Tutoriel pour de l’analyse textuelle de réseau avec linkage.fr (3/3)

Ceci est le troisième et dernier billet de ma trilogie sur  l’analyse textuelle de réseau avec linkage.fr. Les précédents étaient un exemple d’étude et des éléments théoriques. Celui-ci est un tutoriel.

1. S’inscrire

On se logue avec un login et un mot de passe sur https://linkage.fr/ en cliquant sur « try linkage »

En cas de mot de passe oublié, écrire à contact@linkage.fr

Lors de la première fois, on tombe sur l’écran ci-contre où il faut dire si vous utilisez ce site pour raisons personnelles, de recherches universitaires ou pour une entreprise. Vous vous engagez alors à citer linkage si vous l’utilisez. Le plus simple étant d’ajouter en bibliographie le papier :

C. Bouveyron, P. Latouche and R. Zreik, The Stochastic Topic Block Model for the Clustering of Networks with Textual Edges, Statistics and Computing, in press, 2017. DOI: 10.1007/s11222-016-9713-7.

On arrive alors sur la page représentée en figure 3 et  on clique sur « new job » en haut à gauche. Et si on clique sur jobs on peut revoir tous les travaux déjà effectués précédemment.

Figure 3

2. Démarrer une nouvelle étude

Figure 4

La colonne de gauche propose en particulier :

  • Papers co-authorship network  qui permet de voir qui écrit des papiers avec qui. En ce cas, il faut choisir un ou des mots clés puis choisir si l’on veut voir les articles publiés sous HAL, sous arXiv ou sous PubMed (trois archivages libres de papiers scientifiques). Deux personnes sont reliées si elles ont écrit ensemble. Il peut être judicieux d’augmenter le nombre de papiers limite téléchargés (limite fixée par défaut à 500) et de décocher la case « only keep the largest subgraph from the graph » qui est utile quand on étudie de gros réseaux mais moins pour de petits réseaux. En effet, supprimer les petits graphiques est utile pour mieux voir les réseaux importants.
  • MBox file qui permet des études de réseaux basées sur les mails. Il suffit alors d’entrer un fichier MBox. Sur roundcube, il suffit de faire un export. Sur gmail, il faut se connecter à son compte puis aller sur la page https://takeout.google.com/ pour récupérer tout ou partie de ses mails en format .mbox (attention cela peut prendre entre quelques heures et quelques jours). Attention, on ne peut pas aller au-delà de 1Go de fichier. Il existe une fonction « Gmail » permettant l’import de Gmail directement.
  • Twitter search, avec une option « Use loklak API » qui permet de ne pas se restreindre aux 7 derniers jours qui est le paramètre par défaut de l’API twitter. On peut chercher des mots clés mais aussi des comptes twitters (cf figure 4)
  • Your own network (CSV) c’est-à-dire un réseau présenté en format CSV fourni par nos soins. Autrement dit, un tableau contenant trois colonnes : le nœud source, le nœud de destination et le texte. Chaque ligne est un lien qui contient donc ces trois informations.

Exemple :

Personne 1 Personne 2 Blabla de personne 1 à personne 2
Personne 3 Personne 4 Baeu beuh de personne 3 à personne 4
Personne 2 Personne 4 Texte de personne 2 à personne 4
 …  …  …
 …  …  …

 

Une fois le cas choisi, on a accès à un certain nombre d’informations pour l’analyse

3. Les graphiques

On a accès à deux types de graphiques. Le premier est une représentation synthétique des groupes (les carrés sur la figure 5) avec leurs sujets de discussion.

Les exemples sont données sur  des sociologues de l’éducation, après recherche de leurs écrits sur HAL. Pour cet exemple, la recherche est limitée à une trentaine de chercheurs.

Sur la figure 5, il y a 3 clusters et 5 topics.

Figure 5

Les membres du cluster en rose parlent entre eux majoritairement en utilisant le topic bleu (sur les diplômés) et communiquent avec les deux autres clusters en utilisant majoritairement le topic vert (sur l’éducation). Les membres du cluster en vert parlent particulièrement d’Europe. Enfin les membres du  cluster orange parlent particulièrement entre eux de formation, d’activités académiques et salariées. Il suffit de cliquer sur les carrés pour avoir le nom des membres du cluster et sur les flèches pour avoir les topics et leur distribution.

