IRaMuTeQ et Molière, tutoriel critique

IRaMuTeQ est un logiciel d’analyse statistique de textes, conçu initialement pour la sociologie et les sciences politiques. Il combine une interface graphique, des programmes en python, et la librairie R, un langage puissant pour le calcul matriciel. Ce tutoriel a pour objectif de faire découvrir les fonctionnalités du logiciel, notamment les concepts les plus originaux, […]

Vision artificielle et lecture distante, que partagent images et textes ? L’exemple de l’érotisme.

Depuis quelques mois, je travaille au CMLA, le laboratoire de mathématiques appliquées de l’École Normale Supérieure (ENS) de Paris-Saclay, dans le département de traitement d’images. Le niveau mathématique est trop élevé pour que je puisse participer utilement aux recherches, je suis employé comme ingénieur, pour contribuer au développement d’une plate-forme en ligne de démonstration d’algorithmes […]

Catalogue, chercher le littéraire, du papier au numérique

Michel Bernard et Alexandre Gefen m’ont invité au séminaire « Le littéraire, du papier au numérique » (Paris III, le 14 novembre 2017), afin de partager mes explorations bibliométriques du catalogue de la BnF (dans sa version data.bnf.fr, ce billet peut d’ailleurs servir d’introduction à ce que j’ai pu déjà écrire ici ou là). En quoi cet objet […]

Femmes de lettres, démographie (data.bnf.fr 2017)

Comme chaque année, la BNF offre en téléchargement une nouvelle version libre de son catalogue et de ses autorités, data.bnf.fr. Rappelons qu’il s’agit des notices publiques, et relues. Autrement dit, le catalogue général comporte d’autres enregistrements qui ne sont pas dans Databnf. Il est frustrant de se savoir privé de quelque chose, sans savoir ce […]

Traitement de la langue et structures de données

En attendant les ordinateurs quantiques, l’informatique a peut-être eu son Newton, en tous cas les structures de données et leurs principaux algorithmes sont presque définitivement théorisées depuis les trois premiers volumes de The Art of Computer Programming de Donald Knuth (première édition en 1973). La théorie a pénétré l’enseignement, notamment avec Cormen, Leiserson, Rivest, Stein, […]

Détournement sémantique du traitement de textes

Le traitement de textes est un logiciel bureautique, toute son histoire et ses fonctionnalités sont orientées vers les besoins des entreprises et des administrations, les clients payants. Cette cible n’est pas la plus compétente pour définir ce qu’est un texte, pourtant un logiciel porte nécessairement une définition, son modèle de données, qui conditionne les fonctionnalités […]

Pourquoi le traitement de texte ne convient pas à un éditeur de textes

une histoire de l’informatique vue par les lettres, plutôt que les chiffres Dans chaque histoire, rien ne frappe plus que l’inertie des trajectoires, et la faiblesse des raisons qui ont fait choisir une branche des possibles. Tout aurait pu être autrement, et en même temps, tout est trop lourd à changer. Le traitement de texte […]

Data.bnf.fr, les documents

« il y devrait avoir quelque coercition des lois contre les écrivains ineptes et inutiles, comme il y a contre les vagabonds et fainéants. » (Montaigne, Essais III,  « Chapitre IX. De la Vanité ») Ce billet présente une application d’exploration des notices data.bnf.fr (livraison avril 2016), issues du catalogue général de la BNF. J’ai […]

Dramagraphie (sur le Pamphlet 6 de Franco Moretti)

Franco Moretti est célèbre pour ses livres d’histoire littéraire employant des méthodes numériques, comme  Tree, Maps and Graphs (2007) ou Distant Reading (2013). Cette réflexion est assise sur l’activité d’un laboratoire, le Stanford Literary Lab, avec une équipe de chercheurs aimant autant la littérature que la programmation,  ce dont témoigne leurs articles collectifs, les Pamphlets. […]

Un exemple de programmation, les registres de la Comédie-Française (1680-1793)

Le projet Registres de la Comédie-Française associe le MIT, la Comédie-Française, l’Université Paris Ouest-Nanterre, Paris-Sorbonne, et quelques autres partenaires. Le site permet de consulter en ligne les registres de ce théâtre parisien unique, et notamment, ceux des recettes (qui ne sont pas les profits, car les registres de dépenses ne sont pas encore numérisés). Ces […]

Auteurs canoniques, graphes et conjonctions (and, et, und, y, e)

Les grands auteurs européens ont fini par faire concert en canon, se répondant les uns aux autres de siècle en siècle. L’établissement d’œuvres comme trésor d’une ou plusieurs langues poursuit des traditions antiques, comme Homère, la Bible, les Védas, ou les classiques chinois ; à la différence que les littératures de langues européennes sont encore […]

Santé du livre : titres, pages, mots

Personne ne peut lire deux mille livres. Depuis quatre siècles que je vis je n’ai pas dû en lire plus d’une demi-douzaine. D’ailleurs ce qui importe ce n’est pas de lire mais de relire. L’imprimerie, maintenant abolie, a été l’un des pires fléaux de l’humanité, car elle a tendu à multiplier jusqu’au vertige des textes […]

Borges expliqué par Zipf, TP pour tous

Ce penseur observa que tous les livres, quelque divers qu’ils soient, comportent des éléments égaux : l’espace, le point, la virgule, les vingt deux lettres de l’alphabet. Il fit également état d’un fait que tous les voyageurs ont confirmé : il n’y a pas, dans la vaste Bibliothèque, deux livres identiques. De ces prémisses incontroversables […]

Pronoms personnels et genres littéraires (Artfl-Frantext, PhiloLogic 4)

Chacun s’entend à estimer qu’un roman n’est pas une thèse, et d’ailleurs, les romans à thèse ne sont pas toujours appréciés. Il n’est pourtant pas commode de définir strictement un genre si bien que l’on pourrait apprendre ces critères à une machine. Il existe des approches aveugles et statistiques, qui effectuent très efficacement certaines catégorisations, […]

Le traitement de textes (odt) pour produire des documents structurés (XML/TEI) — Odette

Le traitement de textes est à peu près universellement employé comme outil de création de textes. Ce succès auprès du grand public a surtout été obtenu par Microsoft, au début des années 1990, avec un Word WYSIWYG (What You See Is What You Get). Ce qu’on voit, c’est ce qu’on aura… sur l’imprimante ; l’ordinateur est […]

Texte électronique : niveaux d’informatisation (sur un calligramme d’Apollinaire)

Entre un pdf d’images, un OCR rempli d’erreurs, un site internet correct, un livre électronique avec tables des matières, ou un texte indexé et lemmatisé, il y a différents niveaux de structuration (et de travail). La confusion est entretenue par un marché de dupes entre les fournisseurs de textes (Google Books, Archive.org, Gallica…) et les […]

Michelet critique de Benveniste (histoire et deixis)

Il nous faudrait des statistiques précises, fondées sur de larges dépouillements de textes de toutes sortes […] (Benveniste, 1966, Problèmes de linguistique générales, 1 : 243) « Les relations de temps des verbes français » (1966 [1959] : 237) est un article très lu de Benveniste abordant initialement l’articulation du passé simple en français, mais […]

Google Ngram, masses et universaux

Ngram Viewer est un produit gratuit de Google qui trace des courbes chronologiques pour comparer la fréquences de différents mots ou expressions sur un corpus d’environ 800 000 livres en français [2012a] (783 424 selon nos calculs). Une fois déjouées plusieurs limites documentaires et techniques, la rapidité de l’outil est impressionnante, les fonctionnalités en progrès […]