1

Analyse exploratoire d’entrevues de groupe : quand ALCESTE, DTM,

LEXICO et SATO se donnent la main

François Daoust

Gaëlle Dobrowolski

Monique Dufresne

Claire Gélinas-Chebat

JADT 2006 – Besançon

2

OBJECTIFS

3

• 1 : Montrer comment on peut combiner plusieurs logiciels de lexicométrie (ALCESTE, DTM et LEXICO3) pour valider et compléter une analyse SATO.

4

• 2 : Mettre à l'épreuve des chaînes de traitement qui font appel à des passerelles de conversion développées dans le contexte du réseau ATONET.

5

CONTEXTE DE LA

RECHERCHE : ATONET

6

Les trois volets d’ATONET

• méthodologie et partage de corpus• formats d'échange de documents

électroniques• terminologie de l'analyse des

données textuelles

7

CORPUS

8

• Entrevues enregistrées de neuf groupes de jeunes rencontrés à Rennes en 2000 (48 jeunes Français)

Corpus Gallopel

9

• Chacun des 9 groupes comprend 5 à 6 jeunes et un intervenant :

– âgés entre 15 à 25 ans

– fumeurs et non fumeurs – hommes et femmes

10

Entrevues semi dirigées

• 1 Discussion précédée d’une période de familiarisation avec le tabagisme

• 2 Discussion suite à l’introduction d’une brochure

11

ANALYSE AVEC SATO:

Nature

12

• Analyse sémantico statistique basée sur une construction itérative d’une grille catégorielle

13

ANALYSE AVEC SATO :

Démarche

14

Démarche (1)

• Comparaison de lexiques associés à des sous-textes établis selon :

– sexe

– fumeur / non-fumeur

– avant / après message anti-tabac

15

Démarche (2)

• Indices statistiques simples :

– Distance du Chi2

– Mesure d'écart à la moyenne

16

ANALYSE AVEC SATO :

Étapes

17

Étapes (1)

Va et vient entre les données lexicales brutes et leurs contextes d’utilisation (Kwic):

1. Approche univariée : saisir la spécificité de la stratification induite par chacune des variables sociologiques

2. Approche multivariée : tenir compte de l’interaction de ces variables

18

Étapes (2)

• Émergence d'une grille catégorielle sémantique :– apparence, arrêt, négation, concret,

danger, dépendance, soc-je*, maladie, mort, plaisir, …

– soc-ami, soc-famille, soc-gens, soc-jeune, liberté, envie, conscience, volonté, …

*(Le préfixe soc- renvoie à un ensemble de catégories

référant aux rapports sociaux identifiés par les jeunes.)

19

ANALYSES AVEC SATO :

Conclusions

20

Conclusions (1)

• Construction d'une grille

catégorielle transparente et respectueuse de la spécificité du contexte d'énonciation.

21

Conclusions (2)

• Démarche itérative combinant :– une approche inductive (qualitative) – une utilisation d'outils simples de

statistique lexicale– une approche plus sensible à la

pragmatique textuelle.

22

Conclusions (3)

• Production de données qualifiées (catégories) qui traduisent la démarche interprétative de l’analyste

23

VALIDATION

24

• Validation de notre démarche et de nos résultats par divers logiciels de statistique textuelle :

– ALCESTE (Reinert)

– LEXICO 3 (Salem)

– DTM (Lebart)

25

Chaîne de traitement (1)

Format initial des données : balises SATO (propriétés)– identification du locuteur et des

caractéristiques sociologiques

– identification des sections pré ou post «brochure».

26

Chaîne de traitement (2)

*page=gallo02/11

*pub=brochure *locuteur=s36

*fumeur=non *sexe=h Bah, la brochure là, elle nous présente ce qui nous attend si on fume. Mais c ’est très… quoi, moi j ’ai lu ça, mais je ne sais pas je ne suis pas fumeur, donc je ne ressens peut-être pas ça de la même façon..

27

Chaîne de traitement (3)

• Passerelle en Perl pour exporter le corpus en XML-TEI

• Conversion de la version TEI vers les formats propriétaires ALCESTE, LEXICO et DTM

28

ANALYSE AVEC

ALCESTE

29

ALCESTE (1)

• méthode complètement automatique qui vise à faire émerger des mondes lexicaux

• s'appuie sur des régularités statistiques pour faire émerger la structure du discours à partir des énoncés(Avec SATO, nous étions partis d'hypothèses structurantes du discours pour faire parler les données)

30

ALCESTE (2)

•Résultats corpus Initial* : deux classes– Classe 1 (1/3 des UCE) :

• surtout les interventions exprimées après l'exposition au message antitabac (Chi2=33.82).

