Nombres de comblage et narratifs

Les historiens ont longtemps tiré des enseignements des lettres, des journaux, des archives et d'autres artefacts textuels.Ces sources qualitatives préservent la texture de l'expérience vécue, mais leur richesse résiste souvent à des comparaisons systématiques dans le temps ou la géographie. Appliquer des méthodes quantitatives à ce matériau offre un chemin au-delà de la simple anecdote : il permet aux chercheurs de mesurer les fréquences, de détecter les modèles et de tester les hypothèses contre les preuves mesquines du passé.

La tension entre nombres et récits est plus ancienne que la discipline elle-même. Des historiens du XIXe siècle comme Leopold von Ranke ont insisté sur la rigueur scientifique dans la critique source, mais la profession a largement adopté l'interprétation herméneutique comme méthode principale. Le tournant quantitatif des années 1960 et 1970, dirigé par les Français Annales et les cliométriques américains, ont contesté ce consensus en appliquant l'analyse statistique aux documents démographiques et économiques. Aujourd'hui, la montée des archives numériques à grande échelle et des outils informatiques accessibles a étendu ces méthodes bien au-delà de leurs domaines d'origine, dans l'histoire culturelle, sociale et intellectuelle.

L'évolution de l'histoire des données

Au cours des deux dernières décennies, les humanités numériques ont transformé la boîte à outils des historiens. Des projets de numérisation massive – des archives des journaux européens à la correspondance des premiers politiciens américains – ont rendu des millions de pages consultables. En même temps, les méthodes computationnelles ont mûri, permettant une analyse systématique de volumes qui seraient impossibles à lire dans une vie. Cette convergence a donné naissance à un domaine souvent appelé histoire quantitative ou climatique[, bien que les méthodes s'étendent maintenant bien au-delà de l'histoire économique.

La validation externe renforce cette tendance.Le Journal of Interdisciplinaire History publie régulièrement des études qui combinent l'analyse statistique et les sources d'archives. De même, l'Institut de recherche historique a organisé des ateliers sur l'analyse des textes et des réseaux, signalant l'acceptation institutionnelle de ces approches.Les principaux organismes de financement privilégient désormais les méthodes numériques : la dotation nationale pour les humanités parraine des dizaines de projets à forte intensité de données chaque année, tandis que le Conseil européen de la recherche a financé des initiatives pluriannuelles sur tout, des anciens réseaux commerciaux romains aux flux de propagande du XXe siècle.

Néanmoins, l'intégration reste inégale. Certains sous-domaines, l'histoire économique et démographique, ont utilisé la quantification pendant des décennies, tandis que d'autres, comme l'histoire intellectuelle ou l'histoire des émotions, commencent à explorer ce que les chiffres peuvent offrir. L'inégalité est en partie une fonction de la matière première : un rouleau fiscal ou un rapport de recensement est déjà structuré, alors qu'un journal ou un sermon nécessite un traitement préalable approfondi.

Du texte aux nombres : Codage et au-delà

Le défi fondamental consiste à transformer un texte non structuré en données structurées et analyzables. La technique la plus courante est le codage , où un chercheur définit un ensemble de catégories et enregistre ensuite la présence, l'absence ou la fréquence de ces catégories dans chaque source. Ce processus peut être fait manuellement ou, de plus en plus, à l'aide d'algorithmes d'apprentissage automatique. Le choix entre le codage manuel et automatisé dépend de la taille du corpus, de la complexité des catégories et de la nécessité de nuance interprétative.

Codage catégorique

Dans le codage catégorique, l'historien lit chaque document et l'assigne à un ou plusieurs thèmes prédéfinis. Par exemple, une étude des lettres des travailleurs du XIXe siècle pourrait coder chaque paragraphe pour des références aux salaires, aux conditions de travail, aux obligations familiales ou à l'idéologie politique. Chaque code devient une variable binaire (0/1) ou ordinale (1=rare, 2=occasionnel, 3=fréquent).Une fois tous les documents codés, le chercheur peut calculer des corrélations – par exemple, montrant que les mentions de =souffrance = pic dans les lettres écrites pendant les ralentissements économiques.

Un code-book bien conçu est essentiel, qui devrait inclure non seulement les noms de catégorie, mais aussi les critères d'inclusion et d'exclusion, des passages par exemple et des règles de décision pour les cas ambigus. Par exemple, un code pour l'engagement politique pourrait préciser qu'il comprend toute mention de voter, assister à des réunions, signer des pétitions ou lire des journaux politiques, mais exclut les références génériques à --le gouvernement sans contenu évaluatif.

