Une méthode pour explorer les régularités d’un corpus
La modélisation thématique, souvent désignée par l’expression anglaise topic modeling, regroupe des méthodes statistiques capables d’identifier des ensembles de mots qui apparaissent régulièrement dans un corpus. Appliquée à des romans, des pièces de théâtre, des poèmes, des lettres ou des articles critiques, elle aide à repérer des régularités lexicales difficiles à observer par une lecture individuelle de centaines ou de milliers de textes.
Son objectif n’est pas de résumer automatiquement une œuvre ni de révéler une signification cachée que le lecteur devrait accepter sans discussion. Le modèle produit plutôt une représentation calculée du corpus. Cette représentation peut servir à formuler des hypothèses, à comparer des œuvres, à suivre l’évolution d’un vocabulaire ou à sélectionner des passages pour une analyse rapprochée.
Un topic n’est pas un thème littéraire au sens strict. Dans un modèle statistique, il s’agit d’une distribution de probabilités sur des mots. Un ensemble comprenant par exemple « navire », « port », « mer », « cabine » et « voyage » pourra être interprété comme un thème maritime. Cette interprétation est humaine et dépend du contexte, de la composition du corpus et des choix de préparation des données.
Comment fonctionne l’idée générale du topic modeling
Les méthodes de modélisation thématique partent d’une observation simple : les mots ne sont pas répartis au hasard dans un ensemble de textes. Certains apparaissent plus souvent ensemble, dans les mêmes documents ou dans des zones particulières du corpus. Le modèle cherche à représenter cette organisation sans recevoir au départ une liste de thèmes définis manuellement.
Dans le modèle LDA, pour Latent Dirichlet Allocation, chaque document est décrit comme un mélange de thèmes, et chaque thème comme une distribution de mots. Un roman peut ainsi contenir une forte proportion d’un thème associé à la famille, une autre part liée à la guerre et une présence plus faible d’un thème correspondant aux déplacements. Un chapitre particulier peut modifier cette répartition.
Le terme « latent » signifie que les thèmes ne sont pas directement fournis dans les données. Le modèle les infère à partir des cooccurrences. Le nombre de thèmes doit généralement être fixé avant l’apprentissage, ce qui constitue un choix important. Demander dix thèmes ou cinquante ne conduit pas à la même représentation du corpus.
David Blei, Andrew Ng et Michael Jordan ont présenté LDA dans un article publié en 2003 dans le Journal of Machine Learning Research. L’approche s’inscrit dans la famille des modèles probabilistes de langage. Thomas Griffiths et Mark Steyvers ont ensuite étudié son utilisation pour l’exploration de collections de documents dans un article publié en 2004 dans les Proceedings of the National Academy of Sciences.
Les principales étapes d’une étude sur des textes littéraires
Une analyse sérieuse ne commence pas par le lancement d’un algorithme. Elle commence par la définition d’une question et par la constitution d’un corpus adapté. Le choix des textes détermine en grande partie les résultats que le modèle pourra produire.
1. Définir l’unité d’analyse
Un document peut être un roman entier, un chapitre, une scène, un poème ou un paragraphe. Avec un roman comme unité, on obtient peu de documents et des thèmes très généraux. Avec le paragraphe, on obtient davantage d’observations, mais le contexte peut devenir trop réduit. Pour une pièce de théâtre, la scène ou la prise de parole peuvent être des unités pertinentes, à condition de conserver les informations sur les personnages et les didascalies.
2. Documenter la sélection
Il faut préciser les auteurs, les dates, les genres, les éditions et les critères d’inclusion. Un corpus composé uniquement de textes numérisés dans une collection particulière peut refléter les choix de cette collection plutôt qu’une période littéraire entière. La disponibilité des œuvres, les droits de reproduction et la qualité de l’OCR peuvent créer des biais.
