Navigation – Plan du site

AccueilNuméros35-3/4Twitter fait-il parler les territ...

Twitter fait-il parler les territoires ? Retour d'expériences à partir des tweets autour de l’attentat du 14 juillet 2016 à Nice

Karine Emsellem, Matteo Caglioni et Diego Moreno Sierra

Résumés

L’analyse des réactions sur les médias sociaux peut-elle permettre d’étudier les interactions entre territoires ? Voici la question que nous traitons à partir d’un retour d’expériences basé sur l’analyse des tweets créés à propos de l’attentat du 14 juillet 2016 à Nice. Plus précisément, notre communication vise à montrer quelles utilisations un scientifique s’intéressant aux territoires peut faire des données Twitter, selon quelles modalités, avec quelles limites et quels avantages. Elle s’inscrit surtout dans un contexte où la compréhension des traces numériques est un champ d’intérêt en émergence en géographie, laissant présager de multiples pistes toutes plus intéressantes les unes que les autres, dans un contexte où les données, les usages et les usagers des réseaux sociaux évoluent.

Haut de page

Texte intégral

Introduction

1L’analyse des réactions sur les médias sociaux peut-elle permettre d’analyser les interactions entre territoires ? Voici la question que nous souhaitons traiter à partir d’un retour d’expériences basé sur l’analyse des tweets créés en réaction ou à propos de l’attentat du 14 juillet 2016 à Nice. Plus précisément, notre communication vise à montrer quelles utilisations, un scientifique s’intéressant aux territoires, peut faire des données Twitter, selon quelles modalités, avec quelles limites et quels avantages. Elle s’inscrit surtout dans un contexte où la compréhension des traces numériques est un champ d’intérêt en émergence en géographie, laissant présager de multiples pistes toutes plus intéressantes les unes que les autres (Merisckay et al., 2018 ; Beaude, 2015 ; Lucchini et al., 2016a). Ici, notre objectif est de re-questionner le « moment Big Data en sciences sociales » (Bastin et al. 2018), non pas sous l’angle de l’Eldorado scientifique de la data, mais plutôt par celui de la faisabilité de la recherche dans un contexte où les possibles informations extraites par Twitter évoluent tout comme les usages et les usagers de ce réseau social. Severo et Giraud (2019) avaient eu le même questionnement, plus axé cependant vers une analyse des interactions techniques et sociales du dispositif Twitter ; ici, nous nous sommes intéressés aux réactions face à un événement particulier au sein d’un territoire.

2Média social, Twitter est le cadre d’expression d’avis spontanés, dont les objectifs peuvent être aussi bien relationnels, que commerciaux ou stratégiques (Mercier et al., 2018). Chaque tweet contient un message, envoyé par un individu, issu d’un lieu. Comme toute donnée issue des réseaux sociaux, les tweets ont de nombreux intérêts (immédiateté, massivité, disponibilité en continu) pour l’analyse territoriale, tout comme de fortes contraintes et impasses (subjectivité, non-représentativité, non-exhaustivité). S’y ajoute également le nombre limité de caractères qui modifie la construction des messages et donc leurs sens.

3Des travaux géographiques ont montré toutes les potentialités de la prise en compte des tweets pour la compréhension des territoires (Lucchini et al. 2016 ; Cavalière et al., 2016 ; et surtout Graham et al., 2014 ou Luo et al., 2016). Ils étaient cependant réalisés sur des tweets rédigés avant 2015, qui disposaient, au moment de leur traitement, de la localisation précise du tweet par latitude et longitude par défaut.

  • 1 Ce travail a bénéficié d’une aide du gouvernement français, gérée par l’Agence Nationale de la Rech (...)

4Forts de cet état de la question et des perspectives qu’il ouvrait, nous nous sommes axés sur Twitter comme étant une source pertinente pour saisir la trajectoire d’un espace face à un événement singulier, ce qui en fait l’originalité de notre communication. Notre recherche s’intéresse aux impacts spatiaux d’un fait tragique (l’attentat du 14 juillet 2016) sur des lieux (La Promenade des Anglais et Nice)1. Il s’agit d’évaluer si un tel évènement peut transformer un espace, à court et moyen termes, des points de vue individuel et collectif, privé et public. Plus précisément, notre objectif est de nous appuyer sur l’analyse des tweets géolocalisés ou/et évoquant des lieux, et de saisir ce que l’on en dit (représentations spatiales), ce que l’on y fait (pratiques), ce que l’on y ressent (sentiments), pour quelques individus ou un nombre important d’entre eux. Dans ce cadre, les tweets ont été intégrés dans l’analyse à différents pas de temps : avant, après et pendant l’attentat.

5Notre travail se revendique exploratoire, avançant pas à pas aussi bien d’un point de vue méthodologique que thématique. Il renvoie à des problématiques techniques, organisationnelles et territoriales, déjà évoquées par d’autres travaux (Santoni, 2022), tout en les approfondissant. Ici, trois temps de recherche ont été envisagés, pour l’instant, et seront présentés : d’une part, la construction de notre base de données twitter qui questionne la composante spatiale du tweet sous différentes formes et la manière de capter et d’extraire les tweets ; d’autre part, la diffusion dans le temps de tweets associés à certains mots-clés afin d’évaluer la temporalité et la mémorisation des réactions ; enfin, la spatialisation de certains mots-clés ou hashtags à différentes échelles (Monde, Europe, France), pour saisir des « hauts-lieux » de témoignages et d’adhésion face à l’attentat… ou également des artefacts de l’analyse.

L’attentat du 14 juillet 2016 à Nice

6A Nice, le 14 juillet 2016 fût singulier et meurtrier. Lors de cette fête nationale, sur la Promenade des Anglais, lieu de déambulation et d’observation des feux d’artifices sur la mer, un camion a foncé sur la foule, provoquant l’un des attentats les plus sanglants des dix dernières années en France. Cet événement dans l’espace a eu un retentissement fort, à l’échelle française mais aussi mondiale, pour deux raisons. D’une part, la quantité de victimes et leur diversité (86 morts, dont 20% de moins de 15 ans et de nombreuses personnes de nationalités différentes) ont individualisé l’horreur de l’attentat, et ont conduit à en faire écho dans le monde, dans des lieux très lointains (lieux de vie des victimes, par exemple). D’autre part, la localisation de l’attentat sur le lieu emblématique qu’est la Promenade des Anglais, cœur touristique de Nice, synecdoque de la ville, espace public de plaisirs (Emsellem et al., 2021), a impacté les niçois, touchés dans leur identité ou par leur proximité, mais aussi les touristes qui ont rêvé ou fréquenté la Côte d’Azur. 

7Bien évidemment, très vite, l’attentat de Nice est apparu dans la sphère twitter. Le camion a surgi sur la Promenade des Anglais à 22h35 ce 14 juillet 2016. A 22h56, apparaît la première mention du terme “attentat” sur ce réseau social, pour l’instant avec l’usage du conditionnel, par des individus regardant les actualités à la télévision. Dix minutes après, arrivent des tweets de personnes ordinaires, localisées précisément sur la Promenade des Anglais ou de sources secondaires (“mon frère y est”), proposant une description de ce qu’ils vivent, ont vu ou entendu (le camion, l’assaut de la police, la panique, la foule, les cris, les cadavres, les mouettes, les secours, puis le silence vertigineux et effrayant, les enfants perdus, etc.). La première photo de la Promenade meurtrie apparaît à 23h27, montrant d’abord les véhicules d’urgence, puis nettement les victimes (00h06), ce qui provoque un débat éthique sur Twitter. D’autres tweets font un récit de leurs propres expériences sur place, leurs fuites, leurs refuges grâce à #Portesouvertes, leurs mises en sécurité (“je vais bien, maintenant”). Ce n’est qu’à 23h17 que la Préfecture de Nice confirme par un tweet l’existence de l’attentat et appelle à la prudence, tout comme les personnalités locales (Tweet de Christian Estrosi, Maire actuel de Nice, à 23h34). Il y a donc presque 20 minutes de latence entre la diffusion des premières informations - certes non vérifiées - sur l’attentat par des tweets banaux et la communication des instances officielles. Cet enchaînement temporel est globalement comparable à ce qui s’est produit lors d’autres attentats en France (Santoni et Rufat, 2021). Dans une autre perspective, l’application à l’efficacité controversée d’alerte nationale à la population SAIP (Système d’Alerte et d’Information à la Population) a transmis l’information de l'événement tragique en plus de deux heures ce jour-là (Vogel, 2017).

