Archives par étiquette : tag

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

Un premier essai de mesure de la médiatisation des villes européennes à l’aide des flux RSS internationaux

Par Claude Grasland et Marion Le Texier, dans le cadre du projet ESPON “Feasibility Study on Analytical Tools based on Big Data” coordonnée par Marta Severo.

L’obtention d’un contrat d’étude du programme ESPON sur l’utilité des “Big Data” pour l’analyse des régions et des villes européennes a été l’occasion de tester les problèmes que pose la reconnaissance des villes mentionnées dans les flux RSS collectés par l’ANR Geomédia.  Sans entrer dans le détail des résultats du projet (qui est actuellement en cours), on peut dire que l’expérience a confirmé certaine des difficultés rencontrées pour l’identification des pays (Cf. billet de L. Beauguitte et A. Brennetot) et la nécessité d’accompagner les procédures de reconnaissance automatique de tests de vérification manuelle. Voici à titre d’exemple la hiérarchie des villes obtenues en totalisant les villes reconnues dans 17 flux RSS, avec identification des erreurs révélées par la vérification manuelle.

Error_cities

Le cas de “Nancy” qui passe de 49 citations à 0 après vérification manuelle est évidemment l’illustration d’un problème de confusion entre noms de lieux et de personne ou d’objet que nous avions déjà rencontré pour les pays (“Hollande” désigne-t-il une région des Pays-Bas ou un président français).

Les cas de “Sevilla”, “Venezia”, “Palma” ou “Santa Cruz” soulève un problème différent, et sans doute plus spécifique aux villes qu’aux pays, qui est la présence de nombreuses villes portant le même nom dans différents pays du Monde. Dans l’exemple étudié, un meurtre horrible s’étant produit dans la ville de Sevilla au Venezuela a été responsable d’une forte inflation de citations, attribuées par erreur à la ville européenne.

On pourrait imaginer de lever certaines ambiguïtés sur les villes en les croisant avec les pays… mais il faut se souvenir que nous avions également songé à utiliser les villes et notamment les capitales pour identifier en retour les dépêches parlant d’un pays. Par exemple, une dépêche du type “Coup de froid entre Berlin et Washington après les révélations de l’affaire Snowden sur les écoutes du téléphone de la chancelière Merkel” concerne à l’évidence les relations entre l’Allemagne et les Etats-Unis, mais sans que ces deux pays ne soient mentionnés explicitement si ce n’est à travers des acteurs ou des villes.

Une procédure automatique de reconnaissance des pays, villes ou acteurs est indispensable pour traiter la masse de données engrangées par l’ANR Corpus Géomédia. Mais elles suppose une réflexion approfondie si l’on veut atteindre des taux d’erreur acceptable. Autrement, il faudra se limiter à vérifier manuellement les tags attribués aux dépêches, ce qui est long et de surcroît insatisfaisant car on élimine les faux positifs (dépêches taguée par erreur) mais pas les faux négatifs (dépêches non taguées). Le repérage de ces derniers n’est possible qu’en analysant toutes les dépêches une par une ce qui est cette fois-ci prohibitif en temps.