Séance 3 du 15 décembre 2016 – Hyperbase Web. Analyse statistique de corpus en ligne

 

Texte écrit par Laurent VANNI (BCL – UNS) et résumant sont intervention lors de la troisième séance de séminaire du nouveau cycle de rencontres 2016-2017 autour du traitement et de l’analyse de données quantitatives en SHS le 15 décembre 2016.

 

Hyperbase Web. Analyse statistique de corpus en ligne

Cet atelier était l’occasion de découvrir Hyperbase Web, une plateforme en ligne qui reprend les outils fondamentaux du logiciel Hyperbase, un logiciel d’analyse de donnée textuelle (ADT) historique développé au laboratoire UMR 7320 : Bases Corpus Langage à Nice depuis sa création par Etienne BRUNET.

Hyperbase Web

L’idée principale de cette plateforme est de proposer une offre complémentaire aux logiciels d’ADT existant qui ne nécessite aucune installation et dont la prise en main se veut simplifiée au maximum. L’utilisateur peut se connecter librement et charger son corpus en quelques clics. Une lemmatisation à la volée est proposée grâce au lemmatiseur TreeTagger et permet de traiter plusieurs langues parmi lesquelles : Français, Anglais, Italien, Allemand, Portugais … Le logiciel accepte aussi certains formats de données déjà lemmatisées comme ceux fournis par le logiciel CORDIAL par exemple. Ces solutions permettent à la plateforme d’héberger aujourd’hui des bases vitrines multilingues, Français, Portugais, Latin, Grec… qu’il est possible de consulter librement. Un mécanisme de protection par mot de passe est proposé à tous utilisateurs désireux de grader leur corpus privé. La plateforme n’a pas été pensée comme un site communautaire, mais l’hébergement en ligne des données permet néanmoins d’échanger simplement les bases créées par les utilisateurs.

Recherche

Une fois la base créée et sélectionnée, l’utilisateur est invité via une interface type moteur de recherche web, à commencer ses recherches documentaires et/ou statistiques. L’outil se veut intuitif et ergonomique et ne propose pas d’expression régulière complexe, mais un mécanisme de requêtes simplifiées à base de forme graphique, de code grammaticaux et de lemme. Par exemple il est possible de rechercher:

je => la forme graphique « je »

je veux => la forme « je » OU la forme « veux »

« je veux » => l’expression « je veux »

LEM:vouloir => le verbe vouloir

VER:pres => tous les verbes au présent de l’indicatif

??? => n’importe quel mot

« PRO ADV VER » => toutes les expressions caractérisées par la suite de codes

« je LEM:vouloir » « ne ??? pas » « il LEM:falloir » => une suite d’expressions

Ce mécanisme de requête est le même dans toute l’interface et permet aussi bien d’obtenir des résultats de recherche documentaires que des résultats statistiques.

Recherche par LEM

Parmi les fonctions disponibles sur la plateforme, nous avons donc une fonction de recherche documentaire (le point d’entrée de la base – onglet « Recherche »), qui présente les résultats par défaut sous forme de concordancier (avec retour au texte). Une page d’options (présente dans toute l’interface) permet de changer le type résultat pour afficher par exemple un contexte plus large ou encore ne s’intéresser qu’à une certaine catégorie grammaticale.

Analyse des cooccurrences

Nuage de mots

L’analyse de cooccurrences est l’une des autres fonctions principales d’Hyperbase Web. Avec le Theme (onglet « Theme ») Hyperbase propose d’analyser la polycooccurrence et de visualiser dynamiquement les liens qui existent entre les différents mots du corpus. Les outils graphiques mis à disposition pour visualiser les résultats permettent à l’utilisateur de fabriquer leur propre parcours interprétatif à partir des calculs statistiques remontés par la machine.

