Introduction : Une nouvelle lentille sur le passé

Pendant des siècles, les historiens se sont appuyés sur un ensemble limité de sources primaires, soit des récits de témoins, des documents officiels et des ouvrages publiés, pour reconstruire le paysage émotionnel des époques passées. Ces sources, certes inestimables, sont nécessairement sélectives et reflètent souvent les vues d'une petite élite alphabétisée. La grande majorité des voix historiques, soit les réactions des citoyens ordinaires, les humeurs changeantes d'une population, les vagues silencieuses d'approbation ou de dissidence, demeurent largement inaccessibles. L'émergence des humanités numériques et l'analyse du texte computationnel ont commencé à changer. L'analyse du sentiment, ou l'extraction de l'opinion, offre aux historiens un puissant nouvel outil pour mesurer systématiquement le ton émotionnel dans des collections massives de textes, fournissant un épine dorsale quantitative pour comprendre l'opinion publique dans le passé.

Qu'est-ce que l'analyse du sentiment?

L'analyse des sentiments est un sous-domaine du traitement du langage naturel (NLP) qui utilise des méthodes de calcul pour identifier et extraire des informations subjectives du texte. L'objectif est de classer la polarité d'un passage donné, qu'il exprime un sentiment positif, négatif ou neutre, et souvent de mesurer l'intensité de ce sentiment.

Approches basées sur le lexique

Par exemple, un mot comme «joyful» peut être noté comme +3, tandis que «despair» peut être noté comme -3. L'algorithme compte la fréquence et l'intensité de ces mots dans un texte et les moyennes pour produire une note globale de sentiment. Les lexiques populaires comprennent l'AFINN, SentiWordNet et l'Inquirer général. Pour la recherche historique, les lexiques doivent être soigneusement adaptés, comme des significations de mots et des connotations émotionnelles changent au fil du temps. Un terme comme «amer» au XVIIIe siècle pourrait signifier «super-inspirant» plutôt que «terrible».

Apprentissage automatique et apprentissage approfondi

Les systèmes plus avancés forment des modèles sur de grands corpus de textes qui ont été étiquetés manuellement pour le sentiment. Ces modèles apprennent à reconnaître les modèles, y compris les séquences de mots, les structures syntaxiques et le contexte. Les réseaux neuronaux récurrents (RNN) et les architectures basées sur les transformateurs comme BERT ont atteint des performances de pointe dans les tâches de sentiment général. Pour le texte historique, l'affinage de ces modèles sur la langue adaptée aux périodes – capturant les changements de grammaire, de vocabulaire et d'idiome – reste un domaine de recherche actif.

Construire le corps historique : sources de données textuelles

La qualité et la portée d'une étude d'analyse des sentiments dépendent de façon critique des données. Les chercheurs historiques compilent des ensembles de données provenant de diverses sources numérisées, chacune ayant ses propres forces et limites.

Journaux et périodiques numérisés

Les collections massives comme la base de données Chronicling America de la Bibliothèque du Congrès ou British Newspaper Archive[ fournissent des millions de pages couvrant des siècles. Les journaux sont riches en commentaires rédactionnels, lettres à l'éditeur et discours rapportés, ce qui les rend idéales pour suivre le discours public.

Journaux et lettres personnels

Les collections d'écritures personnelles offrent une fenêtre plus intime sur le sentiment. Des projets comme Diaries of War[ ou la correspondance transcrite de figures historiques permettent aux chercheurs de suivre les trajectoires émotionnelles individuelles au fil du temps. Ces textes sont souvent moins formels et plus émotifs, ce qui les rend utiles pour l'analyse du sentiment.

Discours politiques et documents gouvernementaux

Les documents officiels, y compris les débats parlementaires, les discours présidentiels et les câbles diplomatiques, constituent un registre officiel des sentiments, qui sont très structurés et souvent rédigés avec soin pour projeter un ton spécifique. L'analyse des sentiments sur les discours peut révéler des changements de rhétorique politique, par exemple, le sentiment négatif croissant des mois qui mènent à la guerre.

