LEJEUNE Christophe (2016), « Chapitre 10. Logiciels d’analyse de données qualitatives ou d’analyse qualitative : Pièges, limites et questions liminaires », dans Joëlle KIVITS, Frédéric BALARD, Cécile FOURNIER et Myriam WINANCE (dir.), Les recherches qualitatives en santé, Paris, Armand Colin, p. 185-197, DOI : https://doi.org/10.3917/arco.kivit.2016.01.0185.
Émilien SCHULTZ et Matthias BUSSONNIER (2020), Python pour les SHS. Introduction à la programmation pour le traitement de données
Émilien SCHULTZ et Matthias BUSSONNIER (2020), Python pour les SHS. Introduction à la programmation pour le traitement de données, Rennes, Presses universitaires de Rennes
Texte intégral
1Émilien Schultz est un chercheur en sociologie, tandis que Matthias Bussonnier est un spécialiste de la biophysique et du langage Python. Ils présentent leur livre comme un manuel d’utilisation du langage Python dans le contexte de la recherche en sciences humaines et sociales.
2Cet ouvrage se structure en 10 chapitres répartis en 3 axes. Le premier axe se consacre à la présentation du langage Python : son utilité dans les sciences humaines et sociales, les moyens de son adaptation et de sa familiarisation, les bibliothèques associées ainsi que les manipulations et le traitement des données. Le deuxième axe s’attache à exposer les tests, les analyses quantitatives, les statistiques descriptives et inférentielles ainsi que la visualisation des résultats. Un chapitre spécifique est également consacré aux analyses qualitatives. Le troisième axe est dédié aux conseils et pratiques relatifs à l’organisation, au développement et au partage des bibliothèques. À la fin de l’ouvrage, les auteurs ajoutent deux annexes pour renforcer la démarche de vulgarisation du langage et pour favoriser une approche adaptée à la logique informatique en vue d’une utilisation efficace pour les chercheurs. La première annexe traite de l’environnement de création d’un code, en mettant en avant les principales règles telles que le processus d’expérimentation et d’essais jusqu’à la stabilisation, suivi du contrôle. La seconde annexe offre des références essentielles pour les chercheurs et les lecteurs souhaitant développer ces connaissances.
3Dans cet ouvrage, chaque chapitre propose une fusion d’aspects théoriques et pratiques, illustrée par des exercices et des explications à la fois simplifiées et détaillées des codes. En fin de chaque chapitre, les auteurs offrent une synthèse des points abordés.
4Dans leur introduction, les auteurs précisent clairement l’objectif de l’ouvrage ainsi que son cadre, en tant que guide d’initiation destiné aux chercheurs en sciences humaines et sociales (SHS). Ils considèrent que cet ouvrage offre aux chercheurs de divers horizons au sein du domaine des SHS une belle occasion de se familiariser avec le langage Python malgré sa complexité.
5L’évolution technologique et la connectivité croissante de toutes les activités humaines ont engendré une masse considérable de données. Celles-ci constituent une matière première pour de nouvelles recherches et ouvrent de nouvelles perspectives. La manipulation de ces données s’avère être une tâche complexe en raison de leur volume et de leur variété, des méthodes d’analyse requises, des modes d’organisation à adopter ainsi que des outils répondant aux besoins des comités scientifiques. Les auteurs soulignent ainsi que cet ouvrage poursuit plusieurs objectifs : offrir l’apprentissage d’un langage en pleine expansion, démontrer le potentiel de ce langage, identifier de nouvelles solutions et fournir un outil pédagogique pour son enseignement.
6Dans le premier chapitre, les auteurs s’efforcent d’explorer les spécificités de la relation entre ce langage et les SHS. Ils abordent ainsi l’intérêt de son utilisation au sein d’une population assez vaste qui se retrouve contrainte, dans le cadre de leurs travaux, à manipuler des algorithmes et des techniques qui sont éloignés de leur domaine de spécialisation et échappent à leur maîtrise. Cependant, la connaissance de certains langages et logiciels au sein de cette population permet aux chercheurs de se placer dans une position confortable. Ils sont ainsi en mesure de gérer efficacement les différents aspects de leurs recherches. Dans le même ordre d’idées, ce chapitre entreprend de situer ce langage par rapport à d’autres, notamment le langage R. Les auteurs considèrent que l’avantage de Python réside dans son environnement, sa simplicité et le dynamisme de sa communauté de développement en pleine expansion.
