Solaris (1995) Grivel : Différence entre versions
imported>Jacques Ducloy |
imported>Jacques Ducloy |
||
(4 révisions intermédiaires par le même utilisateur non affichées) | |||
Ligne 1 : | Ligne 1 : | ||
+ | {{Portail INIST}} | ||
{{Titre page article | {{Titre page article | ||
|titre=Une station de travail pour classer, cartographier et analyser l'information bibliographique dans une perspective de veille scientifique et technique | |titre=Une station de travail pour classer, cartographier et analyser l'information bibliographique dans une perspective de veille scientifique et technique | ||
− | |||
− | |||
− | |||
− | |||
− | |||
}} | }} | ||
Cette page contient une réédition hypertexte d'un article de [[A pour premier auteur::Luc Grivel]] et [[A pour auteur::Claire François]], « [[A pour titre::Une station de travail pour classer, cartographier et analyser l'information bibliographique dans une perspective de veille scientifique et technique]] » publié dans la [[Est dans la revue::Solaris (revue)|revue Solaris]] en 1995. | Cette page contient une réédition hypertexte d'un article de [[A pour premier auteur::Luc Grivel]] et [[A pour auteur::Claire François]], « [[A pour titre::Une station de travail pour classer, cartographier et analyser l'information bibliographique dans une perspective de veille scientifique et technique]] » publié dans la [[Est dans la revue::Solaris (revue)|revue Solaris]] en 1995. | ||
Ligne 11 : | Ligne 7 : | ||
Le contenu et le style initial ont été respectés. La seule adaptation dans le corps de l'article concerne l'insertion de liens hypertextes. | Le contenu et le style initial ont été respectés. La seule adaptation dans le corps de l'article concerne l'insertion de liens hypertextes. | ||
− | {{ | + | {{Solaris début texte}} |
[[File:Solaris Btnacc.gif|link=Solaris (revue)]] | [[File:Solaris Btnacc.gif|link=Solaris (revue)]] | ||
[[File:Solaris Btncom.gif]] | [[File:Solaris Btncom.gif]] | ||
− | [[File:Solaris Btnsom.gif]] | + | [[File:Solaris Btnsom.gif|link=Solaris (1995) Dossier 2]] |
[[File:Solaris Btn.gif]]<br/><br/> | [[File:Solaris Btn.gif]]<br/><br/> | ||
<div style="font-size: 300%;line-height:120%;">Une station de travail pour classer, cartographier et analyser l'information bibliographique dans une perspective de veille scientifique et technique<br/><br/></div> | <div style="font-size: 300%;line-height:120%;">Une station de travail pour classer, cartographier et analyser l'information bibliographique dans une perspective de veille scientifique et technique<br/><br/></div> | ||
Ligne 21 : | Ligne 17 : | ||
{{Solaris hr}} | {{Solaris hr}} | ||
{{Solaris hr}} | {{Solaris hr}} | ||
− | {|style="background-color:#F3D968;" | + | {|style="background-color:#F3D968;" cellpadding="12" |
|- | |- | ||
|valign="top"|[[File:Solaris Sol2.gif]] | |valign="top"|[[File:Solaris Sol2.gif]] | ||
Ligne 605 : | Ligne 601 : | ||
[[File:Solaris Btnacc.gif|link=Solaris (revue)]] | [[File:Solaris Btnacc.gif|link=Solaris (revue)]] | ||
[[File:Solaris Btncom.gif]] | [[File:Solaris Btncom.gif]] | ||
− | [[File:Solaris Btnsom.gif]] | + | [[File:Solaris Btnsom.gif|link=Solaris (1995) Dossier 2]] |
[[File:Solaris Btn.gif]] | [[File:Solaris Btn.gif]] | ||
{{clr}} | {{clr}} |
Version actuelle datée du 16 juin 2020 à 11:51
Une station de travail pour classer, cartographier et analyser l'information bibliographique dans une perspective de veille scientifique et technique
Cette page contient une réédition hypertexte d'un article de Luc Grivel et Claire François, « Une station de travail pour classer, cartographier et analyser l'information bibliographique dans une perspective de veille scientifique et technique » publié dans la revue Solaris en 1995.
Le contenu et le style initial ont été respectés. La seule adaptation dans le corps de l'article concerne l'insertion de liens hypertextes.
Luc GRIVEL, Claire FRANÇOIS
Dans un contexte de veille scientifique, l'analyse infométrique de l'information scientifique et technique comprend non seulement une analyse de contenu à partir des mots-clés, résumés et titres mais aussi une analyse de ses acteurs, leurs relations, leurs moyens de communications (revues, rapports, congrès, ...), son actualité.
Dans cette perspective, nous présentons ici une station d'analyse de l'information scientifique et technique développée dans le cadre du programme de recherche en infométrie de l'INIST [1]/CNRS [2]. D'un point de vue fonctionnel, elle doit non seulement fournir tous les indicateurs numériques usuellement mis en oeuvre pour prendre la mesure de l'information bibliographique, mais également proposer des représentations du contenu de la production scientifique [3]. Elle automatise l'élaboration des distributions bibliométriques (statistiques unidimensionnelles sur les champs bibliographiques), et elle supporte deux méthodes permettant de construire des cartes thématiques : une méthode éprouvée, les mots associés [Callon et al 1983]), et une autre plus récente associant une technique de classification, les K-means axiales [Lelu 1990 et 1993] à une technique d'analyse factorielle courante : l'Analyse en Composantes Principales (ACP).
Notre objectif est de classer et représenter d'énormes quantités d'information bibliographique afin d'en extraire des synthèses élaborées utilisables pour effectuer une veille scientifique (données chiffrées caractérisant un ensemble de références bibliographiques, hypertextes thématiques, documents de synthèse tels que des cartes de l'information scientifique et technique).
La première partie de cet article décrit les méthodes mises en oeuvre pour représenter le contenu de l'information et montre leur spécificité et leur complémentarité. Nous y exposons également nos choix technologiques, puis nous décrivons l'objet technique réalisé : une chaîne de traitement infométrique sous Unix, basée sur la norme SGML.
La deuxième partie est consacrée à l'analyse des résultats. Nous abordons ici le problème de la qualification des résultats afin de limiter les risques d'erreurs lors de leur interprétation. L'analyse des distributions bibliométriques n'est qu'esquissée. Elle ne présente, à notre avis, pas de difficultés majeures, puisqu'il est possible de s'appuyer sur des lois qui décrivent leur comportement. Par contre, l'exploitation des résultats de méthodes d'analyse de données demande quelques précautions car il ne faut pas oublier qu'elles procèdent par réduction de données. Nous exposons donc une démarche d'analyse basée sur l'observation d'indicateurs permettant d'apprécier la qualité des résultats produits par notre station de travail. Pour illustrer cette démarche, nous utilisons les résultats du traitement d'un petit corpus [4] de références bibliographiques (quelques centaines de documents).
En conclusion, nous effectuons un bilan comparatif des deux méthodes et décrivons les évolutions futures de la station de travail.
-
- Les mots associés
- La méthode basée sur les K-means axiales et l'ACP
- Complémentarité des méthodes
-
- Une conception modulaire basée sur des standards
- Interface utilisateur : Scénarii d'analyse standard et mise en forme des résultats
-
- La préparation des données (phase 2)
- Des distributions bibliométriques (phase 3)
- L'analyse des données (phase 4)
- La mise en forme des résultats (phase 5)
Si les méthodes à mettre en oeuvre pour obtenir les distributions bibliométriques sont relativement bien standardisées et banalisées, il n'en est pas de même pour la représentation de l'IST. C'est pourquoi nous nous contenterons de développer ce deuxième aspect.
Les indicateurs que nous utilisons pour représenter le contenu de l'information sont les cartes thématiques. D'une manière générale, nous définissons une carte thématique comme étant une représentation de la topologie des relations entre des disciplines ou des thèmes de recherche, telle qu'elles sont matérialisées sous la forme de données bibliographiques. Pour construire ces cartes, notre choix s'est porté en priorité sur deux méthodes d'analyse de corpus documentaire déjà décrites dans la littérature : la méthode des mots associés implémentée par le logiciel SDOC, et une méthode associant les K-means axiales à une Analyse en Composantes Principales (ACP) implémentée par le logiciel NEURODOC.
Pour des raisons historiques, ces méthodes sont bien connues de notre programme de recherche. Nous bénéficions de l'expérience acquise par le SERPIA [5], département de R & D du CDST [6] avant la fondation de l'INIST. En effet, la méthode des mots associés est le fruit d'une collaboration entre le Centre de Sociologie de l'Innovation de l'Ecole des Mines de Paris et le CDST [Callon et al 1983]. Le logiciel développé à l'époque s'appelle LEXIMAPPE. Quant à la méthode basée sur les K-means axiales et l'ACP, elle a été mise au point par A. Lelu, alors qu'il était membre du SERPIA [Lelu 1990].
