Dans le cadre du THATCamp Paris 2015, qui s’est tenu la semaine dernière, nous avons organisé un datasprint. Les THATCamps (pour The Humanities and Technology Camp) sont des événements scientifiques appartenant à la famille des non-conférences, c’est-à-dire qu’ils mettent leurs participants au cœur même de l’organisation de l’événement. Les participants proposent des ateliers, votent pour les ateliers qu’ils jugent les plus pertinents, puis organisent l’emploi du temps de la non-conférences.

Orientés vers les Humanités numériques, les THATCamps sont, en fait, une importation de modes de sociabilité venant de l’univers des sciences informatiques et technologiques. Le datasprint en est aussi inspiré: il s’agit d’organiser, pendant l’événement, une sorte de concours où des équipes traitent, dans ce cas, des données et exposent leurs résultats à la fin de l’événement. Ce que nous avons fait la semaine dernière.

J’expose ici le résultat peaufiné de ma participation au datasprint. Parmi les données qui ont été traitées, le contenu de l’ensemble des billets publiés sur thatcamp.org, qui héberge la très grande majorité des sites des près de 250 THATCamps qui se sont tenus dans le monde.

J’ai tenté de procéder à une analyse de texte sur l’ensemble des billets (sans les commentaires) publiés sur thatcamp.org. Ce dernier fonctionne avec WordPress, un logiciel d’édition de site orienté «blog» et qu’utilise aussi hypotheses.org. L’essentiel du contenu est donc publié sous forme de billets.

Descriptif du corpus

Dans la base de données de thatcamp.org qu’Amanda French1 nous a aimablement fourni, après anonymisation. J’ai pu exporter 4692 textes comprenant  billets, pages, publiées ou non, à divers stades d’élaboration.

Il y avait 1053 pages, dont 43 étaient dans la «poubelle», 673 étaient publiées, deux avaient statut «privé», 225 étaient de type «inherit» (des anciennes versions ou des descriptions d’images insérées dans les pages), 65 étaient encore à l’état de brouillons et 45 sont des sauvegardes automatiques de brouillons.

De ce qui reste, 3639 sont des «billets» (en tout cas, ont ce titre dans la base de données), dont 92 avaient été jetées par leurs auteurs, 1307 étaient publiées et 7 avaient statut «privé». 1568 étaient labellisées «inherit» (d’anciennes versions ou des médias inclus dans les billets). 57 étaient des brouillons et 1054 des sauvegardes.

Dans l’analyse qui suit, nous avons supprimé toutes les pages, ainsi que les billets marqués comme sauvegardes, brouillons, privés ou encore «inherit» (anciennes versions et médias) ou supprimés. Nous avons donc gardé 1307 textes.

J’ai utilisé ici le logiciel de fouille de texte iramuteq. 1053 sont reconnus par iramuteq comme textes – cela signifie tout simplement qu’il y a des billets vides après nettoyage des données. J’ai enlevé le code HTML, le code CSS, etc qui brouillent l’analyse et ne sont pas du contenu à proprement parler. Après avoir regardé les textes, il s’agit de pages contenant des «iframe», c’est-à-dire affichant du contenu hébergé ailleurs. Les billets sur les sponsors et partenariats, souvent constitués de logos (images) sans texte, peuvent aussi être vides aux yeux d’iramuteq. Iramuteq les a divisé en 6566 segments. On y trouve 222499 occurrences, regroupées en 10962 formes (par exemple, «humanities» et «humanity» relèvent de la même forme après lemmatisation), dont 5265 sont des HAPAX (formes n’apparaissant qu’une seule fois), ce qui représente 48,03% des formes, mais seulement 2,37% des occurrences.

Limites du corpus

Les limites du corpus tiennent en deux éléments:

• Tous les THATCamps n’utilisent pas thatcamp.org pour élaborer leur site (les Français sont sous hypotheses.org, par exemple);
• Tous les THATCamps qui utilisent thatcamp.org ne publient pas nécessairement le compte-rendu des ateliers sous forme de billets (ou de pages) ou le contenu de certains THATCamps (certains des plus anciens) n’est plus disponible.