AFC

Arboré

Enfin la Distribution (onglet « Distribution »), permet de calculer un indice de distance entre les textes du corpus pour les comparer et les classer au moyen d’outil comme l’analyse arborée. Ou encore de projeter via l’Analyse Factorielle des Correspondances une matrice composée de milliers d’entrées issues par exemple du croisement des substantifs les plus fréquents ou encore d’une liste mots saisie par l’utilisateur.

Distribution

Il est possible aussi de redécouper à la volée son corpus pour changer de point vu et faire apparaitre une nouvelle analyse contrastive. Pour y parvenir, Hyperbase propose un mécanisme de métadonnées qui est alimenté au moment de la création de la base via un tableau récapitulatif des textes chargés ou encore à l’intérieur même des textes en utilisant une ligne étoilée déjà utilisée dans certains logiciels comme Iramuteq. Ces métadonnées peuvent être ensuite combinées pour faire apparaitre de nouvelles parties dans le corpus. Par exemple si les métadonnées saisies permettent de retrouver l’année et l’auteur d’un texte, il sera possible de demander à Hyperbase tous les textes d’un auteur d’une certaine période.

En conclusion, Hyperbase web est un outil d’ADT en ligne qui se veut accessible au plus grand nombre. Les outils développés ainsi que mécanisme de recherche ont été pensés pour simplifier au maximum la prise en main de ce genre de logiciel. Les visualisations graphiques modernes permettent d’accompagner l’utilisateur dans l’interprétation de ses données en valorisant la sobriété des résultats tout en s’appuyant sur des méthodes déjà éprouvées (dans la précédente version d’Hyperbase) qui garantissent la qualité des résultats observés.

Laurent VANNI

*

*       *

Références

Hyperbase : http://hyperbase.unice.fr

Mesure du discours (Site qui utilise Hyperbase) : http://mesure-du-discours.unice.fr/

Vanni, A. Mittmann (2016). Cooccurrences spécifiques et représentations graphiques, le nouveau Thème d’Hyperbase,inDamon Mayaffre, Céline Poudat, Laurent Vanni, Véronique Magri, Peter Follette (eds.). JADT 2016 – Statistical Analysis of Textual Data. Presses de FacImprimeur, p. 295-305. <hal-01359413>

Vanni, X. Luong, D. Mayaffre (2014). Arbre et co-occurrences Nouvel outil logométrique sur le net. Application au discours de François Ho,inEmilie Née, Jean-Michel Daube, Mathieu Valette, Serge Fleury (eds.). JADT 2014, p. 639-649. <hal-01196592>

 

Affiche de la séance

cycle-quanti-seminaire-03-affiche-v2

 

Séminaire Les Outils du Quanti en SHS – Programme 2016/2017

*

Comme pour les années précédentes, notre souhait est de multiplier les rencontres et les échanges autour du traitement et de l’analyse quantitative de données en sciences humaines et sociales. Comme toujours, ces séminaires ont vocation à être pluridisciplinaires et transversaux.

L’objectif de nos échanges, passés et à venir, est de partager nos expériences et, ainsi, de créer un espace de discussion sur nos pratiques. Ce cycle d’échanges prend en compte autant les dimensions épistémologiques que méthodologiques en partant de nos pratiques et usages mais aussi de nos outils.

*

Programme 2016-2017

Séance 1 – 18 octobre 2016Mise en œuvre de R, intérêts et difficultés rencontrés en situation d’expérimentation, Pierre-Guillaume PRIGENT (utilisation du logiciel R)

Séance 2 – 22 novembre 2016Préparation d’un corpus de textes pour une analyse de données textuelles. Quelles données soumettre à l’ADT avec Alceste ou IRAMUTEQ ?, Éric ROUZEAU et Nicole ROUX (Préparation et analyse textuelle)

Séance 3 – 15 décembre 2016Hyperbase Web : analyse statistique de corpus en ligne, Laurent VANNI (utilisation du logiciel Hyperbase Web)

Séance 4 – 19 janvier 2017Mise en œuvre de SPSS, intérêts et possibilités en analyse de données, Arlette GAUTIER (utilisation du logiciel SPSS)

