we question the methods to be used to analyse the content of the teaching programmes and resources published by the Ministry of Education in France. The corpus has a particular form, including texts that are sparsely drafted, tables and many graphics. The article presents an exploratory study and first indicates why and how we articulate two software methods of analysis (Alceste and Tropes) and a so-called “manual analysis”. The results obtained point to similar functions and complementarity. Finally, we specify the conditions that must be met and the limits of this work.

FR:

Quatre-vingt-trois rituels de Chevaliers Kadosh, approximativement datés de 1750 à ce jour, sont traités numériquement par des méthodes de fouille de textes ou d’analyse lexicale (Data mining). Pour faciliter la compréhension du travail, ces méthodes sont brièvement décrites et les logiciels de mises en oeuvre sont comparés.

Il s’agit, pour ces textes de dates de première occurrence incertaines, de tenter d’établir des critères chronologiques et des caractères de parenté. Une ressource nécessaire à l’établissement de la filiation vraisemblable de ces rituels paraît être l’établissement d’un dendrogramme phylogénétique. Un tel arbre est construit à partir du concept de distance afin de comparer numériquement la proximité (similarité) ou l’éloignement (dissimilarité) de ces textes. Par commodité de traitement numérique, c’est une métrique fondée sur le khi2, ou méthode de Muller, qui est exploitée a priori sur les formes graphiques. Il apparaît a posteriori que la même métrique utilisée sur les fonctions syntaxiques conduit à un arbre phylogénétique quasi identique.

EN:

Eighty-three rituals for the Kadosh Knight grade of the Scottish rite, dated approximately from 1750 to the present day, are digitally processed by methods of text mining or lexical analysis. To facilitate the understanding of our work, these methods are briefly described and software implementations are compared.

For these texts, dates of first appearance are often uncertain, and so we attempt to establish chronological criteria and elements of kinship. A phylogenetic dendrogram appears as a necessary resource to determine the probable parentage of these rituals. Such a tree is built on the concept of distance and thus allows to compare the numerical proximity (similarity) or distance (dissimilarity) of these texts. For the purpose of digital processing, a metric based on Muller’s method or khi2 is used a priori on the graphical forms. It appears in retrospect that the same metric, when used on syntactic functions, leads to a nearly identical phylogenetic tree.

FR:

Nous proposons une nouvelle méthode pour l’extraction de termes multi-mots à partir de publications scientifiques. Notre stratégie est fondée sur la combinaison de deux approches : une première liste de termes « candidats » est d’abord extraite à partir de critères de fréquence et de spécificité. Cette liste est ensuite classée suivant la position du terme dans le Résumé : (en ayant recours à un étiquetage de la valeur « argumentative » des phrases, selon une analyse de type text zoning). Cette approche permet de classer les termes en différentes catégories, et notamment de distinguer le vocabulaire conceptuel des éléments d’ordre méthodologique. Nous avons appliqué cette méthode à l’extraction des termes utilisés en traitement automatique des langues à partir de l’analyse d’un corpus (ACL Anthology) s’étendant de 1980 à 2008. Nous montrons ainsi qu’il est possible de suivre les méthodes utilisées, comment elles sont introduites dans le domaine, par quel type d’auteur et pour quel usage, etc. Nous observons ainsi plusieurs faits marquants de l’évolution du domaine sur une période de plus de 30 ans.

EN:

We propose a new method to extract multiword expressions from scientific papers. Our approach is made of two major steps: a first list of candidates is extracted based on a score using frequency and specificity information. This list is then filtered based on the status of the term in the abstract of the scientific papers under investigation. These abstracts are annotated using a text zoning analyser. The terms are then classified in different categories according to the text zoning analysis: we make a difference between terms appearing in the method section of the abstract vs terms appearing in other zones. This method is applied to the ACL Anthology collection, containing the papers published by the ACL between 1980 and 2008. We show that the technique we use allows us to model interesting facts concerning the evolution of the domain and of the methods used in computational linguistics.