Ces deux méthodes utilisent les mots-clés qui indexent les références bibliographiques pour construire les structures thématiques "enfouies" dans les bases de données. Pour schématiser, elles trouvent les thèmes abordés et classent les documents selon ces thèmes. Ceux-ci sont ensuite disposés sur un espace à 2 dimensions : "carte thématique".
- Les mots associés [Callon et al. 1983, 1986, 1993] [Courtial 1990]
- Cette méthode considère les mots-clés comme des indicateurs de connaissance (contenu des documents indexés) et se base sur leurs cooccurrences pour mettre en évidence la structure de leurs relations (clusters [7]). L'idée de cooccurrence est essentielle. En effet, si on considère que deux documents sont proches parce qu'ils sont indexés par des mots-clés similaires, alors deux mots-clés figurant ensemble dans un grand nombre de documents seront considérés comme proches. Cependant, la cooccurrence ne permet pas à elle seule de mesurer la force des associations entre mots-clés (leur proximité), car elle avantage les mots-clés de haute fréquence par rapport à ceux de basse fréquence. L'emploi d'un indice statistique approprié permet de normaliser la mesure de l'association entre deux mots-clés. En pratique, nous utilisons le plus souvent l'indice d'Équivalence dont les valeurs varient entre 0 et 1 : Eij = Cij2 / (Ci * Cj) ; où Cij est le nombre de cooccurrences des mots-clés i et j, Ci la fréquence du mot-clé i, Cj la fréquence du mot-clé j.
- A partir des mesures de proximité entre les mots, un algorithme de classification hiérarchique construit des groupes de mots proches les uns des autres (clusters) n'excédant pas une taille maximale (nombre de mots) fixée par l'utilisateur. Ainsi la figure 1 montre deux clusters C1 et C2 contenant respectivement : les mots-clés A, B, C, D, E d'une part ; F, G, H, I d'autre part. Un cluster est donc constitué de mots associés les uns aux autres (associations internes). Les clusters peuvent avoir des relations entre eux. Ceci se produit lorsqu'il existe une association entre 2 mots-clés appartenant à 2 clusters différents (association externe) et que la taille du nouveau cluster qui aurait résulté de la réunion de ces 2 clusters dépasse la taille maximum définie par l'utilisateur. Ainsi C1 et C2 sont reliés par une association externe entre C et F car la taille des clusters ne peut excéder un maximum de cinq mots dans l'exemple présenté.
Après le processus de classification des mots-clés, les documents sont affectés aux clusters de la manière suivante : un document est associé à un cluster, si dans sa liste de mots-clés, il existe au moins un couple de mots-clés qui pourrait constituer une association interne ou externe du cluster.
La classification est principalement paramétrée par le nombre maximal de mots pouvant constituer un cluster. C'est une variante de la procédure statistique habituelle qui consisterait à utiliser un seuil fixe (une "distance limite" à partir de laquelle aucune agrégation n'est plus effectuée). C'est un moyen pratique pour moduler la coupure dans l'arbre de classification (dendrogramme). En conséquence du critère de taille maximale, les classes résultantes sont très hétérogènes en densité. La première classe obtenue sera constituée des mots-clés les plus fortement liés alors que la dernière sera très lâche, restituant en cela la structure du réseau d'associations. On peut également limiter le nombre d'associations intra ou inter-clusters dans un souci de lisibilité. Les autres paramètres de la méthode se situent en amont de la classification (filtrages au niveau du vocabulaire d'indexation : fréquence des mots-clés, cooccurrence, ...), ou en aval (filtrage des clusters par le nombre de mots ou de documents qu'ils comportent, ...).
Cartographie
Des indicateurs structurels sont ensuite calculés. Ce sont la densité (valeur moyenne des associations entre mots-clés formant un cluster ou associations internes) et la centralité (valeur moyenne des associations entre les mots qui le constituent et les mots d'autres clusters ou associations externes). Ces valeurs sont ensuite utilisées pour positionner les clusters sur une carte. On peut ainsi repérer les thèmes (ou clusters) les mieux structurés du point de vue de leur densité (ou cohésion), les mieux rattachés au réseau (centralité). Sur une telle carte, la proximité entre deux thèmes indique qu'ils sont structurellement proches, mais leur contenu sémantique ne sont généralement pas voisins. Les auteurs de la méthode des mots associés appellent ce type de carte "diagramme stratégique" [Callon et al.1993, p. 86]. Ils l'utilisent pour évaluer l'intérêt stratégique des thèmes. Leur objectif est avant tout sociologique : étude des dimensions sociales et organisationnelles de la science [Courtial 90], [Turner 94]. Nous utilisons la même méthode de construction de cartes avec un autre objectif : permettre à un utilisateur d'appréhender globalement et localement le contenu d'un corpus bibliographique. Ainsi la figure 6 présentée dans la deuxième partie est un exemple de carte affichant les relations qu'un thème entretient avec d'autres thèmes, dans le domaine des systèmes experts et intelligence artificielle.
- La méthode basée sur les K-means axiales et l'ACP [Lelu 1990, 1993]
Cette méthode considère l'ensemble des références bibliographiques comme un nuage de points plongé dans un espace géométrique où chaque dimension correspond à un mot-clé. Elle est caractérisée par une représentation des classes par des vecteurs pointant vers les zones de forte densité du nuage.
La figure 2 montre l'exemple d'un corpus de documents indexés par les 3 mots-clés x1, x2, et x3. Ces mots-clés définissent l'espace R3, un document i indexé par les mots-clés x1 et x2 aura les coordonnées suivantes : (1, 1, 0)
dans un espace géométrique R 3.
Tandis que les techniques de classification non hiérarchiques usuelles représentent les K classes recherchées par leur centre de gravité, les K-means axiales définissent les K classes recherchées par K demi-axes passant par l'origine de l'espace géométrique, ou K vecteurs unitaires pointant dans la direction de ces demi-axes. La position des K demi-axes est initialisée au hasard ou par les K premiers documents. Nous calculons ensuite les projections orthogonales yi(k) de chaque document i normé sur les K demi-axes ainsi définis (figure 3), en effectuant les produits scalaires entre le document i normé et les vecteurs unitaires des K demi-axes. Chaque document est affecté à la classe k où sa projection y(k) sur l'axe 0Ak est maximale et la position de l'axe est mise à jour [8] pour prendre en compte cette affectation. Par itérations successives, les axes se positionnent puis se stabilisent dans les zones de forte densité du nuage de documents, effectuant ainsi une classification stricte des documents. Pour obtenir des classes recouvrantes, nous définissons ensuite un "seuil de typicité" : un document appartient à la classe si sa valeur de projection sur l'axe représentant la classe est supérieure au seuil. Un document peut donc appartenir à plusieurs classes si ses valeurs de projection sur les axes correspondants sont supérieures au seuil.
Sur la figure 3 :
- le document i présente une projection sur l'axe Ak (yi(k)) supérieure au seuil, tandis que sa projection sur l'axe Ak' (yi(k')) est inférieure au seuil. Le document i appartient donc à la seule classe k.
- le document ii présente des projections sur les axes Ak et Ak' supérieures au seuil, le document ii appartient donc aux deux classes k et k'.
Sur la figure 3, nous observons également que la projection du document ii sur l'axe Ak (yii(k)) est supérieure à celle du document i (yi(k)). Nous pouvons donc ordonner les documents appartenant à une classe selon la valeur de leur projection sur l'axe représentant la classe. Cet ordre correspond à un ordre de "typicité" décroissant des documents par rapport au type idéal de la classe qui est un document fictif positionné exactement sur l'axe de la classe dans l'espace géométrique.
En utilisant les valeurs des composantes du vecteur unitaire des classes, nous pouvons définir de la même façon une partition des mots-clés du corpus documentaire. Comme pour les documents, la partition ainsi établie admet des classes recouvrantes, un mot-clé peut appartenir à plusieurs classes, et les mots-clés sont ordonnés selon un ordre de "typicité" décroissant par rapport au type idéal de la classe. La pondération utilisée pour calculer la valeur de "typicité" permet de faire ressortir les mots-clés spécifiques (ou typiques) de la classe, c'est-à-dire fréquents dans cette classe et rares dans l'ensemble des documents.
Cet algorithme, paramétré par le nombre maximal de classes désiré et le seuil des coordonnées des documents et des mots-clés sur les axes, permet donc de construire des classes d'un type particulier :
- ces classes sont recouvrantes car un document ou un mot-clé peut appartenir à plusieurs classes à la fois ;
- les éléments, documents et mots-clés de chaque classe, sont ordonnés selon un degré de ressemblance au type idéal de la classe.