3. Préparer les textes
La normalisation peut inclure la conversion en minuscules, la suppression ou la conservation de la ponctuation, le traitement des caractères mal reconnus et la lemmatisation. La suppression des mots fréquents, appelée filtrage des mots vides, doit être justifiée. Dans la littérature, les pronoms, les temps verbaux ou les mots de dialogue peuvent justement porter une information stylistique.
4. Choisir une méthode et ses paramètres
Le nombre de thèmes, les seuils de fréquence, la taille des unités textuelles et les options d’apprentissage doivent être enregistrés. Deux analyses qui utilisent le même corpus mais des paramètres différents peuvent produire des résultats sensiblement distincts.
5. Interpréter et vérifier
Les listes de mots les plus probables ne suffisent pas. Il faut examiner les passages associés à chaque thème, comparer plusieurs configurations et vérifier si les regroupements correspondent à des phénomènes textuels observables.
LDA, NMF et modèles plus récents : quelles différences ?
LDA n’est pas la seule méthode disponible. Le choix dépend de la question, de la taille du corpus et du niveau d’interprétation recherché.
| Méthode | Principe général | Intérêt pour la littérature | Point de vigilance |
|---|
| LDA | Modèle probabiliste où les documents combinent plusieurs thèmes | Représentation explicite des proportions de thèmes | Sensibilité au nombre de thèmes et à la préparation du corpus |
| NMF | Décomposition matricielle non négative des fréquences de mots | Thèmes souvent lisibles dans de grands ensembles textuels | Résultats dépendants de la représentation choisie et de l’initialisation |
| Modèles fondés sur les plongements sémantiques | Regroupement de documents ou de segments selon des représentations vectorielles | Prise en compte de proximités sémantiques plus larges | Interprétation parfois moins transparente et dépendance au modèle utilisé |
| Structural Topic Model | Relie les thèmes à des métadonnées documentaires | Étude de variations selon la date, le genre ou le support | Les métadonnées doivent être fiables et leur effet ne doit pas être confondu avec une causalité |
Les approches fondées sur les modèles de langage peuvent rapprocher des mots ou des passages qui ne partagent pas le même vocabulaire. Elles ne remplacent cependant pas l’examen des formes textuelles. Une analyse littéraire peut s’intéresser à une répétition, à une syntaxe, à une voix narrative ou à une ambiguïté qu’un simple regroupement sémantique ne représente pas bien.
Ce que le topic modeling peut révéler dans un corpus littéraire
La modélisation thématique est particulièrement utile pour produire une cartographie exploratoire. Elle peut aider à répondre à plusieurs types de questions.
- Comparer des œuvres : les proportions de thèmes permettent d’observer des proximités ou des écarts entre romans, recueils ou pièces.
- Suivre une évolution : en découpant les textes selon leur progression, on peut examiner la variation d’un vocabulaire associé à la guerre, au travail, à la famille ou au déplacement.
- Repérer des passages : les documents fortement associés à un thème peuvent servir de point de départ pour une lecture rapprochée.
- Étudier des genres : une comparaison entre récits, correspondances et textes dramatiques peut faire apparaître des différences de vocabulaire et de composition.
- Explorer des corpus peu balisés : lorsque les catégories critiques sont incertaines, le modèle peut suggérer des regroupements à examiner.
Ces résultats doivent être formulés avec prudence. Si un thème est plus fréquent dans un groupe de textes, cela ne prouve pas que les auteurs partagent une intention, une idéologie ou une influence directe. Le modèle décrit des régularités dans les données choisies. Il ne donne pas automatiquement l’explication historique ou esthétique de ces régularités.
Lire un thème calculé sans le confondre avec une interprétation
L’une des difficultés centrales consiste à donner un nom aux thèmes. Le modèle fournit souvent une liste de mots et des scores, mais il ne fournit pas une étiquette littéraire définitive. Nommer un ensemble « mémoire familiale » plutôt que « relations domestiques » engage déjà une interprétation.
