Analyseur de thèmes et de sentiments des commentaires
Les commentaires de vidéos collectés par mot-clé sont regroupés par thème, avec la répartition entre avis positifs et négatifs. Le nombre de thèmes se règle à l'écran. L'outil permet aux chercheurs de modifier eux-mêmes les paramètres et de relancer l'analyse.
Identification des thèmes abordés
Avant
Lecture en diagonale et appréciation intuitive
Après
Répartition par thème et par sentiment
Les écrans sont reconstitués avec des données fictives pour protéger les informations clients.
Contexte
Une recherche par mot-clé sur un sujet donné permet de collecter plusieurs milliers de commentaires YouTube. Ce qui intéresse la recherche, ce sont les grands axes de discussion qui s’en dégagent. Or une lecture intégrale ne les fait pas apparaître : on en lit quelques centaines et l’on extrapole le reste.
Le problème
Mesurer un « pourcentage d’avis positifs » ne suffisait pas. Il faut d’abord identifier les sujets abordés pour savoir à quoi se rapporte chaque sentiment. Il fallait donc traiter séparément le découpage thématique et l’analyse de sentiment, puis croiser les deux.
Les chercheurs devaient aussi pouvoir modifier eux-mêmes les paramètres et relancer l’analyse. Le nombre de thèmes n’a pas de valeur juste a priori ; il se détermine au fil de l’examen des données. S’il était figé dans le code, chaque nouvel essai nécessiterait notre intervention.
Ce que nous avons réalisé
- Modélisation thématique — les commentaires sont regroupés par thème. Le nombre de thèmes, le nombre d’itérations et le nombre de mots principaux se règlent directement à l’écran
- Visualisation des fréquences — les 10 mots les plus fréquents sont présentés sous forme de barres
- Proportion par thème — un diagramme circulaire indique la part des commentaires qui abordent le thème choisi
- Répartition des sentiments — la proportion d’avis positifs et négatifs est présentée en parallèle
Résultats
Les milliers de commentaires collectés pour chaque mot-clé sont restitués sous forme de groupes thématiques et de répartition des sentiments. Dans les deux cas présentés à l’écran, 21.6% et 24.4% des commentaires abordaient le thème choisi.
Les chercheurs ajustent eux-mêmes les paramètres et relancent l’analyse.
Nos autres réalisations sur ce thème sont réunies dans Analyse de données.
Nos autres réalisations sur ce thème sont réunies dans Intégration de l’IA.