Cartographie par Analyse en Composantes Principales
Une classe de documents correspond à un thème, sous-ensemble homogène de l'information contenue dans le corpus documentaire étudié. Une Analyse en Composantes Principales de l'ensemble des classes dans l'espace géométrique permet de déterminer un plan déformant le moins possible le nuage de points de ces classes. Tous les points de ce nuage sont ensuite projetés sur ce plan, constituant ainsi la carte globale des thèmes. Sur cette carte, deux thèmes éloignés représentent des classes dissemblables quant aux mots-clés les définissant. Sur de telles cartes, on peut repérer en particulier des thèmes "exceptionnels", ou des sous-groupes de thèmes.
Complémentarité des méthodes A. Lelu a démontré que les 2 méthodes sont symétriques l'une de l'autre [page 93, Lelu 93].
- Les K-means axiales effectuent une classification des documents, en utilisant comme indice de similarité entre documents et classes, le produit scalaire entre les vecteurs documents normés et les vecteurs classes normés [page 72, Lelu 93].
- L'algorithme de classification utilisé par les Mots Associés travaille dans l'espace dual de celui présenté dans la méthode des K-means axiales. Dans cet espace, la cooccurrence entre 2 vecteurs mots-clés I et J correspond au produit scalaire entre I et J. L'indice de similarité utilisé Eij = Cij2 / (Ci * Cj) = (Cij / radical(Ci * Cj))2 correspond, au carré près, à une normalisation de la cooccurrence, c'est-à-dire au produit scalaire de I et J normés [page 93, Lelu 93].
En résumé, les K-means Axiales effectuent une classification des lignes dans un tableau documents x descripteurs, tandis que les Mots Associés effectuent une classification des colonnes de ce même tableau, en utilisant le même indice de similarité [9].
Or, dans nos applications, les tableaux de données sont très creux et peuvent se segmenter le plus souvent en blocs de lignes et de colonnes quasi-indépendants les uns des autres. Dans ce cas limite, la classification sur les lignes et la classification sur les colonnes aboutissent à détecter les mêmes blocs dans le tableau.
En effet, dans nos expérimentations, nous n'avons pas relevé de contradictions entre les résultats des deux méthodes sur un même fichier de données. En les paramétrant de façon à obtenir un nombre identique de classes à partir d'un même fichier de données, il est courant d'observer entre 60 et 80 % de classes similaires. Les deux méthodes détectent sensiblement les mêmes blocs. Leur emploi sur un même fichier permet donc d'obtenir des représentations différentes des classes que nous récapitulons ici :
- Les classes de mots-clés des Mots associés sont structurées par des associations internes et externes. Pour les différencier des demi-axes représentant les classes de mots-clés non structurées et recouvrantes des K-means axiales, nous les appelons clusters. Les clusters sont disjoints, mais on peut considérer que la notion d'association externe adoucit cette classification stricte, de la même manière que la notion de seuil permet d'adoucir la classification des documents par les K-means axiales. Les clusters de mots-clés sont relativement faciles à interpréter, car la notion de cooccurrence est intuitivement compréhensible par tout un chacun. Dans les deux cas, les classes de documents sont recouvrantes. Les classes de documents, obtenues par les K-means axiales sont en général explicites car triées par valeur de projection des documents sur les axes.
- Les cartes des Mots associés, construites à partir des mesures de centralité et de cohésion des clusters, fournissent une représentation synthétique de la morphologie du réseau. Si ces cartes permettent de comparer les clusters d'un point de vue structurel, elles ne rendent pas compte des proximités entre thèmes comme les cartes par ACP de NEURODOC ou comme pourrait le faire une carte obtenue par "bi-dimensionnal scaling" (coword maps [Peters et Van Raan 93]). C'est pourquoi figurent sur les cartes de SDOC les relations entre thèmes mises en évidence par les associations externes. Les cartes par ACP de NEURODOC, où la distance entre thèmes a un sens d'un point de vue sémantique, sont intuitivement plus lisibles mais nécessitent une certaine expérience pour leur interprétation. En effet, il faut garder à l'esprit que les thèmes les mieux représentés se situent aux extrémités des axes horizontaux et verticaux, ainsi il est possible de dégager des oppositions entre thèmes et par là les grandes lignes d'organisation de ces derniers.
Nos choix ont visé :
- d'une part, à maîtriser la diversité des méthodes à mettre en oeuvre et des formats bibliographiques existants, ainsi que les volumes d'information à traiter ;
- d'autre part, à fournir à l'utilisateur une interface conviviale pour traiter l'information, visualiser et analyser les résultats.
Pour atteindre le premier objectif, nous avons utilisé les techniques du Génie Logiciel : modularité par décomposition en programmes indépendants, adoption de standards. La station de travail a été conçue comme un outil modulaire doté d'un ensemble de fonctionnalités qui peuvent être mises en oeuvre selon les besoins de l'analyse.
Pour atteindre le deuxième objectif, nous avons estimé qu'il fallait avant tout banaliser et standardiser le processus de traitement de l'information en l'automatisant.
1.Une conception modulaire basée sur des standards
La nature textuelle des données à analyser, la diversité de leur structure, le nombre de champs différents à traiter pour mener à bien une étude infométrique, nous ont amenés à adopter la norme SGML [10] pour la description de la structure logique de tous les documents manipulés par les outils de la station. Les avantages immédiats de ce choix sont : distinction nette entre contenant et contenu, codage unique des caractères accentués, règles de balisage, existence d'outils sur le marché, ...
A titre d'exemple, une notice bibliographique provenant d'un serveur ou d'un CD-Rom se présente généralement comme suit :
- NO : 90-0128293
- TI : Construction automatique de liens hypertextes
- AU : FLUHR (C.)
- FD : Representation connaissances;Lien, Hypertexte; ...
- ...
La structure logique d'une telle information est très simple : une suite de champs repérés par un identifieur. Il est alors facile de définir les règles lexicales qui permettent d'identifier le début, la fin d'une notice, le début ou la fin d'un champ à l'intérieur de la notice de manière à la transformer en document SGML.
En SGML, chaque élément structurel est repéré par une balise de début : <identifieur de l'élément> et une balise de fin : </identifieur de l'élément>. La notice ci-dessus peut d'écrire en format SGML :
- <record>
- <NO>90-0128293</NO>
- <TI>Construction automatique de liens hypertextes</TI>
- <AU>FLUHR (C.)</AU>
- <FD>Representation connaissances;Lien;Hypertexte;...</FD>
- ...
- </record>
Une fois que toutes les données sont décrites dans ce format pivot, il est plus facile de concevoir des outils génériques utilisant les propriétés du balisage SGML. La plupart des traitements sur de tels documents se réduisent à associer des actions à un élément de la grammaire et, dans bien des cas, travailler au niveau lexicographique suffit. Ces caractéristiques nous ont conduits à développer une boîte à outils (appelée ILIB) basée sur SGML et sur UNIX [Ducloy et al 1991]. En effet des programmes générés par Lex et des outils UNIX tels que Awk sont bien adaptés pour extraire de l'information "à la volée" sur un flot de données structurées, puis la traiter.
La station de travail est ainsi constituée de modules indépendants de traitement de l'information qui communiquent entre eux par flot de données en s'appuyant sur le mécanisme de pipe d'UNIX. En collaboration avec H. Millerand] et J. Kasprzak du service étude de la direction informatique INIST, nous avons effectué des tests d'applications de SDOC et NEURODOC sur de gros volumes de données (transcripts dans le guide technique de SDOC et NEURODOC). A titre d'exemple, le traitement de 16 000 références bibliographiques par l'un ou l'autre des outils prend environ dix heures sur une machine déjà ancienne, Sun Sparc 1, avec 16 Mo de mémoire vive. Il faut noter que ce n'est pas la phase de classification elle-même qui est longue, mais la phase de documentation des classes (libellés des mots-clés, titres, sources, auteurs, ...) ; celle-ci prend plus de la moitié du temps d'exécution. Elle sera optimisée ultérieurement.
2.Interface utilisateur : Scénarii d'analyse standard et mise en forme des résultats
Dans le souci de faciliter l'utilisation de cette station de travail, nous avons défini des scénarii d'analyse standards. Ces derniers sont matérialisés par des "fichiers de paramètres standards" où sont définis les paramètres de l'analyse (directement dépendants de la méthode choisie) et les différentes éditions ou mises en forme de résultats souhaitées. L'utilisateur peut donc éditer un fichier de paramètres standard, le modifier, l'enregistrer sous un autre nom, puis demander l'exécution de telle ou telle phase de traitement à partir du nouveau fichier de paramètres.
