Chapitre 1 Introduction

1.1 Pourquoi travailler avec des textes sous R?

La manipulation de chaînes de caractère sous R fait partie des opérations à mettre en oeuvre à des fins de programmation, par exemple pour manipuler des noms de fichiers, nettoyer des données, récupérer de la donnée textuelle via du web-scraping, etc.

Quand il s’agit en plus de travailler sur des données textuelles correspondant à du langage naturel (langage parlé, oeuvres littéraires, tweets, articles de presse, documentation, etc.) certaines méthodes existent, qui permettent de mettre en forme et d’analyser des corpus de textes.

1.2 Qu’est-ce que la textométrie?

La textométrie, ou analyse de données textuelles, est une approche qui consiste à traiter un ensemble de textes (ou corpus) comme un jeu de données que l’on peut analyser par des méthodes quantitatives. Pour ce faire, elle utilise notamment des modèles statistiques qui permettent par exemple d’identifier des éléments du lexique particulièrement signifiants.

La textométrie est ainsi naturellement un outil privilégié des sciences humaines et sociales qui revêt dans ces disciplines une certaine originalité puisqu’elle regroupe notamment nombre de méthodologies et techniques quantitatives.

L’ancrage de la textométrie en sciences humaines et sociales en France est lié en partie à la force de l’école statistique française et à l’influence de certains chercheurs, précurseurs de ces méthodes comme Jean-Paul Benzécri. Le nombre et la richesse des logiciels dédiés développés par des laboratoires français (par exemple Alceste, IRaMuTeQ, TXM),AnalyseSHS témoigne de cet héritage.

1.3 Pourquoi faire ses analyses textométriques sous R?

R est un outil d’analyse de données extrêmement polyvalent. Il permet de réaliser des analyses statistiques, d’automatiser des traitements, de produire des graphiques, d’éditer des rapports et des présentations, etc. Il peut ainsi être intéressant de l’utiliser pour réaliser l’ensemble des opérations d’analyse et valorisation de ses données puisqu’en intégrant un maximum d’étapes de ce processus dans un même document de travail on permet une certaine reproductibilité des résultats.

Ainsi, pour des utilisateurs familiarisés avec l’usage de R par lignes de commandes, il peut être particulièrement intéressant de réaliser les analyses de texte directement depuis R en passant par l’usage des lignes de commande. En effet, les méthodes accessibles seront ainsi très variées et très flexibles, et l’analyse des textes pourra s’intégrer à des analyses de données d’une nature différente (par exemple données d’enquêtes, données physiques, cartes, etc.).

Par ailleurs de nombreux logiciels de textométrie sont bâtis sur des méthodologies statistiques (qui constituent une des richesses du langage R): ils reposent de ce fait pour tout ou partie sur le langage R. IRaMuTeQ est ainsi une interface accessible depuis R, AnalyseSHS est une interface web produite à l’aide de R, TXM propose certaines analyses qui reposent sur le langage R, etc. Ils permettent ainsi à leurs utilisateurs de réaliser des analyses qui reposent sur le langage R sans avoir nécessairement à utiliser les lignes de commande.