24 heures sur twitter: les (presque) 240 000 tweets contenant le terme « sarkozy »

Ayant découvert un nouvel outil pour capturer des données sur twitter, je l’ai immédiatement mis à rude épreuve, en lui demandant de collecter tout tweet comprenant le mot « sarkozy ». L’outil, et mon petit serveur, a tenu le  choc: près de 240 000 tweets collectés en 24 heures (du 2 juillet à 8h au 3 juillet à 8h). Je vous livre ici un aperçu des traitements que l’on peut appliquer à ce type de données.

Descriptif du corpus

Le corpus recueilli est constitué de 238 866 tweets. Tous contiennent le mot-clé « sarkozy ». Le logiciel utilisé se connecte à l’API streaming de twitter: en gros, il peut collecter jusqu’à 1% des tweets émis à un moment donné. Chaque jour, plus de cinq millions de tweets sont publiés en moyenne. Si 240 000 tweets sur 24 heures peuvent sembler être beaucoup, on est loin des 1%. Il est difficile de dire si les tweets capturés représentent l’ensemble des tweets effectivement émis avec ce mot-clé. Ça fait partie des limites méthodologiques de l’usage de twitter.

FIgure 1. Nombre de tweets émis avec le mot clé "sarkozy" heure par heure

Figure 1. Nombre de tweets émis avec le mot clé « sarkozy » heure par heure

La répartition horaire des tweets collectés est indiquée à la figure 1 (cliquer pour la voir entièrement). On constate en gros trois pics: le premier à 9 heures du matin (indiqué 8 heures sur le graphe), le second (et un intermédiaire) à 13 heures (et 15 heures) et le troisième à 20 heures (marqué 19 sur le graphe). Le premier marque le départ des discussions autour des nouvelles de la veille et de la nuit (sa garde à vue, mais surtout sa mise en examen), le second (et son petit suivant deux heures plus tard) me semble correspondre à l’annonce d’une interview sur TF1 et Europe 1. Le dernier correspond à l’interview elle-même. Le flux de tweets se calme dans le nuit, ce qui est normal et reprend légèrement le lendemain matin.

Figure2. Nuage formé par les hashtags retrouvés dans le corpus (#sarkozy a été retiré)

Figure2. Nuage formé par les hashtags retrouvés dans le corpus (#sarkozy a été retiré)

Près de 40% des tweets contiennent des liens, 44,5% des hashtags, 67% comprennent des mentions d’autres utilisateurs, mais moins de 3% avec la métadonnée « in reply to » – ce qui signifie que les mentions sont d’abord des retweets (des citations intégrales de tweets), éventuellement avec commentaires. En effet, près de 59% de ces 240 000 tweets sont des retweets. En clair, il y a peu de discussion. Les membres de twitter utilisant le mot clé « sarkozy » ont d’abord relayé d’autres tweets avant d’initier des débats. Le mode de collecte peut toutefois introduire un biais: le débat a pu avoir lieu, mais sans l’utilisation du terme « sarkozy ».

Quels hashtags?

Quels sont les hashtags que l’on retrouve le plus dans ce corpus? C’est l’objet de la figure 2 (cliquer pour la voir entièrement). Je vous laisse regarder le détail. Ce qui me frappe à première vue, outre l’importance du mot clé « tf1 » (qui est logique, l’interview ayant été diffusée sur TF1 et Europe1), c’est la prééminence des hashtags favorables, le rappel d’autres « affaires » en cours (bygmalion, par exemple) mais aussi la forte politisation (mention de Hollande, Valls, Taubira…), ainsi que la présence du terme « Thepaut », nom de famille de l’une des deux juges d’instruction, miss en cause, à tort semble-t-il, par l’UMP. La visualisation des hashtags montre, in fine, une certaine « domination » de la défense de Nicolas Sarkozy, mais avec de nombreux hashtags, moins cités, mais défavorables (« corruption », « Sarkolimero », etc). La présence du terme « Francia » et d’autres termes espagnols illustre le relais médiatique de l’affaire en Espagne, notamment via El Païs.

Quels sont les comptes les plus cités?

Figure 3. Les 50 comptes les plus cités.

Figure 3. Les 50 comptes les plus cités.

Les organes médiatiques, mais pas uniquement. C’est l’objet de la figure 3: Le premier cercle représente les cinquante comptes twitter les plus cités, et le second cercle les 950 suivants. Le compte le plus cité est celui d’Europe 1, diffuseur de l’interview avec TF1. Ici on peut constater un certain décalage avec le nuage de hashtags: dans les tweets, le terme « TF1 » apparaît plus souvent qu’Europe 1, mais c’est le compte twitter d’Europe 1 qui est plus mentionné que celui de TF1. On regarde plus la télévision que l’on écoute la radio, mais l’équipe twitter d’Europe 1 est plus active que celle de TF1, probablement. Après Europe 1, viennent d’autres médias: TF1, iTélé, Le Monde, Valeurs actuelles, le Figaro, BFM… ainsi que le parodique Gorafi (5e compte le plus cité, tout de même). On constate que les pure players (les titres de presse présents uniquement sur le web) dont on aurait imaginé qu’ils seraient plus à l’aise sur les réseaux sociaux ne sont pas présents dans les dix premiers comptes les plus cités. Les deux premiers sont à la 15e (rue89) et à la 16e (mediapart) place. C’est assez compréhensible pour mediapart qui a un modèle économique reposant sur l’abonnement, donc avec accès très limité à ses articles. Ça l’est beaucoup moins pour Rue 89.

