Les données sont des construits (1) : l’exemple des thèmes sur Metal-archives

Avec mon collègue Hugues Pecout, nous nous intéressons aux données disponibles sur le site https://www.metal-archives.com/ et nous travaillons en ce moment deux aspects : les thèmes des paroles (Lyrical themes) et la diffusion géographique de certaines branches du metal. Ce billet s’intéresse aux Lyrical themes et essaye d’expliciter comment, à partir d’une extraction automatique, les termes sont plus ou moins modifiés et comment, à chaque étape, des choix méthodologiques doivent être faits, choix qui pèseront bien entendu sur les résultats que nous obtiendrons ensuite. Il s’agit donc de montrer comment on construit, à partir d’un matériau brut (ici des données numériques mais ce pourrait être des données qualitatives et la démarche serait similaire), des données exploitables pour nos questions de recherche.

Le site metal-archives est un site collaboratif dédié au metal. Il est possible de s’inscrire et de renseigner des groupes (passés ou présents) et/ou de compléter des fiches déjà existantes. Deux types de personnes contribuent : les membres des groupes eux-mêmes (qui ne renseignent que les notices des groupes auxquels ils participent ou ont participé) et des amateurs passionnés. Par exemple, le contributeur ayant le plus de contributions à son actif le 20 février 2018 est un certain artery ayant proposé la création de plus de 3000 notices de groupes (https://www.metal-archives.com/users/artery). Les notices les plus complètes fournissent pour chaque groupe les éléments suivants : date de création et de fin, ville et pays d’origine, catégorie de metal, thèmes des paroles, label actuel, discographie complète (pochette, titres et durées, producteur, musicien.ne.s, etc.) et les CV des membres. Bien entendu, toutes les notices ne sont pas complètement renseignées. Les thèmes abordés par les groupes ne sont par exemple disponibles que pour un peu plus de la moitié d’entre eux*. La base de données est bien structurée, ce qui permet de récupérer des fichiers faciles à exploiter (même nombre de colonnes, pas de souci d’encodage de caractères, etc.).

Une fois les données de l’ensemble des groupes collectées, nous attaquons la rubrique Lyrical themes. Nous regardons à quoi ressemble le fichier et nous décidons ensemble comment nous allons transformer ces données brutes. Nos choix ne sont pas neutres, ils sont liés à nos questions de recherche : une de nos pistes est de créer un graphe des thèmes abordés par les groupes. Par exemple, le groupe portugais Via Dolorosa, actif de 1996 à 1999, aborde 4 thèmes : Depression, Frustration, Anger et Personal Conflicts donc ces 4 termes seront liés les uns aux autres pour cette période. En construisant le graphe d’ensemble et en l’étudiant avec un pas de temps donné, nous espérons mettre en évidence le développement de certains courants et essayer de définir empiriquement des sous-genres qui seront ou non cohérents par rapport aux sous-genres utilisés par le site.

Le fait de s’intéresser aux thèmes abordés ensemble lors d’une même période a une première conséquence : si groupe qui change de thème (au hasard, le groupe Disfavor aborde au début de sa carrière le dégoût – Disgust (early) – et maintenant le ou les traumatismes psychologiques – Psychological trauma (now)), nous gardons les mentions early, now, later et autres. Dans ce cas précis, ça permet de ne pas créer le lien entre ces deux termes.

Une autre décision concerne le choix des séparateurs utilisés par les personnes qui remplissent les fiches sur le site : la plupart du temps, des virgules séparent les thèmes, la dernière étant parfois remplacée par un &. Il y a quelques cas limites car celui-ci, Battle between Good & Bad, Light & Darkness, mais dans la mesure où ils sont très rares, les deux signes « , » et « & » sont considérés comme équivalents. Parfois, on trouve des points virgule. Parfois, il n’y a rien et parfois il y a des / (Beer/Insanity/Death/Agnst/Partying). Pour créer la liste des thèmes, toutes ces différents signes sont remplacés par des espaces et nous passons tout en minuscule, considérant par exemple qu’Anti-Religion, Anti-religion et anti-religion sont synonymes. Ce qui nous donne un premier tableau avec près de 14 000 termes différents…

À ce stade, nous adoptons une approche minimale et gardons par exemple les singuliers et les pluriels. Un terme souvent utilisé est celui de « nettoyage des données », notamment avec les données du web régulièrement qualifiées de données « sales ». Ce terme pose à juste titre problème : les données récoltées sont ce qu’elles sont, elles ne sont ni sales ni à moitié propres** ou que sais-je encore, elles ont une forme donnée et, en fonction de ce que l’on cherche à faire avec, elles sont recodées de façon plus ou moins brutale. Trouver quelques termes en espagnol n’est pas en soi un problème et une personne pourrait très bien étudier la présence de termes étrangers sur ce site anglophone (s’agit-il toujours des mêmes contributeurs ? est-ce que ça concerne nécessairement des groupes issus de pays où cette langue est parlée ? etc.).

Un premier travail de recodage – en cours – concerne la recherche de coquilles : regarder les hapax (termes apparaissant une seule fois) est un bon moyen d’en repérer certaines. Par exemple, les termes vioence, violance, violcnce, violencia et volence sont tous recodés en violence. Parfois, il n’est pas possible de trouver le terme équivalent (spide est-il à remplacer par spider ou par spike ?…) Nous recodons également les termes nord-américains et anglais de façon homogène afin qu’humour et humor soient considérés comme équivalents. Les formes avec et sans tiret (socio-political et sociopolitical) sont également considérées comme équivalentes. Par contre, nous nous sommes rendus compte assez vite qu’il n’était pas possible d’automatiser le remplacement de and. Souvent, il sert à lier deux thèmes différents (solitude and suicide) mais il est utilisé tout aussi souvent pour définir un seul et même thème (sigmund freud and his works).

À terme, il sera utile de regrouper certains thèmes – est-il vraiment nécessaire de différencier social critic, social critical, social criticism, social critics et social critique par exemple ? – mais examiner manuellement et donc lentement ces thèmes permet à la fois de justifier les choix de recodage opérés (voir l’exemple du and ci-dessus) et de trouver quelques pépites amusantes. Il existe ainsi des groupes ayant pour thème sodomy by trolls, the works of Jean-Pierre Coffe ou encore vegetables putrefaction, ce qui donne simultanément envie d’aller les écouter et de s’offrir un bel éclat de rire lors d’un travail long et fastidieux…

Notes
*L’ensemble de ces résultats concerne la base Metal-archives téléchargée par mon collègue Hugues Pecout le 7 février 2018. Il a suivi à peu de choses près la même procédure que notre collègue anglophone Trent Ryan mais avant que ce dernier ait mis son billet en ligne (https://trent.netlify.com/code/mapping-the-global-metal-scene-using-leaflet-and-r/, visité le 22 février 2018). Lorsque nous écrirons un article sur le sujet, toutes les données (brutes et recodées) et les scripts commentés seront évidemment mis à disposition.
**Cette réticence à employer le terme de « nettoyage des données » doit beaucoup aux réflexions de Claire Lemercier.


Laisser un commentaire

Votre adresse de messagerie ne sera pas publiée.

Ce site utilise Akismet pour réduire les indésirables. En savoir plus sur comment les données de vos commentaires sont utilisées.