• 1 Michel Pêcheux, Catherine Fuchs, « Mises au point et perspectives à propos de l’analyse automatique (...)
• 2 Émile Benveniste, Problèmes de linguistique générale, tome 1, Paris, Gallimard, 1976 ; Algirdas Jul (...)

1Au XX^e siècle, les sciences sociales ont remis en cause la transparence de l’énoncé comme manifestation d’un sujet conscient et rationnel1. En travaillant le corpus dans sa structure, les pionniers de la linguistique moderne puis de la sémiologie (Saussure, Hjelmslev, Jakobson) ont montré, au début du XX^e siècle, qu’un ensemble de régularités dans la production des énoncés, dans un champ social donné, pouvaient être mises à jour par-delà l’intention du sujet de la conscience. Une instance régulatrice joue la fonction d’institution langagière commune d’abord à des énoncés et par extension au corps social qui se structure dans ce processus d’énonciation. Le « lieu » de l’énonciation va progressivement se définir comme un champ de contraintes complexes qu’elles soient techniques (le média), technologiques (le code langagier), idéologiques (le référentiel normatif) ou stratégiques (la situation d’énonciation). En particulier, l’approche sémiologique a cherché non seulement les éléments fondamentaux du langage (couple signifiant/signifié, paradigmatique/syntagmatique, langue/parole, etc.), mais aussi le système de lois générales à chaque niveau d’un processus hiérarchique de signification (du phonème à l’énoncé en passant par le sémème, la proposition, le texte, etc.). Ce courant des sciences humaines et sociales puise son origine contemporaine dans les travaux fondateurs de la linguistique de Ferdinand de Saussure, mais aussi de ses héritiers2 qui formalisent les règles de la pratique langagière. La linguistique va ainsi poser les bases conceptuelles d’un tournant méthodologique majeur qui donnera naissance aux Sciences de l’Information et de la Communication. L’énoncé sera désormais non seulement comme une performance langagière de cette structure linguistique, à la fois structurée et structurante, mais comme un moment situé dans une dynamique temporelle et un lieu saturé par un champ de rapports de force actantiels lui aussi socialement structuré. Énoncer est un faire social s’inscrivant dans le champ des pratiques humaines.

• 3 Cormerais Franck, Amar Lakel, « Recherches digitales et production des données, bouleversement des (...)
• 4 Michel Callon, Pierre Lascoumes, Yannick Barthe, Agir dans un monde incertain. Essai sur la démocra (...)
• 5 Franck Cormerais, Olivier Le deuff, Amar Lakel et al., « Les SIC à l’épreuve du digital et des Huma (...)

2C’est en s’inscrivant dans ce courant épistémologique que nous voudrions proposer, ici, une discussion méthodologique qui s’inscrit dans le tournant des humanités numériques appuyé par le renouveau des méthodes digitales. L’analyse des controverses numériques est devenue un vaste champ d’études en SIC non sans pour autant poser de nombreux problèmes épistémologiques voire pratiques3. Peut-on fonder les conditions d’interprétation des grands corpus des controverses numériques à l’intersection entre les fondements théoriques d’une analyse du discours et les nouvelles méthodes digitales issues du traitement automatique du langage (TAL) pour découvrir des structures d’énonciations idéologiques ? Si Barthes et Greimas dans la lignée de Propp avaient recherché à l’échelle de l’œuvre puis du genre une régularité structurale au-delà du texte, l’analyse des grands corpus des controverses ouvertes explore la possibilité d’une analyse structurale à l’échelle d’un système d’énonciateurs complexe, divers et ouvert. Le cadre théorique global de notre recherche s’inscrit dans le courant de l’analyse des controverses4 approchées comme un corpus structuré socialement. À la fois épreuve et opportunité, l’accessibilité de grands corpus numérisés mobilise toutes les disciplines dans un élan d’innovations méthodologiques au sein de ce qu’il est convenu d’appeler désormais les humanités numériques5.

• 6 Amar Lakel, « My web intelligence : un outil pour l’analyse du web et des réseaux », I2D - Informat (...)
• 7 Amar Lakel et Olivier Le Deuff, « À quoi peut bien servir l’analyse du web ? », Les Cahiers du numé (...)
• 8 Amar Lakel, « Prises de positions et influences sur le web : le cas de l’information de santé », Re (...)
• 9 Franck Cormerais, Amar Lakel, « Juan Branco, influenceur éphémère ou figure de l’intellectuel numér (...)

