Nous sommes les mots

S'inspirant des techniques de la génomique, une équipe de chercheurs a conçu un outil qui fournit des données quantitatives sur l'évolution de la culture au fil du temps. La recherche en génomique analyse d'énormes quantités de données pour étudier comment les gènes fonctionnent et changent ; le nouvel outil adopte une approche à grande échelle pour étudier la fréquence d'utilisation des mots au fil du temps.

L'approche a du sens si les mots sont considérés comme une unité de culture, dit Erez Lieberman Aiden, l'un des porteurs du projet. Le génome contient des informations héréditaires, transmises de génération en génération, dit-il. Les mots que nous utilisons, dans les livres que nous écrivons, sont également transmis de génération en génération.

Lieberman Aiden et Jean-Baptiste Michel , tous deux à Harvard Programme pour la dynamique évolutive , a dirigé le projet, qu'ils ont baptisé culturomics, un portemanteau combinant culture et génomique. Le premier fruit de leur travail a été une gigantesque base de données des mots d'environ 5,2 millions de livres publiés entre 1800 et 2000, soit environ quatre pour cent de tous les livres publiés. Ceux-ci provenaient du projet Google Books, dont la bibliothèque contient 15 millions de livres.

Dans le numéro d'aujourd'hui de la revue La science, les chercheurs présentent leur projet ainsi que certains des premiers résultats qu'ils ont dérivés des données. Dans le cadre de la publication, Google déploie une application (à www.culturomique.org ) qui permet à n'importe qui d'accéder et d'analyser la base de données finie, qui comprend 2 milliards de mots et d'expressions.

Les chercheurs affirment qu'en suivant la fréquence d'utilisation des mots, les spécialistes des sciences sociales, les informaticiens et les mathématiciens peuvent observer l'émergence et l'évolution des tendances culturelles au fil du temps. L'outil peut être utilisé pour créer des chronologies de la culture, montrant des pointes et des creux correspondant à une utilisation lourde et limitée de mots particuliers.

La répression, par exemple, laisse une trace dans l'histoire culturelle. Les livres de langue allemande publiés sous la censure nazie entre 1936 et 1944 mentionnent à peine certains artistes et philosophes dont les noms étaient communs avant et après cette période.

Les analyses ont également identifié des mots qui existaient dans des livres publiés mais n'avaient pas leur place dans les dictionnaires, y compris l'aridification (l'assèchement d'une région) et l'effacement. Ces mots non attachés ne font pas exception : lorsque les chercheurs ont rassemblé tous les mots du lexique anglais, ils en ont compté plus d'un million, soit le double du nombre dans les grands dictionnaires modernes. (Le Dictionnaire anglais d'oxford , par exemple, a moins de 500 000 entrées.)

Lieberman Aiden dit qu'il espère que les chercheurs de nombreuses disciplines trouveront de nouvelles façons d'exploiter les données. C'est un autre outil à la disposition des humanistes pour recueillir des informations et répondre aux questions sur la nature humaine.

Lui et Michel ont commencé à travailler sérieusement sur le projet en 2007. Tous les livres de la bibliothèque numérique de Google ne sont pas dans le domaine public, les chercheurs ont donc dû faire attention à ne pas enfreindre la loi sur le droit d'auteur. Essentiellement, ils ont retiré les mots du contexte des livres - tout en gardant intactes les métadonnées comme la date de publication - et ont organisé les mots dans un énorme tableau de fréquences.

Ils ont appliqué des filtres pour rendre leur ensemble de données aussi précis que possible, en éliminant, par exemple, les livres avec des dates de publication incorrectes ou ceux dont le texte était mal retranscrit par un logiciel de reconnaissance optique de caractères. Après filtrage, il leur restait 5 195 769 livres, contenant des textes de plus de 500 milliards de mots. Environ 72 pour cent d'entre eux sont des mots anglais.

Les calculs intensifs nécessaires pour réduire cet ensemble de données en un seul en fonction de la fréquence de chaque mot ont été répartis sur plusieurs machines chez Google et achevés rapidement.

Jon Kleinberg , informaticien à l'Université Cornell, affirme que la fréquence des mots peut être un outil quantitatif puissant pour identifier les tendances de la culture. Examiner le comportement de mots individuels peut souvent être un premier indicateur fort d'un phénomène à travers le temps, dit-il. Les documents numérisés, cependant, ne sont qu'un début. D'autres textes numériques fournissent des sources riches pour l'étude quantitative de l'information culturelle. Par exemple, l'analyse des termes de recherche Google peut révéler ce qui intéresse les gens. Ou une étude à grande échelle des mises à jour de Facebook peut servir de contrôle du pouls en temps réel des masses.

Nous voyons des choses qui n'ont jamais été écrites auparavant, dit-il. Sur Twitter ou Facebook, des millions de personnes disent « Je me sens heureux » ou « Je me sens triste ». Jusqu'à ces 10 dernières années, où auriez-vous pu trouver des millions de personnes écrivant leurs sentiments ?

cacher