8Très vite aussi, Twitter devient le monde des réactions émotionnelles face à l’attentat. Certains expriment leur égocentrisme (“j’ai failli y aller”), d’autres leurs compassions et leurs solidarités (#IloveNice), parfois y en associant certains territoires (“j’ai mal à ma France, à ma ville”). Quelques tweets déclarent leurs saturations (“ça n’en finira jamais”, 23h32). En outre, certains expriment leurs inquiétudes et lancent des avis de recherche de personnes (“XX, elle était à Nice putain et il y a 3h donc peu avant l’attentat, elle a mis une photo de la Promenade des Anglais. Où est-elle ?”, 00h17). Tous ces tweets très subjectifs indiquent bien que la sphère Twitter devient la caisse de résonance de l’attentat, non seulement en termes d’informations factuelles ou de modes d’organisation d’entraides mais aussi de ressentis, de sensations, de réactions, de témoignages personnels quasiment en temps réel.

9Enfin, et même lors de cet évènement tragique, le fonctionnement sinistre, décalé et hors norme de Twitter se confirme. Ainsi, des messages teintés d’humour noir ou de stupidité, selon les interprétations, apparaissent : “XX qui me demande si l’attentat de la Promenade s’appelle comme ça parce qu’il a tué que des anglais”, 00h17. D’autres tweets laissent se diffuser des rumeurs, d’une “prise d’otage au Méridien” à 23h43, ou d’un “tigre dans le Vieux Nice” à 00h28, à l’instar de ce qui s’est déroulé lors d’autres évènements tragiques sur Twitter (Starbird et al., 2014). Certains auteurs utilisent la curiosité des gens pour mettre en avant le fonctionnement commercial de Twitter, à l’image de ce compte qui crée un lien automatique entre une vidéo de l’attentat et une boutique de chaussures indiennes. C’est donc bien la diversité des attitudes et des sentiments qui apparaît véritablement à travers les messages Twitter, lors de l’attentat de Nice, à l’image de ce qui s’est passé lors des attentats du 13 novembre 2015 à Paris (Smyrnaios, 2015).

10En somme, cette analyse qualitative de l’impact d’un événement localisé dans un territoire à partir des tweets ne peut être conçue que comme une première ébauche. Elle dresse un portrait de la multiplicité des réactions possibles, et montre que Twitter permet de repérer les pratiques territoriales énoncées, les sentiments spatiaux évoqués par des individus. Elle n’indique rien sur la représentativité ou la réalité de ce qui est écrit ou visualisé dans les tweets. Elle ne permet pas non plus de mettre en évidence des tendances dominantes : c’est l’analyse quantitative suivante qui mène vers cette direction.

Twitter dans les sciences sociales

11Avec 4,2 milliards d’utilisateurs (Statista, 2021), les réseaux sociaux sont une vaste source d’information pour les sciences sociales. Par son usage étendu et la capacité de réactivité de la plateforme, Twitter constitue une caisse de résonance privilégiée de l’opinion publique face aux événements de l’actualité (Weng, 2011), même si d’autres réseaux sociaux comme Instagram peuvent aussi intéresser les géographes (Piganiol, 2017). La collecte de la donnée est automatisable, mais son exhaustivité est limitée par la nécessité d’établir un protocole de sélection des tweets se référant au sujet d’étude. Certes, les algorithmes issus de l’intelligence artificielle permettent de sélectionner le contenu pertinent pour une étude spécifique, mais souvent les hypothèses sur lesquelles se basent les méthodes d’apprentissage automatique ignorent délibérément certaines dimensions de l’univers de données ou du problème traité (Boullier, 2018). Plus encore, les nombreuses limitations sur la quantité de données récupérables contraignent les chercheurs à ne pas maîtriser tous les aspects de la constitution de leur corpus (Ravalet et al., 2018) et les données ne sont que très difficilement lisibles et compréhensibles en dehors des dispositifs qui conditionnent leur appréhension (Paloque-Bergès, 2016).

12En outre, deux contraintes liées à la nature même de la plateforme s’imposent dans l’analyse automatisée d’un évènement (Weng, 2011) : d’une part, le grand volume de données qui évolue et augmente de manière dynamique et qui oblige à configurer préalablement le protocole de détection de l’événement ; d’autre part, la difficulté de distinguer parmi les tweets produits ceux qui contiennent un commentaire intéressant de ceux dont le contenu est trivial. Par ailleurs, un autre biais inhérent à la donnée est celui de sa représentativité (Li et al., 2013) : 50% des tweets sont générés dans cinq pays, seulement 35% des utilisateurs sont des femmes et la classe d’âge 25-34 ans représente 30,9% des utilisateurs (Twitter, 2021).

13Malgré toutes ces difficultés, les sciences sociales ont investi l’étude des tweets sous différents angles. Boullier (2018) tente de rapprocher les types d’approches en sciences sociales pour l’analyse des tweets (en particulier celles de la sociologie) avec les choix conceptuels adoptés par les informaticiens dans leurs analyses. Il reconnaît trois dimensions d’analyse communes à l’informatique et aux sciences sociales : les effets de structure, les effets des préférences individuelles et les effets de réplication. La première de ces dimensions découle de l’héritage déterminant le phénomène social (Bourdieu, 1982). L’individu est conditionné par cet héritage social et cela est à l’origine de structures reconnaissables dans les phénomènes collectifs. Les effets de réplication, cristallisés dans les réseaux sociaux dans le fait de partager ou de retweeter une information ou une opinion, sont la conséquence de l’effet du voisinage social. En effet, si le message est issu d’une personne avec laquelle la proximité (spatiale, sociale, culturelle) est importante, l’individu aura tendance à imiter le geste plus facilement en redirigeant le message. C’est ce mimétisme comportemental qui explique la diffusion de l’information et des opinions sur les réseaux sociaux. Quant aux préférences individuelles, elles interviennent dans certaines situations (réagir à un tweet pour le commenter, par exemple) mais n’invalident pas l’influence de l’héritage ou des voisinages. Les préférences des individus sont souvent le résultat d’un arbitrage entre l’influence des structures sociales et celle des effets de réplication (Boullier, 2010 ; Boullier, 2018).

14Il est donc possible de classifier la vaste littérature sur l’utilisation des tweets pour l’étude d’un événement dans trois types d’analyses correspondant à des choix conceptuels différents et qui comportent des biais méthodologiques associés à ces choix : l’analyse de la structure, l’analyse du contenu et l’analyse de la diffusion de ces contenus, à l’instar des domaines proposés par Boullier (2018).

Analyse de la structure spatiale des tweets

15Dans le cadre de la compréhension des territoires à travers les tweets, un article fondamental (Leetaru et al., 2013) propose une réflexion sur les différentes manières dont l’espace peut être abordé à travers les tweets. Il distingue la réalisation d’une “géographie natale” des tweets, à partir des tweets géolocalisés, d’une “géographie linguistique” des tweets - à partir des langues des comptes des utilisateurs - d’une “géographie textuelle”, sur la base de l’analyse des textes des tweets. C’est le premier type d’analyse territoriale, aujourd’hui très répandu.

16Dans ce cadre, les approches territoriales de la compréhension des tweets ne sont pas si nombreuses parce qu’elles nécessitent d’articuler compétences méthodologiques et techniques fortes et contenu thématique. Ainsi, certains travaux scientifiques se sont centrés sur les pratiques des individus dans l’espace, notamment par la mobilité (Ravalet et al., 2017 ; Cebeillac, 2020), les activités commerciales (Cebeillac, Rault, 2016), les représentations territoriales dans des espaces touristiques (Fan et al., 2018; Jiang et al., 2018), ou l’association à des évènements (Lucchini et al., 2016b), ou encore la vie de quartier (Luo et al., 2016) ou bien aussi les différenciations entre les villes européennes (Severo et al., 2015). D’autres ont exploré avec succès les réactions sociales géolocalisées face à un incident (Cavalière et al., 2016) ou en période de gestion de crise (Santoni et Rufat, 2021 ; Santoni, 2022), ou encore les participations citoyennes dans l’espace face à des projets d’aménagements (Douay et al., 2016). La géolocalisation s’est avérée utile pour guider les opérations de secours lors d’événements catastrophiques (Bruns et al., 2012 ; Hoang et Motte, 2018). Certains avaient déjà pointé du doigt les difficultés méthodologiques d’analyses des tweets (Li et al., 2013 ; Bouillot et al., 2012).