3Entre 2014 et 2020, nous avons dirigé un projet de recherche, « My Web Intelligence », qui a doté les spécialistes de l’analyse du web d’un outil de constitution de grands corpus. « My Web Intelligence » est un outil de crawl open source sous licence MIT qui respecte les standards internationaux en matière de transparence des procédures méthodologiques6. Il est la réalisation d’un principe fondamental pour le monde académique : l’open source comme garantie d’une co-construction des méthodes numériques (digital methods) assurant la reproductibilité de la recherche. 3 études de cas ont été publiées afin de présenter la méthodologie de sociologie du web qui accompagne l’utilisation des données extraites. Une sociologie de la communauté scientifique rassemblée autour des humanités numériques7, une analyse des nouvelles médiations de l’information de santé sur Internet8 et une controverse politique autour du livre Crépuscule de Juan Branco9 ont montré la possibilité d’appréhender aisément des corpus du web conséquents.

• 10 Cet article évite soigneusement toute référence mathématique ou informatique, renvoyant ceux que ce (...)

4Le corpus du dernier article est la base de notre présente proposition pour l’intégration des méthodes de classification automatique de contenus qui complète dans un second temps notre démarche méthodologique des positions idéologiques au sein des controverses numériques. Cet article se veut une invitation à renouer le dialogue entre les SIC, la sociologie et les sciences du langage. L’objectif de notre article est de pouvoir ouvrir un chantier interdisciplinaire visant à opérationnaliser l’analyse automatique du discours à travers une méthodologie de classification documentaire permettant de renforcer l’analyse sociologique des controverses. Le concept que nous voudrions opérationnaliser à terme est celui de « prise de position ». La métaphore militaire est courante en communication. Nous voudrions pouvoir la filer en proposant les moyens de cartographier un espace discursif à travers le repérage des nœuds socio discursifs qui structurent le corpus. Travail préalable de contextualisation et de classification des corpus, cette méthode doit permettre d’objectiver la/les scène.s de la controverse en amont de l’analyse de contenu. Nous allons donc, dans un premier temps, revenir sur les fondements de la linguistique qui nous servent de théorie générale pour objectiver l’énoncé afin d’en définir la valeur signifiante d’un document comme élément d’un corpus. Nous proposerons alors, dans un second temps, nos premières explorations algorithmiques de la classification automatique de documents10 afin montré comment elle peut servir à capter une certaine identité du contenu d’un énoncé. Il ne s’agit pas dans cet article d’apporter des solutions, mais de mettre en tension deux disciplines qui inspirent les pratiques en SIC : la linguistique et les sciences du numérique.

• 12 Ferdinand de Saussure, Cours de linguistique générale, op. cit.

5Les trois cours de linguistique que Ferdinand de Saussure12 a donnés entre 1906 et 1911 à l’université de Genève sont un des piliers des sciences de l’information et de la communication. Ferdinand de Saussure définit le langage comme un « fait social » formel, c’est-à-dire comme un ensemble de rapports réguliers (et régulés) entre des éléments spécifiques selon une rationalité socialement et historiquement située. En pleine révolution sociologique conduite par Durkheim, cette définition fondamentale, posée dès le début du Cours de linguistique générale, s’inscrit pleinement dans une approche sociologique.

• 16 Il faut tout de suite se déprendre d’une interprétation métaphysique voire naïve de ce que peut êtr (...)

6Au cœur même du processus de signifiance, la linguistique générale de Ferdinand de Saussure isole la langue comme un code normatif commun, voire immanent, régissant la pratique langagière individuelle selon les capacités de chacun. Ce « code » commun permet à un agent d’anticiper (la plupart du temps inconsciemment) les modalités d’interprétation de son énonciation. Le sujet énonciateur n’a d’autre pouvoir dans l’acte communicationnel que de matérialiser une forme selon des règles qu’il doit partager avec son interlocuteur16. Le processus d’énonciation est donc par principe un processus de communication, c’est-à-dire soumis à un principe de régularité.

• 17 La question du dialogue intérieur et de la conscience nous empêche d’associer signifiant avec réifi (...)