Séance 5 – 14 février 2017La mesure en SHS a-t-elle du sens ?, Hervé GUYON (les statistiques appliquées en SHS)

Séance 6 – 16 mars 2017Interprétation d’une analyse factorielle avec R, Laurent MELL et Jean-Baptiste PRESSAC (les AFC avec le logiciel R)

Séance 7 – 9 mai 2017Panorama des méthodes d’analyse factorielle, François HUSSON (les analyses de données multidimensionnelles)

*

Informations pratiques

Les séances ont lieu à l’UFR des Lettres et sciences Humaines, Université de Bretagne Occidentale (UBO), Brest – Plan d’accès

 *

Public visé

Enseignant(e)s-chercheur(e)s, doctorant(e)s, étudiant(e)s de master, issu(e)s de toutes les disciplines faisant usage du traitement et de l’analyse quantitatives de données

*

Contact

Laurent Mell laurent.mell@univ-brest.fr

Séance 3 du 2 février 2016 – Traiter un corpus de 2653 réponses de lycéens et lycéennes à une question ouverte sur leur conception de la réussite

 

Texte rédigé par Aurélie Seznec (LABERS – UBO) et Nicole Roux (LABERS – UBO), dans la continuité de leur intervention durant la troisième séance de séminaire du cycle de rencontres et d’échanges autour du traitement et de l’analyse de données quantitatives en SHS.

 

Traiter un corpus de 2653 réponses de lycéens et lycéennes à une question ouverte sur leur conception de la réussite

 

***************

 

Analyse de données textuelles : expérimenter le traitement des réponses à une question ouverte avec Modalisa et Sphinx

Au cours de cette séance nous avons présenté notre traitement des réponses à une question ouverte à travers les logiciels Modalisa7 (version éducation et recherche) et Sphinx IQ Quali. En quelques mots, il s’agit d’analyser des données textuelles avec des logiciels d’enquête par questionnaire, d’explorer les réponses de plus de 2 600 élèves à une question ouverte portant sur leur conception de la réussite. Comment prendre en compte et analyser cette pluralité de réponses ? Notre objectif est bien de croiser le texte, les réponses des lycéens et lycéennes avec d’autres variables qui permettent d’identifier les locuteurs (comme le sexe, la classe ou encore la filière suivie). Il s’agit également de revenir sur le traitement lexical et thématique, d’explorer le corpus à l’aide des verbatims et de voir les avantages et limites des logiciels dans les différentes phases, notamment lors du protocole de codification (analyse de contenu manuelle ou automatique). Nous avons présenté brièvement une partie des possibilités des logiciels, permettant de créer des catégorisations (mots, thèmes) plus ou moins automatique en faisant par exemple un focus sur des procédures d’exploration de données comme les graphes de relations et les key view (disponibles sur Sphinx IQ Quali). Le postulat de départ est bien que les occurrences des mots employés ont un sens, ils ne s’emploient pas au hasard et que leur assemblage en énoncés donne accès à la possibilité d’interpréter un rapport au monde.

Pour commencer, nous rappelons que la question ouverte dans un questionnaire d’enquête doit restée exceptionnelle étant donnée la lourdeur du traitement. La formulation univoque vise à recueillir un point de vue, des représentations pour lesquelles nous avons des raisons scientifiques de ne pas choisir des modalités fermées ici la question est : « Selon vous, qu’est-ce que la réussite ? »

Autour de cette thématique de la réussite mettant en œuvre l’exploitation d’une question ouverte, les travaux de Christian Baudelot font référence et illustrent tout l’intérêt de se plonger dans l’analyse textuelle, comme le montre cet extrait de la préface qu’il a rédigé dans l’ouvrage Statistique textuelle (1994) :

« L’une des contributions majeure de la statistique textuelle est précisément d’animer tous ces graphes en donnant la parole à chacun de ces individus. Grâce à Lebart et Salem, les fameux points-individus ne sont plus muets, ils parlent. Vole alors en éclats la traditionnelle mais artificielle distinction entre le quantitatif et le qualitatif. »

Le traitement des données commence à la suite d’un long travail d’harmonisation et de correction orthographique des réponses. La qualité et l’homogénéité des données, la taille du corpus, le temps disponible sont des éléments déterminants sur le choix de la méthode et le degré d’avancement, et de finesse du traitement.