Analyse du contenu et fréquences des mots

Une approche plus automatisée est analyse du contenu[, qui repose sur le nombre de mots ou de phrases. Des outils comme Outils de vote[ permettent aux historiens de télécharger un corpus de textes et de générer instantanément des tables de fréquences, de regroupements et de mots-clés dans le contexte.

L'analyse du contenu nécessite un prétraitement soigneux. L'élimination des mots stop (filtrage des mots courants comme - , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , ,

Reconnaissance de l'entité désignée

Un traitement plus sophistiqué des langues naturelles peut identifier les noms appropriés : personnes, lieux, organisations et dates. La reconnaissance d'entités nommée (NER) transforme une collection de lettres personnelles en un calendrier de réunions, de voyages et de partenaires de correspondance.

Les modèles de RNE formés sur des textes modernes d'actualités fonctionnent souvent mal sur des sources historiques, qui utilisent l'orthographe archaïque, la capitalisation idiosyncratique et différentes conventions de nommage. Le système Stanford NER[ et la bibliothèque spaCy[ soutiennent la formation personnalisée et plusieurs corpus historiques (p. ex., les Corpus of Late Modern English Texts) incluent les annotations d'entités qui peuvent être utilisées pour l'apprentissage du transfert.

Analyse des sentiments et des émotions

L'analyse du sentiment et de l'émotion dans les textes historiques est un domaine de plus en plus important de l'histoire computationnelle. Des modèles pré-formés comme VADER (Dictionnaire averti de la valonce pour la raison d'un sEntiment) ou plus récents de classificateurs basés sur un transformateur peuvent attribuer des scores de polarité (positifs/négatifs/neutres) à des phrases ou à des documents.

Le langage historique utilise différents registres émotionnels que la parole contemporaine, et le sarcasme, l'ironie et l'insouciance résistent à la détection algorithmique. Un soldat qui écrit -Le temps est beau - tout en décrivant un camp boueux peut déployer l'humour stoïque qu'un classificateur de sentiment pourrait mal lire comme positif. Les études les plus fiables combinent la notation automatique du sentiment avec une lecture étroite de documents aberrants – ceux qui ont les scores les plus extrêmes – pour interpréter ce que les chiffres signifient réellement en contexte.

Méthodes statistiques de la recherche historique

Une fois les données qualitatives converties en chiffres, les historiens peuvent appliquer une série de techniques statistiques. Le choix dépend de la question : décrire les modèles, comparer les groupes ou tester les relations de cause à effet.

Statistiques descriptives

Un historien qui étudie les attitudes à l'égard de la révolution industrielle pourrait signaler que 42 % des entrées de journaux de 1790–1800 mentionnent des machines, comparativement à seulement 18 % dans les décennies après 1820. Ces chiffres bruts constituent un élément empirique pour un argument sur l'évolution des perceptions. La mesure de la dispersion – l'étendue, l'intervalle interquartillaire ou l'écart type – ajoute une plus grande perspicacité : une forte variance de la fréquence des mentions de machines entre les journaux laisse entendre que les attitudes ont été polarisées, tandis que la faible variance indique un large consensus.

Par exemple, une étude des inventaires de prouvés anglais du XVIIIe siècle pourrait constater que 65 % des testaments urbains mentionnent des livres, comparativement à 40 % des testaments ruraux. Un test chi carré peut déterminer si cet écart est plus grand que ce qui serait attendu de la variabilité de l'échantillonnage seulement, donnant à l'historien la confiance que la division urbaine-rurale dans les possessions liées à l'alphabétisation est un modèle réel plutôt qu'un artefact statistique.

Analyse de la série chronologique

Pour les questions qui impliquent des changements dans le temps, l'analyse de séries chronologiques est inestimable. En traçant la fréquence d'un mot ou d'un thème par année, un historien peut identifier des points de tournant, des cycles et des accélérations. Par exemple, compter l'utilisation du mot -liberty , dans les brochures révolutionnaires françaises mois par mois, révèle des pics pendant les moments clés de 1789 et 1793.