Une pratique utile consiste à examiner plusieurs éléments : les mots les plus probables du thème, les mots qui le distinguent des autres thèmes, les documents où il est le plus présent et les extraits représentatifs. Un thème dominé par « père », « mère », « enfant » et « maison » peut concerner la famille, mais aussi une scène de conflit, une description sociale ou une formule récurrente propre à un personnage.
Il faut également distinguer la fréquence d’un mot et son importance dans un thème. Un terme très courant peut apparaître dans plusieurs thèmes sans être caractéristique d’un seul. À l’inverse, un mot moins fréquent peut aider à différencier deux ensembles. Les outils d’interprétation qui affichent les mots exclusifs ou les passages représentatifs sont donc complémentaires aux simples listes de fréquence.
Une interprétation solide relie toujours le résultat statistique à une preuve textuelle. Elle indique la configuration utilisée, montre plusieurs extraits et précise ce qui relève de l’observation, de l’hypothèse et de la lecture critique.
Les limites particulières des textes littéraires
Les corpus littéraires posent des problèmes que les collections administratives ou journalistiques ne présentent pas de la même manière. Les mots peuvent être polysémiques, ironiques, métaphoriques ou volontairement ambigus. Une cooccurrence ne signifie donc pas nécessairement une relation thématique stable.
La longueur des œuvres est également importante. Un roman volumineux peut peser davantage dans les résultats qu’un recueil bref si chaque texte n’est pas correctement pondéré. La segmentation en chapitres ou en fenêtres de mots modifie aussi la notion de contexte. Une fenêtre trop large mélange des situations différentes ; une fenêtre trop étroite produit des thèmes fragmentaires.
La langue et l’édition influencent les données. L’orthographe ancienne, les variantes typographiques, les noms propres, les contractions et les erreurs d’OCR peuvent créer des regroupements artificiels. Une forme mal reconnue plusieurs fois peut apparaître comme un signal thématique alors qu’elle provient seulement d’un défaut de numérisation.
Enfin, un modèle peut reproduire les déséquilibres du corpus. Si une période, un genre ou une catégorie sociale est surreprésentée, cette présence influencera les thèmes. La modélisation ne corrige pas automatiquement les silences de l’archive. Elle peut même les rendre moins visibles en donnant une apparence de neutralité aux données disponibles.
Une méthode pratique pour rendre l’analyse reproductible
Pour qu’une étude soit contrôlable, il est utile de conserver un journal de recherche. Ce document peut réunir :
- la liste exacte des fichiers utilisés ;
- les informations bibliographiques et les métadonnées ;
- les opérations de nettoyage et de lemmatisation ;
- la liste des mots supprimés ou conservés ;
- la méthode choisie et ses paramètres ;
- les différentes valeurs testées pour le nombre de thèmes ;
- les critères utilisés pour sélectionner les résultats interprétés ;
- les exemples de passages vérifiés manuellement.
Il est préférable de tester plusieurs modèles plutôt que de retenir la première sortie. La stabilité peut être examinée en relançant l’apprentissage avec des initialisations différentes ou en comparant des configurations proches. Une cohérence parfaite n’est pas attendue, mais des thèmes qui disparaissent entièrement dès qu’un paramètre change doivent être présentés avec réserve.
La validation humaine peut prendre plusieurs formes. Une personne connaissant le corpus peut vérifier la pertinence des passages associés à un thème. Plusieurs lecteurs peuvent comparer leurs étiquettes, à condition de distinguer leur accord interprétatif de la qualité statistique du modèle. Il est également possible de réserver une partie du corpus pour examiner si une structure repérée dans les données d’exploration se retrouve ailleurs.
Ces pratiques ne transforment pas le topic modeling en mesure objective de la littérature. Elles rendent simplement les choix visibles et permettent de discuter les résultats au lieu de les présenter comme des faits indépendants de la méthode.