L’étape de codification du corpus

Modalisa : Le classement lexical peut-être automatique ou semi-automatique et le classement thématique est manuel.

Modalisa : Le classement lexical peut-être automatique ou semi-automatique et le classement thématique est manuel.

Sphinx IQ Quali : l’outil codification permet de définir une grille d’analyse, de coder le texte manuellement.

Sphinx IQ Quali : l’outil codification permet de définir une grille d’analyse, de coder le texte manuellement.

Sous Sphinx, le protocole de codification permet de coder le corpus, de catégoriser son contenu à l’aide d’une grille thématique (codebook). Cette grille thématique peut être construite manuellement ou de façon automatique. Dans Modalisa le classement est uniquement manuel à partir de catégories thématiques créées par le chercheur. Le classement manuel est appréhendable pour un corpus de 300 individus mais sur un corpus de 2600 répondants la tâche est immense. Il convient dans ce cas après une analyse lexicale de créer un échantillon représentatif de l’ensemble pour lequelle il est possible de faire un traitement thématique. Avec Sphinx, l’extension de codification permet de coder automatiquement le reste du corpus, après avoir débuté une codification manuelle (suivant la nature du corpus et du code book…).

Les procédures d’exploration de données expérimentées (Sphinx IQ)

Possibilité de filtrer le lexique, selon la nature des mots (noms, verbe, adjectif), le nombre d’occurrences ou encore réduction sur les premiers mots du lexique. Exemple : lexique catégorisé les 10 premiers verbes. Explorer le corpus à l’aide de verbatims : illustrer des résultats statistiques par les réponses, en sélectionnant par exemple les extraits les plus significatifs d’une catégorie de répondants. Les graphes de relations permettent de voir les liens, les relations entre différentes variables. Key View (tableaux de caractéristiques) permettent de visualiser les résultats les plus significatifs d’un ensemble d’analyses croisées. Des techniques permettant d’explorer un ensemble de relations possibles parmi un très grand nombre de variables.

Possibilité de filtrer le lexique, selon la nature des mots (noms, verbe, adjectif), le nombre d’occurrences ou encore réduction sur les premiers mots du lexique.
Exemple : lexique catégorisé les 10 premiers verbes.
Explorer le corpus à l’aide de verbatims : illustrer des résultats statistiques par les réponses, en sélectionnant par exemple les extraits les plus significatifs d’une catégorie de répondants.
Les graphes de relations permettent de voir les liens, les relations entre différentes variables. Key View (tableaux de caractéristiques) permettent de visualiser les résultats les plus significatifs d’un ensemble d’analyses croisées.
Des techniques permettant d’explorer un ensemble de relations possibles parmi un très grand nombre de variables.

Protocole de synthèse, le nuage de mots avec Verbatims des phrases contenant le mot sélectionné (ici épanouir) peut être affiché sous Sphinx.

Protocole de synthèse, le nuage de mots avec Verbatims des phrases contenant le mot sélectionné (ici épanouir) peut être affiché sous Sphinx.

 

Exemple de résultats

Le protocole des verbatims vise à extraire les conceptions de la réussite les plus représentatives d’une catégorie de répondants ; la variable de contexte choisie ici est le sexe, les réponses caractéristiques des lycéens et lycéennes sont celles contenant la plus forte proportion de mots-clés spécifiques en fonction du sexe.

Pour les femmes : « Avoir une vie qui nous rend heureux, dans notre vie personnelle comme dans notre vie professionnelle » (Générale – Seconde) / « Atteindre nos objectifs et exercer un métier qui nous plaît réellement, et qui nous permet d’avoir une bonne situation » (Générale – Terminale) / « Exercer dans un domaine qui nous passionne, qui nous plaît » (Générale – Terminale) / « Avant tout faire quelque chose qui nous plait et qui nous aide à nous épanouir » (Générale – Première – Une femme).

