Quarante ans de délibérations de la Cɴɪʟ

Les presses de la Sorbonne viennent de publier Histoires de mots. Saisir le passé grâce aux données textuelles. Ce volume, dirigé par Léo Dumont, Octave Julien et Stéphane Lamassé —tous trois membres du Pireh (Pôle Informatique de Recherche et d’Enseignement en Histoire)—, rassemble différentes interventions au colloque Histoire, langues et textométrie qui s’est tenu à Paris en janvier 2019 et auquel j’avais participé avec une communication intitulée Quarante ans de délibérations de la Cnil. Analyse thématique de l’évolution d’un corps de doctrine.

Je remercie sincèrement les éditeurs de l’ouvrage pour leur patience et leur persévérance. L’édition d’un livre est une entreprise fastidieuse et je dois reconnaître que, à ce titre, je ne leur ai pas facilité la vie. En effet, j’avais rédigé le texte de ma communication avec LaTeX (si vous lisez le texte, vous comprendrez aisément pourquoi). Ce qui n’a évidemment pas été sans poser quelques problèmes au moment de l’édition du livre, l’éditeur demandant forcément (et tristement) un fichier au format d’un logiciel WYSIWYG de sinistre mémoire bien connu. La conversion avec pandoc ne s’étant malheureusement pas tout à fait déroulée aussi bien qu’on aurait pu l’espérer, il a fallu procéder à diverses corrections manuelles, à quoi s’est ajouté la conversion d’une partie des équations en image. Cette partie a heureusement pu être automatisée directement avec des macros TeX.

Ma contribution à l’ouvrage porte sur une analyse thématique des délibérations de la Cnil au moyen d’un modèle thématique probabiliste (Probabilistic Topic Model) : l’allocation de Dirichlet latente ( LDA — Latent Dirichlet Allocation). Le support de la présentation au colloque Histoire, langues et textométrie se trouve et le script R pour télécharger les délibérations de la commission est disponible ici.

Le modèle a permis de faire ressortir 120 classes dont 113 proprement thématiques et 7 faisant ressortir d’autres traits des délibérations. En effet, la LDA permet de caractériser des classes de portion de texte mais sans que celles–ci ne manifeste nécessairement un thème. Ces classes sont parfois qualifiés de déchêt (junk topic) dans la littérature quand le modèle produit des classes ininterprétables constituées de combinaisons contingentes de mots. Ce qui peut arriver si, par exemple, le nombre de classes est trop grand.

Cependant, toutes les classes non–thématiques ne sont nécessairement à pas jeter parce qu’elles peuvent aussi permettre de caractériser d’autres aspects des textes. Pour les délibérations, ces classes sont peu nombreuses et d’un intérêt assez limité mais permettent par exemple de faire ressortir la part très conséquente que les traitements de DCP réalisés dans les administrations publiques et les traitements de santé prennent dans le corpus.

Mesure thématique des 120 classes du modèle

En revanche, l’identification de classes non–thématiques peut se révler plus intéressante pour des textes à l’écriture moins sèche. C’est par exemple le cas pour un corpus de texte de pétitions en ligne analysées dans le cadre du projet ANR APPEL où ces classes ont permis de faire ressortir les différents registres des pétitions (indignation, opposition, soutien, requête, lettre ouverte,…) et le cas échéant, de distinguer les pétitions qui n’y recourent pas et qui se cantonnent à décrire l’objet de la pétition.

Différentes mesures ont été proposées pour identifier les classes non–thématiques. La contribution en présente une (non–supervisée) mais d’autres existent. De même, la contribution ne présente que les résultats de la versions vanilla de la LDA. De multiples variantes et extensions ont été proposées depuis la publication de Blei, Ng et Jordan et permettent de faire ressortir d’autres aspects du corpus.


OpenEdition suggests that you cite this post as follows:
Thomas Soubiran (September 10, 2023). Quarante ans de délibérations de la Cɴɪʟ. NUMA. Retrieved July 17, 2024 from https://doi.org/10.58079/vew5


Leave a Reply

Your email address will not be published. Required fields are marked *

This site uses Akismet to reduce spam. Learn how your comment data is processed.

Search OpenEdition Search

You will be redirected to OpenEdition Search