Figure 5. Première visualisation (algo: OpenOrd)

Figure 5. Deuxième visualisation (algo: OpenOrd)

FR-FA2

Figure 4. Première visualisation réseau (algo: Fruchterman Reingold + Force Atlas 2)

Dans les quinze premiers comptes les plus cités, on retrouve également des politiques (Nicolas Sarkozy lui-même, Nadine Morano), des comptes de soutien à ces politiques (sarkozypourlump), des blogueurs connus (Maître Eolas), des spécialistes des médias (@rosselin). Il n’y a pas de politiques issus du parti socialiste. Il faut aller plus loin pour trouver un universitaire (Laurent Bouvet).

Quel « réseau »?

Pour tracer le « réseau » formé par les comptes twitter, je me repose sur les mentions dans un sens large (retweets compris). Ce que l’on voit apparaître dans les deux visualisations (c’est plus nette avec l’utilisation de l’algorithme OpenOrd qu’avec le classique Fruchterman-Reingold), c’est que ce réseau est principalement composé de deux groupes. Plus un compte twitter a été mentionné, plus le cercle qui le représente est grand (et sombre). Ces deux graphes ne montrent pas tous les comptes twitter qui sont dans mon corpus, pour rendre le graphe plus visible. Il ne s’agit que des comptes les plus actifs (les mille premiers).

Il y a un groupe « de droite » comprenant le Figaro, Valeurs actuelles et un grand nombre de comptes twitter de soutien à l’UMP ou à Nicolas Sarkozy (gauche sur la figure 5). Le second groupe, nettement plus grand est constitué d’autres organes de presse (Le Monde) ou de radio (Europe 1), de télévision (iTélé, TF1, BFM) et de comptes satiriques (Le Gorafi). On y retrouve aussi Nadine Morano, ce qui signifie soit qu’elle retweete des comptes de ce grand groupe avant de retweeter les comptes du premier groupe, soit qu’elle engage le débat avec des comptes ne partageant pas ses opinions.

Quel contenu?

analyse-similitude

Figure 6. Analyse de similitude avec les retweets

Figure 7. Analyse de similitude sans les retweets

Figure 7. Analyse de similitude sans les retweets

Lire 240 000 tweets est humainement impossible… mais computationnellement tout-à-fait à la portée d’un ordinateur raisonnablement puissant. J’ai procédé à deux types d’analyses: l’analyse de similitude (figures 6 – avec les retweets et 7 – sans les retweets), qui montre les liens entre les mots dans l’ensemble du corpus; et la classification hiérarchique descendante (CHD, table 1 et figures 8 et 9), qui permet de dégager les grands thèmes évoqués dans ce corpus. Ces deux types d’analyses sont des approches statistiques du texte, fondées sur la cooccurrence de mots au sein de segments de texte (dans ce cas précis, les tweets).

La figure 6 nous montre comment, dans l’entièreté du corpus en langue française (on a retiré ici les tweets dans une autre langue), les mots sont reliés entre eux. Ce qui me frappe, à nouveau c’est l’importance du terme « hollande » et, ainsi, la forte politisation de cette affaire. Dans le corpus analysé sans les retweets, « hollande » est moins présent. Le retweet est-il alors la marque d’un militantisme politique (facile)? TF1 est très présent, au contraire d’Europe 1: c’est bien TF1 qui a été regardée, comme je l’ai indiqué plus haut. Dans les grandes lignes, le reste n’est pas très étonnant.

Figure 7b. Détail de la figure 7.

Figure 7b. Détail de la figure 7.

Mais regardons un peu les détails – je me concentre sur le terme « juge » (figure 7b). On y voit ce terme relié au nom d’une des deux juges d’instruction, relié à « syndicat », relié à « tribune »: bref, les stigmates de la dépêche erronée de l’AFP sur l’une des eux juges d’instruction et le résultat d’une stratégie de remise en cause de l’impartialité des juges. On notera le crétinissime « hystérique » relié au nom de l’une des deux juges.

Concernant les thèmes abordés, la CHD m’a permis de dégager huit grands « profils » (table 1), que j’interprète ainsi:

  • Le contexte général de l’affaire (classe 1 – très difficile à interpréter, on y retrouve aussi des éléments de comparaison avec d’autres affaires: DSK, Cahuzac, etc),
  • La réaction de Nicolas Sarkozy à sa mise en examen (classe 2),
  • La relation aux citoyens français (classe 3),
  • Le contenu de l’affaire elle-même (classe 4),
  • Le vocabulaire utilisé par l’UMP et Nicolas Sarkozy pour dénoncer une « instrumentalisation » politique (classe 5),
  • L’interview diffusée sur TF1 (classe 6),
  • La remise en cause des juges (classe 7),
  • Les questions de l’interview (classe 8).

