Résumé
La messagerie de groupe est devenue l’un des principaux lieux où les amitiés s’entretiennent et, sans le vouloir, se consignent. Cet article étudie une conversation de groupe privée, en français, qui couvre neuf ans et quelque 208 000 messages, et se demande si l’échange ordinaire (ce que l’on range d’habitude sous le nom de bavardage) porte la structure d’une mémoire collective. Trois approches computationnelles complémentaires sont combinées. La modélisation thématique neuronale (BERTopic) identifie les thèmes récurrents et retrace leur évolution ; un classifieur de sentiment multilingue fondé sur les transformeurs, adapté à la langue informelle des messageries, suit les variations de ton ; enfin, des réseaux de réactions orientés modélisent qui répond à qui et décrivent la structure interactionnelle du groupe. Lus ensemble, ces signaux offrent un récit longitudinal de la façon dont les références partagées d’une petite communauté émergent, perdurent et s’effacent.
Questions de recherche
- Quels thèmes structurent la conversation, et comment apparaissent-ils, reviennent-ils et disparaissent-ils en neuf ans ?
- Comment le ton émotionnel des échanges évolue-t-il, et varie-t-il selon les thèmes abordés ?
- Quelle structure interactionnelle émerge des réactions entre participants, et quelle est sa stabilité dans le temps ?
Données
Le corpus est l’export complet d’une conversation de groupe Messenger entre amis, couvrant neuf ans et environ 208 000 messages, rédigés pour l’essentiel en français familier. Les messages ont été ordonnés chronologiquement et découpés en périodes afin de comparer thèmes, ton et interactions dans le temps.
Confidentialité. Le corpus est privé et n’est pas diffusé. Cette page présente uniquement les questions de recherche et les méthodes : aucun message, nom de participant, extrait ou résultat individuel n’y est reproduit.
Méthodes
Modélisation thématique
Les messages sont représentés par un modèle transformeur puis regroupés avec BERTopic (Grootendorst, 2022), qui décrit chaque groupe par des termes TF-IDF par classe. La fréquence des thèmes est ensuite calculée par période pour suivre leur apparition, leur retour et leur déclin.
Analyse de sentiment
Chaque message est étiqueté négatif, neutre ou positif par un classifieur transformeur multilingue entraîné sur des textes de réseaux sociaux (Barbieri et al., 2022), retenu pour sa robustesse face aux abréviations, à l’argot et aux émojis propres aux messageries. Les scores sont agrégés par période et par thème.
Réseaux de réactions
Réactions et réponses sont modélisées par un graphe orienté et pondéré, où un arc de A vers B compte la fréquence à laquelle A répond à B. Des mesures classiques d’analyse de réseaux décrivent la centralité des participants et l’évolution de la structure du groupe d’une période à l’autre.
Portée
L’étude est une étude de cas longitudinale portant sur une seule petite communauté et ne prétend pas se généraliser à toutes les conversations de groupe. Son apport est méthodologique autant que descriptif : elle montre comment des outils éprouvés de TAL et d’analyse de réseaux peuvent se combiner pour lire une conversation informelle et durable comme la trace d’une mémoire partagée.
Références
Barbieri, F., Espinosa Anke, L., & Camacho-Collados, J. (2022). XLM-T: Multilingual language models in Twitter for sentiment analysis and beyond. Proceedings of the Thirteenth Language Resources and Evaluation Conference (LREC 2022), 258–266.
Grootendorst, M. (2022). BERTopic: Neural topic modeling with a class-based TF-IDF procedure. arXiv preprint arXiv:2203.05794.
Citer cet article
[NOM], T. ([ANNÉE]). Du bavardage à la mémoire collective. [SUPPORT DE PUBLICATION].
Le texte intégral n’est pas public. Pour toute question sur les méthodes, contactez-moi.