Pour les hommes : « De la motivation, du travail, prendre du plaisir, aimer, savoir gérer son temps, un bon futur » (Générale – Première) / « Un bon diplôme, un bon travail, avec un salaire convenable, une maison, une famille » (Générale – Terminale) / « Avoir un bon travail, un bon salaire et surtout que le travail en question ne soit pas une corvée » (Technologique – Première) / « L’obtention de tous nos diplômes et le débouché sur un bon travail » (Générale – Seconde).

Pour conclure, nous pouvons souligner que la reconnaissance des significations sous Sphinx soulève quelques interrogations. A l’issue de la première étape constituant le lexique, le codeur perçoit l’émergence des mondes lexicaux, ensuite il semble plus pertinent de construire sa propre grille thématique et de procéder manuellement à la codification des réponses comme sous le logiciel Modalisa même si chacune des méthodes a son lot d’avantages et d’inconvénients. Le travail quantitatif, d’agrégation des données conduit à voir disparaitre les spécificités de certaines réponses, comme l’illustre la réponse d’un jeune « kiffer sa balle » que nous avons reclassé sous le terme « profiter ». Ce point avait été souligné dans un article de France Guérin-Pace (1997) « les réponses complexes sont souvent « laminées » par le post-codage ». Mais sur ce type de corpus il s’agit bien de faire émerger l’existence de représentations communes selon un certain nombre de variables où l’exception est minorisée voire disparaît. Le travail minutieux et systématique du codage leur permet de continuer à exister jusque dans l’interprétation puisque les exemples remarquables, originaux restent à l’esprit mais ils ne deviennent pas les pépites linguistiques retenues pour l’exemple lors de l’exposition des résultats.

Aurélie SEZNEC & Nicole ROUX

*

*       *

Ressources bibliographiques

  • Baudelot C. (1988). « Confiance dans l’avenir et vie réussie », Mélanges économiques. Essais en l’honneur d’ Edmond Malinvaud, Paris, Economica, EHESS
  • Boughzala Y., Moscarola J. et Hervé M. (2014). Sphinx quali : un nouvel outil d’analyses textuelles et sémantiques, 12ème journées des analyses de données textuelles.
  • Cousteaux A-S. (2011). Le masculin et le féminin au prisme de la santé et de ses inégalité sociales. Thèse de Sociologie. Institut d’études politiques de paris – Sciences Po.
  • Felouzis G. (1993). Conceptions de la réussite et socialisation scolaire: Le cas des lycéens des filières générales, technologique et de LEP. Revue française de pédagogie. Volume 105 N°1.
  • Ganassali S. (2008). Faire parler les mots: vers un cadre méthodologique pour l’analyse thématique des réponses aux questions ouvertes. Décisions Marketing. N°51 Juillet-Septembre
  • Ganassali S. (2014). Enquêtes et analyse de données avec Sphinx, Collection LM, Person.
  • Ganassali S. et Roederer C. (2014). L’analyse des courriers au Père Noël comme expression des styles de consommation familiaux, 12ème journées des analyses de données textuelles.
  • Guérin-Pace F. (1997). La statistique textuelle. Un outil exploratoire en sciences Sociales, Population, 52e année, n°4.
  • Jenny J. (1997). « Méthodes et pratiques formalisées d’analyse de contenu et de discours dans la recherche sociologique française contemporaine : état des lieux et classification », Bulletin de Méthodologie Sociologique, n°54.
  • Lebart L. et Salem A. (1994). Statistique textuelle, Paris, Dunod.
  • http://lexicometrica.univ-paris3.fr/jadt/
  • http://www.squash.ulg.ac.be/lejeune/

Affiche de la séance de séminaire

seminaire-3-affiche-a3-v1