Ceci est une interprétation de ma part. Voici le contenu des profils (table 1):

Classe 1 Classe 2 Classe 3 Classe 4 Classe 5 Classe 6 Classe 7 Classe 8
parler risque traiter avocat instrumentalisation soir juge question
affaire raser sondage paul dénoncer 20h valls poser
homme prison français herzog justice exprimer syndicat renoncer
gauche réaction trahir bismuth accusation tf1 magistrature sapin
hollande victimise importer azibert partie europe thépaut occuper
oeil retenir majorité infographie politique bouleau grave récent
gens prêt traitement haik grotesque jt impartialité financement
venir video confiance écho chef heure fait avecnicolas
président ex_président épargner thierry rejouer gille juppé déclarer
ump ouest faveur cauchemar martyr interview impartial embarrassant
aimer actu normalement laurent air particulier clair verbatim
dsk examen bva gbagbo tapis exclusif présumé rue89
mr videos commentaire poursuivre gandhi match thepaut interview
penser mettre sonder nouvel integrale mercredi dossier michel
prendre tourmenter justiciable iweins texte europe1 taubira pierre
cahuzac hortefeux acharnement précédent pleuvoir nicolas charger jean
pauvre correctionnel judiciaire karsfeld contrasté intégralité manuel stupéfiant
sortir barbe csa gilbert vidéo revanche instruction intégral
berlusconi militant juger démarche nicolas kiff intox elkabbach
gav notamment défaveur monaco dailymotion exceptionnel alain douter
soutien tweetait joly arno subir kaaris sarkopresident aller
vrai nicolas eva enquête pointe 20h00 cause lapsus
arrêter afp strauss choisir avecnicolas pois mentir hollande
sarkoshow inéligibilité sophie obs grand privilège express meeting
complot fr coignard boxeur signifier bingo discrédit répondre
droite société bénéficier albert marine diffuser obliger août
fois bourbier per pierre collard bouygues sarkozystes motif
copé entrevoir kahn discussion pen audience tesson rédaction
retour actif leparisien acharné extraire saigner fronde signifier
france arroser post baron procédure spécial accuser victimise
trouver surveiller expliquer injustifié ex_chef elkabach blog nombre
présomption tenir am haïk choquant télévision magistrates profession
oublier compliqué huffington lâcher arriver enregistrer route inquiétude
balkany arroseur actus ami lciwat lagardère examen pays
beau passible citoyen observateur newsekt entretien mettre ligne
entendre brice lemonde_pol indiquer wattv poutine jeter promettre
compte revenir normal barreau clamer journal publier journaliste
mec actualité antenne now etquot télé vengeance décider
vraiment corruption différence magistrat chamalieres allemagne malmener décourager
victime yahoo mars écouter gilbert sarkobingo innocent killer
vie clamer lambda suite observateur extrait bartolone septembre
soutenir lejdd jurer haut retenir algérie sarkoinnocent sincérité
fn éloigner réponse auprès_de corruption direct tribune breaking
rendre indice compromettre maître entretien avantage mur 20minutes
ps engluer échelle téléphone portelli édition empoisonner révélateur
honte carlita souhaiter poste courroye inviter placer examen
finir espoir sv nicolas abracadabrantesque déclaration philippe rentrer
chose permanent votant renseigner tfi accorder amical détourner
voir concrètement ex_chef plan ac suivre faille finance

À ces profils est associée une analyse factorielle de correspondance (AFC – en gros, la manière dont ces classes sont entremêlées dans le texte) (figure 8):

Figure 8.

Figure 8.

Enfin, voici l’importance relative des thèmes (figure 9):

Figure 9.

Figure 9.

C’est la classe 1, la plus difficile à interpréter ,qui est aussi de très loin la plus présente, suivie de ce qui touche à l’interview (classe 6) mais aussi de la remise en cause des juges (classe 7).

Conclusions

Ces résultats sont sujet à interprétation et libre à vous de les traduire autrement. Ce qui me semble ressortir dans l’ensemble – sans aucunement parler du fond de l’affaire – c’est la présence forte de l’UMP sur twitter en comparaison de la gauche et l’activité plus importante des médias traditionnels que des pure players. La faiblesse des débats par rapport aux retweets massifs d’information me semble également caractéristique.

Et mon serveur sent le plastique fondu.


3 réflexions au sujet de « 24 heures sur twitter: les (presque) 240 000 tweets contenant le terme « sarkozy » »

  1. Ping : 24 h sur Twitter: 240 000 tweets contenant &laq...

  2. Ping : Proxem » La lettre du 7 juillet : visualiser comment on génère un labyrinthe

  3. Ping : 24 heures sur twitter: les (presque) 240 000 tw...

Laisser un commentaire

Votre adresse de messagerie ne sera pas publiée. Les champs obligatoires sont indiqués avec *