17Etant donné que la localisation des tweets n’est désormais plus disponible que pour une part très réduite d’entre eux, des méthodes de prédiction de la localisation à partir du contenu des tweets ont par ailleurs été développées (Saldana-Perez et al., 2019 ; Izbicki et al., 2019 ; Luo et al. 2020 ; Zola et al. 2020).

Analyse du contenu

18De nombreux projets de recherche en informatique, communication et linguistique utilisent Twitter pour faire du topic detection, c’est-à-dire qu’ils identifient les thèmes les plus partagés au sein d’une large collection non structurée de documents (Blei, 2012). Au recensement réalisé par Williams et al. (2013), s’est ajouté un bon nombre de travaux qui adaptent l’analyse aux spécificités du discours numérique (Paveau, 2013). Parmi le large éventail d’applications de l’analyse d’opinions sur le texte des tweets, on peut signaler les études sur l’activisme politique (Barberá et Rivero, 2015 ; Gaumont et al., 2018), celles sur l’actualité (Mercier et al., 2018) ou encore sur le référencement des villes (Severo et al., 2015).

19L’application de méthodes de “sentiment analysis” (opinion mining) a fleuri ces dernières années, afin de catégoriser les réactions sur les réseaux sociaux en associant le vocabulaire employé dans le texte à une classe de sentiment (positif-négatif-neutre, par exemple), selon un dictionnaire préalablement défini. Des algorithmes d’apprentissage automatique (machine learning) permettent de guider la classification à partir d’un échantillon de textes d’entraînement. Face à l’abondante littérature sur ce sujet, il est utile de se référer à l’inventaire de techniques de “sentiment analysis” pour Twitter proposé par Adwan et al. (2020).

20Le croisement de l’analyse du contenu et de la structure qui émerge de leur regroupement dans l’espace topologique permet de comprendre l’impact de l’existence de communautés dans la diffusion des idées et des messages, à l’instar des « fake news » (Gaumont et al., 2018). Il est possible aussi de se baser sur l’analyse linguistique pour la détection de variations régionales représentatives de structures sociales déterminées (Milectic et al., 2020).

21Enfin, certains auteurs ont souligné le rôle fondamental de la plateforme Twitter lors des attentats terroristes qui ont marqué l’opinion publique ces dernières années. L’analyse du contenu des tweets rédigés en réaction à l’attentat de Charlie Hebdo (7 janvier 2015, à Paris) a montré que loin de faire converger les points de vue, les échanges sur Twitter se différencient très fortement selon le positionnement politique des utilisateurs (Smyrnaios et Ratinaud, 2015). En outre, lors des attentats du 13 novembre 2015, l’utilisation de Twitter a eu un rôle central sur plusieurs aspects, comme la diffusion rapide de l’information factuelle, la contribution à la gestion post-attentat (recherche de proches, appel au don de sang, etc.), le recueil de témoignages, les hommages aux victimes et les échanges sur la responsabilité des attentats (Smyrnaios, 2015). Gérôme Truc (2020), en se basant sur l’analyse des hashtags des tweets collectés par le dépôt légal web de l’INA à la suite de ces événements (Schafer et al., 2019) en distingue trois types : des hashtags informationnels, organisationnels et compassionnels. Il reconnaît aussi que ces trois types de réactions se succèdent dans le temps, Twitter fonctionnant comme accélérateur du processus de réaction face à un événement terroriste. Cette succession avait déjà été identifiée lors des attentats du 11 septembre 2001 aux Etats-Unis (Collins, 2004).

Analyse de la diffusion

22La nature rapide de la réaction sur Twitter et l’immédiateté de la réaction donnent l’impression que l’information est transmise de manières directe et instantanée. Smyrnaios (2015) signale à juste titre que cela peut donner l’impression qu’on est bien informé, alors que l’on est juste informé rapidement, sans que des protocoles de vérification ou de déontologie soient systématiquement appliqués. Le numérique amplifie les réplications propres des processus sociaux (Boullier, 2018) et ces amplifications sont faites de viralité et de mimétisme, de propagations et de vibrations. Cette accélération amplifiée de la diffusion d’opinions dont le contenu n’est pas voué à être contrôlé a constitué le terreau préférentiel des fake news, ou de l’instrumentalisation de la diffusion par le bombardement de messages calibrés à l’intention des internautes, dit astroturfing (Chavalarias, 2018). L’analyse de la diffusion des opinions sur la plateforme Twitter et des fake news en particulier est donc devenu un enjeu majeur pour les entités veillant à la préservation de l’ordre public.

23L’analyse de la succession des opinions à travers des hashtags présents dans les tweets est une première approche qui est riche d’enseignements, dans la compréhension de l’évolution de l’opinion publique (Truc, 2020). Il est possible de faire appel aussi à des techniques mathématiques de clusterisation dynamique (Chavalarias et al., 2021) pour visualiser la propagation des idées dans le temps, mais aussi dans l’espace topologique. L’application de la visualisation dynamique à l’analyse d’un événement permet d’analyser les rythmes de clusters spatio-temporels et donc d’identifier des espaces chronotopiques (Lucchini et al., 2016).

24Ces trois aspects énoncés - l’analyse de la structure spatiale, l’étude du contenu et celle de la diffusion dans le temps de l’opinion véhiculée par les tweets - ont guidé notre analyse des réactions face aux attentats du 14 juillet 2016 à Nice. Néanmoins, le contenu des tweets n’a pas fait l’objet de techniques de traitement automatique du langage (TAL) dans le cadre de cet article et notre analyse s’est limitée à une sélection des mots-clés relatifs aux attentats.

Méthodologie utilisée

Présentation générale des tweets

25Les tweets sont disponibles en ligne en utilisant des applications web, desktop et mobile, une fois créé un compte utilisateur twitter.com. Même si les conditions de mise à disposition de la donnée et du contenu changent énormément au cours du temps sur les dernières années (Severo et Giraud, 2019) et complexifient le travail scientifique, on peut cependant mettre en évidence les éléments suivants sur la donnée Twitter.

26La base de données Twitter complète est constamment mise à jour et ne contient pas les messages supprimés par les auteurs ou par Twitter lui-même. Les applications permettent de filtrer, parmi la grande quantité de tweets disponibles (environ 5.000 nouveaux tweets sont créés chaque minute dans le monde), les messages les plus pertinents selon les recherches souhaitées. Malheureusement, la liste générée après le filtrage (par exemple, par mots clés ou #hashtags), bien que très longue, n’est pas exhaustive, puisqu’elle ne fait apparaître que les tweets les plus récents, ou ceux choisis par un algorithme. De plus, le nombre des tweets qui répondent aux critères de sélection n'est affiché nulle part. Pour ces raisons, des techniques de web-scraping (ou moissonnage automatique) appliquées aux tweets sont vivement déconseillées. Des sociétés de services proposent le comptage et le téléchargement des tweets et pullulent sur le net, mais elles sont extrêmement chères (environ 1$ par tweet) et ne garantissent pas non plus l’exhaustivité de la donnée. La meilleure façon de télécharger les tweets reste l’emploi des outils fournis par Twitter même.