Les erreurs fréquentes à éviter
Certaines interprétations fragiles reviennent souvent dans les projets de modélisation thématique.
- Prendre les thèmes pour des catégories naturelles : un thème est une construction du modèle, puis une interprétation du lecteur. Il ne correspond pas nécessairement à une catégorie utilisée par les auteurs ou par l’histoire littéraire.
- Changer les paramètres jusqu’à obtenir le résultat attendu : explorer plusieurs configurations est légitime, mais les choix doivent être consignés et présentés.
- Utiliser uniquement les mots les plus fréquents : les passages et les mots distinctifs sont indispensables pour comprendre le fonctionnement d’un thème.
- Confondre corrélation et explication : une association entre un thème et une période ne démontre pas que cette période en est la cause.
- Ignorer la matérialité des textes : la numérisation, l’édition et les métadonnées font partie de l’objet étudié.
- Remplacer la lecture par le calcul : le modèle sert à orienter, comparer et questionner. Il ne dispense pas d’une analyse des formes, des contextes et des usages.
Une bonne étude indique donc autant ce que le modèle permet d’observer que ce qu’il ne permet pas de conclure.
Quelle place pour la lecture littéraire ?
Le topic modeling appartient aux méthodes d’exploration et d’analyse des corpus. Il peut élargir l’échelle de l’enquête, faire apparaître des regroupements inattendus et aider à sélectionner des passages. La lecture interprétative intervient ensuite pour examiner les formulations, les voix, les effets de rythme, les contradictions et les contextes historiques.
Cette complémentarité est particulièrement importante dans les études littéraires. Deux textes peuvent employer un vocabulaire proche tout en produisant des effets opposés. Un même mot peut changer de sens selon le narrateur, le genre de discours ou la situation. Une méthode fondée principalement sur les distributions lexicales ne saisit pas toujours ces différences.
Le résultat le plus utile n’est donc pas une liste de thèmes présentée comme une conclusion. C’est un ensemble de questions mieux ciblées : pourquoi certains mots se regroupent-ils dans ces chapitres ? Ce regroupement reste-t-il visible après correction des noms propres et des mots très fréquents ? Quelle scène confirme ou contredit l’étiquette choisie ? Une hypothèse née du calcul devient intéressante lorsqu’elle peut être confrontée aux textes et, si nécessaire, abandonnée.
FAQ : comprendre la modélisation thématique
Le topic modeling comprend-il le sens d’un roman ?
Non. Il repère des régularités statistiques dans les mots et les documents. Le sens littéraire dépend aussi du contexte, de la narration, de la forme, de l’ironie et des connaissances historiques. Les résultats doivent être interprétés par une lecture critique.
Faut-il supprimer tous les mots très fréquents ?
Non. Les mots fonctionnels peuvent être peu informatifs pour certaines questions, mais ils peuvent aussi renseigner sur le style, la voix ou la syntaxe. La décision doit dépendre de l’objectif de l’étude et être documentée.
Comment choisir le nombre de thèmes ?
Il n’existe pas une valeur universelle. Il faut comparer la lisibilité, la stabilité et la pertinence des solutions, puis vérifier les thèmes dans les passages du corpus. Un nombre plus élevé produit souvent des thèmes plus fins, mais pas nécessairement plus interprétables.
Peut-on appliquer la méthode à des poèmes ?
Oui, mais la faible longueur des poèmes et le poids de la forme rendent l’analyse délicate. Il peut être nécessaire d’utiliser un corpus suffisamment étendu, de comparer plusieurs unités d’analyse et de compléter le calcul par une étude de la métrique, de la syntaxe ou des images.
Quel est le meilleur usage du topic modeling en littérature ?
Il est particulièrement utile comme outil exploratoire : cartographier un corpus, repérer des passages, comparer des ensembles et formuler des hypothèses. Sa valeur augmente lorsque ses paramètres, ses limites et ses résultats sont explicitement discutés.