Navigation – Plan du site

Texte intégral

  • 1  Analyse des Lexèmes Cooccurrents dans les Enoncés Simples d’un Texte.

1La méthode Alceste1 est due au chercheur Max Reinert, de l’Université de Versailles. Dans la continuité de l’analyse des données développée par Benzécri, elle cherche à rendre compte de l’organisation interne d’un discours.

2« Le locuteur au cours de son énonciation investit des mondes propres successifs et ces lieux, en imposant leurs objets, imposent du même coup leur type de vocabulaire. En conséquence, l’étude statistique de la distribution de ce vocabulaire devrait pouvoir permettre de retrouver la trace des ‘environnements mentaux’ que le locuteur a successivement investis, trace perceptible sous forme de ‘mondes lexicaux’ » (Rouré et Reinert, 1993, p. 573).

3Le texte doit tout d’abord être préparé. Dans le cas d’un texte en anglais, il faut régler le cas des apostrophes, qui interviennent en particulier dans les cas d’élision des verbes, et dans le cas possessif. Si le texte est très long, une méthode systématique est conseillée (remplacer par des blancs soulignés, etc.). Malgré la longueur du texte (plus de 400 pages), on a préféré ici réduire le nombre de cas où on adoptait une méthode systématique, en remplaçant les verbes élidés par leur forme pleine. Cela peut se faire de façon automatique pour certaines formes (we’re devenant we are, par exemple), mais nécessite de regarder au cas par cas pour d’autres (he’d pouvant être he had mais aussi he would).

4L’ensemble des textes à analyser, qui constitue le corpus, peut être déjà découpé en unités comme des chapitres, des entretiens auprès de personnes différentes, etc. Ici, ce sont des Contes écrits à des moments différents par le même auteur. Ces divisions naturelles du corpus sont appelées unités de contexte initiales ou u.c.i. Lorsqu’on prépare le corpus pour l’analyse, on associe à chaque u.c.i. un certain nombre de données, par exemple des caractéristiques de la personne interviewée (comme l’âge ou le sexe). Ce sont des sortes de variables supplémentaires, introduites par le chercheur, qui ne font pas partie du texte. Dans notre cas, il s’agira d’indications sur le moment où le Conte a été écrit (année, groupe de Contes, etc.). On les appelle mots étoilés en raison de la façon dont le logiciel les repère dans le texte préparé.

5Les formes textuelles (ou formes simples) sont des suites de signes séparés par des blancs (ou d’autres caractères comme les points, les virgules…), c’est-à-dire, en général, des mots. Elles subissent dans Alceste une lemmatisation qui les remplace par leur forme réduite : ainsi, une forme verbale est réduite en infinitif (mangerai devient manger), un substantif pluriel est réduit en singulier (arbres devient arbre), une forme élidée est réduite sans élision (l’ devient le). Pour une discussion sur les aspects positifs et négatifs de la lemmatisation, voir par exemple (Guérin-Pace, 1997, p. 867) ; pour un exemple d’analyse du même texte avec et sans lemmatisation et reconnaissance de mots-outils, voir (Reinert, 1993).

6Certaines expressions constituées de plusieurs mots (un exemple dans le journal d’Albert est l’expression « Bad Boys » - les Mauvais Garçons - dont il désigne affectueusement les plus jeunes des sans-domicile), peuvent être désignées comme telles par l’utilisateur, elles seront alors considérées dans leur ensemble et non comme plusieurs mots distincts.

Exemples de lemmatisation dans le texte du journal d’Albert Vanderburg

Forme lemmatisée

Mots correspondants

Write.

Write, writes, writing, written, wrote

Depress+

Depressant, depressed, depressing, depressingly, depression

7Ces formes réduites sont réparties en deux catégories : les formes analysables utilisées pour la classification descendante décrite ci-dessous, et les formes illustratives qui servent uniquement à décrire les classes qui en résultent. Les formes analysables  proviennent de noms, verbes, adjectifs et adverbes (les mots pleins), les formes illustratives sont les mots outils (prépositions, pronoms, conjonctions, auxiliaires) ainsi que les variables ou mots hors corpus (mots étoilés), associés à chaque u.c.i. comme on l’a vu ci-dessus. Quant aux mots-outils, le logiciel les reconnaît et les catégorise selon leur fonction (prépositions indiquant un mouvement, nombres, marqueurs d’une relation spatiale, temporelle, etc.).

8Le logiciel découpe le texte à étudier en unités de contexte élémentaires (u.c.e.), ou segments, de taille réduite. Ces u.c.e. sont composées d’une ou plusieurs lignes de texte consécutives d’environ 200 caractères et terminées si possible par une ponctuation, sinon par un séparateur comme un blanc. Elles sont regroupées par concaténation en unités de contexte (u.c.) de telle sorte que ces u.c. contiennent un nombre minimal de formes analysables différentes. Ce nombre est calculé pour optimiser la stabilité des classifications. Son ordre de grandeur va de quelques formes à quelques dizaines de formes ; dans l’exemple traité ici il est en moyenne de 29. Ensuite, le corpus est modélisé par un tableau lexical comprenant en ligne les unités de contexte et, en colonne, les mots pleins ou formes lemmatisées analysables du texte. Selon France Guérin (1997), l’arbitraire dans la longueur du découpage en u.c.e. modifie peu les résultats, mais le rôle de la lemmatisation n’est pas négligeable.