Nous avons apporté un soin particulier à la mise en forme des résultats avec comme objectif d'obtenir des représentations lisibles et combinables favorisant l'intuition et les rapprochements d'idées. Pour cela, nous nous sommes appuyés sur trois techniques :
- le transfert des résultats vers des applicatifs spécialisés (tableurs, éditeurs, ...). Exemples tableaux 1 et 2,
- les langages de composition (code interprété par un logiciel ou une imprimante) tels que PostScript, nroff, troff et LaTex [11] pour les éditions de documents que nous avons désirés automatiser complètement,
- l'hypertexte [12] pour la navigation dans l'espace documentaire constitué des cartes thématiques, classes de mots-clés et de documents, liste d'auteurs, ...). [Grivel et Lamirel 1993], [Lelu et François 1992]. Exemples : figures 5, 6, 7, 8.
[Polanco et al. 1993a]
La figure 4 présente le déroulement général d'une application scientométrique.
Le schéma de traitement proposé comprend 6 phases successives :
- 1.acquisition des données à analyser,
- 2.préparation des données,
- 3.distributions bibliométriques,
- 4.analyse des données,
- 5.mise en forme des résultats,
- 6.analyse scientométrique des résultats.
Les phases 2 à 5 sont automatisées et seront décrites dans ce paragraphe. La phase d'acquisition des données (1) est manuelle et dépend des données à étudier; elle ne sera pas détaillée ici. L' analyse scientométrique des résultats (phase 6) est manuelle; elle est traitée dans la deuxième partie de l'article.
- La préparation des données (phase 2) :
Cette phase permet de normaliser la collection de documents (reformatage) et de générer les données nécessaires aux phases 3 et 4, à savoir :
- des index qui permettent de repérer pour chaque forme [13], tous les endroits du corpus où elle est utilisée. Par exemple, un index des mots-clés associe à chaque mot-clé la liste des numéros des documents qu'il indexe.
Cette phase est paramétrée par le nom des champs bibliographiques pour lesquels la création d'index est effectuée ainsi que par les séparateurs de forme. Les index sont également des documents SGML.
- Des distributions bibliométriques (phase 3) :
Cette phase a pour objectif d'établir les distributions des champs à étudier. Outre des informations de nature quantitative sur les données, elle fournit des indicateurs utilisés pour le paramétrage de la classification. Elle est également paramétrée par le nom des champs sur lesquels les comptages sont effectués
- L'analyse des données (phase 4) :
Cette phase permet la création des classes de mots-clés et de documents en format SGML. Elle est indépendante du format initial des documents, car elle prend en entrée les données normalisées obtenues par la phase 2.
Deux logiciels sont disponibles à ce jour :
- le logiciel SDOC (implémentation de la méthode des mots associés),
- le logiciel NEURODOC (implémentation des K-means axiales et d'une Analyse en Composantes Principales).
Les traitements de SDOC s'effectuent en 4 étapes : 1) calcul des cooccurrences de mots-clés et mesure de la force d'association des paires de mots-clés, 2) classification : regroupement des mots-clés en clusters, 3) calcul des coordonnées géographiques des clusters, 4) affectation aux clusters des documents et des informations relatives à ceux-ci (titre, auteurs, sources).
Les traitements de NEURODOC s'effectuent en 3 étapes : 1) calcul des classes de mots-clés et de documents par la méthode des K-means axiales, 2) calcul des coordonnées géographiques des classes sur un plan par une Analyse en Composantes Principales, 3) documentation des classes, c'est-à-dire addition du libellé des mots-clés, du titre des documents, des auteurs et des sources associés.
- La mise en forme des résultats (phase 5)
Cette phase permet à l'utilisateur de visualiser les résultats des phases 3 et 4. Les représentations générées sont les instruments de travail de l'analyse scientométrique (phase 6).
- 3.1 - Exploitation des distributions bibliométriques
- 3.2 - Exploitation des résultats des méthodes d'analyse de données
- 3.2.1 - Analyse des résultats fournis par SDOC
- a.Anatomie des clusters
- 2.Interprétation de la partition obtenue
- 3.2.2 - Analyse des résultats fournis par NEURODOC
- a.Anatomie des classes obtenues
- 2.Interprétation de la partition obtenue
- 3.Cartographie
- 3.2.3 - Comparaison des cartes obtenues avec SDOC ou NEURODOC dans l'exemple proposé
- 3.2.4 - Conduite d'une analyse avec SDOC ou NEURODOC
A partir des différentes distributions, plusieurs types d'observations peuvent être effectuées. Pour un domaine donné, on peut ainsi quantifier sa magnitude (nombre d'articles, nombre de revues), son actualité (selon la date de publication), sa localisation (selon le pays d'édition des revues scientifiques), l'importance des périodiques scientifiques (selon le nombre d'articles dont ils sont la source au cours d'une période déterminée), la localisation des auteurs (selon leur appartenance institutionnelle) et son vocabulaire d'indexation.
Tous ces éléments seront également utilisés pour orienter une analyse approfondie d'un domaine particulier. Ils permettront de définir un corpus de références bibliographiques homogène et pertinent, sur lequel les méthodes d'analyse des données peuvent être appliquées. Par exemple, on peut utiliser la loi de Bradford pour focaliser son attention sur les revues les plus "productives" en termes d'articles recueillis dans le corpus, ainsi que la loi de Zipf pour déterminer le vocabulaire d'indexation pertinent pour l'analyse. Cette loi nous permet de séparer le vocabulaire d'indexation en trois groupes :
- un ensemble restreint de mots-clés de fréquence élevée mais trop généraux (information triviale) ;
- un ensemble de mots-clés de fréquence plus faible mais riches en information ;
- un ensemble très important de mots-clés de fréquence très faible (1 ou 2), difficile à exploiter d'un point de vue statistique et générateur de bruit (information marginale).
C'est donc le second ensemble de mots-clés qui fournit l'information la plus intéressante et qui est traité par les méthodes d'analyse de données.
Pour chaque méthode, nous décrirons la structure des classes obtenues, puis le protocole d'interprétation des classes et cartes. Celui-ci est basé sur l'observation d'indicateurs générés automatiquement permettant d'apprécier la qualité de la classification obtenue d'un point de vue global puis local à chaque classe. Nous suivrons un plan rigoureusement parallèle pour permettre une comparaison entre les deux méthodes. Nous utiliserons les résultats du traitement d'un corpus de références extraites de la base PASCAL, au début de l'année 1990, dans le domaine des Sciences de l'ingénieur : "Intelligence Artificielle : systèmes experts". Ce corpus comprend 316 références, il est indexé par 955 mots-clés dont 665 de fréquence 1 (soit 70% du vocabulaire d'indexation).
La première étape des deux analyses présentées ci-dessous a consisté en une sélection du vocabulaire d'indexation en se basant sur la loi de Zipf :
- suppression des 4 mots-clés les plus fréquents : Intelligence artificielle, Système expert, Base de connaissance et Représentation des connaissances;
- suppression des mots-clés de fréquence 1.
3.2.1 - Analyse des résultats fournis par SDOC
Le résultat de la classification est une partition des mots-clés en classes structurées mais disjointes (clusters), même si les clusters peuvent entretenir des relations avec d'autres clusters. Un cluster représente un thème trouvé dans un ensemble de documents.
- a.Anatomie des clusters
- La figure 5 décrit l'un des 21 clusters obtenus par SDOC sur ce corpus en limitant la taille des clusters à 10 mots et en fixant une cooccurrence minimale des mots-clés à 2.
- Un cluster est composé de :
- une liste de mots-clés,
- une liste d'associations internes,
- une liste d'associations externes,
- une étiquette,
- une liste de documents affectés après la classification.
- La liste de mots-clés regroupe des mots qui sont proches les uns des autres. Nous distinguons les mots-clés internes (qui apparaissent dans les associations internes) des mots-clés externes (qui apparaissent seulement dans les associations externes car ils ont été rejetés de ce cluster à cause du critère de taille maximal des clusters). Ainsi, sur la figure, les mots-clés figurant dans les associations internes constituent les mots-clés internes du cluster Recherche documentaire et les mots-clés situés à droite dans les associations externes constituent les mots-clés externes du cluster. Par exemple Interface dans Recherche documentaire - Interface sera l'un de ses mots-clés externes. Les mots-clés sont triés selon leur nombre d'apparitions dans les associations internes et externes du cluster.
- La liste d'associations internes décrit la force des associations des mots qui définissent la structure interne des clusters. Par exemple, l'association Analyse sémantique - Analyse syntaxique du cluster Recherche documentaire a un poids de 0.27. Plus la valeur de l'association est forte, plus les mots sont fortement associés.
- La liste d'associations externes décrit les associations existantes entre les mots d'un cluster et les mots d'autres clusters. Dans l'exemple de la figure 5, l'association Recherche documentaire - Interface relie les clusters Recherche documentaire et Langage naturel. Le nombre d'associations externes peut être limité aux N plus fortes. Dans ce cas, les associations externes ne sont pas nécessairement bi-directionnelles. Dans le cas présent, nous l'avons limité aux 10 plus fortes.
