Analyses textuelles (M2 D2SN, 2024)

Cours de « Text mining » pour la promo 2024 du Master D2SN à l'UGE.

Responsable: Alexandre Hannud Abdo (@Solstag)

Général

• Consignes
• Participants
• Parcours

Activités

• Chacun son cahier d'étude.
• Chaque semaine un objet ou une approche nouvelle.
• Une image à présenter à la fin de chaque séance, ou idée d'image puis image au début de la suivante.

Séance 1 (2024-03-18)

• Théorie générale
  • Modèles → Phénomène/Représentations → Mesure/Collecte → Donnée → Modèles phénoménologiques
• Analyses de textes et de symboles
  • [Neurobiologie du langage →] Symbole (mot) → Morphosyntaxe (phrase) → Discours (texte-énonciation) → Sémiotique (interprétation) → Sociologie de la traduction (associations entre acteurs)
  • L'association des cadrages ci-dessus produit une multitude d'approches phénoménologiques
• Sociologie de la traduction (TAR)
  • « Théorie Acteur-Réseau »
  • Acteurs humains et non-humains
• Consignes et activités
• Partage et questions
  • Parcours

Séance 2 (2024-03-25)

• Théorie générale
  • Signifiants et acteurs sémiotiques : de la synonymie à l'ambiguïté aux formes plus subtiles de contextualisation, chaque interprétation produit un nouvel acteur.
  • Signifiés et catégories analytiques non-linguistiques : espace géographique, temps physique, catégories culturelles etc.
• Possibilités d'analyse
  • Symbole ∈ Discours ⇒ Modèles thématiques, réseaux de cooccurrence …
  • Symbole × Discours ⇒ Modèles domaine-thématiques, …
  • Symbole × Morphosyntaxe → Plongement lexical, fouille sémantique …
  • Sociologie de la traduction ⇒ Réseaux « associologiques » d'acteurs, …
  • …

Séance 3 (2024-04-02)

• Sources données textuelles
  • Web : archive.org
  • Scientifiques : OpenAlex, WebOfScience
  • Presse : Europresse, Factiva
  • Littérature : Project Gutenberg
  • …
• Traitement du texte
  • En Python avec la bibliothèque Spacy
    • Tokenisation: voir Tokenization.
    • Identification de classe grammaticale (verbe, substantif, pronom etc): voir Part-of-speech tagging. Déjà comprise dans la tokenisation basée sur modèle de langage.
    • Lemmatisation: voir Lemmatization. Avec l'identification de classe grammaticale on peut utiliser le rule-based lemmatizer.
  • En Python avec la bibliothèque NTLK. More limited than Spacy, but still useful.

Séance 4 (2024-04-08)

Séance de travail.

Théorie des probabilités

• Contraste → Comptage/Signal → Information → Probabilité
• Modèles stochastiques, comparaison de modèles

Séance 5 (2024-04-22)

Séance de travail.

Séance 6 (2024-04-23)

Séance de travail.

Séance 7 (2024-04-29)

Séance de travail.

Séance 8 (2024-04-29)

Présentation d'un exemple :

• Télécharger notebook Jupyter ; mot de passe : Braz.Cubas.1880
• La page du roman traité sur project Gutenberg