Les techniques plus avancées de séries chronologiques comprennent les moyennes mobiles (en assouplissant les fluctuations à court terme pour révéler des tendances plus longues), l'analyse de l'autocorrélation (test de la prédiction d'une valeur temporelle) et la détection des ruptures structurelles (identification des points de changement statistique qui correspondent à des événements historiques documentés). Le test Bai-Perron, par exemple, peut identifier de multiples points de rupture dans une série de fréquences de mots et les aligner sur des changements politiques ou culturels connus. La régression de la série chronologique peut également contrôler les variables confusions : une étude de la censure pourrait modéliser les nombres de mots de journaux en fonction des décrets gouvernementaux et des conditions économiques, en isolant l'effet de la censure de l'effet de l'inflation ou des échecs de récolte.

Analyse de réseau

L'analyse des réseaux examine les relations entre acteurs historiques. Un ensemble de correspondances de lettres devient un graphique où chaque personne est un nœud et chaque lettre est un bord. La centralité, qui permet de mesurer qui est le plus connecté, peut identifier des leaders d'opinion ou des courtiers en information. Cette technique a été appliquée aux réseaux de correspondance des Lumières, montrant comment les idées se propagent de Paris aux académies provinciales.

Les mesures de centralité communes comprennent degré centrality (nombre de connexions directes), entre-deux-centricité[ (fréquence avec laquelle un noeud se trouve sur le chemin le plus court entre deux autres nœuds), et centralité du vecteur propre[ (mesure qui tient compte non seulement du nombre de connexions qu'un noeud a, mais de la bonne connexion de ses voisins).Les outils de visualisation du réseau comme Gephi[ et Palladio[ permettent aux historiens de rendre ces structures graphiquement, rendant visibles en un coup d'oeil les schémas de courtage, d'isolement et de communauté.

Analyse de régression

Une régression logistique pourrait modéliser la probabilité qu'une lettre mentionne la politique radicale en fonction de l'occupation, de l'emplacement et du niveau d'alphabétisation de l'auteur. Une régression linéaire multiple pourrait prédire la durée d'un procès en fonction du type de crime, du statut social de l'accusé et de l'année de la procédure. La clé est d'inclure des variables de contrôle qui expliquent d'autres explications : si les accusés plus riches ont reçu des peines plus courtes, c'est que, en raison de partialités de classe ou parce qu'ils pourraient offrir une meilleure représentation juridique? Un modèle de régression bien spécifié avec des contrôles appropriés peut aider à démêler ces facteurs.

Les historiens qui utilisent la régression doivent être particulièrement attentifs aux hypothèses : linéarité, indépendance des erreurs, homoscédasisme et spécification correcte. Les données d'archives répondent rarement à toutes ces hypothèses. Les données de séries chronologiques présentent souvent une autocorrélation, violant l'indépendance. Des variables catégoriques comme la classe sociale peuvent avoir des effets non linéaires.

Applications du monde réel

Pour voir ces méthodes en action, il faut considérer deux problèmes historiques typiques et les stratégies quantitatives qu'ils exigent.

Analyse des lettres révolutionnaires

Un historien veut comprendre comment les citoyens ordinaires ont vécu la Révolution française. Le matériel source est un cache de 500 lettres écrites entre 1789 et 1795. Le codage manuel révèle que 30% des lettres mentionnent des pénuries alimentaires, 22% mentionnent des clubs politiques, et seulement 8% mentionnent le roi. Un complot de séries chronologiques montre que les références au roi baissent brusquement après le vol vers Varennes en 1791, tandis que les mentions de la Convention nationale augmentent. Une analyse en réseau des destinataires de lettres montre que l'information voyageait largement par les prêtres paroissiaux et les fonctionnaires locaux.

En étendant cet exemple, l'historien pourrait appliquer l'analyse du sentiment pour mesurer la valeur émotionnelle des lettres au fil du temps, en constatant que le sentiment positif culmine après l'abolition des privilèges féodaux en août 1789 et tombe à un nadir pendant la Terrerre de 1793–1794. Un modèle de régression pourrait tester si le déclin du sentiment positif est mieux prédit par les prix des aliments, les défaites militaires ou les purges politiques. Les résultats quantitatifs guideraient alors l'historien vers les lettres elles-mêmes : lire les aberrations les plus négatives, les lettres de la période où le modèle prédit une forte positivité mais le sentiment réel est faible, et vice versa. Cette boucle itérative entre modélisation statistique et lecture étroite produit une compréhension plus riche que l'une ou l'autre méthode seulement.

