Collecter, traiter et analyser Twitter, par Anastasia Magat (vendredi 20 novembre 2020)

Résumé. Avec 2,7 millions d’utilisateurs quotidiens en France, Twitter est l’un des réseaux sociaux le plus utilisé en France et dans le monde. Les individus laissent de nombreuses traces à travers leurs données de profil ou d’activité numérique sur cette plateforme. Pour autant, celle-ci ne produit pas de « données » adaptées à l’enquête sociologique. Comment exploiter Twitter à cette fin ? Après avoir rappelé les diverses formes d’activité observables sur Twitter, cette présentation propose une démonstration, à partir du logiciel R, de la manière dont on peut extraire et exploiter des données issues de cette plateforme : contenus des tweets, hashtags, mentions, retweets. Ce sera aussi l’occasion de montrer les possibilités d’analyse temporelle de la médiatisation et de détailler une analyse lexicométrique. Après la présentation, un atelier pratique à partir de données Twitter permettra à chacun-e de se familiariser avec les données et les outils.

Anastasia Magat est doctorante à Sciences-po Grenoble et au laboratoire Pacte. Sa thèse, débutée en octobre 2020, porte sur la médiatisation des quartiers « prioritaires » par les habitant·e·s de ces quartiers eux·elles-mêmes, via notamment leur utilisation du réseau social Twitter.

Le powerpoint de la présentation est disponible ici:

Le script est téléchargeable ici

Les données sont là

L’enregistrement vidéo de la présentation est disponible là :

La présentation d’Anastasia Magat s’appuie sur une recherche conduite avec Gilles Bastin à la demande de l’Agence nationale de la cohésion des territoires (ANCT). Cette enquête visait à expliquer les raisons pour lesquelles certains quartiers populaires font l’objet d’une forte médiatisation par comparaison à d’autres. Elle reposait sur la collecte et le traitement automatisés de tweets portant sur plusieurs quartiers en France, dont celui de La Villeneuve, à Grenoble, qui est présenté ici.

Twitter en quelques caractères

Twitter, créé en 2006, est en 2019 le septième réseau social en France en nombre d’utilisateurs (2,7 millions, environ dix fois moins que le leader Facebook). L’utilisation de ce réseau social est, par ailleurs, en augmentation dans le monde et compte au total 3,96 milliards d’utilisateurs en 2020, pour un volume quotidien moyen de 500 millions de tweets émis. La spécificité de la plateforme est qu’elle permet la publication, généralement publique, de courts messages (280 caractères max) visibles sur le “fil” des personnes abonnées à l’émetteur du tweet. Anastasia rappelle d’emblée les biais liés aux caractéristiques sociodémographiques de la population utilisatrice de Twitter : les CSP + y sont surreprésentées (38 %), de même que les étudiants (20 %) et les personnes plutôt jeunes (17 % de 15-24 ans, 49 % de 25-49 ans). Les personnalités politiques et du monde des médias sont également particulièrement présentes sur ce réseau social. Par ailleurs, on ne dispose pas en France d’un équivalent du Pew research center étatsunien, qui conduit une enquête annuelle sur les utilisateurs et les types d’usage de Twitter et des réseaux sociaux en général. Il faut en la matière se contenter de ce que produisent ponctuellement les instituts d’études et de sondages dont les problématiques sont orientées davantage vers le marketing que les sciences sociales.

Pourquoi s’intéresser à Twitter

Toujours est-il que Twitter est un riche terrain d’enquête pour les chercheurs en sciences sociales. D’abord, parce qu’il occupe une place croissante dans les pratiques culturelles, d’information et de communication des Français. Ensuite parce qu’il permet de soulever divers problèmes de recherche, qui vont de la production et la circulation de l’information (et des fake news) à la construction de l’identité numérique, en passant par la construction d’un espace public numérique. Enfin, parce que les promesses méthodologiques sont fortes. Les données sont publiques pour la plupart, les techniques assez avancées pour collecter, traiter et analyser ces données, et la plateforme relativement coopérative avec les chercheurs, puisqu’elle met à disposition une API (Interface de Programmation Applicative) à laquelle il est possible de soumettre des requêtes et récolter les tweets associés.

Quelles données pour l’enquête sociologique ?

Les informations qui peuvent être collectées sont nombreuses et de deux ordres.

  • Sur les tweets eux-mêmes : entre autres choses la date et l’heure, le pseudo de l’émetteur, le nombre de réponses au tweet, de retweets, de “favorites” (équivalent du “like”), les hashtags (signalés par le fameux #) et, bien sûr, le contenu du tweet.
  • Sur les utilisateurs : le pseudo, la “bio” qui fait office de courte description, le nombre d’abonnements à d’autres profils Twitter, le nombre d’abonnés, (dits “followers”), etc.

Pour quoi faire ?