Autres sources : Brochures, romans et archives des médias sociaux

Les brochures et les larges faces étaient le contenu viral des siècles précédents, souvent rempli d'opinions fortes. Romans et œuvres littéraires, tandis que fictionnels, encodent les sentiments culturels et les paniques morales. Plus récemment, les archives des premiers médias sociaux – comme les messages Usenet des années 1980 et 1990 – offrent un pont vers l'ère numérique.

Applications: Études de cas dans l'analyse des sentiments historiques

L'analyse du sentiment a été appliquée à un éventail croissant de questions historiques, ce qui a permis de dégager des idées qui complètent les méthodes qualitatives traditionnelles.

Suivi du moral en temps de guerre et de l'anxiété publique

Dans l'étude de la guerre civile américaine, des chercheurs ont analysé des milliers de journaux et de lettres en utilisant l'analyse des sentiments pour cartographier les fluctuations du moral chez les soldats et les civils. En marquant chaque entrée pour la valence émotionnelle, ils ont observé que le sentiment négatif a augmenté après les grandes batailles et pendant les périodes de difficultés économiques, tandis que le sentiment positif était en corrélation avec les victoires de l'Union et les nouvelles d'émancipation.

Crises économiques et lutte sociale

La Grande Dépression des années 1930 a laissé une empreinte textuelle massive dans les journaux, les rapports gouvernementaux et les lettres à la Maison Blanche. Une étude a appliqué l'analyse du sentiment aux lettres envoyées au président Franklin D. Roosevelt, en constatant que le sentiment négatif a atteint un sommet autour des jours fériés et de l'adoption de la Loi sur la sécurité sociale, qui a suscité la controverse.

Mouvements sociaux et changement culturel

Les chercheurs ont décrit comment le sentiment de pro-suffrage s'est accru dans les grands journaux à la suite de grandes manifestations et de l'entrée des États-Unis dans la Première Guerre mondiale, qui ont encadré la contribution des femmes à l'effort de guerre. L'analyse du sentiment sur les écrits des suffragistes eux-mêmes révèle un mélange complexe de frustration, d'espoir et de colère stratégique. La méthode permet également des études comparatives dans différentes régions et périodes, montrant comment la teneur émotionnelle du mouvement varie.

Tracer les changements à long terme dans l'humeur culturelle

Les applications les plus ambitieuses tentent peut-être de mesurer le « mors » d'une période culturelle entière.Par exemple, les chercheurs ont utilisé l'analyse des sentiments sur des millions de livres des XIXe et XXe siècles pour suivre le flux d'optimisme par rapport au pessimisme.Ces études suggèrent que l'ère victorienne a eu un cycle de sentiments distinct, avec des pics pendant les périodes d'expansion impériale et des creux pendant les dépressions économiques.

Défis méthodologiques et meilleures pratiques

L'application de l'analyse du sentiment au texte historique n'est pas une simple question de faire fonctionner un algorithme moderne sur des données anciennes.

Changements linguistiques et contexte

Les significations des mots évoluent. « Nice» signifie «fausse» ou «ignorant»; «silly» signifie «béni» ou «heureux». Le sarcasme, l'ironie et la métaphore sont notoirement difficiles à utiliser pour les algorithmes, et les textes historiques sont riches en eux. Une phrase comme «Quelle idée brillante de couler le navire» pourrait être interprétée comme positive par un lexique naïf. Les chercheurs doivent former des modèles sur un langage spécifique à une période et souvent utiliser des annotations humaines pour valider les résultats.

Bénéfices et représentativité de l'échantillonnage

Les textes qui survivent et sont numérisés ne sont pas un échantillon aléatoire d'opinions historiques. Les archives représentent souvent de façon excessive les voix de l'élite, des alphabétisés et des politiquement actifs. Les femmes, les minorités et les pauvres sont sous-représentés. L'analyse du sentiment peut par inadvertance renforcer ces biais si l'ensemble de données n'est pas soigneusement construit.