- &Étiquetage des clusters : le choix d'un terme représentatif pour nommer le cluster est basé sur une heuristique. Nous choisissons le terme de la liste des mots-clés internes qui apparaît le plus grand nombre de fois dans les associations internes et externes. Par exemple, le programme SDOC proposera le mot-clé Recherche documentaire pour désigner le cluster de la figure 5. Le nom proposé est satisfaisant dans plus de 90% des cas.
- La liste des documents affectés à un cluster : elle est obtenue après exécution de la classification. C'est la liste des documents qui ont contribué à la formation de ce cluster par la présence dans leur indexation de couples de mots-clés qui pourraient constituer une association interne ou externe du cluster. Un document peut donc figurer dans plusieurs clusters. Un document ne figurant que dans un seul cluster est appelé document propre au cluster. Les documents sont triés selon l'importance de leur contribution à l'élaboration du cluster. A partir des documents sont extraits le titre, les auteurs et la source pour compléter la description du cluster.
- 2.Interprétation de la partition obtenue
- Qualité de la partition
- Des indicateurs globaux permettent d'apprécier la validité du paramétrage et caractérisent la partition.
- Le nombre de documents et de mots-clés classés permet de mesurer la "réduction" des données, c'est-à-dire la part d'information contenue dans le corpus étudié mais perdue dans la partition obtenue ; dans notre exemple nous avons conservé 199 documents dans les classes (environ 2/3 de l'information bibliographique initiale), et 149 mots-clés (15% du vocabulaire d'indexation initial). Ce résultat plutôt faible concernant le pourcentage d'information bibliographique présent de la partition s'explique par le fait que le seuil de cooccurrence choisi (2) élimine 88 documents sur 316 et 757 mots-clés sur 955. La classification elle-même a peu d'influence concernant la perte d'informations. En général, on cherche à obtenir 80 % des documents avec environ 20% des mots-clés.
- Le nombre d'occurrence de documents dans les clusters (dans notre cas 321) doit être examiné à la lumière de la distribution des documents dans les clusters. Celle-ci a un comportement analogue à la loi de Zipf. 53% des documents classés ne sont présents que dans un seul cluster, 30% dans deux clusters, 10 % dans 3 clusters, etc. Ces chiffres permettent d'évaluer le niveau d'inclusion mutuelle ou recouvrement des ensembles de documents associés aux clusters. Ce taux de recouvrement des classes de documents est en partie maîtrisable par l'utilisateur en limitant le nombre d'associations externes aux N plus fortes.
- Caractéristiques des clusters
- Un tableau résumant les caractéristiques structurelles des clusters permet de les catégoriser et d'apprécier la répartition des documents dans les clusters.
- Tableau 1-- Exemple de tableau des caractéristiques des clusters.
- [1] : Seuil de saturation,
- [2] : Densité,
- [3] : Centralité,
- [4] : Nombre de mots-clés internes,
- [5] : Nombre de mots-clés externes,
- [6] : Nombre d'associations internes,
- [7] : Nombre d'associations externes avec d'autres clusters,
- [8] : Nombre de citations du cluster par d'autres clusters,
- [9] : Nombre de documents définissant le cluster,
- [10] : Nombre de documents propres au cluster.
- Le seuil de saturation d'un cluster [1] est la valeur de la dernière association interne ajoutée avant sa saturation, c'est-à-dire lorsqu'il ne peut plus grandir en taille. Trier le tableau selon cette valeur permet de connaître l'ordre dans lequel les clusters se sont figés. Ainsi, le cluster Langage naturel s'est stabilisé après le cluster Recherche documentaire.
- La densité [2] d'un cluster est la moyenne des associations internes du cluster. C'est un indicateur de sa cohésion, son homogénéité. L'examen de sa taille [4] et de son nombre d'associations internes [6] permet d'avoir une idée plus précise de cette cohésion. La densité de Recherche documentaire est presque similaire à celle de Langage naturel, mais le rapport "nombre de mots qui le constituent" sur "le nombre de connections entre ces mots" est plus faible, indiquant une connectivité plus importante. On peut dire que Recherche documentaire a une cohésion plus forte que Langage naturel. La somme des valeurs de [4] donne le nombre de mots-clés gardés dans les clusters.
- La centralité d'un cluster [3] est la valeur moyenne des associations externes. Le nombre de citation [8] d'un cluster indique le nombre de fois qu'un cluster est cité par les autres clusters via leurs associations externes. On considère que les colonnes [3], [5], [7] and [8] caractérisent les associations externes d'un cluster et permettent d'apprécier son rattachement au réseau. Ainsi les 2 clusters Recherche documentaire et Langage naturel ont de nombreux liens avec les autres clusters du réseau, tandis que Revêtement métallique est particulièrement isolé. Le cas de Industrie bâtiment est un petit peu plus complexe, car il n'a pas d'associations externes, mais il est cité 11 fois. La navigation hypertexte permet de lever immédiatement ce mystère en facilitant l'accès à la description des clusters. En fait, il existe un thème nommé Conception assistée traitant des applications de l'IA dans l'industrie naval qui fait neuf fois référence à Industrie bâtiment à travers le terme Conception assistée. On a donc en réalité deux thèmes autonomes : Industrie bâtiment et un thème qu'on peut appeler Industrie naval, aux vocabulaires très spécifiques reliés par un terme plus générique de fréquence plus élevée Conception assistée. Le tri du tableau complet des clusters par centralité permet de situer la force de ces liens qui dans le cas présent était relativement élevée pour Recherche documentaire (dans le premier tiers d'un tableau de 21 clusters).
- Les colonnes [9] et [10] permettent d'apprécier la répartition des documents dans les clusters. Comme un document peut appartenir à plusieurs clusters, le nombre total de documents classés dans un cluster donné [9] est distinct du nombre de documents propres au cluster [10]. Aussi la somme des valeurs de la colonne [9] donne le nombre d'occurrences de documents dans les clusters. La somme des valeurs de la colonne [10] donne le nombre de documents qui ne figurent que dans un seul cluster. Le rapport des colonnes [9] et [10] donne le pourcentage de documents propres à un cluster.
- Nous utilisons une catégorisation des clusters décrite dans [Courtial 1990, page 100] pour définir un plan de lecture des clusters. Un cluster est dit principal si son seuil de saturation [1] est plus élevé que celui de ces clusters associés ou clusters externes. L'intensité de ses associations externes [3] est généralement inférieure à son seuil de saturation. Les clusters associés sont appelés clusters secondaires. Ils sont l'extension naturelle du cluster principal. Ainsi Recherche documentaire est un exemple de cluster principal avec comme cluster secondaire associé Langage naturel qui par ailleurs joue un rôle de cluster principal vis-à-vis de processus acquisition. Par cette méthode de lecture, le découpage en classes de tailles fixes ne change pas les résultats que l'on cherche à mettre en évidence.
- Dans une lecture des clusters en vue d'une analyse, nous privilégions les clusters principaux entretenant de nombreuses relations avec d'autres clusters, en vue d'appréhender le plus rapidement possible les principaux noeuds thématiques du réseau.
- Pour établir ce plan de lecture, le tableau des caractéristiques des clusters ne suffit pas. Il faut également utiliser la description complète des clusters, en particulier étudier précisément leurs associations externes pour les situer les uns par rapport aux autres, comme on l'a vu par exemple dans le cas du cluster Industrie Bâtiment.
- c.Cartographie
Les cartes fournissent une synthèse visuelle de deux paramètres du tableau précédent : la densité et la centralité.
Nous utilisons ce mode de représentation pour obtenir une carte par cluster, avec visualisation de ses relations s'il possède des associations externes. Pour éviter le recouvrement des clusters ayant des coordonnées voisines, on peut redéfinir ces coordonnées en les classant selon leur rang. C'est la technique que nous avons employé pour la figure 6.
- interprétation des cartes
- Nous resterons dans notre lecture de la carte au niveau d'une explication des résultats à partir du corpus étudié et de son vocabulaire d'indexation, sans faire d'interprétation sur l'intérêt stratégique des thèmes, type d'interprétation qui n'est pas de notre compétence. Puis nous montrerons que la visualisation des noms des clusters et la mise en évidence graphique des relations existant entre clusters peut permettre à un utilisateur de focaliser son attention sur un thème particulier et d'examiner des sous-réseaux du réseau global.
- Dans l'exemple de la figure 6, on peut relever que les clusters Revêtement métallique et Industrie bâtiment sont a priori isolés par rapport au corpus (forte densité, faible centralité), ce qui est confirmé par le nombre et l'examen des documents associés. Les thèmes à forte densité se situent dans la partie haute de la carte. Ce sont ici des applications de l'intelligence artificielle (revêtement métallique, industrie bâtiment, systèmes experts pour la résolution d'équation à dérivées partielles, domaine documentaire, ...). Les documents en question ont une indexation très spécifique pour décrire le domaine d'application. Les thèmes situés au bas de la carte ont une cohésion plus lâche. Ils correspondent ici en général à des thèmes plus théoriques de l'intelligence artificielle (raisonnement, modélisation, apprentissage, etc.). Ils sont constitués de mots à fréquence élevée et regroupent des ensembles de documents plus importants que les précédents.
