Analyse des Séquences et Analyse de Réseaux

Cet outil T-LAB tient compte des positions des différentes unités lexicales à l'intérieur des phrases et il nous permet de représenter et d'explorer n' importe quel texte comme un réseau de relations

Les différentes options disponibles peuvent être utilisées pour des buts tels qu'analyses Co-Word, analyses thématiques et désambiguïsations.

En effet, après avoir construit deux matrices dans lesquelles tous les couples de prédécesseurs et successeurs sont enregistrés, T-LAB calcule les probabilités de transition (chaînes de Markov) et il fournit différents outputs qui concernent les mots cible.

En outre, il est possible d'exécuter un cluster analysis et d'explorer les relations sémantiques entre les mots soit à l'intérieur du réseau entier qu'à l'intérieur de "clusters thématiques" (N.B: Dans ce cas-ci, l'algorithme de clustérisation est constitué par la "méthode Louvain" développée par Blondel V.D., Guillame J.-L, Lambiotte R., Lefebre E., 2008).

CCeci signifie, après avoir exécuté ce type d'analyse, que l'utilisateur peut vérifier les relations entre les nœuds du réseau (c'est-à-dire les mots-clés) à plusieurs niveaux: a) en relations du type un-à-un; b) à l'intérieur d' "ego network"; c) à l'intérieur des "communautés" auxquelles ils appartiennent; d) à l'intérieur du réseau entier constitué par le texte en analyse.

RELATIONS UN-À-UN	EGO-NETWORK
COMMUNAUTES	RÉSEAU ENTIER

Les renseignements sur l'utilisation des différentes options d'analyse sont organisés en trois sections:

A - Explorer les connexions du type un-à-un et les "ego network;
B - Explorer les "communautés" (c'est-à-dire les clusters thématiques) et le réseau entier;
C - Certains détails techniques.

N.B.: Pour motifs d'édition, cette page inclut des exemples d'analyse tirés d'un corpus dont les textes sont en anglais.

A - EXPLORER LES CONNEXIONS DU TYPE UN-À-UN ET LES "EGO NETWORK"

Quand l'analyse automatique est terminée, divers graphiques et tableaux qui permettent de vérifier les relations et les données qui concernent les mots-clés sélectionnés sont disponibles (N.B: à ce but il est suffisant de cliquer sur un item des tableaux ou sur un point quelconque montré dans les graphiques).

Tous les graphiques peuvent être personnalisés et exportés en divers formats (utiliser le bouton droit de la souris).

En deux des graphiques, les éléments les plus voisins à ceux sélectionnés sont ceux qui ont les probabilités les plus élevées de venir devant (prédécesseurs) ou après (successeurs) de ceux-ci.

PREDECESSEURS	SUCCESSEURS

Dans les autres cas, la proximité entre les termes-clés est représentée par les différentes épaisseurs des flèches qui les joignent (voir ci-dessous).

Toutes les données peuvent être vérifiées au moyen de plusieurs types de tableaux.

En détail:

Les TABLEAUX INTERACTIFS montrent les listes des prédécesseurs et des successeurs associés avec les mots-clés sélectionnés.

La liste est en ordre décroissant selon les valeurs de probabilité ("PROB"). Par exemple, dans le tableau suivant, la probabilité que "camp" suive "refugee" est égale à 0.067, c.-à-d. le 6.7%.

L'option TRIADES nous permet de visualiser quelques tables avec des séquences de trois éléments dans lesquels, selon le choix de l'utilisateur, le mot choisi est dans la première, dans la deuxième ou dans la troisième position. Pour chaque triade T-LAB montre les valeurs d'occurrence correspondantes. (N.B.: Dans les triades les mots vides ne sont pas inclus).

Le tableau TOUS LES LIENS (voir ci-dessous), qui est particulièrement utile pour désambiguïser les sens des mots, contient tous les couples de prédécesseurs et de successeurs, et aussi les occurrences respectives. En faisant clic sur une ligne de ce tableau, tous les segments de texte, (c'est-à-dire les contextes élémentaires) dans lesquels les deux membres de chaque couple sont présents en même temps (c'est-à-dire co-occurrences), seront visualisés en format HTML sur le côté droit du tableau.