27L’entreprise Twitter Inc. créée en 2006 à San Francisco en Californie permet à ses utilisateurs et développeurs la possibilité d'accéder à la base des données des tweets à travers des Interfaces de Programmation d’Application (API). L’utilisation d’une API permet ainsi d’extraire de la masse exhaustive des tweets certains tweets à partir de mots-clés ou d’autres critères. Cette démarche d’API est utilisée par la plupart des travaux scientifiques spatialisés (Kent et al., 2013 ; Li et al., 2013 ; Severo et Giraud, 2019 ; Santoni, 2022). En 2021, Twitter propose deux types d'abonnement : Sandbox (gratuit) et Premium (payant). Sandbox permet d'accéder jusqu'à 25k tweets par mois parmi les tweets des derniers 30 jours et jusqu'à 5k tweets par mois provenant de l’archive complète. En outre, la représentativité des tweets extraits pose question (Wang et al., 2015). L'abonnement Premium permet de télécharger jusqu'à 5M de tweets par mois parmi les tweets des derniers 30 jours et jusqu’à 1,25M de tweets par mois provenant de l’archive complète. De plus, l'abonnement payant propose l'accès aux URLs, Pools et Profils Géographiques (géolocalisation) ‒fondamentaux pour l’analyse territoriale‒ qui ne sont pas disponibles dans la version gratuite.

28Le contenu de la base de données Twitter ne se limite pas au texte du message (ou tweet), mais contient plusieurs informations relatives au tweet même et à son auteur. La liste complète des champs auxquels il est possible d'accéder est décrite sur le portail de développement de Twitter dans la rubrique Data Dictionary2. Dans cette liste, nous pouvons citer certains renseignements qui peuvent intéresser les chercheurs qui travaillent sur les territoires : le texte du tweet, la date de sa création, son identifiant unique, la langue, s’il s’agit d’une réponse (retweet) à un autre message, dans le cas échéant l’identifiant du tweet d’origine, le nombre de retweets, le nombre de likes, l'adresse URL du tweet, sa localisation par latitude et longitude et le nom du lieu d’où l’auteur a envoyé le message (cette dernière  information n’étant pas toujours disponible). En ce qui concerne l’auteur et son profil, les descriptifs sont bien plus nombreux : entre autres, l’identifiant unique de l’auteur, ses nom et prénom, son pseudonyme, la date de création du profil, le lieu renseigné par l’auteur, le pays et le code pays, la description du profil, le nombre total de tweets, le nombre d’utilisateurs que l’auteur suit (following_count) et le nombre d’utilisateurs qui suivent l’auteur (followers_count), s’il s’agit d’un compte certifié (authentifié par Twitter), l’image du profil, le site web fourni par l’auteur, etc. Étant donné le caractère personnel de l’information contenue dans la base de données Twitter, et afin de nous conformer au Règlement Général sur la Protection des Données (R.G.P.D.) obligatoire depuis 2016, nous avons procédé à l’anonymisation des tweets, le filtrage de l’information non utile, et le stockage dans un environnement sécurisé.

L’évolution de la prise en compte de la localisation par Twitter

29Il existe trois métadonnées de localisation associées à chaque tweet :

la localisation précise du tweet (“Point”), sous la forme de coordonnées de longitude et latitude, obtenues à partir du GPS de l’appareil qui est à l’origine du tweet.

la localisation du lieu d’envoi du tweet (“Place”), déclarée par l’utilisateur au moment de la rédaction du message.

la localisation de l’utilisateur (“Profile”), déclarée par l’utilisateur au moment de la création de son compte ou de la modification des paramètres.

30Pour aborder la localisation précise du tweet (“Point”) ou du lieu d’envoi du message (“Place”), entre août 2009 et avril 2015, Twitter a mis au point un outil baptisé Location Privacy Auditor3, qui permettait l’acquisition et la récolte de la géolocalisation dans la base des données des tweets (Drakonakis et al., 2019). Après avril 2015, suite aux changements des conditions générales d'utilisation de Twitter et par respect de la vie privée de ses utilisateurs, la géolocalisation n’est plus collectée de manière automatique par l’entreprise. Twitter n’a pas effacé unilatéralement les localisations présentes dans les tweets entre 2009 et 2015, mais fournit aux utilisateurs un outil pour supprimer la géolocalisation de tous leurs anciens tweets et laisse la possibilité aux utilisateurs intéressés de renseigner manuellement la localisation de leurs nouveaux tweets. En juin 2019, Twitter Support, avec un simple tweet4, informe de la suppression de la possibilité de rajouter le nom d’un lieu (tag de localisation) pendant l’envoi du tweet. A l’heure actuelle, seules les photos prises par smartphone avec un GPS activé peuvent donner des informations sur la géolocalisation, par latitude et longitude, du tweet. Nous reviendrons plus loin sur cette question de localisation. Nous n’entrerons cependant pas dans le débat sur l’intentionnalité de la localisation d’aujourd’hui (i.e. l’utilisateur emploie-t-il une géolocalisation fortuite par l’intermédiaire de la photographie ou choisit-il cette géolocalisation et donc un lieu plutôt qu’un autre ?) puisqu’il s’agit d’une question sociale et non spatiale, et renvoyons à d’autres travaux qui se sont interrogés en ce sens (Schwartz et Halegoua, 2015 ; Severo et Giraud, 2019).

La construction de notre base de données Twitter à propos de l’attentat du 14 juillet 2016

31Le téléchargement des tweets a été effectué en utilisant une librairie Python nommée Tweepy5. Elle nécessite un compte Twitter et des accréditations (gratuites ou payantes) disponibles dans l’espace Twitter Development6. Pour télécharger un sous-ensemble de tweets depuis la base des données, Tweepy permet de peaufiner sa recherche en ajoutant des filtres par mots-clés contenus dans le texte, hashtags, dates ou localisations. Pour notre recherche, nous avons utilisé une trentaine de mots-clés (donc pas seulement des #hashtags), sur la période qui va du 1er janvier 2010 au 31 décembre 2020, puisque notre perspective est comparative, sans limitation géographique (recherche sur le monde entier, donc), et en différentes langues. Les mots-clés ont été choisis de deux manières : d’une part, dans un échantillon aléatoire de tweets qui ont été postés à propos de l’attentat du 14 juillet 2016 les mots clés les plus fréquents ont été repérés et hiérarchisés ; d’autre part, des enquêtes de terrain et le recueil de témoignages ont permis d’identifier des termes principaux de référence à l’attentat. Comme le montre la Figure 1, certains hashtags sont bien plus utilisés que d’autres à propos de certains évènements, et pour notre cas, NiceAttack est identifiable comme un mot-clé majeur, c’est-à-dire, choisi par de nombreux comptes. C’est pour cela que nous avons basé notre analyse sur ce mot-clé. Cependant, la hiérarchie d’utilisation ne reflète pas forcément celle d’intérêt pour les géographes : en effet, un hashtag présent dans la sphère twitter n’est pas forcément localisé ou localisable (Figure 1). Ainsi, NiceAttack est proportionnellement moins référençable dans un territoire que PromenadeDesAnglais, ce qui semble assez logique car ce dernier est plus lié à des photographies, précisément géolocalisées.

32La librairie Tweepy permet d’enregistrer les différentes requêtes sous forme de fichiers en format « json ». Pour pouvoir manipuler cette donnée, en calculer des statistiques et la représenter sous forme de graphiques et de cartes, nous avons opté pour la plateforme R Studio et ses librairies : « StreamR » pour accéder aux informations contenues dans les tweets, « Leaflet » pour visualiser la donnée géolocalisée dans des cartes interactives, et « ggplot2 » pour créer des graphiques à partir des statistiques calculées. Ce choix est justifié par le fait que R Studio permet de traiter aisément de larges bases des données, comme celles dont nous disposons (plusieurs Go de volume).

Figure 1 : Mots clés sélectionnés et nombre total de tweets dans le Monde.

33Étant donnée la faible quantité de tweets qui affichent les informations de latitude et longitude, nous avons procédé au géocodage du lieu renseigné par l’auteur dans son profil au moment de la création de son compte. Cette opération chronophage, mais automatique, a été réalisée à l’aide de la librairie « tidygeocoder » dans R Studio en utilisant OpenStreetMap comme base de référence. Cette information identifie la ville de résidence (ou de travail) de l’auteur plutôt que le lieu exact de l’envoi du tweet. Cet outil a fourni des résultats satisfaisants en termes de latitude et longitude. Cependant cette manipulation doit être prise en compte de manière critique : il s’agit du lieu déclaré par l’auteur, et non du lieu véritable, existant ou même précis de l’initiateur du tweet. La plupart des profils possèdent l’information du lieu et l’outil a permis d’associer un point géographique à un nom de lieu écrit en différentes langues et utilisant même différents alphabets. Cette information géographique du profil utilisateur peut être considérée comme un troisième niveau de localisation après celle du tweet (“Point”) et celle du lieu du tweet (“Place”). Un quatrième niveau serait d'inférer la localisation directement à partir du texte du tweet.