- Si on se focalise sur un thème particulier, comme ici Recherche documentaire, on peut examiner son réseau local. Étant donné le corpus étudié, il n'est pas surprenant de trouver de grands types d'application de l'IA à l'informatique documentaire tels que les interfaces évoluées (hypertexte), les systèmes d'analyse linguistique (langage naturel), les systèmes experts fondés sur une représentation conceptuelle de documents (un sous-thème présent dans le cluster modélisation). La liaison avec Conception assistée exprime une relation plus générale entre les mots-clés "traitement automatisé" et "Conception assistée" sans qu'il y ait de rapports directs avec la recherche documentaire. En effet le cluster "Conception assistée" traite en fait d'applications de l'IA dans la construction navale. La navigation hypertexte permet de suivre les associations intéressantes et les cartes sont d'un grand secours pour éviter de se perdre au cours de la consultation.
3.2.2 - Analyse des résultats fournis par NEURODOC
Le résultat de la classification est une partition des mots-clés et des documents en classes recouvrantes. Une classe ainsi définie correspond à un thème, sous-ensemble homogène de l'information contenue dans le corpus documentaire étudié.
- a. Anatomie des classes obtenues
- La figure 7 montre l'exemple de la classe ou du thème "Hypertexte" tel qu'il apparaît dans un des dispositifs hypertextes possibles (le logiciel Hypercard ® sur Macintosh ® [14]). Un thème est donc constitué de quatre listes : mots-clés, documents, auteurs et sources triées par ordre de pertinence décroissant par rapport au type idéal de la classe.
- Une classe est nommée par le mot-clé de "typicité" [15] la plus forte par rapport au type idéal de la classe (cf § 2). Dans environ 20% des cas, la révision de ce nom par un expert peut être nécessaire.
- n mot-clé est représenté par son libellé et sa valeur de "typicité" par rapport au thème. Les valeurs de "typicité" des mots-clés permettent de distinguer les mots-clés importants pour l'interprétation du thème, et d'estimer la structure de la classe. En effet, nous observons deux types de classes :
- classe dont la typicité des mots-clés décroît de façon continue dans la liste des mots-clés;
- classe où nous observons des ruptures importantes dans les valeurs de "typicité" ; dans ce cas un nombre restreint de mots-clés définissent le thème. Les classes construites à partir d'un petit nombre de documents présentent donc des mots-clés de "typicité" élevée.
- Un document est représenté par son titre et sa valeur de "typicité" par rapport au thème. Les documents les plus pertinents du thème sont en général les plus spécifiques au thème. Les documents de pertinence moindre se retrouvent dans d'autres thèmes, où ils sont d'ailleurs souvent mieux situés. Dans le dispositif hypertexte, chaque titre de document donne accès à la référence complète.
- A partir des documents associés au thème, sont extraits, s'ils existent, les auteurs et les sources de ces derniers. Les auteurs et les sources sont affectés du poids du document correspondant. Si un auteur ou une source est associé à plusieurs documents du thème, les poids de ces derniers sont sommés. Les thèmes sont complétés par la liste triée des auteurs et des sources. Les listes des auteurs et des sources sont visualisables en sélectionnant les mots "auteurs" et "sources" ; elles permettent de connaître les équipes de scientifiques les plus importantes pour un thème donné et les principales revues qui publient ces articles.
- 2. Interprétation de la partition obtenue
- Qualité de la partition
- La classification est effectuée par approximations successives ; aussi le récapitulatif du déroulement de la classification permet de vérifier la convergence du processus. Si la stabilisation n'a pas lieu, il peut être intéressant d'augmenter le nombre de classes pour créer des classes spécifiques aux documents oscillant entre deux classes.
- Les indicateurs globaux permettant d'apprécier la qualité de la partition obtenue sont :
- le nombre de classes obtenues : le nombre de classes demandées est un nombre maximal, certains axes initialisés peuvent ne pas avoir été utilisés pour la classification ;
- le nombre de documents et de mots-clés classés permet de mesurer la "réduction" des données, c'est-à-dire la part d'information contenue dans le corpus étudié mais perdue dans la partition obtenue ; dans notre exemple nous avons conservé 250 documents dans les classes (80% des documents traités), et 248 mots-clés (26% des mots-clés totaux). Ce chiffre faible s'explique par le fait que la classification n'est effectuée qu'avec les mots-clés de fréquence > 1, soit 30 % des mots-clés totaux.
- le nombre d'occurrences de documents ou mots-clés obtenus dans l'ensemble des classes, complété par les distributions des documents ou mots-clés dans les classes permet de mesurer le taux de recouvrement des classes. Dans notre exemple, nous obtenons 321 occurrences de documents. Sur 250 documents classés, 70% sont spécifiques d'une classe, les 30% restants figurant dans leur quasi totalité dans deux classes. De même sur 248 mots-clés, environ 60% sont spécifiques d'une classe, les 40% restants figurant dans leur quasi totalité dans deux classes.
- Ces indicateurs montrent que la réduction des données est du même ordre de grandeur que celle obtenue avec SDOC. Pour l'outil NEURODOC, le taux de recouvrement est dépendant des paramètres de la classification (nombre de classes demandés et seuil des documents et mots-clés). Il est donc maîtrisable par l'utilisateur. Dans cet exemple, le taux de recouvrement est suffisamment faible pour considérer les documents et mots-clés conservés dans les classes comme pertinents.
- Caractéristiques des classes
- Un tableau résumant les caractéristiques des classes permet d'apprécier la qualité de la répartition des documents dans les classes et de catégoriser ces dernières.
- Dans ce tableau, chaque classe est caractérisée par :
- [1] une valeur d'inertie indiquant la dispersion des documents autour de l'axe représentant la classe, elle correspond à la somme des carrés des projection des documents ayant constitué la classe sur l'axe représentant cette dernière. ;
- [2] le nombre de documents ayant construit la classe, c'est-à-dire le nombre de documents ayant leur projection maximale sur l'axe représentant cette classe ;
- [3] le nombre de documents affectés à cette classe, c'est à dire le nombre de documents dont la coordonnée sur cet axe est supérieure au seuil défini par l'utilisateur ;
- [4] le nombre de mots-clés affectés à cette classe, c'est-à-dire le nombre de mots-clés dont la coordonnée sur cet axe est supérieure au seuil défini par l'utilisateur ;
- [5] le nombre d'auteurs associés à cette classe ;
- [6] le nombre de sources associés à cette classe.
- Dans ce tableau, les classes sont triées par valeur d'inertie décroissante. Les premiers thèmes sont généralement les plus importants en taille (colonnes [2] et [3]), ils regroupent les thèmes essentiels du corpus étudié. Pour un nombre de documents égal, plus l'inertie d'une classe est importante, plus les documents constituants sont regroupés de façon pertinente. Par exemple, le thème "Processus acquisition" ([1] = 7,30 ; [2] = 19) regroupe des documents plus homogènes que le thème "Informatique biomédicale" ([1] = 5,95 ; [2] = 19).
- Pour apprécier la qualité de la répartition des documents dans les classes, un premier critère est le nombre de documents ayant construit la classe [2]. Si quelques classes regroupent l'essentiel des documents, et si elles correspondent à des mots-clés de très forte fréquence, elles risquent de masquer une information plus pertinente. Aussi, il peut être intéressant d'éliminer ces mots-clés de l'indexation. Dans l'exemple du tableau 2, les deux premières classes regroupent chacune 33 et 30 documents, ce qui est à peine supérieur aux classes suivantes; nous pouvons considérer que les documents sont équitablement répartis.
- Une comparaison entre le nombre de documents ayant construit la classe [2] et le nombre de documents affectés à cette classe [3] permet d'estimer la pertinence du seuil des documents :
- si [2] < [3] : la classe regroupe des documents ayant construits d'autres classes et également bien représentés dans cette classe (exemple : thème "Processus acquisition") ;
- si [2] > [3] : certains documents ayant construit cette classe ont une valeur de projection inférieure au seuil, il sont donc perdus lors de la classification (exemple : thème "Raisonnement").
- La colonne [4] permet d'estimer la pertinence du seuil des mots-clés. Nous remarquons qu'un thème homogène (exemple : "Processus acquisition", [4] = 10) est défini par moins de mots-clés qu'un thème plus dispersé (exemple : "Interface utilisateur", [4] = 24).
- Les colonnes [5] et [6] permettent d'estimer la dispersion des auteurs et des sources (titres des revues) autour des thèmes.