• plus faiblement une présence significative des UCE des non-fumeurs

*(transcription des entrevues dans leur découpage original en interventions; sont exclues les interventions des intervenants)

31

ALCESTE (3)

– Classe 2 (2/3 des UCE) : • surtout des interventions précédant la

présentation du message antitabac (Chi2=33.82)

• aussi, mais plus faiblement, une présence significative des UCE des fumeurs (Chi2=8.81)

32

ALCESTE (4)Formes représentatives de la classe n°1

Chi2 u.c.e. dans la classe Formes réduites

100.00 51 cancer+ 93.85 38 image+ 83.51 31 choc+ 82.20 38 poumon+ 81.60 35 choqu+er 73.64 42 preventi+f 61.71 23 routier+ 53.58 20 temoign+23 53.47 107 voir. 50.88 19 tele 49.69 39 pub+ 46.79 22 femme+ 45.39 24 mort+ 42.83 23 mourir. 42.16 46 tabac+

Formes représentatives de la classe n°2Chi2 u.c.e. dans la classe Formes réduites102.21 446 fum+er 68.65 233 arret+er 28.50 95 commenc+er 28.44 170 fum+eur 22.54 64 essa+yer 21.46 87 envi+e 20.22 69 arrete+ 19.36 108 cigarette+ 17.11 61 paquet+ 16.34 64 volonte+ 16.04 68 prendre.

33

ALCESTE (5)

• CONCLUSIONS :– ALCESTE confirme que la variable

avant/après le message antitabac représente le premier élément de structuration du corpus, ce qui constitue pour nous le résultat le plus significatif.

– ALCESTE relève la présence de l’opposition fumeur/non-fumeur, deuxième variable prise en compte dans l'analyse SATO.

34

ALCESTE (6)

– ALCESTE a donc retrouvé ce que nous avions observé lors de la comparaison de lexiques construits sur la base d’un découpage global du corpus.

– Ce point de rencontre entre les approches ascendantes et descendantes est un outil important de validation de l’interprétation.

35

ANALYSE AVEC LEXICO O

36

LEXICO (1)

• LEXICO : – calcule les spécificités

lexicométriques de parties d'un corpus d'après un modèle probabiliste basé sur la loi hypergéométrique (cf. Lebart, Salem 1994)

– rend possibles des analyses factorielles de correspondances (AFC) sur un corpus partitionné

37

LEXICO (2)

• Première approche :

– Analyse du corpus Participant* : découpage du corpus selon le profil des répondants

*(ensemble des interventions de chaque participant identifié par un nom résumant son profil et suffixé par a ou b pour identifier le discours du participant avant et après le message antitabac; Élimination des participants dont le profil sociologique est incomplet)

38

Corpus Participant : individus sur le plan des 2 premiers axes de l'AFC

39

Lexico (4)

• Deuxième approche : – calcul des spécificités reportées sur la

sortie de l'analyseur DISTANCE de SATO appliqué au lexique avant et après la brochure.

40

Lexico (5)Comparaison entre les spécificités et la distance du Chi2

Fréqtot avant après explique cumul 0.08 0.15 0.03 0.55 0.55 clair * (lexico 6) 0.05 0.00 0.09 0.50 1.05 brochure 0.25 0.37 0.17 0.49 1.54 aussi * (lexico 6) 0.46 0.60 0.36 0.40 1.94 t' * (lexico 5) 0.07 0.12 0.03 0.39 2.33 santé * (lexico 5) 0.77 0.95 0.64 0.39 2.72 ouais * (lexico 3) 0.02 0.04 0.00 0.32 3.03 appelle * (lexico 4) 0.05 0.01 0.09 0.31 3.35 risques (lexico -5) 0.06 0.10 0.03 0.31 3.66 dépendance * (lexico 5) 0.06 0.10 0.03 0.31 3.96 plaisir * (lexico 5) 1.65 1.88 1.49 0.30 4.26 je * (lexico 3) 0.02 0.05 0.00 0.28 4.54 doigts * (lexico 4) 0.01 0.03 0.00 0.26 4.80 odeur * (lexico 4) 0.16 0.09 0.21 0.25 5.05 elle (lexico -5) 0.11 0.06 0.15 0.24 5.30 beaucoup (lexico -3) 0.03 0.00 0.05 0.24 5.53 lire (lexico -4) 0.13 0.18 0.09 0.23 5.76 toi * (lexico 4) 0.01 0.03 0.00 0.23 5.99 3ème * (lexico 3) 0.03 0.00 0.04 0.23 6.22 témoignage 0.05 0.09 0.03 0.22 6.44 grave * (lexico 3) 0.42 0.32 0.49 0.22 6.66 ! 0.26 0.33 0.20 0.22 6.88 ben * (lexico 3) 0.08 0.04 0.11 0.21 7.09 " 0.61 0.49 0.69 0.21 7.30 - 0.44 0.34 0.51 0.21 7.50 peut (lexico -3) 0.02 0.03 0.00 0.20 7.70 caractère * (lexico 3)