9L’élément linguistique fondamental, Saussure le nomme : signe. Pour le décomposer aussitôt en une 1re réalité dite signifiante renvoyant fondamentalement à autre chose qu’elle-même, et une seconde réalité intelligible dite signifiée17. Ce que Saussure appelle signe, c’est une fonction cognitive socialisée, une convention qui renvoie une réalité à une autre. Le signe est essentiellement défini par la relation entre le signifiant comme image psychique et le signifié comme image psychique.

• 19 Jacques Bertin, Sémiologie graphique. Les diagrammes, les réseaux, les cartes, Paris, Éditions de l (...)
• 20 On doit à Charles Sanders Peirce la définition principale de ce mode de relation dans les trois déf (...)
• 21 Alain Gallerand, « La nature de la logicité chez Husserl, Saussure et Granel : idéalité ou matérial (...)

10Plus tard, Hjelmslev soulignera ce concept en distinguant plus clairement la forme de la substance. Que le système se déploie dans les possibles technologiques d’un médium donné (phonétique avec l’oralité, graphématique avec l’écrit19 comme re-presentation20 de la langue est un champ de recherche à part entière. Le système de relations propres aux signifiés est l’objet de l’ensemble des sciences de l’interprétation. La question de la traduction étant alors le point d’entrée du rapport entre signifié et signifiant (notamment dans l’identité et la permanence d’un signifié à travers plusieurs signifiants21. Il y a quelque chose dans mon expérience que je détache comme représentant, comme indice d’une autre réalité que j’ai construite à partir de mes expériences : le concept. On rendra une langue possible quand ce système matériel sera une invention humaine partagée pour représenter et communiquer le fonctionnement psychique. C’est-à-dire un système lexical commun permettant la construction du sens. Ainsi dans l’oralité une « phonématique » (à la fois phonétique et phonémique) est technologie d’une sémiotique, comme une « graphématique » peut servir à cette même sémiotique.

• 22 Lucas Buzek, « Simmelova sémiologie », Historická sociologie, n° 2, 2013, p. 51‑74 ; Roman Jakobson (...)
• 23 Georg Simmel, Philosophie de l’argent, 3^e édition, Paris, PUF, 2014.
• 24 Souligné par Roman Jakobson, Essais linguistiques, op. cit.
• 25 Ferdinand de Saussure, Cours de linguistique générale, op.cit., p. 170.

11Si on a souvent fait le rapprochement entre l’entreprise Saussurienne et le travail de Durkheim à la recherche du code d’un fait social total, on a peu exploité une analogie plus frappante, celle d’une théorie de la forme chez Tarde et plus tard Simmel22. Buzek tente de fonder un rapprochement entre signifié social et signifiant social en montrant la très forte similarité entre d’une part la théorie de la valeur chez Simmel23 dans ses réflexions sur l’argent comme signe, et d’autre part la théorie de la valeur signifiante chez Saussure. Quand on reprend la définition de la valeur chez Saussure, on ne peut s’empêcher de faire le rapprochement avec les écrits de Tarde24. « Il s’agit d’un système d’équivalence entre des choses d’ordre différent. Le rapport travail et salaire est identique à celui de signifié et signifiant »25. La valeur du signe vient d’une part de son renvoi d’équivalence à autre chose et d’autre part de la capacité, comme unité élémentaire, à s’associer. La valeur réside dans la convention de substitution d’un élément à un autre selon une règle d’équivalence.

• 27 Jack Goody, La logique de l’écriture, op. cit.

12Bien sûr les choix de l’humanité dans les matériaux du signifiant vont avoir des conséquences lourdes sur l’économie du signe27. Mais la langue comme structure formelle repose sur le quasi-universalisme de la structure cognitive qui est le fondement de sa traductibilité universelle. Toutes les langues sont traductibles parce qu’in fine, elles ne sont que structures signifiantes diverses de la même pratique humaine universelle : la signification. Ni l’or, ni le sel, ni le bit ne jouent un rôle dans la valeur de la monnaie et les conventions sociales ont un destin commun qui fonde leur équivalence.

• 28 Algirdas Julien Greimas, Du sens I. Essais sémiotiques, Paris, Le Seuil, 2012.