Résultats

L’évolution des tweets dans le temps : se souvenir et oublier l’attentat

34A travers les rythmes des tweets dans le temps, nous souhaitons montrer ici comment la sphère Twitter est à la fois un espace d’effacement et de mémorisation d’un événement.

Figure 2 : Fréquence absolue journalière des Tweets qui contiennent “Nice” et “attack”.

35En prenant comme exemple tous les tweets qui contiennent les mots-clés « Nice » et « attack » dans leur texte, soit un échantillon de 692 720 tweets, nous pouvons constater une concentration des tweets très élevée suite à l'événement niçois, avec un pic maximal des fréquences (87 716 tweets) le lendemain de l’attentat, le 15 juillet 2016 (Figure 2). L’année suivante, la commémoration du 14 juillet 2017 génère à peine 405 tweets avec les mêmes mots-clés, 21 en 2018, 8 en 2019 et un seul tweet en 2020. Cette évolution temporelle des tweets sur l’attentat de Nice correspond aux rythmes de réactions sur les réseaux sociaux déjà étudiées par ailleurs sur d’autres attaques terroristes (Collins, 2004 ; Truc, 2020) : après les messages de choc et d’information, arrivent ceux de solidarité qui peuvent durer jusqu’à trois mois après l'événement. Les références à l’attentat de Nice dans les tweets s’estompent donc dans le temps. Cette diminution est à mettre en parallèle avec le retour progressif à des pratiques habituelles (déambulation, jogging, baignade, etc.) sur la Promenade des Anglais, ce qui a valu l’idée comme quoi la ville de Nice s’est montrée “résiliente” et “s’est relevée”, comme le vantent les hommes politiques locaux (Estrosi, 2020). Qu’en est-il cependant de la reconstruction individuelle des victimes ?

  • 7 Propos tenus par Anne Murris, mère de Camille, victime de l’attentat du 14 juillet 2006 (Quesnel, 2 (...)

36Pourtant, cet oubli de l'événement dans un monde intense d’actualité se combine avec des instants de commémoration, sans doute plus individuels. Ainsi, des tweets mentionnant cet attentat par ces deux mots-clés apparaissent à des dates particulières pour les victimes et leurs familles (anniversaires, fêtes familiales, etc.) ou en solidarité avec d’autres attentats. Sur Twitter comme dans la réalité, les familles de victimes inscrivent une volonté de mémorisation forte de l'événement dans l’espace et dans la société, car selon la mère d’une victime, “la mémoire est douloureuse, mais l’oubli, insupportable”7.

37En outre, certains tweets contenant les mots « Nice » et « attack », ne reflètent pas l'événement que nous étudions. Le pic des fréquences en 2020 (548 tweets) observable sur la Figure 2 est positionné précisément sur le 3 août : il s’agit de tweets de Donald Trump, alors Président des États-Unis d’Amérique, qui tweetait en anglais « nice attack », à propos d’un évènement sportif. De même, certains des pics relevés pendant les différentes années, en dehors des 14 juillet, correspondent à des matchs de football, et à des tweets qui s'extasient devant la qualité des buts. Ces exemples montrent bien qu’une simple recherche textuelle de mots-clés sur les tweets est toujours brouillée par des bruits d’actualité et qu’il faut aussi appréhender le contenu du tweet pour sa compréhension.

Localiser les tweets de l’attentat dans l’espace : territoires d’adhésion ou répartitions aléatoires ?

38Nous avançons ici une hypothèse selon laquelle il existe une structure spatiale des lieux qui « parlent » de l’attentat du 14 juillet 2016 : tous les territoires ne s’en revendiquent pas de la même manière et des logiques d’adhésion spatiale et sociale apparaissent à travers les tweets et leurs mots-clés. Ces structures spatiales sont cependant brouillées par des difficultés de traitements spatiaux des tweets. Nous souhaitons démontrer cela à partir d’une série de répartitions spatiales.

39L'échantillon des tweets qui contient les mots « Nice » et « Attack » se compose de 692 720 tweets (Figure 1), dont seulement 378 tweets (soit 0,05%) affichent les coordonnées latitude et longitude du lieu d’où le message a été envoyé (“Point”), captées par le GPS du smartphone utilisé. Mais l’analyse géographique des tweets par cette première manière de localiser s’avère très restrictive et pas forcément significative. Le nombre de tweets localisés actuellement disponibles ne permet pas d’effectuer des analyses statistiques spatiales.

40A titre illustratif, ces tweets géolocalisés précisément peuvent être représentés sur une carte (Figure 3) : on y voit soit un tweet localisé au mètre près, soit des regroupements de tweets, suivant le zoom de notre carte interactive.

Figure 3 : Zoom sur la Promenade des Anglais de tweets avec géolocalisation (latitude et longitude), qui contiennent les mots clés “Nice” et “attack”. Un des tweets est sélectionné et son texte affiché.

  • 8 Il ne s’agit donc pas d’une localisation précise, mais d’un centroïde virtuel, ce qui peut poser de (...)

41Notre échantillon contient également un deuxième niveau de localisation des tweets (“Place”), déterminé par un lieu attribué au message par son auteur. Par exemple, l'utilisateur mentionne dans son tweet un lieu, qu’il soit restaurant, espace public ou monument, dont les coordonnées vont être appliquées au tweet. Les tweets qui incluent cette information sont 157 287 (soit 23% du total). Plus en détail, 1 805 de ces tweets (soit 0,26% du total) disposent d’une valeur de latitude et longitude du lieu, qui représente le barycentre d’un rectangle géographique, c'est-à-dire l’emprise spatiale de l'objet qui identifie le lieu (“place name” dans la base de données twitter)8. Les 155 482 tweets restants disposent seulement du nom du lieu, qui est choisi par l’auteur du message et qui peut donc être réel ou imaginaire, vrai ou faux, précis (Promenade des Anglais) ou grossier (Nice, ou Provence ou France). Grâce à la librairie R « tidygeocoder » et en utilisant la base de données ouvertes OpenStreetMap, il a été possible de géolocaliser la plupart des noms de lieu. L’outil a pu géolocaliser les noms des villes écrites dans la langue et l'alphabet d’origines (comme le Chinois, Japonaise, Russe, etc.). Des noms comme « Pôle Nord », « Pôle Sud », « Paradis » ont également été géolocalisés. En revanche, les noms de lieu comme « Dans une galaxie lointaine, très lointaine » n’ont pas pu être géolocalisés. La base finale compte 141 959 tweets (soit 20% des tweets totaux) géolocalisés avec latitude et longitude. L’outil tidygeocoder a pu localiser 93,6% des tweets avec le nom du lieu. Cette base de données est donc au final plus complète et plus intéressante que la précédente. Elle rassemble au-delà des tweets habituellement géolocalisés : entre 0,7% (Graham et al., 2014) et 6% des tweets totaux (Takhteyev et al., 2012) d’un événement sont généralement géolocalisés.

  • 9 Une analyse qualitative experte a vérifié, sur la base d’un échantillonnage, que ces tweets n’étaie (...)

