La représentation arborescente du corpus numérique 

 

Représentation arborescente

Illustration 1 : Modélisation de la représentation arborescente

 

Dans ce billet je voudrais revenir sur la représentation arborescente de façon plus détaillée. Pour cela je décrirai chacun des 6 niveaux présentés dans le billet précédent et j’en proposerai une illustration à partir de mon corpus de thèse.

Niveau 1 : Données numériquées

Ce premier niveau est celui du lieu de corpus, je l’ai qualifié de « numériqué » en suivant la typologie des textes numériques proposée par Marie-Anne Paveau (2015) :

« Un document numériqué est produit nativement en ligne, sur un site, un blog ou un réseau social, tout lieu numérique accueillant de la production de discours. Il présente des traits de délinéarisation du fil du discours, d’augmentation énonciative, de technogénéricité et de plurisémioticité. »

Ce niveau de corpus est consultable en ligne, dans son environnement numérique d’apparition. Il est polymorphe, plurisémiotique, évolutif et gigantesque.

Si l’on prend l’exemple d’un profil facebook il faut considérer que le niveau numériqué comprend toutes les données auxquelles ce profil donne accès. C’est-à-dire les données apparaissant directement sur les pages appartenant au profil mais également celles auxquelles ses liens d’amitiés (pour reprendre la terminologie de Facebook) lui permettent d’accéder[1].

Ces données seront intégrées à des configurations sémiotiques différentes en fonction de l’environnement technologique (tablette, smartphone, ordinateur) ou numérique (depuis le journal ou le fil d’actualité) dans lequel elles seront consultées par l’utilisateur.  Certaines données ne perdureront pas sous leur forme d’apparition dans ce niveau de corpus. Une partie des éléments sémiotiques sont différents à chaque consultation (publicités, suggestions, bandeau gauche fixe).  Le fil d’actualité s’enrichit en permanence et il peut être compliqué de remonter jusqu’à une publication passé un délai de quelques jours. Enfin, les modifications qui sont apportées aux pseudonymes ou aux publications sur le site possèdent un caractère rétroactif.

La multimodalité, l’instabilité et le volume des données telles qu’elles apparaissent dans le lieu de corpus empêchent leur analyse puisqu’il est impossible de les représenter. C’est la raison pour laquelle la modélisation arborescente propose de subordonner au lieu de corpus différents niveaux auxquels correspondent un ou plusieurs corpus, représentant des degrés de figement de plus en plus important. Toutefois, même s’il reste hors d’atteinte de l’analyse[2], le niveau numériqué doit être consultable et représenté dans l’arborescence puisqu’il en est la source.

Niveau 2 : Corpus numériques

Un document numériqué est rendu numérique par un processus de figement. Il reste navigable et éventuellement consultable en ligne. Le corpus numérique est un document numérique contenant des représentations (captures d’écrans) de parties choisies dans le lieu de corpus.

Ce deuxième niveau est composé d’un instantané du niveau numériqué, pris à un moment M et focalisé sur un ou des phénomène(s) précis. À partir de cette représentation figée, qui reste encore difficilement exploitable en raison du très grand nombre de données qu’elle contient, on peut extraire différents sous-corpus. Chacun de ces corpus « partiels » se focalise sur un objet donné en fonction de la problématique choisie. C’est à partir de ce niveau que l’anonymisation des données peut être effectuée.

            Dans le cadre de ma thèse j’avais choisi de focaliser mon attention sur les souhaits d’anniversaire mais j’ai également travaillé sur les pseudonymes. Le niveau numérique de l’arborescence contenait donc un corpus focalisé sur les souhaits d’anniversaire et un autre sur les pseudonymes.

Pour le corpus de souhaits j’ai déterminé une période d’une année (2013) et un environnement d’apparition : les journaux des membres de la liste d’amis de « Ma Thèse Sdl » au moment de l’extraction. J’ai réalisé les captures d’écran entre le 1er et le 17 janvier 2014, une fois la période observée révolue afin de pouvoir collecter toutes les publications concernées à la même période. L’objectif était de pouvoir travailler avec une certaine uniformité des affordances de l’environnement (qui propose des mises à jour régulières, surtout concernant l’archivage des données sur le site), cela a également joué un rôle sur le nombre de contacts concernés.  En effet, le profil « Ma Thèse Sdl » avait 100 « amis » en janvier 2014 contre 137 en juillet 2015 et 141 en mars 2016.

Ce niveau est composé de fichiers Word, un document par « ami », contenant les captures d’écran. Seul le contexte numérique proche a été conservé car il est commun à tous les interlocuteurs, on se situe au niveau de la publication et plus à celle du site. Certains éléments disparaissent à ce niveau, comme la vidéo, mais restent identifiables par une sémiotique particulière.