Les analyses qui peuvent être conduites, selon les questionnements de recherche, sont très variées. Il peut s’agir simplement de l’analyse statistique d’un phénomène médiatique à partir du nombre de tweets qui lui sont associés. Pour reprendre un exemple issu du travail d’Anastasia, le caractère épisodique de la médiatisation d’un quartier comme La Villeneuve peut être objectivé par l’évolution du nombre de tweets émis quotidiennement à propos de ce quartier.

De nombreuses autres choses peuvent être imaginées : analyse lexicométrique du contenu des tweets ou des bios des utilisateurs, analyse de réseau des “mentions” (précédées d’un “@”)… quatre publications françaises dont la discussion méthodologique est particulièrement fournie sont proposées en bibliographie : Julliard (2018), Severo et Lamarche-Perrin (2018), Ratinaud, Smyrnaios et Figeac (2019), Marquié (2012).

La collecte

Mais avant d’en venir à l’analyse, encore faut-il pouvoir collecter les données. Si la firme Twitter est plutôt collaborative pour la recherche, les APIs qu’elle met à disposition sont contraignantes. L’API Reset ne permet de collecter que les tweets passés émis sur une période de quinze jours. L’API Stream propose une collecte en continu non limitée en temps, mais qui n’est par conséquent pas rétrospective et suppose une capacité d’anticipation élevée. Une enquête qui porterait sur six mois de tweets devra être commencée six mois avant la date de fin d’intérêt. Enfin, les précieux programmes libres qui permettaient une collecte rétrospective des tweets ont été contrés par l’évolution de l’API et des conditions générales d’utilisation de Twitter. Des alternatives sont en cours de fabrication, mais il faut pour l’heure se contenter des APIs du gazouilleur.

La normalisation

L’analyse de données Twitter suppose un important travail de normalisation. Celui-ci peut être en partie automatisé à grands renforts d’expressions régulières (les “Regex”), qui permettent de repérer et supprimer du texte analysé, les URL, la ponctuation, les accents et autres caractères sans intérêt analytique, voire franchement polluants. Nous ne pouvons que vous inviter à consulter le script mis à disposition par Anastasia, très détaillé à ce propos (sur R, le package “stringr” est à lui seul très utile).

L’analyse

L’auditoire piaffe d’impatience alors que le tutoriel pas à pas proposé par Anastasia démarre. Celui-ci permet de découvrir comment réaliser, sur R, ce travail de normalisation ainsi que deux types d’analyses : l’étude temporelle des tweets et l’analyse lexicométrique de contenu des tweets.

L’analyse temporelle permet par exemple de révéler que 7 162 tweets ont été publiés à propos de La Villeneuve de Grenoble entre 2010 et 2020, avec des pics d’émission de tweets bien identifiables, par exemple le 11 juin 2017 suite à l’incendie du collège Lucie Aubrac.

L’analyse lexicométrique est faite à l’aide du package Quanteda. Celui-ci permet de transformer la base de tweets collectés en un corpus de texte, associé aux métadonnées des tweets. La tokenization consiste à transformer le corpus en une liste d’unités lexicales. Celles-ci peuvent alors faire l’objet d’analyses de co-occurrences de termes, d’analyses thématiques ou encore d’analyses de sentiment, fondées sur des dictionnaires lexicaux.

Là encore, nous vous invitons à consulter le script R, extensivement documenté. Finissons ce billet par une démonstration des échanges très instructifs qui ont eu lieu tout au long de cette présentation. L’auteur de ses lignes a ainsi appris par l’exemple la différence entre lemmatisation et racinisation en analyse lexicométrique. “Chante” a pour lemme “chanter”, qui est sa forme dite canonique, et pour racine “chant” (merci Ange Richard !).

Bibliographie

  • Julliard Virginie, « L’idéologie raciste en appui aux discours antiféministes : les ressorts émotionnels de l’élargissement de l’opposition à la ‘théorie du genre’ à l’école sur Twitter », Cahiers du Genre, 2018/2 (n° 65), p. 17-39.
  • Severo Marta, Lamarche-Perrin Robin, « L’analyse des opinions politiques sur Twitter. Défis et opportunités d’une approche multi-échelle », Revue française de sociologie, 2018/3 (Vol. 59), p. 507-532.
  • Ratinaud Pierre, Smyrnaios Nikos, Figeac Julien et al., « Structuration des discours au sein de Twitter durant l’élection présidentielle française de 2017. Entre agenda politique et représentations sociales », Réseaux, 2019/2 (n° 214-215), p. 171-208.
  • Marquié Gérard, « Twitter : un outil éducatif dans le cadre scolaire », Cahiers de l’action, 2012/2 (N° 36), p. 45-52.

Vous aimerez aussi...

Laisser un commentaire

Votre adresse e-mail ne sera pas publiée. Les champs obligatoires sont indiqués avec *

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

Rechercher dans OpenEdition Search

Vous allez être redirigé vers OpenEdition Search