FR:

Cet article explore deux préoccupations méthodologiques liées à la méta-analyse de données textuelles : 1) le danger de la « décontextualisation » des idées comme conséquence d’une quantification des données textuelles; et 2) le principe selon lequel il importe de déterminer le cadre historique et l’origine du document avant de procéder à l’analyse. Pour ce faire, nous nous appuyons sur le traitement de 11 020 articles de périodiques parus au Canada et en France en 2005 effectué par le logiciel SPAD. Nous concluons que ce logiciel répond bien à la première préoccupation. SPAD produit des analyses de facteurs des données lexicales tout en offrant au chercheur la possibilité de retourner au texte et de vérifier le « sens » des mots. Toutefois, notre étude de cas montre aussi comment un échantillon de cette taille rend difficile la prise en considération a priori du cadre historique et de l’origine du document. Pour montrer comment il est possible de réaliser des méta-analyses en dépit de cette difficulté, nous nous référons à des principes proposés par les études relationnelles et par la systémique complexe.

EN:

This article explores two methodological concerns related to data-mining or text analytics: 1) the danger of “decontextualizing” ideas as a consequence of quantifying textual data; and, 2) the importance of determining the historical context and the origins of a document prior to analysis. 11 020 articles that appear in Canadian and French periodicals in 2005 were data-mined by a program called SPAD. We conclude that the program responds well to the first concerns. SPAD allows researchers to produce factor analyses of textual data while preserving access to the original text. This in turn ensures that researchers can understand the “meaning” of the words that are analyzed. Our case study does not do so well in regards to the second methodological consideration though, as we present how difficult it is to pre-establish the historical context and the origins of each document with such a large sample. To understand how we were still able to pursue our meta-analysis, in spite these difficulties, we turned to theoretical principals proposed by relational research and complex systems theory.

FR:

Cette étude fait le point sur des recherches informatisées d’analyse de discours politique, et en particulier du discours populiste. La perspective adoptée est celle de l’étude de la construction de l’identité empathique de Marine Le Pen, conformément à des stéréotypes féminins, et ayant pour objectif des positionnements politiques précis et conformes aux fondamentaux du Front national. Des outils informatiques permettent de détecter des tendances discursives par le repérage de mots-clefs tels que solidarité, souffrances, tendances qui peuvent ensuite être affinées par des études qualitatives. D’une part, ce travail confirme la performativité politique des émotions lorsqu’elles sont conformes à des stéréotypes sexués. D’autre part, il atteste la présence de particularités rhétoriques d’un parti anti-système (avec des notions-clefs restant présentes au fil des années) qui sont adaptées aux nouvelles donnes politiques (le point de vue et la focalisation sont retravaillés). Ainsi le style d’intervention de Marine le Pen ferait-il basculer rhétoriquement un discours focalisé sur le ressentiment, le mépris et la nostalgie (celui de Jean-Marie Le Pen) en un discours que nous analysons comme jouant sur des émotions positives, notamment, ici, l’empathie plus conforme à un ethos féminin.

EN:

This study reports on recent computerized analyses of political discourses, particularly of populist discourses. The focus is on the discursive construction of an empathic identity on behalf of Marine Le Pen, leader of the French National Front: this chosen identity allows the political leader to answer gender stereotypes as well as to keep specific fundamentals defining the Front national politics. Working with software such as Termostat or Sketchengine discursive trends are detected by key words such as solidarity, suffering; these trends can then be refined by qualitative studies. On the one hand, this study confirms the political performativity of emotions, when consistent with gender stereotypes. On the other hand, it attests to the presence of rhetorical features of an anti-system party (key concepts prevailing over the years) which are adapted to new political circumstances (the point of view and focus being reworked). Indeed we suggest that Marine Le Pen has switched the FN’s rhetoric from a speech focused on resentment, contempt and nostalgia (Jean-Marie Le Pen’s style) into a discourse playing first on more positive emotions, such as empathy, which is also more in line with a female ethos.