Logiciel utilisé et types d’analyse

Pour procéder à l’analyse de ce corpus, j’ai utilisé iramuteq. J’ai préparé les données avec OpenRefine et un processeur texte, notamment pour nettoyer le code HTML/CSS. Avec iramuteq, j’ai notamment procédé à une analyse de similitudes (qui donne un aperçu de la manière dont les mots sont reliés entre eux) et à une classification par la méthode Reinert, qui permet de regrouper les segments de texte par similarités dans des classes qui, souvent, donnent une idée des sujets abordés dans ces segments de texte.

Analyse de similitude

J’ai d’abord commencé une première analyse de similitude en laissant tous les mots. Ce qui donne le résultat suivant:

Le problème de cette analyse est que quatre mots écrasent tous les autres: «thatcamp», «session», «digital», «humanity». J’ai donc choisi d’en faire une seconde, sans ces quatre éléments:

(Cliquez sur les images pour obtenir des versions en grand format et pouvoir explorer vous même ces visualisation).

La première analyse, qui ne permet pas beaucoup de finesses, rappelle néanmoins l’importance de la proposition des sessions par les participants du THATCamp – et donc l’importance des initiatives prises par ces participants – et l’inscription de ces non-conférences dans les Humanités numériques.

Si l’on regarde la seconde illustration, on a un aperçu des grands thèmes abordés pendant les non-conférences et une idée de leur richesse. On continue de voir à quel point ces non-conférences sont fondées sur la «pro-activité» de leurs participants. On y aperçoit des éléments qui sont plus de l’ordre des «valeurs» («share», «work»). Et bien sûr, les grands thèmes de discussion: game (au sens «videogames studies»), bibliothèques («library»), archives (dans son sens physique, mais surtout au sens du document, et fortement relié au «web» – le web comme une archive infinie), «map» (dans un sens pratique, mais pas uniquement), l’importance de la pédagogie («student»), l’inscription du numérique dans l’institution («university», «college»), le rôle des outils technologiques («tool»). Quand on regarde de près, on voit des éléments plus précis: database, metadata, etc: des notions techniques et concrètes, souvent discutées pendant les THATCamps, car beaucoup de «digital humanists» sont confrontés aux défis pratiques posés par la constitution de bases de données de toute sorte.

Bien sûr, cette courte interprétation est loin d’épuiser cette visualisation. Pour aller plus loin, essayons de regarder la classification hiérarchique descendante.

Classification

J’ai procédé à deux classifications distinctes: l’une sur l’ensemble du corpus, l’autre sur une classe de segments de textes provenant de la première classification, mais méritant, de mon point de vue, une analyse plus fine.

La classification globale donne la visualisation suivante:

• La classe 1 est plus ambiguë que les autres: c’est celle qui a fait l’objet d’une classification séparée (voir plus bas);
• La classe 12 recense les segments de texte qui ne sont pas en anglais. Ils sont de fait exclus de l’analyse. Il y a notamment eu des THATCamps en néerlandais et en allemand. Les THATCamps français (les trois parisiens, le malouin et le lyonnais) ont élaboré leurs sites sur hypotheses.org et ne sont pas dans ce corpus;
• La classe 12 me semble montrer l’originalités des THATCamps («collegial», «participate», etc) par rapport aux conférences plus classiques;
• La classe 8 se réfère aux modalités des inscriptions aux THATCamps. D’autres classes abordent des éléments d’organisation: la classe 6 qui se réfère à l’usages de certains services en ligne pour la prise collaborative des notes, par exemple;
• La classe 5 est marquée par une autre spécificité des THATCamps: les Bootcamps, c’est-à-dire des sessions de formation qui peuvent précéder les non-conférences;
• La classe 3 relève de ce qui est de la narration des projets numériques en SHS («dork shots»: ces moments de quelques minutes où vous pouvez présenter un projet), de la mise en scène à laquelle certains participants se plient pour montrer leurs projets;
• La classe 4 est dédiée aux collections de documents, aux sources et à ce qui va avec quand elles sont numérisées (c’est-à-dire les métadonnées notamment);
• La classe 9 est un peu difficile à interpréter, mais relève de certains traitements alloués aux documents, y compris, d’ailleurs, l’analyse de données (on retrouve «topic», «multitude», etc);
• La classe 11 se réfère à la diversité des participants aux THATcamps: programmeurs, archivistes, bibliothécaires, «scholars»… Cette diversité est une grande caractéristique des non-conférences et l’un de leurs aspects les plus agréables.