Le tableau RANG D'APPARITION, avec la fréquence et l'ordre moyen d'apparition (ou d'évocation) de chaque terme à l'intérieur des segments de texte, est visible seulement quand le corpus est constitué par des textes brefs, par exemple des réponses à des questions ouvertes.

À n'importe quel moment, en faisant clic sur l'option GRAPH MAKER, l'utilisateur peut créer des différents types de graphiques en utilisant des listes personnalisées de mots-clés (voir ci-dessous).

N.B.: Les utilisateurs experts intéressés à exporter des fichiers en formats divers (par exemple .dl .gml etc.) avec les données relatives à tous les links, peuvent faire clic sur le bouton "SÉLECTIONNER TOUS LES ITEMS".

À n'importe quel moment, en utilisant le bouton droit, it il est possible de vérifier les concordances de chaque mot (voir ci-dessous).

B - EXPLORER LES " COMMUNAUTÉS " (C'EST-À-DIRE LES CLUSTERS THÉMATIQUES) ET LE RÉSEAU ENTIER

Quand on fait une analyse cluster, d' autres graphiques et tableaux sont disponibles. Ils sont tous marqués avec un petit rectangle bleu (voir ci-dessous).

Un premier tableau résume les caractéristiques (c'est-à-dire les termes-clés), de la PARTITION FINALE obtenue par l'algorithme de clustérisation.
Dans ce tableau, les caractéristiques de chaque cluster thématique sont ordonnées par la valeur relative TF-IDF (voir ci-dessous).
N.B : Lorsqu'un cluster de la partition finale comprend seulement deux mots, habituellement cela signifie qu'un cas de multiword n'a pas été résolu pendant la phase de pré-traitement.

En cliquant sur n'importe quel mot dans le tableau ci-dessus (ainsi que dans le tableau TOUTES LES PARTITIONS), un TreeMap nous permet de vérifier les communautés auxquelles il appartient (voir ci-dessous).

La CARTE MDS et le graphique POURCENTAGES nous permettent de vérifier le "poids" de chaque cluster ainsi que les relations entre les différents clusters à l'intérieur de la partition finale (voir ci-dessous)..

Selon le numéro de mots-clés, deux graphiques en format HTML nous permettent de vérifier leurs relations soit à l'intérieur du réseau entier qu'à l'intérieur du cluster auquel ils appartiennent (voir ci-dessous).

NETWORK (FORCE-DIRECTED GRAPH)

NETWORK GRAPH (FORCE-DIRECTED GRAPH)

Trois autres tableaux nous fournissent d'autres renseignements obtenus par l'analyse cluster.

En particulier:

Le tableau TOUTES LES PARTITIONS permet de vérifier comment les mots-clés ont été groupés dans chaque partition de l' analyse des clusters (voir ci-dessous).
N.B.: Pour réglage prédéfini, ce tableau est présenté ordonné sur la première partition (c'est-à-dire celle avec le plus grand numéro de clusters), et chaque passage d'un petit cluster à l'autre est marqué en soulignant en vert le premier mot qui lui appartient.

Le tableau PARTITIONS INTERMEDIAIRES nous permet de vérifier comment les mots-clés ont été groupés dans la partition sélectionnée.
Dans cet tableau, les caractéristiques de chaque groupe thématique sont triées par leur valeurs d'occurrence (voir ci-dessous).

Le tableau CONTEXTES TYPIQUES nous permet de contrôler les segments de texte qui ont le plus haut score d'association avec les différents clusters de la meilleure partition. Dans ce tableau le "score" se réfère à la ressemblance (index cosinus) entre le vecteur des caractéristiques de chaque cluster et le vecteur dans lequel chaque segment de texte est représenté.

N.B. Le segment de texte plus significatif de chaque cluster est marqué en jaune.

Comme en d'autres cas d'analyse thématique, T-LAB permet d'exporter le dictionnaire de la partition meilleure qui peut être utilisé pour d'autres analyses.

C - QUELQUES DÉTAILS TECHNIQUES

Les types de séquences que cet outil T-LAB nous permet d'analyser sont les suivants:

1- Séquences de mots-clés, dont les éléments sont des unités lexicales (c'est-à-dire mots ou lemmes) présentes dans le corpus ou dans un de ses sous-ensembles. Dans ce cas, le nombre maximum des 'nœuds' (à savoir les " types" d'unités lexicales) est de 5.000;
N.B.: Lorsque la lemmatisation automatique est appliquée, 5.000 unités lexicales correspondent à environ 12.000 mots.