13Hjelmslev va souligner une distinction présente dans les deux plans dans l’édifice Saussurien. Il double la dichotomie expression (signifiant) / contenu (signifié) d’une distinction essentielle entre règles formelles et substance en une matrice forme/substance de contenu et forme/substance de contenant. Pour Hjelmslev, cette dichotomie est la séparation entre la linguistique et les sciences paralinguistiques. Cette théorie de la forme fonde la valeur signifiante dans le processus d’interprétation. La linguistique est une théorie de la langue comme mise en relation de positions selon un système de règles formelles. Sur le plan de l’expression, la forme est indépendante de sa manifestation dans une matérialité externe. Que le morse soit manifesté par un phare, une fumée ou un cliquetis électrique n’a qu’une incidence périphérique sur le morse. Il faut donc faire une différence entre la compréhension du schéma formel de la signification et sa matérialisation dans un médium. Sur le plan de l’expression, la substance relève pour lui de l’économie physique du document (une documentologie dont la phonétique serait une branche). Sur le plan du contenu, la sémantique structurale28 va rechercher dans l’analyse des récits et des mythes les règles formelles de contenus à travers des représentations les plus diverses.

• 30 Le terme vient de Hjelmslev, Saussure préférant le terme associatif, mais nous opérons une substitu (...)
• 31 Cette notion de « possible » est un processus de comparaison qui se base sur une logique formelle d (...)
• 32 Cette relation est le cœur de l’œuvre de Greimas et du courant de la sémiotique qui en découle.

15Dans le mécanisme de fonctionnement de la langue, Saussure isole pour chaque production de signes deux types d’opérations relationnelles qui enrichissent la valeur signifiante du signe. L’opération paradigmatique30 consiste à faire un choix entre plusieurs éléments possibles31. Un processus de substitution est possible sur entre des éléments à partir du moment où les substituts ont quelque chose en commun sur le plan qui le constitue. Ce commun fonde le paradigme32. L’opération syntagmatique consiste à regrouper des éléments dans un ensemble de rapports, en homologie avec les rapports du plan auquel elle renvoie.

• 34 Jean-Didier Urbain nous rappelle dans sa préface du CLG que Saussure dès ses premières publications (...)
• 35 Dans le cadre de l’analyse des controverses, toute la question est de prouver que le corpus est une (...)

16Ainsi du préfixe au groupe nominal, de la proposition à la phrase, du paragraphe au livre, toute une série de conventions d’associations à des échelles multiples découpe le document en des systèmes de relations formelles imbriquées qui fondent des formes reconnaissables et signifiantes que l’on appelle la langue. Ni le mot ni la phrase ne suffisent pour en épuiser la valeur signifiante34. Le sens est porté par une liste restreinte d’éléments reliés en un système hiérarchique de systèmes35. C’est sur cette base que l’analyse structurale du récit de Propp à Greimas en passant par Barthes ou Lévi-Strauss ne vont avoir de cesse de chercher des modes d’analyse de la valeur signifiante dans des corpus de plus en plus vastes.

• 36 C’est à partir de ce texte que Propp (Vladimir Propp, Morphologie du conte, Paris, Points, 2015) et (...)
• 37 « L’entité linguistique n’est complètement déterminée que lorsqu’elle est délimitée, séparée de ceu (...)
• 38 Ibid.

