Text mining : quand le texte devient donnée
Dans un travail intitulé Text as Data: The Promise and Pitfalls of Automatic ContentAnalysis Methods for Political Texts, [DOI : 10.1093/pan/mps028], les auteurs, Justin Grimmer et Brandon M. Stewart mettent en avant différentes méthodes d’analyse automatiques de textes dans le domaine des sciences politiques. On parle également de text mining.
Le large éventail des méthodes présentées suscitent un intérêt certain dans l’analyse de corpus massifs de textes. Face à la multiplication des contenus en ligne et à leur facilité d’accès, ces méthodes peuvent montrer une réelle pertinence. Mais sur le Web 2.0 actuel, participatif et peuplé d’internautes-acteurs et créateurs de contenus, et à l’heure où de nouveaux langages apparaissent, est-ce que ces méthodes peuvent nous permettent d’analyser la multitude de textes qui se diffusent sur les réseaux sociaux ?
Les méthodes d’analyse automatiques, ce que nous disent Grimmer et Stewart
La multiplication des contenus
Tout d’abord, ce qui rend les méthodes d’analyse automatiques de textes réellement pertinentes est fortement lié au développement des technologies et du Web. Au fil des dernières décennies les diverses avancées technologiques ont rendu la création, l’acquisition, le stockage et le partage de documents numériques de plus en plus simple et facile. Face aux coûts élevés que peut représenter le traitement manuel d’un corpus important de textes, les analyses automatiques tendent à rendre la tâche bien plus abordable, tant au niveau de l’effort, du temps passé que des coûts financiers engendrés.
Les principes de l’analyse automatique
Dans ce travail, les auteurs s’intéressent aux différentes méthodes et usages qui peuvent être fait au sein des sciences politiques et en quoi ces méthodes peuvent grandement faciliter le traitement d’un corpus de documents. Je reprendrais brièvement les quatre principes de l’analyse automatique de textes énoncés par Grimmer et Stewart :
- Tous les modèles quantitatifs de langage sont faux, mais peuvent se révéler utiles. Les auteurs pointent ici la complexité du langage et de la sémantique qui s’y rapporte. Les algorithmes permettant l’analyse des textes ne sont pas toujours à même de comprendre les variations de langage, des expressions, des émotions et du contexte dans lesquels tel ou tel énoncé a été créé.
- Les méthodes quantitatives amplifient les compétences humaines dans le traitement des textes, mais le rôle du chercheur reste très important dans le processus : “The most productive line of inquiry is to identify the best way to use both humans and automates methods for analyzing texts.”
- Il n’y a pas de meilleure méthode. Les méthodes présentées par Grimmer et Stewart servent des buts et des intentions différentes, ont des usages et des applications différentes et nécessitent plus ou moins d’implication. La méthode proposée par Jurafsky et Martin (2009) appelée ensembles consiste à combiner plusieurs méthodes afin de produire un traitement bien plus supérieur et précis que celui résultant d’une seule et unique méthode.
- Enfin, les auteurs ne cessent de répéter que quelles que soit la ou les méthodes utilisées, le rôle du chercheur reste essentiel et ce principalement concernant la validation. Il ne s’agit en aucun cas d’un usage aveugle, mais bien plus d’être capable d’allier différentes méthodes, d’aiguiller les logiciels et autres algorithmes afin d’arriver, ensemble, à une analyse complète et satisfaisante.
Quelles sont ces méthodes d’analyse automatiques ?
Dans le travail de Grimmer et Stewart on y retrouve des méthodes de classification ou de graduation, ces dernières peuvent être entièrement supervisées, semi-supervisées ou non supervisées, enfin concernant la classification on peut connaitre à l’avance les catégories qui serviront à la classification des documents de notre corpus ou non.
Voici le schéma qui accompagne leur travail :
La méthode dite dictionary method repose sur la fréquence d’apparition de mots-clés à l’intérieur d’un texte afin de déduire la présence de certaines catégories. Si l’on cherche à dégager une tonalité positive ou négative au cœur de nos différents documents, l’analyse consistera à assigner aux mots une tonalité positive ou négative qui permettra de déterminer la tonalité globale du document. Ici les chercheurs jouent un rôle important puisqu’il importe de définir à l’avance la tonalité associée à chacun des mots en fonction du contexte. D’autres méthodes dites de supervised methods consistent à ce que les chercheurs assignent manuellement des catégories à un certain nombre de documents afin que l’algorithme apprenne de ces classements humains pour traiter le reste des documents. Ces méthodes ont pour avantage de reposer sur des catégories créées par l’homme, et sur une facilité de validation. Néanmoins, en vue des possibilités infinies de catégories, il est parfois difficile de trouver un ensemble cohérent.