7Dans ce chapitre, les auteurs présentent également le langage Python et proposent une série d’étapes progressives pour initier les lecteurs à sa manipulation au fur et à mesure de leur progression dans la lecture de cet ouvrage.
8Dans le contexte des SHS, les auteurs mettent l’accent sur l’importance de se familiariser avec les langages informatiques pour plusieurs raisons :
-
L’informatisation du traitement des données est devenue une réalité incontournable de notre époque, grâce à l’évolution technologique rapide et à ses effets sur l’accumulation de vastes ensembles de données et l’accessibilité aisée à ces données ;
-
La gestion des données est devenue un enjeu majeur au sein des activités quotidiennes des individus et au sein des organisations ;
-
Une évolution significative des méthodes d’enquête et des méthodologies d’analyse des données est observée ;
-
Les besoins en logiciels et applications se sont transformés pour englober la collecte, le nettoyage et le traitement des informations ainsi que la vérification des hypothèses et des propositions, que ce soit dans les approches qualitatives ou quantitatives.
9Dans cette optique, les auteurs soulignent que le lien entre les SHS et l’automatisation de l’information remonte au XXe siècle. Ils encouragent les lecteurs à suivre progressivement cet ouvrage, à s’approprier leurs propres recherches et à se familiariser avec ce nouveau contexte et ce nouveau langage.
10Dans le deuxième chapitre, les auteurs s’efforcent de présenter le langage Python comme un langage machine auquel les lecteurs doivent s’adapter. Ils commencent par une exposition de la logique machine, dans l’objectif d’établir une base solide pour les futures interactions entre chercheurs et machines. Cette démarche vise à garantir une cohérence acceptable et à réduire les erreurs dans les communications. De plus, cela permet aux chercheurs de tirer parti des énormes capacités des algorithmes d’analyse et des tests.
11En ce qui concerne la logique des échanges avec une machine, les auteurs rappellent aux chercheurs que les communications classiques et les communications avec les machines diffèrent dans leur forme. Puisque la machine est conçue pour recevoir des instructions, nous devons respecter une syntaxe bien définie pour communiquer efficacement avec elle. De plus, le temps de communication diffère, car la machine exécute les instructions, tandis que le dialogue avec une personne se fait en temps réel. De même, les vocabulaires utilisés dans la communication classique/humaine sont riches et variés, comprenant des éléments verbaux et non verbaux. En revanche, les échanges avec les machines se limitent à un vocabulaire précis préalablement enregistré.
12Dans leur ouvrage, les auteurs présentent les interfaces et les environnements qui permettent d’écrire et d’interpréter les instructions de Python. Ces interfaces incluent notamment Anaconda, Jupyter Notebook et le mode texte.
13En outre, dans la section consacrée aux informations, les auteurs expliquent certains termes spécifiques et vocabulaires particuliers, ce qui contribue à une meilleure compréhension de l’environnement Python et de ses subtilités.
14Dans le troisième chapitre, les auteurs mettent l’accent sur la notion de bibliothèque en tant qu’élément central de l’environnement de développement. Ils s’efforcent de présenter la bibliothèque et d’expliquer sa manipulation ainsi que les méthodes opératoires qui lui sont associées. De plus, ils offrent un aperçu des évolutions des bibliothèques et de leur flexibilité dans le contexte de l’analyse et des requêtes.
15Les bibliothèques jouent un rôle essentiel puisqu’elles servent de dépôt pour l’ensemble des codes. Elles contribuent à accélérer le traitement des codes utilisés par les utilisateurs, y compris leurs méthodes opératoires. Fondamentalement, ces bibliothèques sont constituées de fichiers contenant des codes Python structurés de manière simple, mis à la disposition des utilisateurs. Les auteurs soulignent que ce langage offre une multitude de bibliothèques qui varient en fonction des besoins des utilisateurs.
16Dans le quatrième chapitre, les auteurs abordent les aspects techniques selon une approche pédagogique progressive. Ce qui distingue ce chapitre, c’est l’inclusion de codes pour la transformation, le nettoyage et la structuration des informations collectées à partir de diverses sources, en vue de préparer les données pour une interprétation ultérieure.
