Présentation du système d’analyse statistique de Sonal
Après un long travail de développement consacré à l’ergonomie des interfaces de saisie et de visualisation des entretiens, j’ai enfin pu, à la faveur d’un séminaire de l’équipe Cost-Terreni au sein du laboratoire Citeres, avancer dans le système d’analyse statistique des entretiens, jusqu’ici assez limité.
C’est en quelque sorte la troisième dimension du logiciel, la première étant l’enregistrement des entretiens, la seconde étant la construction des corpus. Cet outil sera une forme de récompense après les efforts faits pour encoder vos entretiens. Il faut dire qu’un corpus encodé dans Sonal devient une mine d’information, beaucoup plus qu’une compilation de fichiers texte contenant des entretiens retranscrits : non seulement chaque portion de texte se voit associer une thématique dès la retranscription – ce qui permet un filtrage thématique ainsi qu’un décompte chronométrique – mais il est également possible de décrire les entretiens à travers le système de base de données, ce qui permet un filtrage en fonction des caractéristiques des locuteurs. Pour l’instant, il y a deux optiques possibles : soit vous optez pour une analyse lexicométrique (décompte des mots), soit vous vous concentrez sur la place des différentes thématiques à l’aide d’une analyse chronométrique.
L’analyse lexicométrique dans Sonal : un système d’intuitions
L’analyse statistique repose sur une approche formelle assez simple. Il s’agit systématiquement d’étudier le vocabulaire contenu dans une série d’extraits définis par leur thématique et/ou par les caractéristiques des locuteurs. Une interface dédiée fait ressortir les éléments langagiers les plus spécifiques d’une collection d’extraits donnée. Cela revient à se demander en somme “quel vocabulaire utilise tel ou tel type de personne interviewée pour parler de tel ou tel sujet?” L’utilisateur peut donc structurer son analyse en regardant d’abord, au sein de chaque thématique, le vocabulaire employé par l’ensemble des répondants, et approfondir éventuellement l’analyse en filtrant à l’aide des caractéristiques renseignées dans la base de données. Par exemple, que disent les personnes interrogées sur la question de la précarité au travail, et qu’en disent les salariés contractuels ? et les statutaires? Etc.
Du point de vue statistique, le système est – pour l’instant – plutôt simple, les mots sont classés en fonction de leur pourcentage de spécificité. Si un mot n’apparait que dans les extraits filtrés, il leur est 100% spécifique; s’il apparaît pour moitié dans les extraits filtrés, et pour moitié dans d’autres extraits non retenus, son taux sera de 50% etc. L’avantage de ce système rudimentaire, c’est que tous les mots outils, par définition peu spécifiques, sont projetés en fin de classement, sans recours à un filtrage spécifique.
A cette entrée reposant sur les catégories analytiques prises isolément, s’ajoute un système d’analyse factorielle importé depuis Trideux grâce au concours de Philippe Cibois, qui permet une recherche plus “inductive” des corrélations locales entre caractéristiques et vocabulaire en introduisant simultanément l’ensemble des variables dans un même plan.
Un tableau lexical est généré, qui décompte, pour chaque modalité de chaque variable, le nombre d’occurrences de chaque mot. L’on peut ainsi, grâce aux marges, étudier l’existence d’éventuels écarts à l’indépendance dans l’utilisation du vocabulaire. Par exemple, dans un corpus où il y a à peu de choses près le même nombre de mots chez les hommes et chez les femmes, si un mot est utilisé 10 fois dans le corpus mais qu’il revient 8 fois chez les hommes contre 2 fois par les femmes, on peut dire qu’il existe une attraction – au sens statistique – entre la catégorie “homme” et ce mot particulier. C’est la logique de base de l’analyse des tableaux croisés transposée à l’analyse du vocabulaire. Et, puisque l’analyse factorielle résume les résultats d’un grand nombre de tableaux croisés, on peut obtenir une représentation géométrique des écarts à l’indépendance dans le tableau lexical tiré de la base, et ainsi découvrir d’éventuelles corrélations insoupçonnées.
Tout l’intérêt d’avoir indexé chronologiquement la bande pendant la retranscription est que ces analyses ne sont pas nécessairement la dernière étape du travail. Le matériau de base qu’est l’enregistrement reste accessible, ce qui transforme les résultats statistiques en simples suggestions, puisque après avoir été informé par le logiciel de la spécificité d’une forme pour un type de sujet/et ou répondant, l’utilisateur peut opérer un retour immédiat aux extraits contenant le mot en question, pour saisir le contexte particulier de son énonciation. Ce contexte est saisi à la fois sur un plan sémantique, en accédant aux phrases desquelles ils est issu – ce qui est une fonction usuelle des CAQDAS-, mais aussi sur un plan prosodique, puisque la réécoute des extraits apporte par surcroît des éléments de contexte améliorant l’interprétation.