41

Lexico (6)

• Conclusion :– Très large recouvrement entre les formes

lexicales qui contribuent le plus à la distance et les spécificités calculées par LEXICO :

• parmi les mots manquants, il y a les ponctuations qui, apparemment, ne sont pas prises en compte par LEXICO, de même que les formes absentes dans le corpus Avant

• la mesure de spécificité de LEXICO fournit un bon complément à la DISTANCE du Chi2 par l'ajout d'un seuil statistique

42

ANALYSE AVEC DTM

43

DTM (1)

• DTM :– Outil dédié à l’analyse exploratoire de

données numériques multivariées et de données textuelles (par exemple un sondage avec questions ouvertes et fermées)

– Comptage des mots du texte brut produisant des variables représentant le nombre d’occurrences du mot

44

DTM (2)

• Expérimentation # 1 :– Analyse du corpus Participant : le corpus

est vu comme un ensemble de 87 individus.

• Le profil sociologique est enregistré comme autant de réponses catégorielles à des questions fermées : pub (nil, brochure), sexe (homme, femme) et fumeur (non, oui).

• Les interventions avant et après le message antitabac donnent lieu à deux questionnaires distincts.

• L'ensemble des interventions d'un individu pour chaque questionnaire constitue la réponse à une question ouverte unique.

45

Corpus Participant : variables catégorielles sur le plan des 2 premiers axes de l'AFC

46

DTM (4)

• Confirmation de l'influence du message antitabac et des variables catégorielles sur la structure du discours

47

DTM (5)

• Expérimentation # 2 :– Production d'un corpus artificiel

(Participant catégorisé) par substitution des catégories aux unités lexicales catégorisées

48

DTM (6)

– Calcul de l'AFC en croisant :• les 87 participants avec 702 variables textuelles, soit les

formes lexicales non catégorisées et catégorisées sémantiquement (propriété thème).

Cette substitution recouvre 12,26 % des occurrences.

49

Corpus Participant catégorisé: variables catégorielles sur le plan des 2 premiers axes de l'AFC

50

DTM (8)

• La projection des variables sociologiques sur le plan factoriel suit le même jeu d'oppositions

51

DTM (9)

• Expérimentation # 3 :

– Production d'un autre corpus artificiel (Participant réduit) par substitution des catégories à toutes les unités lexicales

52

DTM (10)– Calcul de l'AFC en croisant :

• les 87 participants avec 29 variables textuelles, soit l’ensemble des occurrences du corpus Initial

Les 28 catégories utiles représentent un peu plus de 12% des occurrences.

53

Corpus Participant réduit : variables catégorielles et lexique sur le plan des 2 premiers axes de l'AFC

54

DTM (12)

• Visualisation simultanée du lexique des catégories et les modalités des questions fermées: – répartition aux quatre points cardinaux des

catégories les plus excentriques : apparence, dépendance, coûts, éducation, mort et soc-ami

– concentration des catégories banales (qui constituent les référents communs du discours) au centre du plan

55

DTM (13)

• Outil de validation de la construction de la grille de catégories lexicales

• La visualisation des catégories sémantiques dans le plan factoriel ouvre aussi de nouvelles fenêtres d'investigation pour revenir aux contextes et affiner la grille si nécessaire

56

CONCLUSIONS

57

• Cette première utilisation combinée de logiciels d'analyse textuelle a été grandement facilitée par les protocoles d'échange de données réalisées par le réseau ATONET.

58

• Il est possible de créer de multiples chaînes de traitement qui permettent de reconfigurer les données et de faire appel aux points forts de chaque logiciel.

59

• Par la combinaison des méthodes d'analyse :– plus grande fiabilité des conclusions en fournissant

des moyens de corroborer ou d'infirmer des hypothèses et des conclusions

– aller au-delà des impressions et des commentaires descriptifs pour produire des représentations de discours sociaux susceptibles d'agir comme modèles

60

Merci de votre attention.