Dans l’illustration 2 on voit un exemple extrait du corpus de souhaits. La vidéo est identifiable par le symbole conventionnel du triangle dans un carré (qui permet de la déclencher en ligne). On retrouve également le lien hypertextuel en bleu (inactif dans cette version) ainsi que l’adresse du site à partir de laquelle elle est partagée.

capture decran_2

Illustration 2 : Vidéo dans le niveau 2

C’est également, comme je l’ai dit, le niveau de l’anonymisation puisque celle-ci était impossible dans le lieu de corpus. Dans le cadre de ma thèse j’avais choisi, en accord avec les locuteurs-scripteurs-utilisateurs du lieu de corpus, de masquer les pseudonymes ainsi que les photos de profils des intervenants.

            Cette représentation figée du corpus permet de le restreindre ; elle est particulièrement importante eu égard au caractère instable des données numériques. C’est une sorte d’archive qui fournit une base de travail stable et immuable impossible à retrouver en ligne et sans laquelle un travail de recherche sur le long terme semble impossible.

Malgré le figement, ce niveau conserve un grand nombre de données environnementales. On le voit dans l’illustration 2, au-delà des éléments sémiotiques liés à la présence d’une vidéo, de nombreux éléments discursifs et méta-discursifs sont présents :

  • La photo de profil et le pseudonyme,
  • La mention « a partagé un lien »,
  • La date de publication
  • Le symbole représentant le réglage des paramètres de confidentialité appliqués à cette publication par le locuteur-scripteur-utilisateur qui la publie.
  • Le texte accompagné de l’adresse URL puisqu’il s’agit du partage d’un contenu venant d’un autre site[3]
  • Le contenu partagé (ici la vidéo)
  • Les trois boutons (mots cliquables) de la publications Facebook : « j’aime », « Commenter », « Partager ». Suivi de la représentation symbolique du nombre de likes et du nombre de commentaires
  • Les pseudonymes des locuteurs-scripteurs-utilisateurs likeurs accompagné d’un énoncé de commentaire généré automatiquement par le site
  • La photo de profil, le pseudonyme et l’énoncé du commentaire
  • La date, l’heure, le bouton « j’aime » et le symbole du nombre de likes attribués au commentaire.
  • La photo de profil de l’utilisateur qui consulte cette publication suivie de la fenêtre de commentaire.

On peut également compter la présentation sémiotique de la publication qui est reproduite ici. En particulier les couleurs qui ont de l’importance dans cet environnement numérique puisqu’elles désignent les formes cliquables (liens, symboles, mots). Elles permettent également de séparer les zones de contenu, fond blanc pour la publication, fond gris pour les commentaires et de nouveau un fond blanc pour la zone de texte.

Niveaux 3 et 4 : Transcriptions brutes et focalisées

Si le deuxième niveau contient des corpus, les niveaux suivants servent à décomposer ces corpus en plusieurs sous-corpus focalisés.

Le troisième niveau consiste en une transcription brute des données du deuxième. À partir de ce niveau, les données sont essentiellement de nature textuelle. À chaque corpus de second niveau ne peut correspondre qu’une seule entrée au troisième niveau. Il s’agit de ne transcrire que les données brutes, sans filtre d’analyse qui pourrait générer différents sous-corpus.

Les images et les couleurs disparaissent, en revanche plusieurs informations contextuelles restent. Certaines métas données sont conservées à ce niveau comme les dates, heures, likes ainsi que le nombre de commentaires. À partir de ce niveau, le corpus peut être analysé de façon « traditionnelle » en linguistique puisqu’il est composé d’une liste d’énoncés.

Si l’on reprend l’exemple de l’illustration 2, la version apparaissant au niveau 3 est la suivante :

Locuteur1 à Locuteur2

22 juillet 2013 ·

Happy WTF Ninja Birthday metal no ammo

Voir la traduction

RANGE TEST: THE ULTIMATE AR-15 MALL NINJA TACTICAL ZOMBIE DESTROYER!

RANGE TIME WITH THE NINJA ZOMBIE CARBINE! Available from the friendly staff down at: Moss Pawn…

youtube.com

J’aime   Commenter   Partager

Locuteur2 aime ça.

Locuteur2 : Trop lourd, pas assez maniable, pas assez fiable. merci, mais va te falloir faire un stage de perfectionnement à Couze Harbor sous peu.

22 juillet 2013, 23:11 · J’aime · 2

Dans l’exemple ci-dessus, pour simplifier la lecture, le souhait d’anniversaire et le commentaire sont en caractères gras. Lors de la phase de traitement des fichiers, cette convention permet de repérer plus rapidement les éléments rédigés par les locuteurs-scripteurs-utilisateurs.

On peut voir dans cet exemple la perte de référence des éléments technolangagiers qui semblent parasiter le discours des locuteurs, en tout cas leur perception hors contexte. Cet appauvrissement justifie en partie l’existence du troisième niveau, à partir duquel on entre dans des extractions utiles lors du travail de recherche mais non représentative du corpus.