FR:

Cette étude propose d’analyser le point de vue des automobilistes sur la circulation inter-files (CIF) des deux-roues motorisés (2RM). Jamais questionnés jusqu’alors sur ce comportement typique 2RM, c’est pourtant une pratique qui les implique du point de vue opératoire, bien qu’ils n’en soient pas à l’initiative. Pour cela, soixante entretiens semi-directifs auprès d’automobilistes choisis en fonction de 3 critères (ville de mobilité, ancienneté du permis de conduire B et pratique ou non du 2RM) ont été conduits et ont permis de recueillir un corpus lexical riche d’informations. Ce corpus a fait l’objet d’une analyse informatisée grâce au logiciel ALCESTE. Les résultats de cette analyse fine soulignent, entre autres, l’importance de l’expertise des individus dans le domaine du 2RM et l’importance du contexte de circulation et des normes sociales s’y référant sur la pratique et les attitudes vis-à-vis de la CIF.

EN:

This study aims to analyze the view of car drivers on lane-splitting by motorized two-wheelers (PTW). Never asked about this typical PTW’s behavior, it is yet a practice that involves them on the operating point of view, despite they are not initiating this behaviour. For this, sixty semi-structured interviews with car drivers chosen for three criteria (city mobility, length of driving license and PTW’s practice or not) have been conducted and have yielded a substancial lexical corpus of information. This corpus has been analyzed with the software ALCESTE. The results of this detailed analysis emphasize, among others, importance of the individuals’ acquaintance with PTW and importance of the context of mobility and its social norms on practice and attitudes about lane-splitting.

FR:

L’anorexie mentale est une maladie polyfactorielle complexe aujourd’hui considérée comme un problème de santé publique par le corps médical. Toutefois, les discours médiatiques sur ce sujet sont relativement récents. Notre contribution vise à comprendre comment se caractérise la couverture médiatique de cette pathologie et quelles représentations construisent les médias de ce trouble lié à l’adolescence tout en montrant en quoi le recours à des logiciels d’analyse automatisée de discours peut nous être utile. Pour cela, nous menons une analyse quantitative et de contenu d’un corpus de 131 articles, publiés entre 1995 et 2009, dans divers quotidiens nationaux, avec le logiciel Modalisa. Puis, nous utilisons le logiciel Iramuteq pour identifier les mondes lexicaux organisant les discours en nous appuyant sur un second corpus, plus restreint.

EN:

Anorexia nervosa is a complex multi-factorial disease currently considered as a public health problem by the medical profession. However, media discourses on this subject are relatively recent. This article aims to understand the characteristics of the media coverage of this pathology and the representations produced by the media of this disorder during adolescence while showing how the use of software for automated analysis of textual data can be helpful. For this purpose, we conducted a quantitative and content analysis of a corpus of 131 articles, published between 1995 and 2009, in several French daily newspapers, with the Modalisa software. Then, we used the Iramuteq software to identify lexical worlds structuring the discourses, based on a second more limited corpus.

FR:

L’informatisation des alignements textuels est confrontée à la complexité de l’organisation textuelle et discursive. L’architecture modulaire Trame/Cadre issue des recherches menées en textométrie facilite la navigation dans l’espace textuel multilingue. Le flux textuel est représenté par un système de coordonnées sur le texte (la Trame). Le calcul d’une Trame permet une identification précise des objets (contenants et contenus) nécessaires aux repérages contextuels (le Cadre). La construction d’un Cadre permet de stocker non seulement les découpages du texte mais aussi les annotations produites par différentes procédures informatiques (y compris les alignements) et, éventuellement, de les faire passer d’une procédure de traitement à l’autre. Ces états successifs de traitement induisent la notion de ressource textuelle incrémentale qui conserve la trace de séquences de traitement apportées à la ressource textuelle initiale, avec apport de méthodes quantitatives. Cette approche est implémentée au sein du logiciel Le Trameur qui permet d’explorer les corpus multilingues richement annotés (treebanks).

EN:

Multilingual text alignment is challenging due to the complexity of text and discourse organisation. Multilingual textual space can be explored using a textometric data model (Thread/Frame). A Thread is a textual flow represented as a system of items with position identifiers. A Frame is used to locate different textual objects (containers and contents) and their contexts. Following these principles, all text parts and annotations (including alignments) are stored and exchanged through different computerised procedures. Incremental textual resources trace all processing steps (from the initial segmentation to subsequent explorations and quantitative analyses). The software implementation of this model in Le Trameur allows exploring richly annotated multilingual text corpora (treebanks).