Le terme PI donne la probabilité d’interaction entre les clusters, c’est-à-dire à quel point les groupes communiquent entre eux. Une flèche plus large indique un niveau de connexion plus important.

Sur la figure 6, on visualise les mêmes 3 clusters et 5 topics mais en détaillant qui a écrit quoi à qui (ou en l’occurrence avec qui car il s’agit d’une étude sur les co-auteurs mais ce serait le même type de graphique si l’on parlait d’échanges de mails). Pour ce faire, il faut cliquer sur « expand clusters » Le fait de pointer sur un individu particulier (un rond) permet de chercher où se trouvent tel ou tel auteur. Ainsi, on observe une position centrale de Roger Establet en sociologie de l’éducation en France.

Figure 6

 4. Les clusters

Figure 7

Les clusters apparaissent  dans la colonne de gauche. Il est possible de modifier le nombre de cluster entre 2 (minimum) et 5 (maximum) avec un « cliquer-glisser » de la souris qui emmène le cercle vers le nombre de clusters souhaités.

Ensuite,  un simple clic sur « show nodes » ou « hide nodes » permet de visualiser qui sont les membres d’un cluster. Par exemple, ici, le cluster vert comprend, entre autre,  Yaël Brinbaum, Patrick Werquin, Agnès Van Zanten, et François Dubet

En cliquant sur le petit crayon à droite du nombre ( indiquant le nombre de personnes présentes dans un cluster), on peut donner un nom au groupe.

Si l’on modifie le nombre de topics, on modifie le nombre de clusters et réciproquement, les deux étant inter-dépendants.

5. Les topics

On peut procéder de la même façon avec les topics qu’avec  les clusters et modifier le nombre de topics et le nom du topic. Par exemple, par défaut le topic orange dont le mot que l’on retrouve le plus souvent est « comment » s’appelle « comment ». Il semble évident que ce mot-là n’est pas caractéristique et l’on peut voir en descendant un peu que ce topic se caractérise surtout par les mots « formations », « compétences », « activité salariée ». C’est-à-dire qu’il s’agit d’un sujet qui relie le monde des études au monde du travail. On peut rebaptiser ce sujet « formations vers le monde salarié » qui correspond dans l’ensemble aux thèmes travaillés par les chercheurs concernés.

6. La matrice d’adjacence

La matrice d’adjacence est plus ou moins lisible selon le nombre de personnes étudiées. Elle représente l’ensemble des individus intégrés à l’étude. La couleur du topic le plus utilisé entre eux est indiqué au croisement entre deux individus.

Figure 9

7. Les statistiques

Les statistiques proposées sont celles du nombre de membres de chaque cluster, de la répartition des sujets, des mots les plus utilisés par sujet (cf. figure 10).

Figure 10

8. Advanced

On trouve dans la rubrique « advanced » (onglet de gauche) un seuil (cluster to cluster cut off) que l’on peut faire varier. Si ce seuil est à 0, tous les liens entre cluster sont affichés, même ceux qui sont nuls, c’est-à-dire que la probabilité que les deux clusters soient liés est nulle. Le fait d’augmenter ce seuil permet d’éclaircir les graphiques.

On dispose aussi d’un score par nombre de clusters et de topics. Il s’agit du score de vraisemblance. Par exemple, le maximum de vraisemblance est atteint pour 2 topics et 2 clusters. Le choix fait de 3 topics et 5 clusters est nettement moins bon statistiquement que 2 clusters et 2 topics. Et de fait, lors des analyses, si le cluster 1 que j’ai nommé « sociologues de la jeunesse » se distinguent assez bien des clusters 2 et 3, il a été très difficile de donner un nom aux clusters 2 et 3.

En espérant lire prochainement vos études !


Vous aimerez aussi...

Laisser un commentaire

Votre adresse de messagerie ne sera pas publiée. Les champs obligatoires sont indiqués avec *

Ce site utilise Akismet pour réduire les indésirables. En savoir plus sur comment les données de vos commentaires sont utilisées.