Cela permet de ne pas choisir entre une analyse quantitative globale automatisée et une analyse locale de type compréhensif. Cela permet d’obtenir des intuitions analytiques fortes sans pour autant enfermer le sociologue dans un cadre interprétatif préconçu. De plus, en utilisant le filtre lié à l’indexation thématique des extraits et aux modalités des variables renseignées dans la base de données, l’utilisateur peut restreindre l’analyse quantitative à certaines portions du corpus.
Le dépouillement peut donc être à la fois quantitatif et… inductif, c’est à dire être basé sur une curiosité préalable du chercheur quant à la spécificité de telle ou telle catégorie de répondant concernant tel sujet etc. tout en utilisant des algorithmes permettant de faire ressortir l’existence de corrélations statistiques notables. L’entrée se fait par les catégories définies par l’utilisateur en décrivant ses interlocuteurs. A la différence d’un outil comme Alceste, qui tend à aborder le matériau pris globalement, s’intéressant d’abord aux formes discursives récurrentes à l’intérieur du corpus, pour ensuite rechercher des associations éventuelles entre ces formes et des variables illustratives rattachées aux unités de contexte (UC)[1], Sonal est avant tout un outil de recherche des spécificités langagières propres à chaque sujet et ou à chaque locuteur. L’approche est beaucoup moins ambitieuse et ne débouche pas forcément sur des résultats aussi transversaux que les « mondes sémantiques » dégagés par Alceste, mais elle permet assurément de faire ressortir des constantes intéressantes au sein des corpus.
C’est la chronologie même du travail qui est transformée, puisque l’analyse peut tout à fait se faire tout au long de la construction du corpus. Elle n’est plus l’ultime étape, suivant la retranscription et l’agrégation des verbatims.
Comment analyser statistiquement un corpus?
Du point de vue ergonomique, le système de tri lexical reprend le fonctionnement du système de sélection des extraits. Le même système de panneaux latéraux est utilisé pour filtrer les thématiques et des caractéristiques des locuteurs depuis le corpus.
1) Isolez (ou non) les thématiques et/ou les entretiens qui vous intéressent, exactement comme si vous souhaitiez les envoyer dans la synthèse.
2) Choisissez un mode d’analyse. Vous avez deux possibilités, soit vous procédez à une analyse lexicométrique, soit à une analyse chronologique. La première consiste à compter les mots, la seconde à compter le temps.
L’analyse lexicométrique se lance avec le bouton ci-dessous.
Au tout premier lancement de cette application, Sonal réalisera une base lexicale qui recensera tous les mots et leur contexte d’apparition. En fonction des capacités de votre machine, le calcul de cette base peut prendre un certain temps. Pour éviter d’avoir à la recalculer à chaque utilisation, Sonal propose de recharger la base existante, qui est enregistrée dans le dossier de projet sous la forme [nom_du projet].Lexico.xls.
Si vous n’avez pas modifié votre corpus depuis la dernière utilisation, vous pouvez répondre non et Sonal rechargera la dernière base. Cette question ne vous sera évidemment posée qu’à la première ouverture de la fenêtre. Par la suite, vous pourrez rafraîchir la base à l’aide d’un bouton « rafraichir la base lexicale » placé dans la fenêtre d’analyse lexicale.
Vous parvenez alors à la fenêtre d’analyse lexicale.
Sur la partie gauche de la page, les panneaux de tri (thématiques, entretiens, variables) reproduisent le filtrage opéré. Si vous avez « éteint » certaines thématiques ou désactivé certains entretiens avant d’ouvrir la page, les panneaux de tri seront affichés sur le côté. Si vous voulez les afficher, utilisez les boutons « thématiques, tri à plat et entretiens » en haut de la page.
Dans la partie droite, une liste de vocabulaire triée par niveau de spécificité. Les mots qui n’apparaissent que dans la sélection opérée en faisant ressortir le vocabulaire spécifique des extraits filtrés.
On peut également opter pour d’autres combinaisons de thématiques ou de caractéristiques dans cette même fenêtre, le nouveau tri opéré se reproduisant instantanément dans la fenêtre de corpus. L’analyse lexicométrique est donc accessible dans la continuité de la construction du corpus, comme la synthèse. De même l’analyse chronométrique, qui reprend(ra) également les catégories utilisées pour filtrer les extraits.
L’analyse chronométrique : un outil réflexif
L’analyse chronométrique s’obtient en cliquant sur le bouton “chrono” positionné juste à droite du bouton lexico dans la page de corpus. Elle procède de la même logique de filtrage que l’analyse lexicométrique, avec les mêmes panneaux latéraux, mais ses résultats sont à interpréter avec plus de prudence : le rôle de l’encodeur dans la définition des thématiques invite à considérer l’analyse chronométrique comme un outil réflexif.
[1] Pour une explication très claire du fonctionnement d’Alceste, cf. Dalud-Vincent Monique, « Alceste comme outil de traitement d’entretiens semi-directifs : essai et critiques pour un usage en sociologie », Langage et société, 2011/1 n° 135, p. 9-28
