11 - Je code, donc je suis (chercheur-euse)

Mon corpus, qui couvre la période 1740-1761, compte quelque 75 000 pages de texte imprimé, où les mentions de l'Amérique sont clairsemées mais présentes dans des contextes très variés: articles de nouvelles, comptes-rendus de spectacles, jeux de vocabulaire, extraits d'ouvrages scientifiques, etc. La fouille de texte était donc absolument nécessaire pour extraire le contenu pertinent de cette masse documentaire. Malheureusement, les textes d'Ancien Régime souffrent d'une orthographe irrégulière et d'une «océrisation» déficiente, causée notamment par le mauvais état des documents qui ont été soumis à la reconnaissance optique des caractères. De plus, certaines caractéristiques des périodiques que j'utilise en font ce que j'appelle du Bad Data puisque les prémisses de la théorie du Big Data, notamment le fait que les erreurs se répartissent de manière à peu près régulière et qu'il est tout de même possible d'en extraire un signal, ne s'y appliquent pas: les erreurs ont plutôt tendance à se regrouper dans des secteurs cruciaux du texte, et le coût unitaire d'acquisition des données «corrigées» se révèle passablement élevé. Il m'a donc fallu développer une méthode hybride, mi-numérique, mi-analogique, pour compléter mon projet, méthode qui repose notamment sur un outil que j'ai codé en Python.

Personne aujourd'hui ne peut prétendre connaître la structuration de l'ensemble du champ scientifique par simple immersion dans ce champ, encore moins prétendre pouvoir rendre compte de son évolution depuis les années 1950. C'est ce que les méthodes numériques que j'utilise nous permettent de faire. Je vais présenter le projet en cours sur l'ensemble des sciences sociales et humaines. Le projet terminé sur la science économique a une application web à cette adresse: digitalhistoryofscience.org/economics/ 

Fréquemment utilisés en science des données, les carnets participent activement à la reproductibilité scientifique. Au moment de la création d’un carnet (au format HTML par exemple), le code source est compilé et le résultat de cette compilation, qu’il s’agisse d’analyses statistiques, de figures ou de cartes, est intégré dans le document, le tout étant entrecoupé des écrits de l’auteur.

L’objectif de cette contribution est de rendre compte de la création et de l’utilisation de « R Notebooks » en linguistique, et plus spécifiquement en phonétique expérimentale.

Les avantages cette pratique technologique sont nombreux. Elle permet de rendre compte de l’exploration d’un échantillon et d’expliciter les analyses statistiques utilisées, les valeurs-p ne se substituant pas au raisonnement scientifique et n’étant interprétables qu’en fonction de l’analyse effectuée. Elle offre la possibilité de colliger des citations marquantes ou une bibliographie complémentaire, de commenter les choix méthodologiques et les résultats obtenus, tout en favorisant le réemploi du code source. Elle présente aussi des atouts pédagogiques dans l’encadrement des étudiants de cycles supérieurs, tout en diminuant les coûts associés à la fouille et à l’analyse de données. En dernier lieu, elle soutient le processus d’évaluation des publications scientifiques puisqu’elle rend disponible le détail des méthodologies adoptées tout en préservant l’éventuelle confidentialité des données utilisées.