42Les deux cartes suivantes (Figure 4 et Figure 5) montrent la localisation du lieu (“Place”) de chaque tweet géolocalisé avec tidygeocoder. Chaque point correspond à un tweet9. Les tweets avec les mêmes coordonnées sont superposés. A l’échelle du monde (Figure 4), la présence des tweets avec “Nice” et “attack” reflète la répartition de la population mondiale, comme généralement sur cette plateforme (Yang et al., 2019), même si elle indique aussi l’usage privilégié de Twitter comme réseau social (cf. la sur-utilisation de Twitter dans les pays européens versus son absence en Chine où il est remplacé par son équivalent Sina Weibo). La répartition spatiale des tweets à l’échelle de l’Europe (Figure 5) est plus intéressante. Certes, elle montre, comme précédemment, l’effet de la structure démographique liée au profil des tweets, plus urbains en règle générale, en France comme ailleurs (IPSOS, 2013 ; Santoni, 2022). Mais elle permet surtout de visualiser que ce ne sont pas n’importe quels lieux qui parlent de l’attentat de Nice. Une première aire géographique apparaît, celle de la proximité spatiale à l’évènement : tweets d’information, de choc et de compassion s’identifient autour de Nice, sur la Côte d’Azur, et dans la région P.A.C.A. Un second type de zone de prédilection de réactions concerne les lieux qui ont déjà connu des attentats, puisque toutes les grandes villes européennes n’apparaissent pas sur cette carte : Liège (attentat terroriste de 2011), Paris et Toulouse, Copenhague (2015), mais surtout Londres, Bruxelles et Madrid - capitales meurtries en 2004 et 2015 - témoignent tout particulièrement de leurs terreurs et de leurs solidarités. Enfin, des localisations inattendues de tweets sont présentes, de petites villes d’Italie, de lointaines contrées estoniennes, du fin fond des pays miniers du Nord de la France, des petits villages des montagnes alpines, de Californie, à Edmonton au Canada… Elles rendent malheureusement compte des lieux de vie ou d’étude des victimes de l’attentat de Nice, qui se sont immédiatement sentis concernés et touchés par l'événement.

Figure 4 : Les tweets contenant les mots clés “Nice” et “attack”, dont les auteurs ont renseigné le nom du lieu.

Figure 5 : Zoom sur la localisation des tweets contenant les mots clés “Nice” et “attack”, dont les auteurs ont renseigné le nom du lieu.

43L’échelle de la France (Figure 6) permet d’approfondir les phénomènes énoncés précédemment. Cette carte de tweets localisés par profil confirme l’influence de la hiérarchie urbaine dans l’utilisation de Twitter : ce sont les grandes villes françaises qui ont avant tout tweeté à propos de l’attentat niçois, comme à propos d’autres thématiques. Comme précédemment indiqué, les tweets sont plus présents sur la Côte d’Azur et en région PACA, en signe de proximité émotionnelle. Pourtant, des concentrations spatiales étranges de tweets apparaissent à cette échelle, dont la connaissance de l’attentat et de ses impacts n’éclaire pas la présence : la commune de Vivario en Corse (400 habitants, et 16 tweets à propos de l’attentat) ; celle de Mirabeau dans les Alpes de Haute-Provence (500 habitants et presque 40 tweets sur cet évènement) ; ou encore le 4ème arrondissement de Paris, rassemblant 27 000 habitants environ et 1500 tweets avec “Nice” et “attack”, alors que les autres arrondissements sont presque vides de tweet… Les populations de cet arrondissement seraient-elles les seules à Paris à se préoccuper de cet attentat ? Y aurait-il des “haut-lieux” très singuliers de compassion ? En fait, les réponses sont ailleurs ! Ces lieux énoncés sont les barycentres d’espaces qui rassemblent beaucoup de tweets, et que Twitter localise de cette manière. Ainsi, Mirabeau est le barycentre de la région PACA dont le hashtag a été beaucoup associé à l’attentat ; le 4ème arrondissement parisien n’est rien que le barycentre de la capitale, et permet de localiser les tweets qui mentionnent Paris ; et Virario n’est que le centre géométrique de la Corse… On le voit, ces localisations sont à interpréter avec prudence, puisqu’elles ne reflètent pas de significations socio-spatiales, mais simplement un effet du dispositif de localisation de Twitter.

Figure 6 : Nombre de tweets avec une localisation du profil d’utilisateur contenant les mots clés “Nice” et “Attack” dans les communes de France métropolitaine.

44Au total donc, cette première approche montre bien que les répartitions spatiales des tweets comprenant “Nice” et “Attack” ont un sens, et que les espaces de réactions renvoient parfois à des artefacts, parfois à de réels phénomènes géographiques, parfois aussi à des explications qui se situent hors de la sphère Twitter, dans la connaissance même de l’évènement.

Discussion et perspectives

45Les attentats du 14 juillet 2016 à Nice ont montré le rôle grandissant des réseaux sociaux et de Twitter en particulier sur la diffusion de l’information, avec tous les biais qu’une telle diffusion (décentralisée et non contrôlée) engendre. Les réactions face aux attentats, même si elles sont diverses, montrent une similitude avec d’autres événements traumatiques qui les ont précédés. Néanmoins, on peut remarquer une accélération dans la succession des types de réaction (informationnelle, organisationnelle, compassionnelle) et une disparition plus rapide que lors d’attentats précédents. Peut-être est-ce lié à la succession des attentats qui amène à un effet de saturation, ou au caractère provincial de l'événement… Une analyse plus approfondie du contenu des messages à l’aide de techniques de traitement automatique du langage (TAL) pourrait confirmer ce constat.

46La répartition spatiale des tweets de réaction face aux attentats que nous avons proposée montre une logique spatiale qui correspond - outre les effets de hiérarchie urbaine - en premier lieu à la proximité physique aux lieux des attentats, mais aussi à une réaction empathique dans des lieux ayant subi eux-aussi des attentats par le passé, même si les manifestations de solidarité ont été mondiales.

47Les conclusions de notre analyse ne nous permettent pas de parler de “territoires de l’attentat de Nice”, dans le sens où nous n’avons pas étudié jusqu’à maintenant les pratiques et les usages qui se développent sur le lieu de l’attentat ou qui se disent dans les tweets. Elles permettent cependant de dresser une distribution spatiale sélective, pertinente puisqu’elle s’explique et a du sens, dans l’espace et la société. Ces premiers résultats demandent cependant à être confirmés, par la confrontation avec d’autres mots-clés, pour définir ainsi des localisations de sentiments de haine, de colère, de peur, de résilience, et de mémorisation, et surtout leurs éventuelles superpositions ou discordances.

48Ces premières analyses exploratoires devraient être confirmées par des analyses dans un corpus plus étendu, mais aussi par une analyse quantitative qui élimine la surreprésentation des tweets dans les lieux où la pratique de Tweeter est la plus répandue. Une sélection plus pertinente des tweets par l’analyse de leurs contenus pourrait faire appel à des méthodes de machine learning. L’analyse des sentiments, l’identification des lieux dans le texte des tweets par la statistique textuelle, l’analyse du réseau constitué par les likes et les retweets sont des analyses complémentaires qui peuvent faire appel à ces techniques d’intelligence artificielle.

49Plus largement et au-delà de l’attentat étudié, nous avons bien montré la complexité d’analyse de la localisation d’un tweet, élément finalement assez accessoire à ce réseau social (faible part des tweets géolocalisés).

Haut de page

Bibliographie

ADWAN, O., AL-TAWIL, M., HUNEITI, A., SHAHIN, R., ABU ZAYED, A. & AL-DIBSI, R. (2020). « Twitter Sentiment Analysis Approaches : A Survey », International Journal of Emerging Technologies in Learning (iJET), 15(15), 79-93. Kassel, Germany..

BARBERÁ, P., RIVERO, G. (2015). « Understanding the Political Representativeness of Twitter Users », in Social Science Computer Review, vol.33, issue.6, pp.712-729.

BASTIN G., TUBARO P. (2018) « Le moment Big Data des sciences sociales », Revue française de sociologie, Volume 59, n°3, pp. 375-394.

BEAUDE B., (2015) « Spatialités algorithmiques », in Traces numériques et territoires, M. Severo et A. Romele (dir.), Paris, Presses des Mines, pp. 135-162

BLEI, D. M. (2012). « Probabilistic topic models », in Communications of the ACM, 55(4):77–84.

BOULLIER, D. (2010). La ville-événement. Foules et publics urbains, Paris, PUF.

BOULLIER, D. (2018). « Distribution du pouvoir d’agir des entités sociales dans les études informatiques sur Twitter », in Sociologie et Sociétés, vol. 49/ 2.

BOUILLOT F., PONCELET P., ROCHE M.. How and why exploit tweet’s location information?. AGILE International Conference on Geographic Information Science, AGILE: Association of Geographic Information Laboratories in Europe, Apr 2012, Avignon, France.

BOURDIEU, P. (1982). « Les rites comme actes d’institution », Actes de la recherche en sciences sociales, n° 43.

BRUNS, A., BURGESS, J., CRAWFORD, K., SHAW, F. (2012). #qldfloods and @QPSMedia : Crisis Communication on Twitter in the 2011 South East Queensland Floods. Brisbane : ARC Centre of Excellence for Creative Industries and Innovation.