17Louis Hjelmslev réalise, dès les Prolégomènes, la portée épistémologique de l’analyse structurale comme fondement d’une théorie générale qui respecterait les exigences de simplicité maximale, de non-contradiction et d’exhaustivité a priori. Il va donc pousser l’analyse des principes de décomposition hiérarchique des classes en éléments fondamentaux à un niveau de rigueur inégalé jusque-là. Au sein d’une classe, les éléments se distinguent et s’opposent selon une matrice de traits distinctifs qui sont en fait les éléments du niveau hiérarchique inférieur. Ainsi, un ensemble très restreint de traits distinctifs sonores forment des phonèmes qui forment des mots, plus petite unité signifiante de la langue. Parallèlement des sémèmes forment des concepts. C’est par jeu d’assemblage de plus en plus complexe qu’un locuteur forme d’abord le mot, puis le groupe de mots. Il faudra alors qu’il les assemble par des traits positionnels dans la proposition pour enrichir la capacité signifiante de l’énoncé. Les niveaux hiérarchiques supérieurs (pour le texte écrit par exemple : la phrase, le chapitre, le texte, le corpus, etc.) font eux-mêmes l’objet d’une classification structurale selon les éléments du niveau inférieur qui en constitue les traits distinctifs. Hjelmslev distingue les éléments constitutifs fortement référentiels des éléments relationnels36. Il constate aussi que la langue est une technologie fortement économe. Plus on analyse à un bas niveau logique, plus le nombre d’éléments à maîtriser est restreint. Avec 39 phonèmes et 26 lettres, on peut parler et écrire tous les discours du français contemporain. Il faut y ajouter des séparations de volume sonore (ou d’espace et de ponctuation par exemple) comme modalité relationnelle pour constituer la première classe d’objets supérieure37. Comme face au Tableau périodique des éléments de Mendeleïev de notre enfance, on commence à comprendre que toute la complexité de l’univers peut être explorée avec un ensemble très restreint d’éléments et de relations (dont la simplification en logique pure peut se réduire à une paire opposée d’éléments distinctifs par la relation de présence/absence/négation). Saussure utilise très clairement cette référence à la chimie : « un composé chimique, l’eau par exemple ; c’est une combinaison d’hydrogène et d’oxygène ; pris à part, chacun de ces éléments n’a aucune des propriétés de l’eau »38.

• 39 https://crecleco.seriot.ch/textes/theses29.html

19Roman Jakobson va venir parachever l’armature fondamentale des sciences du langage en l’ouvrant à la dimension situationnelle d’une science de l’énonciation. On peut distinguer deux moments dans l’œuvre de Jakobson, avant et après l’exil vers l’Amérique. Le premier Jakobson est sans aucun doute un linguiste qui s’est fait connaître par ses travaux en phonétique dans la droite ligne de l’approche structurale. Mais après 1939, la migration américaine lui permet de rencontrer le continent de la linguistique américaine dont il cite abondamment les deux sources : Charles Sanders Peirce et Edward Sapir. C’est bien par une volonté d’hybridation que Jakobson jouxte une analyse structurale du signifiant à une analyse fonctionnelle du processus d’énonciation. « La langue est un système de moyens d’expression appropriés à un but » (Première thèse du Manifeste du Cercle de Prague 192939). Cette vision globale du processus signifiant fait de Jakobson un pont qui relie toutes les disciplines de la sémiologie et les deux générations d’avant et d’après la Seconde Guerre mondiale. Mais à ce premier syncrétisme linguistique, il faut ajouter un second moment syncrétique, celui de l’intégration des théories systémiques qui vont se développer dans la ligne des théories de l’information de Shannon et Wiener. Le premier pan théorique du fameux modèle d’énonciation de Jakobson réside dans une intégration des fondamentaux de la linguistique de Saussure à l’aune des théories de l’information. Le processus d’encodage et de décodage suit un programme qui doit être partagé entre les éléments qui se relient pour produire une valeur signifiante. Jakobson reprendra régulièrement dans ses conférences l’adage systémique : « le tout n’est pas égal à la somme des parties ».

• 40 George Boole, An Investigation of the Laws of Thought: On Which Are Founded the Mathematical Theori (...)

20Cette logique systémique montre que plus on descend hiérarchiquement dans les classes fondamentales moins on trouve un nombre d’éléments et de relations variées, mais plus les règles combinatoires s’imposent comme un impératif indiscutable et indiscuté. Il reprend ici la thèse de la frugalité des systèmes complexes. Jakobson retrouvera dans le langage binaire des théories de l’information40, l’explication théorique de ses traits distinctifs fondamentaux en phonologie. Comment ne pas faire l’analogie entre les 3 relations fondamentales de l’absence (l’un OU l’autre), présence (l’un ET l’autre) et négation (le NOT un) de la phonologie par la logique booléenne fondamentale d’un système de deux éléments 0 et 1 (logique reprise par Greimas pour fonder son carré sémantique). Ainsi Jakobson contredit l’hypothèse Whorf en montrant que toutes les langues ont théoriquement largement de quoi exprimer la totalité des expériences humaines. Si l’échelle du mot manifeste des différences de sens, il existe encore bien des niveaux de signifiance pour pouvoir appréhender des réalités complexes. Jakobson rappelle que tout système de sens, en plus d’être un processus de mise relation concomitante (syntagmatique nous aurait dit Hjelmslev) établit aussi des relations avec des éléments absents auxquels ils se substituent (axe paradigmatique des classes d’équivalences).