Validation et vérité fondamentale

Dans les applications modernes, la vérité fondamentale est établie par l'étiquetage humain. Pour le texte historique, il est souvent impossible de demander aux gens de l'époque comment ils se sentent. Les chercheurs doivent utiliser d'autres preuves historiques – comme les résultats électoraux, la participation à des manifestations ou des comptes contemporains – pour valider les scores sentimentaux. Ils peuvent également compter sur plusieurs annotateurs humains indépendants formés dans des contextes historiques pour inscrire un sous-ensemble des données.

Échelle par rapport à la profondeur

L'analyse du sentiment excelle à la détection de motifs sur des milliers de textes, mais elle manque souvent la subtilité des voix individuelles. Une seule entrée de journal peut être profondément ambivalente, mais l'algorithme peut la moyenne à neutre. Les études les plus efficaces combinent l'analyse quantitative et la lecture étroite de textes représentatifs.

L'avenir de l'analyse du sentiment historique

À mesure que la technologie NLP progresse et que le texte est plus ancien, il est disponible sous forme lisible par machine, et le champ est en voie de croissance.

Analyse multilingue et interculturelle

L'analyse du sentiment actuel est fortement centrée sur l'anglais. L'étendre à d'autres langues – et plus difficile encore, aux langues mortes comme l'anglais latin ou médiéval – ouvrira de nouvelles perspectives pour la recherche historique mondiale. Des projets comme sont en train de développer des modèles linguistiques historiques pour les textes anciens et médiévaux.

Détection d'émotions finement grainées

Plutôt que de simples polarités positives/négatives, de nouveaux modèles peuvent détecter des émotions discrètes telles que la colère, la peur, la confiance, la surprise et la joie. Ceci est particulièrement utile pour l'histoire, où la palette émotionnelle est nuancée. La colère pourrait précéder une révolution, tandis que la peur pourrait accompagner une peste.

Dynamique temporelle et détection d'événements

Les séries chronologiques du sentiment peuvent être corrélées avec des événements historiques, mais les algorithmes eux-mêmes peuvent aussi aider à identifier les événements. Par exemple, une soudaine augmentation du sentiment négatif à travers un corpus peut signaler une crise ou un tournant non remarqué.

Intégration avec d'autres sources de données

Les plus riches enseignements historiques proviendront de la combinaison de l'analyse du sentiment et d'autres formes de données quantitatives — indicateurs économiques, relevés météorologiques, statistiques démographiques —, par exemple, l'établissement d'un lien entre le ton émotionnel et les prix des cultures ou les taux de mortalité, peut révéler comment les difficultés économiques se traduisent par une humeur publique.

Conclusion : Accroître la compréhension historique

L'analyse du sentiment ne remplacera jamais l'interprétation, le contexte et l'empathie de l'historien. L'algorithme ne sait pas qu'un soupir de soulagement dans une lettre d'un soldat à la veille de la bataille a un poids différent de celui d'un politicien qui a fabriqué son enthousiasme. Mais comme outil de reconnaissance de l'échelle et du modèle, il offre quelque chose qu'aucun historien ne peut réaliser : la capacité de tracer les courants émotionnels d'une société entière au fil des décennies. Il nous oblige à confronter l'agrégat, à voir non seulement les voix extraordinaires mais le murmure de la foule.

À mesure que ce domaine mûrira, il deviendra probablement une composante standard de la trousse méthodologique de l'historien, complétant les sources et les récits traditionnels. Le résultat sera une compréhension plus riche et plus texturée de la vie émotionnelle des générations précédentes – et peut-être une compréhension plus profonde du rôle que joue le sentiment dans la façon de façonner l'histoire elle-même.