Archives par étiquette : échantillon

Création de sous-corpus de flux RSS à partir de la base Géomédia : note méthodologique

Par Benjamin Loveluck (post-doctorant Géomédia, université Paris Diderot) avec la collaboration de Hugues Pecout (ingénieur d’étude, GIS-CIST)

L’application Géomédia, dont une courte description a déjà été proposée, collecte un nombre important de flux RSS (plus de 250) qui proviennent d’un vaste corpus de journaux (plus de 160). Ces flux sont très hétérogènes, et il n’est donc généralement pas pertinent de travailler avec l’intégralité de la base. Nous proposons ici d’expliciter les principaux critères qui permettent au chercheur de construire des sous-corpus cohérents, en fonction des hypothèses à tester, de l’événement auquel on s’intéresse, des objectifs et des priorités de l’étude.

Il s’agit ainsi de déterminer les caractéristiques des flux que l’on souhaite analyser, qui varient en fonction de six dimensions principales :

  1. Les attributs médiatiques des journaux collectés (hard news vs soft news, public visé, positionnement politique etc.)
  2. Les différentes langues de publication
  3. La représentativité géographique, dans la mesure où le nombre de flux collectés varie significativement d’un pays à un autre : pour beaucoup de pays, la base ne collecte les flux que d’un seul journal, alors que pour un petit nombre de pays le nombre de journaux représentés est plus important (entre 2 et 11 journaux différents)
  4. La temporalité de la collecte, qui n’est pas uniforme puisque tous les flux n’ont pas été « branchés » au même moment, et certains ont été interrompus
  5. Les différents types de flux collectés, qui correspondent à des rubriques ou à des catégories d’information différentes (international, breaking news etc.)
  6. Enfin les spécificités techniques des flux, qui peuvent diverger de manière importante aussi bien sur le plan du « contenu » (richesse et pertinence des titres et des descriptions etc.) que sur celui de la « forme » (régularité, débit etc.)

Continuer la lecture

Un échantillon de données collectées par le projet ANR Géomédia

L’ANR Corpus Géomédia a pour objectif de mettre à disposition l’ensemble de sa base de données en libre accès, à la fin du projet (juin 2016). Néanmoins, nous mettons dès aujourd’hui un échantillon de la base de données à disposition, afin d’amorcer un échange avec le monde scientifique sur les méthodes de traitement, d’enrichissement et de représentation visuelle des données de flux RSS médiatiques. L’échantillon proposé correspond à l’ensemble des items (articles) RSS collectés entre le 1er octobre 2014 et le 31 décembre 2014 pour 8 flux RSS.

 

3 langues sont utilisées dans cet échantillon : l’anglais (5 flux), l’espagnol (2 flux) et le français (1 flux). Les 8 flux sont originaires de 8 pays différents (Australie, Chili, Chine, France, Royaume-Uni, Inde, Mexique et États-Unis). Les flux proposés ont fait l’objet d’un traitement préalable permettant notamment de reconnaître avec une bonne approximation les pays concernés par les items.

Lien vers la page de téléchargement : cliquer ici.

N.B. Les données mises à disposition sont utilisables uniquement dans une perspective de recherche scientifique, à l’exclusion de toute utilisation commerciale. Les personnes intéressées par la mise à disposition d’un corpus plus important peuvent contacter les responsables du projet ANR Géomédia à l’adresse suivante. geomedia@gis-cist.fr