• 41 Dans l’analyse du discours, il est essentiel de rappeler la distinction fondamentale entre langue e (...)

22Le Traitement Automatique du Langage Naturel (ou TALN), connaît, depuis 2010, un renouveau spectaculaire du fait de l’entrée des géants de l’économie numérique dans la recherche. IBM qui a longtemps été le centre de recherche mondial d’analyse automatique du langage a été rejoint, récemment, par les GAFAM (et notamment Google, Facebook et Amazon) qui sont à la recherche d’outils efficaces pour le cœur de leur économie : la gestion de documents. C’est au sein de ces entreprises qu’une révolution technique a permis une rupture dans la résolution des problèmes du TALN : les algorithmes d’apprentissage supervisés par réseaux de neurones profonds. Ces 5 dernières années, l’outillage fourni à la communauté scientifique a permis de rendre facilement accessibles des fonctions jusque-là impossibles à réaliser. En matière lexicale et syntaxique, la lemmatisation, l’analyse morphologique, l’analyse des catégories grammaticales, le découpage textuel sont rendus faciles par la livraison de solutions comme SpaCy. La livraison récente de gigantesques modèles de langage entraînés (BERT par Google en 2018, GPT-4 par OpenAI en 2022) va permettre d’améliorer les solutions de traduction automatique, d’extraction de contenus pertinents, de détection de coréférences dans le topic modeling. Si la démarche du chercheur en SIC vise à pouvoir opérationnaliser un traitement de grands corpus pour classer et organiser des énoncés tant au regard de la construction du sens qu’au regard d’une situation énonciative fondée sur des paramètres pragmatiques, il ne pourra identifier des « positions » idéologiques qu’en réussissant à mettre en place des protocoles algorithmiques qui simule au plus près la possibilité d’interprétation du récepteur41.

• 42 Franck Cormerais, Amar, Lakel, « Juan Branco, influenceur éphémère ou figure de l’intellectuel numé (...)
• 43 Le terme controverse peut surprendre ici tant le mot est associé aux sciences studies qui n’ont eu (...)
• 44 Pour une présentation synthétique de la méthode voir https://fr.slideshare.net/alakel/juan-branco-u (...)

23Rappelons le contexte de notre étude. Entre octobre 2018 et juin 2019, Juan Branco devient un phénomène numérique en apparaissant sur de très nombreux posts de Twitter, Facebook, YouTube, etc. Sur le thème classique d’une fracture médiatique entre puissant et invisible, il réveille l’espace public numérique 2.0 s’assurant une visibilité importante. L’influenceur finira par classer son livre en tête des ventes en France durant le premier semestre 2019. Dans le cadre d’un précédent article42, nous avions voulu savoir si le débat autour du livre Crépuscule était un exemple de l’émergence d’une figure hybride de l’intellectuel à l’ère d’un espace public numérisé. Sur une période allant du 1^er octobre 2018 au 2 juin 2019, ce sont 479 pages web sur 278 sites web qui ont participé à la controverse43 politique appuyée par les réseaux sociaux. Nous avons montré comment ce sociotype, s’il en est, est une co-construction des nouveaux lieux de controverse web et web 2.0. À l’ère des nouveaux médias numériques d’opinion correspondrait une figure de l’intellectuel adaptée aux régimes ultra-concurrentiels du web. Les néo-médias du journalisme dit « pure player » et cette nouvelle figure de l’intellectuel numérique développent une interdépendance dynamique et agonistique nourrie aux buzz politiques radicalisés44.

• 45 Mikhaïl Bakhtine, Le Marxisme et la philosophie du langage : Essai d’application de la méthode soci (...)
• 46 https://spacy.io/
• 47 La première proposition de la méthode est à retrouver dans David M. Blei (« Probabilistic topic mod (...)

