Catalogue de Perseus : projet final du Master 2, 1er semestre

Outil Cirrus dans Voyant Tools

Le projet final consistait à analyser le contenu du catalogue de Perseus. Des tableaux nous avaient été proposés par monsieur Berra, que nous avions téléchargés à partir du répertoire GitHub de Perseus. Dans un premier temps, nousnous sommes partagé les trois fichiers : grec, latin et un fichier « anonymes » qui contient du grec et du latin. Nous les avons explorés à partir de RStudio, environnement avec lequel nous avons travaillé depuis le début du semestre. RStudio est un environnement de développement libre et multiplateforme pour le langage de programmation R, utilisé pour le traitement de données et l’analyse statistique. Nous pensions pouvoir facilement manipuler leurs données et effectuer une analyse corpus-driven (c’est-à-dire trouver des pistes d’analyses à partir des données).

Dans un premier temps, nous avons été un peu déroutés ; nous avons, en effet, plus l’habitude de travailler sur des textes littéraires que sur des métadonnées. Cependant, nous avons fini par trouver quelques pistes de recherche…

Nous avons travaillé le plus souvent en R, mais aussi dans un cas avec Voyant Tools, environnement d’analyse de texte en ligne.

La DropBox, le forum de cours en ligne, un Framapad et notre cours hebdomadaire nous permettaient d’échanger sur l’état actuel de nos travaux et des questions auxquelles nous nous confrontions. Le forum nous a été très utile pour réussir le défi de monter un projet final entre étudiants en présentiel et étudiants à distance. Cela a permis une communication qui n’est pas toujours simple pour ces derniers.

Lors de l’élaboration de ce projet, nous avons rencontré des difficultés de différents types. Les premières concernaient le tableau des « anonymes », qui contenait des textes dans plusieurs langues, des titres de volumes parfois en français, parfois en anglais, parfois en latin… S’est posée la question de la pertinence même de ce fichier. Les autres tableaux présentaient les mêmes problèmes de cohérence ou de propreté des données. Cela nous a amenés dans un premier temps à trier ou/et nettoyer les données. Ainsi, nous avons sélectionné des informations dans les colonnes des tableaux, qui pouvaient nous intéresser et nous en avons laissé d’autres de côté. Ce premier tri n’était pas forcément évident, certaines données nous semblaient intéressantes mais leur analyse s’est avérée limitée.

Nous nous sommes également dès le départ posé la question de créer des sous-corpus : par genres, par dates…

Le volume de ce répertoire et le fait qu’il n’y ait pas forcément d’harmonie dans la dénomination des données (par exemple, la Vulgate classée dans les « auteurs ») rendait cette tâche compliquée, voire quasiment impossible.

Petit à petit, à l’aide d’un Framacalc, nous nous sommes inscrits pour les différentes tâches que nous avions définies ensemble préalablement, tâches de nettoyage ou d’analyse, qui nous semblaient pertinentes pour l’étude de ce catalogue : harmoniser les anonymes des différents fichiers, calculer le nombre d’œuvres par auteur, récupérer d’autres données sur le TLG ou le PHI, mettre les tableaux au propre avec les variables à conserver…

Notre travail a abouti à un fichier commun en RMarkdown (et à ses versions HTML et PDF), fichier qui compile les travaux, les graphiques et les synthèses de chaque étudiant.

Il est difficile de faire une conclusion générale du fait de l’état des données initiales et de ce que nous avons réussi à en faire. Ce travail nous a permis de réfléchir sur la difficulté d’obtenir des données propres. Comme l’ont fait remarqué plusieurs d’entre nous dans leurs conclusions, nous sommes plus amenés à nous interroger sur la transmission des textes que sur l’étude des auteurs, des œuvres et des genres à leur époque. Chacun a tout de même pu mettre en évidence certaines informations et constantes, des résultats parfois prévisibles mais tout de même intéressants, comme les dates des éditions par exemple. Ce travail nous a permis de nous familiariser avec des outils utiles à la recherche, et avant tout avec la programmation, mais également avec les différentes bases de données que sont Perseus, le TLG, PHI… Nous avons pu nous intéresser à un domaine qui nous est habituellement peu familier, ce qui nous a demandé une certaine créativité et de l’adaptation. Le travail en groupe a été particulièrement stimulant et nous offre une expérience de projet collaboratif nécessaire dans le monde de la recherche.