Un outil d'analyse qui répartit des milliers de commentaires de recherche par thème et par sentiment
Les commentaires vidéo collectés à partir d'un mot-clé sont regroupés par thème, avec la répartition positif–négatif en prime. Le nombre de thèmes est décidé par le chercheur à l'écran. L'outil a été conçu pour que le chercheur puisse modifier lui-même les critères et relancer l'analyse.
Repérage des thèmes dans les commentaires
Avant
En parcourant les commentaires à l'œil et en devinant
Après
Par des distributions par thème et par sentiment
Contexte
En prenant un sujet donné comme mot-clé et en collectant des commentaires YouTube, on obtient plusieurs milliers de commentaires. Ce qu’une recherche doit traiter, c’est combien de fils de récits s’y trouvent, or la lecture humaine de bout en bout ne fait pas apparaître ces fils. Après en avoir lu quelques centaines, on finit par deviner le reste.
Le problème défini
Il ne suffisait pas d’agréger un « pourcentage de positif ». Il faut d’abord séparer ce dont il est question pour savoir vers quoi ce sentiment se dirige. Le périmètre du problème allait de la séparation des thèmes et du décompte des sentiments jusqu’à la superposition des deux.
Et le chercheur devait pouvoir modifier lui-même les critères et relancer l’analyse. Le nombre de thèmes n’est pas une valeur qui a une bonne réponse, mais une valeur qui se décide en regardant les données. Si cette valeur était figée dans le code, il faudrait nous appeler à chaque fois qu’il voudrait en essayer une autre.
Ce qui a été réalisé
- Modélisation thématique — répartit les commentaires en groupes de sujets. Le nombre de thèmes, le nombre de passages d’apprentissage et le nombre de mots les plus fréquents se modifient directement à l’écran
- Visualisation des fréquences — affiche les 10 mots les plus fréquents sous forme de barres
- Part de commentaires rattachés aux thèmes — indique en diagramme circulaire quel pourcentage de l’ensemble contient le thème désigné
- Distribution des sentiments — affiche ensemble les proportions positif et négatif
Résultats
Les milliers de commentaires collectés pour chaque mot-clé ressortent organisés en groupes thématiques et en distributions des sentiments. Les deux cas à l’écran représentent respectivement 21.6% et 24.4% de l’ensemble des commentaires qui contenaient le thème désigné.
C’est le chercheur lui-même qui modifie les critères et relance l’analyse.
D’autres travaux sur le même sujet sont rassemblés sous analyse de données.
D’autres travaux sur le même sujet sont rassemblés sous application de l’IA.
Sources des faits
Écran d'exécution de l'outil livré