26Analyse « externe » du débat public basée sur des marqueurs sociologiques, la méthode s’était volontairement tronquée de la question du sens. Mais l’hypothèse qu’une position politique réside justement dans un choix sémantique et argumentaire se trouve à la base du courant de l’analyse du discours politique45. Il nous faut désormais pouvoir coupler la méthode de cartographie des acteurs sociaux, principalement socio comportementale, et une méthode d’analyse du discours pour approcher une compréhension complexe des situations de controverse. Nous voudrions dans cette partie, montrer un exemple de transfert d’une théorie de la signifiante profondément marqué par la linguistique dans un protocole numérique de signature de document selon le contenu. Notre expérience s’est concentrée sur l’utilisation de SpaCy46 pour la décomposition syntaxique et le Latent Dirichlet Allocation pour la modélisation des coréférences47. Même si cette méthode n’est qu’une approche parmi d’autres, il s’agit ici d’exemplifier une méthode sur les bases de la théorie de l’émergence de la valeur du signe par association tout en utilisant les derniers outils probabilistes issus des méthodes numériques pour résoudre une problématique des sciences de l’information : la classification automatique de documents dans de larges corpus. Une des branches du TALN consiste à décomposer les textes en unités sémantiques cohérentes et identifiables que l’on va utiliser comme traits distinctifs d’énoncé. Ces procédés que l’on nomme le topic modeling ne sont pas nouveaux. Bien connu des utilisateurs d’Alceste ou d’Iramuteq, il profite aujourd’hui du renouveau de la recherche algorithmique dans le champ de l’analyse du discours automatique.

• 48 Les processus automatiques de désambiguïsation et hiérarchisation sémantique sont les grandes front (...)

27L’analyse lexicale par contexte de segment de texte repose toujours sur un procédé de décomposition/recomposition de l’énoncé propre à l’analyse du discours. Il s’agit d’une opération de transformation du texte en des traits distinctifs discriminants. Nous avons choisi un filtrage par la fonction référentielle de l’énoncé en ne gardant que les mots à forte valeur de cadrage. On commence par atomiser le segment en un « sac de mots ». Ce sac de mots va connaître un premier filtrage que l’on pourrait qualifier de « désambiguïsation ». Dans ce sac de mots, une quantité importante de mots sont très fortement ambigus (ex. les pronoms personnels) ou à faible valeur référentielle (ex. les articles indéfinis). On se débarrasse alors des mots grammaticaux d’usage courant dans l’utilisation de la langue. On distingue implicitement les mots aux fonctions référentielles claires (noms, adjectifs, verbes, voire certains adverbes), qui nous permettront de dégager des actants et des actions, des mots aux fonctions référentielles ambiguës dont le sens est soit trop lié au contexte, soit lié à un sens trop peu discriminant. Le chercheur peut/doit toujours intervenir sur ce dictionnaire pour l’affiner. Ce dictionnaire lui fera office de matrice référentielle dans le filtrage des énoncés. Le mot comme trait distinctif du texte doit devenir un outil de discrimination/classification à l’échelle du corpus de la fonction référentielle. Une opération de lemmatisation qui vise à regrouper les termes sous l’égide du terme noyau hors déclinaisons de nombre, de genre ou de temps permet de réduire, dans une première opération paradigmatique, les dimensions lexicales tout en préservant le plus possible la valeur référentielle48. Ainsi les paragraphes subissent ce genre de transformation :

• 49 Le nombre de cluster n’est pas ici optimisé car l’enjeu de l’article n’est pas tant de faire une dé (...)

