Analyse de similitude
Visualiser les associations entre mots sous forme de graphe de cooccurrences.
L'analyse de similitude représente le corpus comme un réseau de mots reliés par leurs cooccurrences. Elle répond à :
Quels mots s'associent fréquemment, et comment s'organise la structure du vocabulaire ?
L'intuition
Si deux mots apparaissent souvent dans les mêmes segments, ils sont « similaires » au sens de l'usage. En reliant tous ces mots, on obtient un graphe : les nœuds sont les mots, les liens leur force d'association.
Construction du graphe
-
Cooccurrences — on compte, pour chaque paire de mots, le nombre de segments (UCE) où ils apparaissent ensemble.
-
Graphe pondéré — chaque mot devient un nœud ; chaque cooccurrence une arête dont l'épaisseur reflète la force du lien.
-
Filtrage (arbre maximal) — un graphe complet serait illisible. On conserve l'arbre couvrant maximum : la structure qui relie tous les mots en gardant uniquement les liens les plus forts.
-
Communautés — un algorithme détecte des groupes de mots fortement interconnectés (les communautés thématiques), distingués par couleur.
Lire le graphe
| Élément visuel | Signification |
|---|---|
| Taille du nœud | Fréquence du mot |
| Épaisseur du lien | Force de la cooccurrence |
| Couleur | Communauté (groupe de mots associés) |
| Centralité | Un mot très connecté est un pivot du discours |
Mots-pivots et ramifications
Les mots centraux (nombreux liens) organisent le discours. Les ramifications qui en partent révèlent les thèmes associés. On lit ainsi l'architecture du vocabulaire.
Différence avec la CHD
- La CHD sépare le corpus en classes disjointes (chaque segment appartient à une classe).
- La similitude montre un réseau continu d'associations, sans cloisonnement.
Les deux sont complémentaires : la CHD typologise, la similitude cartographie les liens.
Indice : cooccurrence ou Jaccard
POSAC propose deux façons de pondérer les liens :
- Cooccurrence brute — le nombre de segments où deux mots apparaissent ensemble. Favorise les mots fréquents.
- Jaccard — la cooccurrence normalisée :
cooc(a,b) / (freq_a + freq_b − cooc(a,b)). Corrige l'effet de fréquence et révèle des associations spécifiques entre mots moins fréquents.
Disposition et couleur
- Disposition : force (les nœuds se repoussent et s'organisent librement) ou cercle (nœuds disposés sur un anneau).
- Couleur : par défaut selon les communautés détectées, ou selon une variable — chaque forme prend alors la couleur de la modalité à laquelle elle est le plus associée.
Export GraphML
POSAC permet d'exporter le graphe au format GraphML, ouvrable dans Gephi ou Visone. Vous pouvez ainsi appliquer des algorithmes de spatialisation avancés, calculer des métriques de centralité, ou produire des figures pour publication.
Paramètres dans POSAC
- Nombre de formes : combien de mots afficher (les plus fréquents).
- Cooccurrence minimale : seuil en dessous duquel un lien est ignoré (réduit le bruit).
- Indice : cooccurrence ou Jaccard.
- Disposition : force ou cercle.
Un graphe trop dense devient illisible. Si le réseau est confus, réduisez le nombre de formes ou augmentez le seuil de cooccurrence pour ne garder que les associations robustes.