Un cadre général

Dans ce guide, nous allons explorer la construction et l’analyse de données textuelles. La méthode générale peut se décrire de la manière suivante (Gentzkow, Kelly, and Taddy 2019). A partir d’un corpus C nous cherchons à répondre à une question de recherche Y. Un tel processus implique quatre étapes:

• Construire le corpus: le corpus C est un tableur composé d’un ensemble de documents d. Le document est ici une unité très générale: cela peut-être un livre ou un article ou un sous-ensemble de ces derniers comme, par exemple, un paragraphe ou une phrase.

• Représentation: cette étape transforme les données textuelles en données numériques. Formellement, nous transformons C en un tableur \(W\), qui associe une valeur textuelle à une valeur numérique.

• Mesurer: le but est alors d’appliquer une mesure f à W pour estimer la variable d’intérêt Y.

• Interpréter: les résultats de l’estimation \(/hat{Y}\) sont discutés par rapport à la question de recherche \(Y\) initiale.

Dans ce guide nous allons nous intéresser successivement aux trois premières étapes (la dernière étape étant inhérente à la question de recherche du chercheur).

Construire un corpus

library(dplyr)
library(knitr)
library(kableExtra)

corpus <- tibble(doc_id = c(1, 2, 3, "..."), source = c("This is the first document, American Economic Review",
    "This document is the second  document (published by the AER)",
    "This document is the third document, Quaterly Journal of Economics",
    "..."), year = c(1950, 1955, 1950, "..."))

corpus %>%
    kbl() %>%
    kable_minimal() %>%
    kable_styling(full_width = F, latex_options = c("scale_down",
        "HOLD_position"))

doc_id	source	year
1	This is the first document, American Economic Review	1950
2	This document is the second document (published by the AER)	1955
3	This document is the third document, Quaterly Journal of Economics	1950
…	…	…