CAVALIÈRE C., DAVOINE PA., LUTOFF C., RUIN I. (2016) « Analyser des tweets géolocalisés pour explorer les réponses sociales face aux phénomènes météorologiques extrêmes: réflexions épistémologiques et verrous méthodologiques », Actes du colloque Spatial Analysis and Geomatics (SAGEO), Nice.

CEBEILLAC A., RAULT Y. M., 2016, « Contribution of Geotagged Twitter Data in the Study of a Social Group’s Activity Space. The Case of the Upper Middle Class in Delhi, India », Netcom. Réseaux, communication et territoires, 30 (3/4), pp. 231-248.

CEBEILLAC, A. (2020). « La time-geography à l’heure des données issues d’internet. Applications à l’étude des mobilités quotidiennes à Bangkok ». CIST2020 - Population, temps, territoires, Centre National de la Recherche Scientifique [CNRS], Ined, Université Paris 1, Nov 2020, Paris-Aubervilliers, France. ffhal-03114109

CHAVALARIAS D., LOBBE, Q., DELANOË, A. (2021).  Draw me Science - multi-level and multi-scale reconstruction of knowledge dynamics with phylomemies. 2021. ⟨hal-03180347v2⟩

CHAVALARIAS, D. (2018, November 7). « Fake news : l’arbre qui cache la forêt », in AOC media Analyse Opinion Critique. <https://aoc.media/analyse/2018/11/07/fake-news-larbre-cache-foret/>

COLLINS R. (2004), « Rituals of solidarity and security in the wake of terrorist attack », in Sociological Theory, vol. 22, n°1, p. 53-87. 

DOUAY N., REYS A. (2016) « Twitter comme arène de débat public : le cas du conseil de Paris et des controverses en aménagement », in L’information Géographique, Volume 80, n°4, pp. 76-95.

DRAKONAKIS K., ILIA P., IOANNIDIS S., POLAKIS J. (2019) « Please Forget Where I Was Last Summer: The Privacy Risks of Public Location (Meta)Data », in Computers and Society arXiv:1901.00897v1

EMSELLEM K., JEANJEAN A., VINOT F., NOÛS C., 2021, « Pertes et modifications spatiales : la Promenade des Anglais après l’attentat du 14 juillet 2016 », in Urbanités, #15 / Mourir en ville, juin 2021, <http://www.revue-urbanites.fr/15-emsellem/>

ESTROSI C., 2020, “Christian Estrosi après les attentats de Nice : “Aucun droit pour les ennemis du droit”, in Le Monde, 31/10/2020

GAUMONT, N., AND PANAHI, M., CHAVALARIAS, D. (2018). « Methods for the reconstruction of the socio-semantic dynamics of political activist Twitter networks », in PLoS ONE, vol.13, n°9, <https://hal.archives-ouvertes.fr/hal-01575456.>

GRAHAM, M., HALE, S. A. ET GAFFNEY, D. (2014), « Where in the World Are You? Geolocation and Language Identification in Twitter », The Professional Geographer, n° 66(4), p. 568-578. https://doi.org/10.1080/00330124.2014.907699

HOANG,T. B. N., MOTHE, J., (2018). « Location extraction from tweets », in Information Processing & Management, Volume 54, Issue 2, Pages 129-144, ISSN 0306-4573, https://doi.org/10.1016/j.ipm.2017.11.001.

IPSOS, 2013, Usages et pratiques de Twitter en France, enquête, https://www.ipsos.com/fr-fr/usages-et-pratiques-de-twitter-en-france

IZBICKI, M., PAPALEXAKIS, V., TSOTRAS, V. (2019). « Geolocating Tweets in any Language at any Location ». In CIKM '19 : Proceedings of the 28th ACM International Conference on Information and Knowledge Management, November 2019 Pages 89–98, <https://doi.org/10.1145/3357384.3357926>

JIANG, Y. & LI, Z. & YE, X.. (2018). Understanding Demographic and Socioeconomic Bias of Geotagged Twitter Users at the County Level. Cartography and Geographic Information Science. 46. 10.1080/15230406.2018.1434834.

KENT, J. D. ET CAPELLO, H. T. (2013), « Spatial patterns and demographic indicators of effective social media content during the Horsethief Canyon fire of 2012 », Cartography and Geographic Information Science, n° 40(2), p. 78-89. https://doi.org/10.1080/15230406.2013.776727

LEETARU K. H., WANG S., CAO G., PADMANABHAN A., SHOOK E., 2013, « Mapping the Global Twitter Heartbeat: The Geography of Twitter », First Monday, 18 (5). Accès : https://doi.org/10.5210/fm.v18i5.4366.

LI L., GOODCHILD MF, XU B. (2013) « Spatial, temporal, and socioeconomic patterns in the use of Twitter and Flickr », in Cartography and Geographic Information Science, Volume 40, n°2, pp. 61-77.

LUCCHINI F., ELISSALDE B. (2016) « Pour une réflexion sur les usages des données numériques en géographie », in Netcom, Volume 30, n°3-4, pp. 175-180.

LUCCHINI F., ELISSALDE B., GRASSOT L., BAUDRY J. (2016) « Paris Tweets, données numériques géolocalisées et évènements urbains », in Netcom, Volume 30, n°3-4.

LUO F., CAO G., MULLIGAN K., LI X., 2016, « Explore Spatiotemporal and Demographic Characteristics of Human Mobility via Twitter: A Case Study of Chicago », Applied Geography, 70, pp. 11–25.

LUO, X., QIAO, Y., LI, C., MA, J., LIU, Y. (2020). « An overview of microblog user geolocation methods », in Information Processing & Management, vol.57 (6), ISSN 0306-4573, https://doi.org/10.1016/j.ipm.2020.102375.

MERCIER A. & PIGNARD-CHEYNEL N., 2018, dir, #info. Commenter et partager l’actualité sur Twitter et Facebook, Paris, Editions de la Maison des sciences de l’homme, 352 p.

MERISCKAY B., NOUCHER M., ROCHE S. (2018) « Usages des traces numériques en Géographie : potentiels heuristiques et enjeux de recherche », in L’information Géographique, Volume 82, n°2, pp. 39-61.

MILETIC, F., PRZEWOZNY-DESRIAUX, A., TANGUY, L. (2020) « Collecting Tweets to Investigate Regional Variation in Canadian English », 12th Conference on Language Resources and Evaluation (LREC 2020), pp. 6255-6264, <https://hal.archives-ouvertes.fr/hal-02614672.>

PALOQUE-BERGÈS, C. (2016). « Les sources nativement numériques pour les sciences humaines et sociales », in Histoire@Politique, 30 (3), 221-244.

PAVEAU M.-A., 2013, « Technodiscursivités natives sur Twitter. Une écologie du discours numérique », dans Liénard, F. (2013, coord.) Culture, identity and digital writing, Epistémè 9, Revue internationale de sciences humaines et sociales appliquées, Séoul : Université Korea, Center for Applied Cultural Studies, p. 139-176.

PIGANIOL, V. « Instagram, outil du géographe ? », Cybergeo: European Journal of Geography [Online], E-topics, Online since 14 December 2017. URL: <http://journals.openedition.org/cybergeo/28832 >

QUESNEL, N. (2021), “A Nice, pour les victimes de l’attentat du 14 juillet 2016, un terrible sentiment d’abandon” in Marianne, 14 juillet 2021.

RAVALET E., LUCAS JF, LOHOU A. (2017) « Les retours d’une exploration méthodologique croisant données Twitter, recrutement via Facebook et questionnaires web », in Netcom, Volume 31, n°3-4, pp. 309-334

SALDANA-PEREZ, M., CAVALIÈRE, C, TORRES-RUIZ, M., MORENO, M. (2019). When Twitter Becomes a Data Source for Geospatial Analysis. Research in Computing Science. 148. 357-374. 10.13053/rcs-148-10-30.

SANTONI V., RUFAT S.. How fast is fast enough? Twitter usability during emergencies. Geoforum, Elsevier, 2021, 124, pp.20-35.