Quantification de la censure dans les archives de presse

Elle utilise l'analyse de contenu pour mesurer la fréquence des mots comme -liberté, -constitution, et -censure dans les journaux sur une période de 30 ans. Elle constate qu'après les décrets Carlsbad de 1819, le mot -liberté a chuté de 60% et a été remplacé par -order et -dety. -Un modèle de régression peut alors tester si ces changements linguistiques sont en corrélation avec des actions gouvernementales spécifiques, contrôlant les cycles saisonniers.

Une analyse plus fine examinerait non seulement les fréquences des mots, mais aussi les modèles de collocation – les mots qui apparaissent près de -liberté -avant et après les décrets. Avant 1819, -liberté -peut co-exister avec -occurence, -speech, -speech, -assembly, -; après 1819, il pourrait co-occuper avec -occurence dans la loi, -responsable, --rechargeable, et -duty. - Ce changement indique une redéfinition du concept lui-même, pas seulement un déclin de l'utilisation.

Surmonter les pièges communs

Les méthodes quantitatives sont puissantes mais dangereuses lorsqu'elles sont mal appliquées. Les historiens doivent se garder de plusieurs erreurs récurrentes.

Éviter le présentisme

Les catégories qui nous semblent naturelles aujourd'hui ne correspondent peut-être pas à la façon dont les acteurs historiques pensaient.Les lettres de codage pour -"anxiété économique" supposent qu'un tel concept existait sous la même forme au XVIIIe siècle – une hypothèse qui peut fausser la source. La meilleure garantie est de dériver des catégories induisantes, à partir du texte lui-même, et de documenter la justification du codage de manière transparente.

Assurer la fiabilité de l'intercodeur

Si un codeur appelle une lettre --------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Préserver le contexte et la nuance

Le plus grand risque de quantification est le réductionnisme. Un nombre de mots ne peut pas capter l'ironie, le sarcasme ou l'ellipsie. Lorsque les données codées suggèrent une corrélation nette, l'historien doit revenir au texte pour comprendre ce que cette relation signifie réellement en termes humains. Les études les plus convaincantes combinent des tableaux statistiques avec des citations étendues, montrant le lecteur à la fois le modèle et l'expérience vécue derrière lui.

Bénéfices de survie et sélection des sources

Les documents officiels étaient plus susceptibles d'être conservés que les écrits personnels éphémères; les documents des personnes alphabétisées et puissantes survivent à des taux plus élevés que ceux des pauvres et des marginalisés. L'analyse quantitative qui ignore ces effets de sélection risque de produire des résultats précis mais trompeurs. Les historiens devraient discuter explicitement de la provenance et de l'exhaustivité de leur corpus et, si possible, utiliser plusieurs sources indépendantes pour trianguler les résultats. L'analyse de sensibilité – en vérifiant si les résultats tiennent compte lorsque l'échantillon est limité à certains types de sources – peut évaluer l'impact du biais de sélection.

Sur-aménagement et accroche-p-hack

Avec de grandes séries de données et de nombreuses variables possibles, la tentation de rechercher des résultats significatifs est forte. Effectuer des dizaines de tests et ne signaler que ceux qui atteignent p < 0,05 produit de faux positifs. Les historiens devraient pré-enregistrer leur plan d'analyse, corriger pour de multiples comparaisons (en utilisant Bonferroni ou de faux ajustements du taux de découverte), et rapporter tous les tests effectués, pas seulement les plus significatifs.

Outils et technologies

Un historien n'a pas besoin d'apprendre la programmation pour commencer à utiliser des méthodes quantitatives. Il existe une gamme de logiciels spécialisés, ainsi que des flux de travail bien documentés.

Logiciel d'analyse qualitative des données

Les programmes comme NVivo[ et MAXQDA[ sont conçus pour le codage manuel des sources textuelles. Ils permettent au chercheur de créer un codebook, des passages de tags, puis d'exécuter des requêtes qui montrent les fréquences de code, les co-occurrences et les modèles à travers les documents. Des captures d'écran annotées de ces outils peuvent être incluses dans les publications pour démontrer la cohérence du codage.Les deux programmes soutiennent le travail de méthodes mixtes : l'historien peut basculer entre une vue statistique des fréquences de code et une vue de lecture étroite des passages codés, en maintenant la relation itérative entre les nombres et le texte.