17Dans le cinquième chapitre, les auteurs présentent pandas comme une bibliothèque fondamentale de Python. Cette bibliothèque se distingue par son utilisation dans la manipulation de données structurées sous forme de tableaux ainsi que par son rôle dans le nettoyage de données et les analyses statistiques. De plus, cette bibliothèque est compatible avec d’autres bibliothèques de Python. Les auteurs détaillent les commandes pour l’importation, les modifications, les filtres, la liaison des tableaux et l’enregistrement des données dans cette bibliothèque.
18Le sixième chapitre est consacré aux statistiques descriptives et inférentielles. Les auteurs intègrent les tests statistiques et présentent une variété de commandes pour effectuer des tests couramment utilisés en recherche en SHS tels que l’analyse univariée, les moyennes et les variances. Chaque concept est renforcé par des exercices pratiques et des exemples d’affichage des résultats.
19Le septième chapitre se penche sur la présentation visuelle des résultats et des données. Les auteurs considèrent cette phase comme une exploration des informations, visant à rendre les données compréhensibles pour un public diversifié. Ils exposent différents choix de visualisation en utilisant des bibliothèques telles que Matplotlib, pandas et Seaborn. Les auteurs couvrent une gamme d’approches, notamment les histogrammes, les diagrammes, les nuages de points et les tableaux croisés.
20Dans le huitième chapitre, les auteurs abordent des notions statistiques avancées telles que les analyses factorielles, les modèles de régression et les classifications de données. Ces concepts sont fréquemment employés dans les recherches quantitatives pour confirmer ou infirmer des hypothèses.
21Le neuvième chapitre aborde les analyses qualitatives, de la collecte des données à l’analyse de corpus textuels, en passant par la visualisation de données géographiques. L’objectif est de montrer comment coder et analyser les données qualitatives issues d’entretiens et de pages Web à l’aide de scripts développés dans ce langage, combinant l’expertise du chercheur avec les possibilités offertes par la programmation.
22Le dernier chapitre traite de la phase finale de l’utilisation de ce langage, en développant des codes et en les partageant avec la communauté Python. Les auteurs proposent des conseils pour les étapes de codage, la création de bibliothèques et la collaboration avec la communauté Python pour le développement de nouveaux codes.
23Dans cet ouvrage, les auteurs cherchent à présenter de manière progressive et accessible ce langage, en tenant compte des besoins des chercheurs en SHS et de la complexité du langage. Ils consacrent une partie importante de l’ouvrage à guider les lecteurs dans l’apprentissage de ce langage, en couvrant les composantes essentielles de son environnement et en accompagnant les lecteurs dans la formulation de requêtes quantitatives et qualitatives adaptées à leurs orientations de recherche.
24Cet ouvrage vise à démystifier l’utilisation des langages en mode commande, afin que les chercheurs ne se contentent pas de tests et de codes préfabriqués, qui pourraient potentiellement masquer des résultats ou des réalités recherchés. Cependant, les besoins pressants de publication et d’analyse peuvent pousser les chercheurs à utiliser des logiciels dotés d’interfaces graphiques tels que InVivo, SPSS et AMOS.
25L’approche de codage présentée ici constitue une étape cruciale dans le processus de recherche, bien que les chercheurs puissent se sentir perdus et frustrés lors de la vérification et de la correction des erreurs de syntaxe et de codage.
26Malgré les efforts déployés par les auteurs pour simplifier le langage Python, afin d’aider les chercheurs en SHS à tirer pleinement parti de la puissance des machines en tant qu’outils de soutien à la recherche, il est important de souligner que l’utilisation de logiciels peut parfois conduire à des résultats incompatibles avec d’autres sources ou difficilement conciliables. En accord avec les travaux de Lejeune (2016), quels que soient les résultats obtenus, il est crucial que les chercheurs gardent à l’esprit que les logiciels ne constituent que des instruments facilitant les tâches et que l’interprétation des résultats demeure du ressort propre des chercheurs eux-mêmes.
Pour citer cet article
Référence électronique
Adel Ben Mbarek, « Émilien SCHULTZ et Matthias BUSSONNIER (2020), Python pour les SHS. Introduction à la programmation pour le traitement de données », Communication [En ligne], vol. 40/2 | 2023, mis en ligne le 14 décembre 2023, consulté le 21 avril 2025. URL : http://journals.openedition.org/communication/18311 ; DOI : https://doi.org/10.4000/communication.18311
Haut de pageDroits d’auteur
Le texte seul est utilisable sous licence CC BY-NC-ND 4.0. Les autres éléments (illustrations, fichiers annexes importés) sont « Tous droits réservés », sauf mention contraire.
Haut de page