SANTONI, V. (2022). Territoire 2.0 et information géographique involontaire : gestion des crises et réseaux sociaux numériques. Annales de géographie, 743, 72-94. <https://doi.org/10.3917/ag.743.0072 >

SCHAFER, V., TRUC, G., BADOUARD, R., CASTEX, L., ET MUSIANI, F. « Paris and Nice terrorist attacks : Exploring Twitter and web archives », in Media, War & Conflict. 2019, vol. 12, n°2, p. 153-170.

SCHWARTZ R., HALEGOUA G. R., 2015, « The Spatial Self: Location-Based Identity Performance on Social Media », New Media & Society, 17 (10), pp. 1643-1660.

SEVERO, M. & GIRAUD, T. (2019). La fabrique de la donnée géolocalisée: Une analyse sociotechnique de Twitter pour les études urbaines. Questions de communication, 36, 43-61. <https://doi.org/10.4000/questionsdecommunication.20879>

SEVERO M., GIRAUD T., PECOUD H., (2015), “Twitter data for urban policy making: an analysis on four European cities”, in Handbook of Twitter for Research, Clément Levallois Editors, EMLYON Publisher,

FAN, S., DEBOUDT, P., FRAISSE, A., KERGOSIEN, E. (2018), Twitter comme corpus numérique d’analyse des représentations territoriales : Application au Parc national des Calanques de Marseille-Cassis-La Ciotat. CIST 2018 - Représenter les territoires / Representing territories, Collège international des sciences territoriales (CIST), Mar 2018, Rouen, France. pp.138-144.

SMYRNAIOS, N. (2015), « 13 novembre, naissance d’une web sphère », in La Revue des Médias, https://larevuedesmedias.ina.fr/13-novembre-naissance-dune-web-sphere, publié le 11 décembre 2015, mis à jour le 09 septembre 2019.

SMYRNAIOS, N., RATINAUD, P. (2015). « Twitter : ce que les graphes nous disent de #CharlieHebdo. Comment les twittos francophones ont-ils parlé de l’attentat contre Charlie Hebdo ? », in La Revue des Médias, https://larevuedesmedias.ina.fr/twitter-ce-que-les-graphes-nous-disent-de-charliehebdo, publié le 05 février 2015, mis à jour le 06 janvier 2020.

STARBIRD, K., MADDOCK, J., ORAND, M., ACHTERMAN, P. ET MASON, R. M. (2014), « Rumors, False Flags, and Digital Vigilantes: Misinformation on Twitter after the 2013 Boston Marathon Bombing », iConference 2014, 9 p. https://doi.org/10.9776/14308

STATISTA (2021). https://www.statista.com/topics/1164/social-networks/ 

TAKHTEYEV, Y., GRUZD, A. ET WELLMAN, B. (2012),

TRUC, G. (2020). « Le 13-Novembre sur Twitter : de l’information à la compassion », in La Revue des Médias, <https://larevuedesmedias.ina.fr/13-novembre-attentats-twitter-hashtags-reaction>, publié le 13 novembre 2020, mis à jour le 17 novembre 2020.

TWITTER (2021). Letter to Shareholders. Q4 and Fiscal Year 2020. February 9, 2021. https://s22.q4cdn.com/826641620/files/doc_financials/2021/q3/Final-Q3'21-Shareholder-letter.pdf

VOGEL, J.-P. (2017), Le système d’alerte et d’information des populations : Un dispositif indispensable fragilisé par un manque d’ambition – Sénat, Rapport d’information no 595, Sénat, https://www.senat.fr/notice-rapport/2016/r16-595-notice.html

WANG, Y., CALLAN, J. ET ZHENG, B. (2015),

WENG, J., LEE, B. S. (2011). « Event detection in twitter », in Proceedings of the Fifth International AAAI Conference on Weblogs and Social Media (ICWSM), 11 (2011), pp. 401-408.

WILLIAMS, S., TERRAS, M., WARWICK, C. (2013), « What people study when they study Twitter : Classifying Twitter related academic papers », in Journal of Documentation, vol. 69(3)

YANG, J.-A., TSOU, M.-H., JANOWICZ, K., CLARKE, K. C. ET JANKOWSKI, P. (2019),

ZOLA, P., RAGNO, C., CORTEZ, P. (2020). « A Google Trends spatial clustering approach for a worldwide Twitter user geolocation », in Information Processing & Management, vol. 57(6), ISSN 0306-4573, https://doi.org/10.1016/j.ipm.2020.102312

Haut de page

Notes

1 Ce travail a bénéficié d’une aide du gouvernement français, gérée par l’Agence Nationale de la Recherche au titre du projet Investissements d’Avenir UCA JEDI portant la référence n°ANR-15-IDEX-01.

2 https://developer.twitter.com/en/docs/twitter-api/data-dictionary/

3 https://blog.twitter.com/official/en_us/a/2009/location-location-location.html

4 https://twitter.com/TwitterSupport/status/1141039841993355264

5  https://www.tweepy.org

6 https://developer.twitter.com

7 Propos tenus par Anne Murris, mère de Camille, victime de l’attentat du 14 juillet 2006 (Quesnel, 2021).

8 Il ne s’agit donc pas d’une localisation précise, mais d’un centroïde virtuel, ce qui peut poser des problèmes d’interprétation comme Severo et Giraud (2019) l’ont souligné, et que nous retrouverons plus tard dans notre analyse.

9 Une analyse qualitative experte a vérifié, sur la base d’un échantillonnage, que ces tweets n’étaient pas produits par des robots ou des sociétés commerciales, problèmes auxquels d’autres études avant nous ont été confrontées (Severo et Giraud, 2019).

Haut de page

Table des illustrations

Légende Figure 1 : Mots clés sélectionnés et nombre total de tweets dans le Monde.
URL http://journals.openedition.org/netcom/docannexe/image/6337/img-1.png
Fichier image/png, 69k
Légende Figure 2 : Fréquence absolue journalière des Tweets qui contiennent “Nice” et “attack”.
URL http://journals.openedition.org/netcom/docannexe/image/6337/img-2.png
Fichier image/png, 67k
Légende Figure 3 : Zoom sur la Promenade des Anglais de tweets avec géolocalisation (latitude et longitude), qui contiennent les mots clés “Nice” et “attack”. Un des tweets est sélectionné et son texte affiché.
URL http://journals.openedition.org/netcom/docannexe/image/6337/img-3.jpg
Fichier image/jpeg, 160k
Légende Figure 4 : Les tweets contenant les mots clés “Nice” et “attack”, dont les auteurs ont renseigné le nom du lieu.
URL http://journals.openedition.org/netcom/docannexe/image/6337/img-4.png
Fichier image/png, 214k
Légende Figure 5 : Zoom sur la localisation des tweets contenant les mots clés “Nice” et “attack”, dont les auteurs ont renseigné le nom du lieu.
URL http://journals.openedition.org/netcom/docannexe/image/6337/img-5.png
Fichier image/png, 314k
Légende Figure 6 : Nombre de tweets avec une localisation du profil d’utilisateur contenant les mots clés “Nice” et “Attack” dans les communes de France métropolitaine.
URL http://journals.openedition.org/netcom/docannexe/image/6337/img-6.png
Fichier image/png, 870k
Haut de page

Pour citer cet article

Référence électronique

Karine Emsellem, Matteo Caglioni et Diego Moreno Sierra, « Twitter fait-il parler les territoires ? Retour d'expériences à partir des tweets autour de l’attentat du 14 juillet 2016 à Nice »Netcom [En ligne], 35-3/4 | 2021, mis en ligne le 30 juin 2022, consulté le 22 juillet 2024. URL : http://journals.openedition.org/netcom/6337 ; DOI : https://doi.org/10.4000/netcom.6337

Haut de page

Auteurs

Karine Emsellem

Maître de Conférences, Université Côte d’Azur, CNRS, UAPV, AMU, UMR 7300 ESPACE, karine.emsellem@univ-cotedazur.fr

Matteo Caglioni

matteo.caglioni@univ-cotedazur.fr

Diego Moreno Sierra

diego.moreno@univ-cotedazur.fr

Haut de page

Droits d’auteur

CC-BY-NC-ND-4.0

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
Rechercher dans OpenEdition Search

Vous allez être redirigé vers OpenEdition Search