            Le quatrième niveau est le prolongement du troisième à partir duquel seuls quelques éléments sont répartis en sous-catégories. À partir de l’exemple représenté dans l’illustration 2 j’ai créé un sous-corpus regroupant tous les énoncés constituant des souhaits d’anniversaires et un autre contenant tous les commentaires. Chaque sous-corpus est composé de fichiers Word (1 par ami du profil « Ma Thèse Sdl »). Il serait également possible de constituer les sous-corpus « métadonnées », « technoformes », en fonction de la focalisation des recherches faites sur le corpus.

Voici un aperçu de la transcription de la publication précédente au quatrième niveau :

Fichier des souhaits

Locuteur1 : Happy WTF Ninja Birthday metal no ammo

Fichier des commentaires

Locuteur2 : Trop lourd, pas assez maniable, pas assez fiable. merci, mais va te falloir faire un stage de perfectionnement à Couze Harbor sous peu.

Les niveaux 3 et 4 sont les derniers à contenir des données naturelles, bien que totalement décontextualisées. Toutes les opérations de filtrage ont été réalisées. Dans les niveaux suivants, un travail susceptible de modifier en partie les données sera effectué.

Niveau 5 : Transcriptions enrichies

L’enrichissement dont je parle ici est essentiellement destiné à la constitution de corpus « préparés » pour les logiciels de TAL (textométrie ou autre). Certains logiciels de textométrie demandent d’ajouter des balises à l’intérieur du texte. C’est le cas d’Iramuteq et de TXM par exemple, qui demandent un travail différent en fonction des choix d’importation des données à l’intérieur du logiciel.

Si l’on reprend l’exemple du corpus de souhaits réalisé dans le cadre de ma thèse, j’ai souhaité le travailler à l’aide de TXM[4]. J’ai donc créé un dossier contenant les versions en texte brut extraites du niveau 4. Dans l’illustration 3 les données sont préparées pour être traitées par le logiciel de textométrie.

capture decran_3

Illustration 3 : Fichier texte brut souhaits d’anniversaire

TXM ne demande pas beaucoup de préparation des données, mais à partir ce fichier il est possible d’introduire des balises pour intégrer des métadonnées supplémentaires. Pour d’autres logiciels (ou une utilisation plus avancée de TXM) il est nécessaire d’ajouter beaucoup plus d’informations à l’intérieur des fichiers, il faut parfois créer des dossiers de métadonnées à part.

Niveau 6 : Transcriptions reconfigurées

Le sixième niveau est constitué de données pré-analysées de façon automatique. Il peut s’agir de sélections d’énoncés dans le but de composer un exemplier représentatif du corpus lorsqu’il y a une grande quantité de données. C’est également à ce niveau que je propose de classer les extractions provenant des logiciels de textométrie

capture decran_4

Illustration 4 : Extraction TXM

L’illustration 4 montre une extraction provenant de TXM sur laquelle on voit apparaitre les données organisées autour d’un mot prédéfini. Il s’agit toujours d’extractions de travail, c’est pourquoi elles sont intégrées au corpus, mais elles sont déjà passées au filtre de l’analyse quantitative. Comme le montre la différence entre les illustration 3 et 4, les données sont les mêmes mais elles ont été reconfigurées par le logiciel.

Le sixième niveau est le dernier que j’ai souhaité représenter dans cette arborescence, mais, chaque corpus étant différent on pourrait imaginer bien d’autres configurations à partir de la même matrice hiérarchisée. L’intérêt de cette méthode est de permettre à la fois la traçabilité et la pérennité des données. Ainsi que l’exploitation maximale du corpus, dans différentes temporalités.

[1] Les utilisateurs de Facebook peuvent consulter les publications des autres membres directement sur leurs journaux ou à partir de certaines applications du site qui les regroupent en fonction d’algorithmes comme par exemple le fil d’actualités.

[2] Avec les moyens actuels, on peut tout à fait imaginer que les choses évoluent et qu’il soit un jour possible d’aller analyser directement les données dans leurs environnements numériques d’apparition.

[3] La présence de cette adresse URL n’est pas obligatoire. Elle est générée automatiquement par le site lorsqu’un contenu est partagé à l’aide de la fonction copier-coller mais elle peut être effacée sans que le contenu disparaisse.

[4] Notamment pour faciliter les repérages dans le corpus grâce aux fonctions de base du logiciel qui permettent de créer un lexique et de repérer les cooccurrences.

Pour citer ce billet : Emerit-Bibié L., 10 mars 2016, « La représentation arborescente du corpus numérique« , Mémo numérique(s) [Carnet de recherche], http://memo.hypotheses.org/130, consulté le…


Laetitia Emerit

Docteure en linguistique mes recherches portent sur la description du discours numérique tel qu'il apparaît dans les réseaux sociaux numériques.

Vous aimerez aussi...

1 réponse

  1. 25/03/2016

    […] sur la représentation arborescente du corpus et sur la notion de lieu de corpus m’a amené à observer plus attentivement un […]

Laisser un commentaire

Votre adresse de messagerie ne sera pas publiée. Les champs obligatoires sont indiqués avec *