« The number of potential partitions is much larger than the estimated number of atoms in the universe » Grimmer et Stewart, 2013.
D’autres méthodes encore ne nécessitent pas de catégories imposées, elles sont non supervisées par l’homme. Ces méthodes reposent sur des hypothèses de modélisation et sur les propriétés du texte afin de choisir les catégories les plus pertinentes et de les assigner automatiquement au texte. On y retrouve les Fully Automated Clustering – FAC –et les Computer Assisted Clustering – CAC. L’avantage de ce type de méthodes repose sur le fait qu’elles peuvent révéler des organisations au sein du texte sous-étudiées voire inconnues.
Que peut-on en penser ?
Face à un travail de cette ampleur, certes complet, mais aussi difficilement abordable, la question des utilisateurs se pose. Si le travail de Justin Grimmer et Brandon M. Stewart fournit de nombreuses explications quant à l’application de ces méthodes, ces dernières font référence à des formules mathématiques et statistiques complexes. Ces méthodes ne sont pas facilement accessibles dans le sens où elles demandent avant tout un apprentissage approfondi afin d’être en mesure de les utiliser de manière convenable.
L’architecte de l’information, au carrefour de multiples domaines tels que l’informatique, la recherche, les technologies du web et de l’information, est à même de pouvoir s’approprier ces différentes méthodes afin de les appliquer dans des analyses poussées quel que soit son domaine d’action.
L’analyse automatique du côté du Web
Pour aller plus loin, je me suis interrogée sur l’utilisation de ces méthodes sur le Web, c’est-à-dire les appliquer aux multitudes de nouveaux contenus (les tweets par exemple) et langages (sms, usage des émoticônes, etc.) qui se sont créés aux frontières d’un Web 2.0 d’un côté avec les internautes-acteurs-créateurs de contenus et de l’autre côté d’un Web 3.0 dit Web sémantique.
Je ne suis pas la seule à m’être posée cette question et c’est ce dont parle un article en ligne paru sur le site du journal Les échos « Text Mining, Sentiment Analysis, Big Data ». On y découvre des tendances dites d’Opinion Mining et de Sentiment Analysis :
« La fouille d’opinion (Opinion Mining) est un sous-domaine de la fouille de textes (Text Mining) qui consiste à analyser des textes afin d’en extraire des informations liées aux opinions et aux sentiments (Sentiment Analysis). »
On imagine facilement l’utilité de ce type de méthodes concernant l’analyse de milliers de tweets liés à un parti politique, à un journal ou à une entreprise tant au niveau de sa marque que de ses produits. Finalement, c’est une énième mine d’or, en lien avec le Big Data, que ces méthodes d’analyse automatiques nous proposent d’analyser.
Néanmoins, les mêmes problématiques de langage, de sémantique et de contexte se retrouvent ici : un algorithme est-il capable de comprendre le langage sms, celui des émoticônes et ou de dégager des éléments de contexte suffisant dans 140 caractères ? Un article sur le blog de Digimind met assez bien en avant ces difficultés.
De manière générale, les avis prônent une implication de l’homme tout aussi importante voir plus importante dans le processus de contenus repensés par le Web.
Pour aller plus loin
Le travail complet de Justin Grimmer et Brandon M. Stewart : Text as Data: The Promise and Pitfalls of Automatic ContentAnalysis Methods for Political Texts [DOI : 10.1093/pan/mps028].
L’article de Christian Fauré : Introduction au Text-mining
L’article de Bruno Teboul sur le site les Echos : Text Mining, Sentiment Analysis, Big Data
L’article sur le blog de Digimind : Analyse de sentiments automatique, pourquoi est-ce si compliqué ?
OpenEdition vous propose de citer ce billet de la manière suivante :
Emeline Mercier (15 décembre 2015). Text mining : quand le texte devient donnée. Introduction aux humanités numériques. Consulté le 9 décembre 2024 à l’adresse https://doi.org/10.58079/beds