- 3. Cartographie
- Afin de positionner les thèmes obtenus les uns par rapport aux autres, nous représentons les classes obtenues par des points. Une Analyse en Composantes Principales de l'ensemble des points représentant les classes permet de déterminer un plan déformant le moins possible le nuage de points ainsi défini. Tous les points de ce nuage sont ensuite projetés sur ce plan, constituant ainsi la carte des thèmes. Dans le cas présent, nous avons utilisé les coordonnées réelles des thèmes et non le classement par rang, considérant que la carte obtenue (figure 8) restait lisible.
- Interprétation de la carte obtenue (figure 8)
- Sur la carte, la proximité entre deux thèmes indique qu'ils sont définis par des mots-clés issus de domaines connexes. Par exemple, les thèmes : "Hypertexte" et "Interface Utilisateur" sont proches sur la carte, les travaux sur les hypertextes correspondent à un sous-ensemble des problèmes d'interface utilisateur.
- La position des thèmes sur la carte est interprétée en fonction des axes horizontaux et verticaux définissant le plan. Dans un premier temps, il est important de garder à l'esprit que les thèmes les mieux représentés sur cette carte se situent plutôt vers les extrémités des deux axes, c'est-à-dire vers les bords gauche et droit puis haut et bas de la carte. La position des thèmes situés vers le centre de la carte est moins significative.
- La carte (figure 8) montre que sur l'axe horizontal s'opposent :
- vers la gauche les thèmes théoriques de l'Intelligence Artificielle comme "processus acquisition", "raisonnement" et "méthodologie" ;
- La carte (figure 8) montre que sur l'axe horizontal s'opposent :
- vers la droite, les thèmes applicatifs dans les domaines documentaires ("recherche documentaire"), et interface utilisateur ("base donnée", "interface utilisateur" et "hypertexte").
- Sur l'axe vertical :
- s'isolent en haut à gauche les thèmes "automatisation" et "système production" qui correspondent à des applications industrielles de l'intelligence artificielle ;
- au centre de l'axe se retrouvent les autres thèmes d'application de l'intelligence artificielle dans la prise de décision, la construction navale (thème : "conception assistée"), l'informatique biomédicale, l'imagerie et la reconnaissance des forme, la recherche documentaire ;
- vers le bas, les thèmes théoriques ("raisonnement", "apprentissage", "méthodologie").
- Cette carte permet de voir comment s'organisent d'un point de vue thématique les références de ce corpus portant sur "l'intelligence artificielle".
3.2.3 - Comparaison des cartes obtenues avec SDOC ou NEURODOC dans l'exemple proposé Dans les deux cartes, on trouve 80% de thèmes communs, qui peuvent avoir des intitulés différents (40% de noms identiques), les thèmes applicatifs étant situés vers le haut, les thèmes théoriques étant plutôt situés vers le bas. Le fait que l'opposition thèmes applicatifs/thèmes théoriques soit mise en évidence et rendue de la même manière sur les 2 cartes est fortuit. Dans le cas de NEURODOC, cette position s'explique par le contenu des thèmes. Dans le cas de SDOC, la position des thèmes est expliquée par leur structure. Ainsi, la position des thèmes applicatifs est due à la présence d'une indexation plus spécifique des documents associés. Ceci induit une forte cohésion au niveau des thèmes applicatifs. Les thèmes théoriques sont constitués de mots aux fréquences plus élevées. Leur cohésion est plus lâche, ce qui explique leur position vers le bas sur la carte SDOC.
Deux courts exemples pour illustrer les différences qui existent au niveau des cartes :
Prenons le thème Apprentissage obtenu avec NEURODOC. Il recouvre les thèmes Apprentissage et Parallélisme obtenus par SDOC. Sur la carte SDOC, ces deux thèmes sont très éloignés mais reliés par une liaison externe, rendant compte d'une liaison structurelle entre un thème spécifique Parallélisme, regroupant 7 documents, et un thème générique Apprentissage qui regroupe 19 documents, dont 4 appartenant au thème Parallélisme.
A l'inverse, prenons le thème "système production" obtenu avec SDOC. Il recouvre les thèmes "automatisation" et "système production" obtenus par NEURODOC. La carte NEURODOC montre que les thèmes "automatisation" et "système production" ont un contenu voisin et constituent un groupe de documents très spécifiques par rapport aux autres thèmes.
3.2.4 - Conduite d'une analyse avec SDOC ou NEURODOC Bien que l'hypertexte facilite une démarche d'investigation par association d'idées, nous pensons que l'analyse de l'information peut être pilotée en usant d'indicateurs tels que ceux cités plus haut. Pour les deux méthodes, les étapes de l'analyse sont similaires :
- évaluer d'abord la qualité de la partition des mots-clés et des documents en sachant qu'il s'agit toujours de trouver un compromis entre une bonne lisibilité (un nombre de clusters pas trop élevé) et une moindre perte d'information ;
- étudier le tableau résumant les caractéristiques des clusters/thèmes, repérer les clusters/thèmes dominants/principaux et les clusters/thèmes secondaires ;
- étudier la ou les cartes des clusters/thèmes, puis le contenu des clusters/thèmes, afin d'appréhender l'organisation thématique du corpus documentaire.
Cette esquisse de méthodologie a pour unique ambition d'aider à l'exploration de résultats et ne devrait constituer en aucun cas un obstacle à l'intuition. C'est un moyen de disposer des premiers éléments constitutifs d'un dossier d'analyse sur lequel on peut s'appuyer pour étayer ses réflexions.
Notre station de travail permet de caractériser et d'analyser par deux méthodes différentes un ensemble de références bibliographiques. Il nous semble important d'insister encore une fois sur la possibilité de mesurer les accords entre les résultats des deux méthodes d'analyse par des indicateurs globaux (réduction de donnée, taux de recouvrement, nombre de thèmes identiques ou voisins, taille des classes de documents). Il reste cependant que les méthodes offrent des représentations différentes : classes de mots-clés structurées par les relations de cooccurrences dans un cas, classes de mots-clés floues et recouvrantes représentées par des demi-axes dans l'autre. On a vu également que les cartes fournissaient des informations de natures différentes : indicateurs structurels et visualisation des réseaux locaux pour SDOC, oppositions des thèmes selon deux axes principaux pour NEURODOC. Cette richesse au niveau des représentations ainsi que la possibilité de comparer globalement les résultats justifient à notre avis la présence des deux méthodes au sein de la station, chaque méthode apportant un éclairage analytique particulier.
- Les évolutions de notre station de travail à court, moyen et long terme :
- Amélioration de l'interface
- L'interface actuelle pour le pilotage de la chaîne de traitement infométrique est trop rudimentaire dans le cadre d'une utilisation occasionnelle de la station. Nous en avons fait l'expérience au cours de la formation d'un agent à nos outils. L'existence de générateurs d'interface MOTIF nous permet d'envisager avec confiance le développement d'une interface graphique pour le pilotage des modules de traitement et de visualisation. En effet, les fonctionnalités de la station de travail sont maintenant bien stabilisées.
- Amélioration des possibilités d'exploitation des résultats fournis par SDOC et NEURODOC
- Les prototypes, que nous avons développés, permettent à un utilisateur de visualiser la carte des thèmes, accéder à la description du thème (liste de mots-clés), puis d'accéder à la liste des titres (ou des auteurs ou des sources) des documents associés, puis d'accéder à un document donné. A l'heure actuelle, l'utilisateur ne peut pas réellement poser de questions ; il ne peut que naviguer par des chemins préétablis. Pourtant, un responsable d'industrie désireux de connaître les sociétés ou les équipes de recherches qui travaillent sur les mêmes thèmes que son équipe ou de suivre les thèmes sur lesquels travaille une société concurrente, aura envie "d'interroger" la carte des thèmes par frappe au clavier d'une équation booléenne de mots-clés, par sélection d'un groupe de documents représentatifs du problème qu'il se pose, une liste d'auteurs, une date de publication, un ensemble de revues, des organismes d'affiliation. L'utilisateur devrait pouvoir exprimer des requêtes complexes sur les thèmes mis en évidence par nos outils infométriques, effectuer des annotations, et stocker les requêtes effectuées pour reprendre une analyse là où il l'avait laissée. Fournir ces fonctionnalités a fait partie dès le début de nos objectifs. Ainsi, dans son interface Hypercard actuelle, NEURODOC permet de sélectionner un mot-clé et de le situer sur la carte des thèmes par mise en gras des thèmes où figure ce mot-clé. Mais les temps de réponse sont tels qu'on ne peut l'envisager sur des corpus importants. Nous sommes donc à la recherche d'autres supports pour une telle réalisation. L'émergence d'une nouvelle génération de systèmes hypertextes sur l'Internet nous permet d'envisager aujourd'hui ce développement avec plus d'optimisme.
- Intégration d'autres techniques d'analyse et de visualisation des résultats.