Qu’en est-il de la première classe? Voici une classification appliquée spécifiquement à elle et ses près de 360 textes:

• On y retrouve des thématiques déjà présentes dans la première classification (la classe 1 par exemple);
• Mais on y voit d’autres éléments: l’importance de l’expression «alt-ac», terme issu du monde universitaire états-unien, désignant celles et ceux qui, ayant leur doctorat, n’empruntent pas le chemin habituel de l’enseignant-chercheur;
• La classe 4 me semble relever de pratiques («curation») typiques des Humanités numériques mais aussi des débats qui peuvent exister autour des Humanités numériques actuellement (et des sciences humaines et sociales, parfois, de manière générale), ce qui se traduit, par exemple, par l’usage du terme «race» ou de l’adjectif «critical»;
• La classe 6 rappelle l’importance des bibliothécaires et des bibliothèques dans les Humanités numériques;
• La classe 2 me semble déterminante, tant elle rappelle que les «digital humanists» ou du moins une bonne partie d’entre eux se penchent sur les pédagogies les plus adaptées à l’enseignement des Humanités numériques. Cette classe existe parce qu’il y a eu des THATCamps dédiés à la pédagogie, mais il est aussi notable qu’en neuf THATCamps, j’ai presque toujours pu assister à un atelier abordant les différentes manières d’enseigner les compétences technologiques aux étudiants en sciences humaines et sociales;
• La classe 3, dont le terme le plus caractéristique est «crowdsourcing», rappelle le soin apporté à l’utilisateur dans les Humanités numériques, mais aussi le fait que nous avons parfois besoin d’eux pour nos projets – par exemple pour les transcriptions en ligne de documents;
• Enfin, la dernière classe fait référence au livre «à l’ancienne»… mais si on la regarde bien, on s’aperçoit que l’on s’y intéresse pour le numériser.

Conclusions

Cette analyse des billets publiés sur THATcamp.org me semble montrer plusieurs éléments:

• La spécificité des non-conférences que sont les THATCamps: dans leurs modes d’organisation notamment, mais aussi dans les «valeurs» qui sont mises en avant (l’ouverture, l’initiative des participants, leur implication dans l’élaboration du programme, etc);
• La diversité des participants: chercheurs (non majoritaires), bibliothécaires, archivistes et tant d’autres;
• L’insistance sur la pédagogie;
• La centralité des notions de document (ou de collections de documents), de source ou d’archives. Cela semble être à la fois lié à la présence, souvent importante, des bibliothécaires et archivistes, mais aussi, peut-être, à l’origine des THATCamps, qui furent inventés par deux historiens au sein du plus connu, aujourd’hui, des centres d’histoire numérique, le Roy Rosenzweig CHNM. Ce dernier a notamment développé Omeka, logiciel serveur permettant de gérer des collections d’archives en ligne;
• Enfin, quelque chose que l’on peut un peu lire dans la classe «alt-ac»: les «digital humanists» sont, pour le moment, très occupés par la place qu’ils ont dans leurs institutions et qui reste relativement périphérique.

1. Ancienne coordinatrice des THATCamps, aujourd’hui présidente du THATCamp Council qui coordonne ce «mouvement» des THATCamps et dont je fais également partie. [↩]

---

---