Google Ngram viewer

Google a entrepris depuis plusieurs années une vaste entreprise de numérisation d’ouvrages pour son portail Google Books. Cette numérisation a donné lieu à la création d’un gigantesque corpus de mots dans différentes langues, et à la possibilité notamment de quantifier les fréquences d’apparition des ces mots et de ces expressions au fil du temps.

D’après Jean Veronis, ces données représentent le plus gros corpus linguistique de tous les temps, 500 milliards de mots, 5 millions d’ouvrages, soit environ 4% des livres jamais publiés.

Google a récemment mis à disposition une partie de ce corpus sous la forme d’un outil, nommé Books Ngram Viewer, qui permet de représenter graphiquement les fréquences d’un mot ou d’une expression au cours du temps dans différentes langues, avec la possibilité de comparer plusieurs mots ou expressions, ce qui laisse la place à toutes sortes d’expérimentations. On peut par exemple comparer l’évolution des fréquences d’apparition de certaines disciplines en sciences humaines et sociales :

D’autres exemples, à titre purement illustratif :

Les possibilités sont multiples, d’autant que Google met également à disposition une partie des données brutes, exploitables directement avec les outils adéquats :

http://ngrams.googlelabs.com/datasets

Ces fichiers (très volumineux !) permettent d’accéder aux nombres d’occurrence par année et par langue des différents n-grams (groupes de n mots). Ceci permet par exemple de représenter graphiquement les différentes associations de mots :

On peut donc imaginer de très nombreuses exploitations possibles de cette masse gigantesque de données, ce qui ne va pas sans poser non plus de questions sur une démarche ou les données peuvent parfois précéder les interrogations scientifiques, sans parler des limites inhérentes aux données elles-mêmes et leur acquisition. Pour une lecture critique on pourra notamment se référer à l’article de Patrick Peccatte :