Explorer les réseaux de citation du corpus Biolographes

La circulation des savoirs entre scientifiques et écrivains est une question centrale du projet Biolographes. Un travail sur les citants / cités au sein du corpus Biolographes constitue un point d’entrée possible pour aborder cette problématique.

L’approche ci-dessous indique comment utiliser le logiciel Unitex, un tableur partagé et un code Javascript pour générer une représentation graphique.

Extraction des auteurs

Une première étape consiste à extraire les noms d’auteurs du corpus. Pour cela, chacun des textes du corpus peut être traité à l’aide d’un graphe Unitex (ce logiciel libre permet de repérer des motifs – formes lexicales simples ou composées – avec des automates à états finis qu’on peut construire dans un éditeur de graphes intégré) créé sur la base de la liste des noms de famille des auteurs. Cette méthode se restreint à une liste prédéfinie d’auteurs mais pourrait être complétée par une extraction des noms propres détectés par un logiciel tel que TXM qui utilise pour cela un étiquetage morpho-syntaxique automatique (il s’agirait alors d’utiliser une requête du type [frpos= »NAM »] pour extraire tous les noms propres, puis filtrer manuellement la liste obtenue pour ne garder que des noms de personnes).

Voici un exemple d’application de ce graphe sur la traduction française de 1870 par Clémence Royer de la troisième édition de L’Origine des espèces de Darwin :

unitex-darwin-reperage-auteurs

Pour appliquer ce processus automatiquement à l’ensemble des 319 textes du corpus, un script Python appelle le graphe Unitex des auteurs et un autre construit un fichier tableur contenant les concordances obtenues et les informations relatives au fichier texte correspondant.

Nettoyage des données

L’étape précédente donne des résultats bruts qui contiennent du « bruit »  :

correctionmanuellereperageauteurs

Cet exemple illustre trois cas différents d’occurrences à retirer manuellement : ambiguïté due à l’homonymie, signature de l’auteur en fin d’article, ambiguïté avec un autre substantif commun (par exemple : « M. Mars » / « planète Mars »).

Le fichier tableur obtenu à l’étape précédente est alors importé dans n’importe quelle suite bureautique pour être utilisé dans un espace de travail collaboratif. On peut ensuite effectuer quelques opérations automatiques de traitement de données comme l’extraction des noms d’auteurs citants (présents dans les titres des fichiers), ou l’harmonisation des noms d’auteurs cités par passage en minuscules.

 Génération des tableaux de synthèse

Cette étape consiste à faire le bilan des noms d’auteurs cités et citants recensés dans les lignes valides du fichier tableur, obtenues par la procédure ci-dessus.

Pour réaliser un tel bilan quantitatif, il est possible de créer un tableau croisé dynamique, en choisissant les noms d’auteurs cités en lignes, les noms d’auteurs citants en colonnes, et le nombre de couples trouvés dans chaque cellule citants/cités.

Visualisations

De ce tabeau croisé dynamique, nous allons produire deux types de visualisations qui en faciliteront la lecture : deux histogrammes et un diagramme de Sankey.

Un histogramme permet de représenter, parmi les auteurs du corpus Biolographes, celles et ceux dont le nom est cité le plus souvent dans ce corpus :

Histogramme auteurs cités

Un autre sert à représenter, parmi les auteurs du corpus Biolographes, celles et ceux qui citent le plus souvent des noms d’autres auteurs de ce corpus :

histogrammeauteurscitants

Enfin, le diagramme de Sankey permet de combiner ces deux informations en représentant les flux de citations par des liens dont la largeur est proportionnelle au nombre de citations :

sankey2capture
Pour cela, on produit un fichier csv (export d’un tableur où les valeurs des cellules sont séparées par des virgules) à partir du tableau croisé dynamique présenté ci-dessus. Ce fichier représente les liens entre les auteurs cités à gauche et les citants à droite ainsi que le nombre de citations.

Nadège Lechevrel & Philippe Gambette