  • 2  Voir par exemple la Note sur la méthode Alceste sur www.melissa.ens-cachan.fr.

9Enfin, une classification descendante hiérarchique (à chaque pas, la classe la plus grande est divisée en deux2) regroupe ces unités de contexte en classes, ou mondes lexicaux (Rouré et Reinert, 1993, p. 573) différenciés par la distribution de leur vocabulaire. La classification descendante hiérarchique est particulièrement adaptée pour des tableaux comportant une très forte proportion de zéros. En effet, le tableau lexical comporte la valeur 1 quand la forme lemmatisée est présente dans l’u.c., et la valeur 0 lorsqu’elle est absente. Le tableau est réorganisé pour produire deux classes de formes les plus contrastées possibles (c’est-à-dire employées à des moments distincts) ; la plus grande est ensuite découpée en deux, etc. On réalise ainsi dix classes ; ce nombre étant « élevé », les classes risquent de dépendre beaucoup du découpage en u.c. On cherche donc le nombre de classes stables, en réalisant deux classifications successives, sur des u.c. de dimension légèrement différente, et en les comparant (par croisement et utilisation d’un test du chi2). On restreint ensuite les classes aux formes qui sont présentes dans les deux classifications. On obtient ainsi des classes d’énoncés significatifs qui renvoient à des mondes lexicaux. Les énoncés d’une même classe sont similaires entre eux, et aussi différents que possible des énoncés d’une autre classe. Selon France Guérin-Pace (1997, p. 869) « Dans la pratique, le nombre de classes n’a que peu de signification, ce qui est important c’est la forme de l’arbre de classification et la stabilité des classes obtenues »).

10Un certain nombre d’analyses complémentaires permettent d’interpréter ces classes. Tout d’abord, à chaque couple (forme, classe) correspond une valeur de chi2 mesurant l’intensité de leur association. Les classes sont représentées graphiquement à partir d’une analyse des correspondances portant sur le tableau qui croise les formes lemmatisées et les classes, dans lequel à l’intersection d’une ligne et d’une colonne figure le nombre d’u.c.e. de la classe contenant la forme. Enfin, une classification ascendante hiérarchique sur le tableau des cooccurrences à l’intérieur d’une classe d’u.c.e. (à l’intersection d’une ligne et d’une colonne on a le nombre d’u.c.e. de la classe qui contiennent simultanément les deux formes, et en diagonale le nombre d’u.c.e. contenant la forme) permet de mettre en évidence des voisinages de mots dans une même classe.

11De plus, Alceste associe à chaque classe des mots et des énoncés spécifiques, et édite des listes de mots et des statistiques descriptives (Reinert, 1987, 1990, 2001 ; Guérin-Pace, 1997).

Haut de page

Notes

Statistiques sur l’analyse du corpus The Panther’s Tales

Nombre d’unités de contexte initiales (u.c.i.) analysées

8293

Nombre de formes

546 533

Nombre de formes distinctes

18 605

Nombre de formes réduites (ou lemmatisées)

1 392

Mots étoilés (modalités des variables externes, ici indiquant le moment de l’écriture)

898

Proportion d’unités de contexte élémentaires classées

72 %

Les chi2 signés

Le chi2 d’une forme réduite (ou d’un mot étoilé, comme dans l’article) par rapport à la classe k est celui (à un degré de liberté) du tableau suivant :

Forme présente

Forme absente

Dans la classe k

n11

n12

n1.

Dans les autres classes

n21

n22

n2.

n.1

n.2

n

Le chi2 signé est le précédent, affecté du signe de la différence entre valeur n11 réelle et valeur théorique en cas d’indépendance, soit n11-(n.1 x n1./n).

1  Analyse des Lexèmes Cooccurrents dans les Enoncés Simples d’un Texte.

2  Voir par exemple la Note sur la méthode Alceste sur www.melissa.ens-cachan.fr.

3  Il y a 668 Contes, mais quand Albert ajoute à un Conte dans le courant de la même journée il lui donne le même numéro suivi d’une lettre (225a, 225b, etc.).

Haut de page

Pour citer cet article

Référence électronique

Maryse Marpsat, « La méthode Alceste », Sociologie [En ligne], N°1, vol. 1 |  2010, mis en ligne le 09 mai 2010, consulté le 26 avril 2017. URL : http://sociologie.revues.org/312

Haut de page

Auteur

Maryse Marpsat

Articles du même auteur

Haut de page

Droits d’auteur

© tous droits réservés

Haut de page