- Considérant que l'INIST constitue un observatoire privilégié des sciences, nous désirons appliquer toute méthode pertinente pour cette observation. Nous pensons que le soin que nous avons porté à la conception de cette station (notamment au niveau de sa modularité) facilitera ce type d'intégration. Notre ambition n'est pas de vouloir redévelopper des techniques d'analyse existantes, mais plutôt d'être capable d'intégrer leurs résultats facilement. La station jouera alors un rôle d'intégrateur en tant que moyen de consultation.
La station d'analyse infométrique est le produit d'une équipe. Nous remercions nos collègues du Programme de Recherche en Infométrie, Xavier Polanco, Dominique Besagni, Chantal Muller et Jean Royauté pour leurs développements, critiques et réflexions ainsi qu'Alain Lelu pour ses apports (écrits et verbaux) concernant la symétrie des deux méthodes.
Notre bibliographie est volontairement circonscrite à notre filière méthodologique dans la mesure où notre objectif dans cet article n'est pas de comparer notre station de travail ou les méthodes utilisées avec d'autres, mais de présenter une réalisation du programme de recherche infométrie, et une démarche d'analyse. Diverses études ont été menées à partir des outils présents sur cette station : étude TELETHESE "Santé, Sciences et Sciences Sociales" (40 000 thèses analysées en mars 1992 pour le ministère de l'éducation nationale), dans le domaine des cognisciences [Ducloy et Polanco 1992], l'économie de l'information [Polanco et al. 1993b], la sociologie (14 000 références de la base FRANCIS en sociologie de 1989 à 1991) [Polanco et Grivel 1994], l'histoire sociale allemande à partir de la base SOLIS de l' Informationszentrum Sozialwissenschaften (IZ) [Grivel et al.], la revue Scientometrics [Polanco et François 1994], etc.
CALLON M., COURTIAL J-P., TURNER W.A., BAUIN S. 1983 - "From Translation to Problematic Networks: An Introduction to Co-Word Analysis" in Social Science Information, vol. 22, pp. 191-235.
CALLON M., LAW J., RIP (eds). 1986 - "Mapping the Dynamics of Science and Technology", London : The Macmillan Press Ltd.
CALLON M., COURTIAL J-P., PENAN H.1993 - "La scientométrie" - Presses Universitaires de France, collection "Que sais-je", Paris.
COURTIAL J-P. COURTIAL J-P. 1990 - "Introduction à la scientométrie", Anthropos - Economica, Paris.
DUCLOY J. , CHARPENTIER P., FRANÇOIS C., GRIVEL L. 1991 - "Une boîte à outils pour le traitement de l'information scientifique et technique", Génie logiciel et systèmes experts, nº 25, pp 80-90, Paris.
DUCLOY J. , POLANCO X. 1992 - "D'une boîte à outils à la description du domaine des cognisciences", Journées d'étude ADEST "Prendre la mesure des sciences et techniques : la scientométrie en action", Paris, 1-11 juin 1992.
GRIVEL L., LAMIREL J.C. 1993 - "An analysis tool for scientometric studies integrated in an hypermedia environment", ICO93, 4th International Conference on Cognitive and Computer Sciences for Organizations, Montréal, (Quebec) Canada, pp.146-154, 4-7 mai 1993.
GRIVEL L., MUTSCHKE P., POLANCO X. "Thematic mapping on bibliographic databases by cluster analysis: a description of SDOC environment with SOLIS", à paraître
LEBART L., SALEM A. 1988 - "Analyse statistique des données textuelles", DUNOD, Paris 1988, 207 pages.
LELU A. 1990 - "Modèles neuronaux pour données textuelles - Vers l'analyse dynamique des données" - Journées ASU de statistiques, Tours, France.
LELU A. 1990 - "Modèles neuronaux de projection associative et analyse des données" - Approches symboliques et numériques pour l'apprentissage de connaissances à partir des données - sous la direction d'E. DIDAY et Y. KODRATOFF, pp. 283-305, CEPADUES, Toulouse.
LELU A. 1993 - "Modèles neuronaux pour l'analyse de données documentaires et textuelles", Thèse de doctorat de l'université de Paris VI, 4 mars 1993, 238 pages.
LELU A. et FRANCOIS C. 1992 - "Automatic generation of hypertext links in information retrieval systems", communication au colloque ECHT'92, Milan, D. Lucarella & al. eds, ACM Press, New York.
PETERS H.P.F., VAN RAAN A.F.J. 1993 - "Co-word based science maps of chemical engineering, Part II : Representations by combined clustering and multidimensional scaling", Research Policy, vol. 22, 1993, p.47-70.
POLOANCO X. et FRANCOIS C. 1994 - "Les enjeux de l'information scientifique et technique à travers une analyse d'infométrie cognitive utilisant une méthode de classification automatique et de représentation conceptuelle (NEURODOC)", Actes du colloque ORSTOM/UNESCO "Les sciences hors occident au XXe siècle, Paris, 19-23 septembre 1994.
POLANCO X. et GRIVEL L. 1994 - "Mapping knowledge: the use of co-word analysis techniques for mapping a sociology data file of four publishing countries (France, Germany, United Kingdom and United State of America), Proceedings of the 4th International conference of Bibliometrics, Informetrics and Scientometrics - 11-15 Septembre 1993, Berlin, Germany, (article à paraître en 1994 dans un volume spécial d'Informetrics).
POLANCO X., FRANCOIS C., BESAGNI D., MULLER C., GRIVEL L 1993a - "Le programme de recherche infométrie", Les systèmes d'information élaborée, Ile-Rousse, 9-11 juin 1993
POLANCO X., FRANCOIS C., BESAGNI D., MULLER C., GRIVEL L 1993b - "Un exemple de traitement de l'information par une approche infométrique : le cas de l'économie de l'information", 3ème conférence internationale sur la recherche en informations - Nouvelles technologies de l'information : les défis pour pour la recherche en économie de l'information, Poigny-la-Forêt, France, 11-13 juillet 1993.
TURNER W. 1994 - "Penser l'entrelacement de l'Humain et du Technique : les réseaux hybrides d'intelligence "- Solaris nº "Pour une nouvelle économie du savoir", Presses universitaires de Rennes, pp. 21-50.
[1]
- INIST : Institut de l'Information Scientifique et Technique.
[2]
- CNRS : Centre National de la Recherche Scientifique.
[3]
- Nous n'effectuerons pas ici un état de l'art des méthodes infométriques permettant de construire ce type de représentations. Le lecteur désirant faire le point sur le domaine trouvera au sein de ce numéro une excellente dans le texte "Aux sources de la scientométrie" de Xavier Polanco.
[4]
- Il est entendu que nous l'appliquons également pour le traitement de gros corpus.
[5]
- SERPIA : Service d'Etude et de Réalisation de Produits d'Information Avancés.
[6]
- CDST : Centre de Documentation Scientifique et Technique du CNRS.
[7]
- Un cluster est une classe de mots entre lesquels il existe des associations fortes.
[8]
- Immédiatement dans la forme adaptative de l'algorithme, et après passage de tous les documents dans sa forme non adaptative.
[9]
- L'algorithme de classification utilisé, le simple lien, utilise uniquement l'ordre des paires de mots-clés pour regrouper les mots au sein d'une même classe. Il est invariant par transformation monotone de la matrice de similarités. Aussi du point de vue du résultat de la classification, il est indifférent d'utiliser Eij ou sa racine et donc considérer qu'il s'agit du même indice de similarité.
[10]
- SGML : Standard Generalized Mark-up Language.
[11]
- PostScript» est une marque déposée de Adobe. Nroff et troff sont des formatteurs de texte disponibles en standard sous UNIX. LaTeX est un environnement (langage et programme) bâtit sur TeX, marque déposée de American Mathematical Society, disponible par ftp ://ftp.inria.fr/TeX/.
[12]
- Un document hypertexte est un fichier de texte où figurent des liens vers d'autres parties du document lui-même ou vers d'autres documents. La présence de liens dans un document est mise en évidence par une signalétique pré-définie (boutons, mots en gras ou encadrés, ...). Cela signifie, qu'en cliquant sur ces zones (appelées également ancres), on accède à un autre document. Dans notre cas, les documents ne contiennent pas seulement du texte mais aussi des images (cartes thématiques). Ce sont des documents hypermedia.
[13]
- Suite de caractères encadrée par un caractère jouant un rôle de séparateur{{Solaris début note|Lebart et Salem 1988}[14]
- Macintosh® et Hypercard® sont des marques déposées de Apple Computer Inc..
[15]
- Nous rappelons que la pondération utilisée pour calculer la valeur de "typicité" permet de faire ressortir les mots-clés fréquents dans cette classe et rares dans l'ensemble des documents.
© "Les sciences de l'information : bibliométrie, scientométrie, infométrie". In Solaris, nº 2, Presses Universitaires de Rennes, 1995.
Voir aussi