2- Séquences de Thèmes, dont les éléments sont des unités de contexte (c'est-à-dire des contextes élémentaires) classifiées par un outil T-LAB pour l'analyse thématique.
N.B.: Dans ce cas, étant donné que la séquence des contextes élémentaires (phrases ou paragraphes) caractérise toute la "chaîne" (prédécesseurs et successeurs) du corpus, T-LAB produit une forme spécifique de l'analyse du discours, dans laquelle les nœuds (c'est-à-dire les "thèmes") peuvent varier d'un minimum de 5 à un maximum de 50.

3 - Séquences archivées dans un fichier Sequence.dat, préparé par l'utilisateur (voir les explications relatives à la fin de cette section). Dans ce cas le nombre maximum de records est de 50.000 et le nombre de " types " (c'est-à-dire de nœuds) ne doit pas dépasser 5.000.

Les informations suivantes sont fournies pour aider l'utilisateur à mieux comprendre les données dans le tableau SOMMAIRE.

Selon la théorie des graphiques, les prédécesseurs et les successeurs de chaque nœud (dans ce cas-ci, chaque unité lexicale) peuvent être représentés au moyen de flèches (arcs) en entrée (in-degree = types de prédécesseurs) ou en sortie (out-degree = types de successeurs).

Par exemple, dans la table suivante "people" a 412 types de successeurs et 449 types de prédécesseurs.
Et son degré de centralité est 0.243.

Selon leur rapport (successeurs/prédécesseurs), il est possible de vérifier la variété sémantique engendrée par chaque noeud:

- si le rapport est plus grand que 1, le nœud est définie "source;
- si le rapport est égal à 1, le nœud est défini "relais";
- si le rapport est inférieur à 1, le nœud est défini "puits".

Dans le même tableau, pour chaque unité lexicale, la colonne "cover" (couverture) indique le pourcentage de ses occurrences précédées ou suivies des unités lexicales incluses dans la liste de l'utilisateur.

Quand les unités analysées "couvrent" la totalité de celles présentes dans le corpus, la valeur de "cover" est égale à 1; autrement, c'est une valeur inferieure. D'ailleurs: quand la valeur de "cover" est égale à 1, également les totaux des probabilités (des prédécesseurs et des successeurs) sont égales à 1; autrement, ils sont des valeurs inferieures. Dans les deux cas, le pourcentage "résiduel" est déterminé par le fait qu'il y a des prédécesseurs et des successeurs non inclus dans l'analyse.

Par exemple, la séquence représentée dans l'image suivante est constituée par 39 événements. De ces derniers, seulement 16 (les hypothétiques unités analysées) sont "couverts" (boîtes grises); ceci parce que certains d'eux, par exemple ceux correspondants aux occurrences de l'unité lexicale "A", ont des prédécesseurs et des successeurs non inclus dans l'analyse (boîtes blanches).

Différemment, quand l'utilisateur analyse séquences de thèmes ou un fichier externe tout les événements sont "couverts".

N.B.: Pour analyser un fichier externe, l'utilisateur doit préparer le fichier " Sequence.dat " correspondant; puis, après avoir ouvert un projet déjà existant, il doit sélectionner l'option "Séquences enregistrées dans un fichier Sequence.dat".

La méthode de calcul, les graphiques et les tables sont analogues à ceux déjà décrites (voir ci-dessus).

Le fichier Sequence.dat, qui peut contenir chaque genre d'étiquettes (par exemple les noms des parleurs dans une conversation, des catégories obtenues par analyse du contenu, des séquences d'événements, etc.), doit se composer par "N" lignes (minimum 50 maximum 50.000), chacune avec une étiquette d'un maximum de 50 caractères, sans signes de ponctuation ni espaces vides.

Les types d'étiquettes doivent être maximum 5.000.

Voici quelques exemples de fichier Sequence.dat dans le format correct:

Aussi bien après l'analyse des séquences (syntagmes) du corpus qu'après l'analyse d'un fichier externe (Sequence.dat), T-LAB produit des tableaux dans le dossier MY-OUTPUT.