31Dans le cadre de notre analyse automatique, nous avons découpé les 477 pages en 5 337 paragraphes, unité que nous avons jugée plus propice à l’homogénéité conceptuelle d’un objet de controverse. La première étape a été d’opérer la réduction sémantique de chaque paragraphe (voir ci-dessus). À partir de ces paragraphes « nettoyés », on a extrait un dictionnaire de 1806 termes en éliminant au passage les mots de moins de 3 caractères et ceux qui n’étaient présents que dans moins de 3 documents. On a pu constituer un dictionnaire de termes dont la distribution correspond à une loi de puissance très connue en statistique lexicale. Ces 1 806 mots forment une matrice positionnant les 5 337 paragraphes dans un espace multidimensionnel. Le second moment nous a permis de constituer une classification documentaire basée sur 100 topiques49. Ce chiffre est totalement arbitraire (même s’il s’appuie sur des conventions admises dans la littérature scientifique sur le LDA). Il s’agit ici d’assurer une signature multithématique des paragraphes sur une matrice suffisamment grande pour préserver leur variabilité. La question de la détermination du nombre pertinent de topiques est toujours délicate. La recherche est en encore en cours pour développer des méthodologies pour choisir logiquement ce nombre. L’intérêt du LDA est donc de produire des topics qui sont autant de paradigmes statistiques qui vont marquer les paragraphes selon la présence plus ou moins partielle de chacun des paradigmes. L’intérêt des algorithmes de classification LDA est d’éviter d’assigner un paragraphe particulier à un seul topic/stéréotype, mais de les classer selon une probabilité de présence des 100 topiques. C’est donc une matrice de 5 337 paragraphes x 100 topics qui va nous servir pour la classification des paragraphes. Les paragraphes sont donc projetés vectoriellement dans ce référentiel de paradigmes.

• 50 Amar Lakel, « Prises de positions et influences sur le web : le cas de l’information de santé », ar (...)

34Nous avons voulu vérifier l’hypothèse d’une corrélation entre la qualification intuitive des sites web selon leur position politique (issue d’une catégorisation subjective de la part du chercheur d’une position sémantique et argumentative affichée) et notre méthodologie d’analyse automatique des usages sociopolitiques du mot. Nous sommes partis de l’hypothèse que les sites web identifiés humainement selon une des 6 dimensions politiques devaient correspondre à une stratégie lexico-argumentaire particulière. Or, l’analyse bivariée par le Khi2 révèle une très forte corrélation entre l’analyse subjective et la classification issue de l’analyse automatique. La répartition entre position politique et classification sémantique a présenté des différences significatives très probantes (X2 (60, N = 477) = 117.75, p = 1.244x10^-5). D’ailleurs la répartition entre type d’acteurs et stratégies argumentaires X2 (48, N = 477) = 66.28, p = .0415 et la répartition entre type de média et stratégies argumentaires X2 (96, N=477) = 123.71, p= .0299 confirme cette corrélation probante. L’analyse des résidus de Pearson ajustés montre même une structuration des positions intuitivement interprétables. On remarque en effet que dans la corrélation position politique/stratégies argumentaires, les positions fortement corrélées avec une des modalités politiques sont en général faiblement corrélées, voire décorrélées, avec les autres positions politiques ce qui est normal dans une controverse fortement politisée. La controverse étudiée en mobilisant très fortement l’extrême gauche et l’extrême droite a été pour cela un corpus très favorable, car on sait à quel point ces discours sont sociotypés. Ainsi il serait possible (moyennant une exploration bien plus rigoureuse de ces méthodes) d’opérer scientifiquement (c’est-à-dire d’une manière objective et reproductible) une classification d’énoncés et donc de sites web à partir des nouvelles recherches en algorithmie. Ajoutée à d’autres paramètres sociaux comme le type d’acteurs ou le type d’espace médiatique, nous développerions ainsi une méthodologie de cartographie de « prise de position » dans une grande controverse qui ferait fi de la taille du corpus. Ajouté à des indicateurs de performance comme l’audience ou l’autorité, il serait alors possible de définir des « prises de positions idéologiques »50.

• 51 Jürgen Habermas, Théorie de l’agir communicationnel, tome 1 : Rationnalité de l’action et rationnal (...)

37Les espaces publics numériques semblent voués aux gémonies des fake news et de la crise généralisée des paroles publiques. De nombreux essayistes alertent des menaces que feraient porter le doute et la suspicion venus saper les fondements des normes de l’agir communicationnel51. Il s’agirait alors d’accueillir (voire de coconstruire) les dernières innovations des technologies de l’information dans ce qu’elles ont de plus prometteur, de porter un regard complexe par la mobilisation de concepts issu de disciplines diverses, d’explorer de nouvelles pratiques sociales en y décelant de nouveaux objets et même de participer au développement de nouveaux concepts pour porter la question du fait social numérisé. Les grands corpus numériques traités par algorithmes ne doivent pas être vécus comme un affront qui pousse au repli disciplinaire, mais comme un défi à dépasser les frontières dans l’émergence d’une nouvelle posture des humanités digitales.