Langues de programmation pour l'analyse avancée

Pour les corps de plus grande taille ou les statistiques plus sophistiquées, Python ou R deviennent essentiels. Les bibliothèques Python et traitent le traitement en langage naturel; les paquets R et fournissent une grammaire pour l'extraction de texte. Plusieurs manuels en ligne gratuits, tels que L'extraction de texte avec R, offrent des exemples spécifiques à l'historien. Même un script modeste peut traiter 10 000 documents en minutes, générant des tables de fréquence et des nuages de mots qui prendraient des mois pour produire à la main.

Plateformes basées sur le cloud

Des outils comme Voyant Tools et AntConc[ ne nécessitent aucune installation et ne sont pas lancés dans un navigateur. Ils sont idéaux pour l'analyse exploratoire : télécharger un corpus texte, et en quelques secondes l'historien peut voir les mots les plus communs, leur distribution sur les documents, et une liste de mots-clés en contexte. Bien que ces plateformes ne disposent pas de la rigueur statistique de R ou Python, elles permettent une itération rapide et une génération d'hypothèses.

Gestion et archivage des données

La norme Data Documentation Initiative[ (DDI) fournit un schéma de métadonnées pour décrire les données en sciences sociales, y compris les définitions variables, les schémas de codage et la provenance. Des dépôts comme UK Data Archive[ et ICPSR[ acceptent les ensembles de données historiques et attribuent des DOI à des fins de citation. La publication des données en même temps que l'article permet à d'autres chercheurs de reproduire l'analyse, de tester des modèles alternatifs ou de combiner les données avec d'autres sources.

Orientations futures et considérations éthiques

À mesure que les archives numériques grandissent, la British Library seule a numérisé 65 millions de pages de journaux, des méthodes quantitatives deviendront encore plus indispensables. Les modèles d'apprentissage automatique peuvent désormais classer les émotions dans les journaux historiques ou détecter des modèles de censure dans des bibliothèques nationales entières. Cependant, ces techniques posent de nouveaux défis.

Les grands modèles de langage (LLM)[ représentent une nouvelle frontière, mais une frontière dangereuse. L'utilisation de GPT ou de modèles similaires à des textes historiques -lisez-les et génèrent des résumés ou des classifications risque de reproduire des biais modernes, d'imposer un vocabulaire contemporain sur les expériences passées et de fabriquer des preuves par hallucination. Si les historiens utilisent des LLM, ils doivent le faire avec une extrême prudence : valider les sorties par rapport aux sources primaires, documenter toutes les promptes et versions de modèles, et ne jamais traiter les sorties de modèles comme un substitut à la lecture humaine.

La souveraineté des données est une préoccupation croissante, particulièrement lorsqu'on travaille avec des sources issues de communautés autochtones, d'archives coloniales ou de collections culturellement sensibles. L'analyse quantitative des lettres personnelles, des journaux ou des histoires orales soulève des questions sur le consentement, la vie privée et la représentation.Les historiens devraient s'engager avec les détenteurs d'archives et les communautés descendantes sur l'utilisation appropriée des données.

La pression pour la quantification ne doit pas occulter la valeur de l'herméneutique traditionnelle. L'écriture historique la plus puissante sera toujours celle qui passe d'une table statistique à une histoire humaine. Les preuves quantitatives montrent que 42 % des lettres mentionnent des difficultés économiques; l'historien a alors pour tâche d'expliquer ce que cette difficulté a ressenti — l'anxiété d'une récolte ratée, l'humiliation de la dette, la terreur de l'expulsion.

Conclusion

L'intégration de méthodes quantitatives dans la recherche historique qualitative approfondit la compréhension et offre de nouvelles perspectives. Lorsqu'elles sont utilisées avec soin, ces techniques complètent l'analyse traditionnelle et aident à découvrir des modèles à travers de grands ensembles de données. Le chemin du texte au nombre n'est jamais neutre – il faut un codage transparent, une modélisation statistique minutieuse et un retour constant au matériel source pour validation et interprétation.

L'avenir de l'histoire ne réside pas dans le choix entre ces deux modes, mais dans la maîtrise des deux. L'historien qui peut coder un modèle de régression et aussi s'asseoir avec une lettre, lire entre les lignes pour le ton et affecter, possède la boîte à outils la plus riche pour comprendre le passé. Les chiffres nous donnent échelle et modèle; les récits nous donnent sens et texture. Ensemble, ils font l'histoire plus que l'un ou l'autre seul.