1. médialab Sciences Po
  2. Actualités
  3. MetAt - Journal de bord du 8 avril 2025

MetAt - Journal de bord du 8 avril 2025

Partager nos savoir-faire et pratiques méthodologiques.

Rendez-vous, Atelier

⇥

Salle K.011, 1 place Saint Thomas d'Aquin 75007 Paris

NOTA BENE



Qu’est-ce que le METAT ?

Le METAT est un atelier d’accompagnement aux méthodes de recherche : chaque mois, un créneau de trois heures pour vous aider à résoudre les difficultés d’ordre méthodologique que vous rencontrez dans le cadre d’un projet scientifique.

À qui s’adresse le METAT ?

Le METAT s’adresse à toute personne souhaitant être accompagné ponctuellement pour l’utilisation d’un outil ou d’une méthode de recherche. Tous les profils sont les bienvenus : étudiant-e-s, doctorant-e-s, chercheur-e-s, métiers de l’ingénierie de recherche ou autre, internes et externes à Sciences Po, sans restriction de statut ou d’affiliation.

Comment s’inscrire ?

L’inscription est obligatoire via le formulaire disponible sur la page du METAT

Séance du 08/04/2025

Lieu : Sciences Po, 1 place Saint Thomas d’Aquin, 75007 Paris.

Nombre de participant·e·s : 5

Encadrant·e·s : Béatrice Mazoyer, Maxime Crépel, Robin de Mourat, Benjamin Ooghe-Tabanou, Carlo Santagiustina, Dimitri Müller, Blazek Patel, Marine Chuberre, Lilla Conte

Apprentissage de minet pour scraper des commentaires et images sur Instagram et X

Accompagnement d’un·e doctorante cherchant à collecter des commentaires et images issus de comptes d’associations animalistes, sur Instagram et X. Les encadrant·es l’ont (re)formée à l’usage de minet pour X. Son compte Instagram de recherche ayant malheureusement déjà été bloqué, via le scraping et l’utilisation des cookies de Firefox (n’ayant pas réussi à récupérer ceux de Chrome). Les images ont ensuite été collectées avec minet fetch. L’outil de DMI Zeeschuimer a été également présenté, pour effectuer le même type de collectes directement dans le navigateur.

Analyse qualitative d’un corpus NVivo

Accompagnement d’un·e étudiant·e dont le mémoire de master porte sur les conflits dans l’espace public du quartier La Chapelle à Paris. Iel a élaboré un corpus de documents officiels, d’articles de presse et de transcriptions d’entretiens qu’iel souhaite mobiliser dans le cadre d’une activité d’analyse qualitative. Les matériaux ont été déposés et structurés sur le logiciel NViVo. Les encadrant·es et l’étudiant·e ont passé en revue les fichiers et leur classification, ainsi que les codes utilisés. Les échanges ont porté sur les modalités de classification et de catégorisation de ces matériaux en fonction de différents types de questions de recherche (ex. “Qui parle de quoi ? Qui parle de qui ? Qui fait quoi (à qui) ?). Iels ont imaginé comment la réorganisation partielle des codes et dossiers existants pourrait aider l’étudiant·e à continuer et aboutir son analyse. Iels ont également exploré les fonctions de visualisation de l’outil et discuté de leur pertinence par rapport à une approche qualitative.

Analyse de posts TikTok et autres données textuelles

Accompagnement d’un·e doctorant·e et d’un·e étudiant·e dans l’utilisation d’outils de traitement automatique des langues (NLP) comme spaCy pour de l’analyse de données textuelles. Les participant·es souhaitent analyser des données textuelles non structurées : identification de thèmes communs au sein de 20 000 commentaires TikTok issues de 50 vidéos pour l’un et identification de thèmes et d’interconnections parmi les travaux de 50 élèves pour l’autre. Des conseils sur les bibliothèques et techniques de traitement automatique des langues (NLP) leur ont été apportés. La session a permis de partager des exemples de codes pratiques pour l'extraction et la consolidation d’entités nommées (Named Entities), de marquage POS (Part-of-Speech) et de relations de dépendance (Dependency Relations). Les participant·es ont ensuite exploré comment construire des réseaux personnels (ego-networks) pour visualiser et étudier les relations entre les entités mentionnées dans le texte. Enfin, l’encadrant·e a partagé le code permettant d'exécuter un Structural Topic Model (STM) qui incorpore à la fois les unigrammes et les relations de dépendance précédemment extraites comme entrées. Le code a été adapté à l'ensemble de données TikTok que le/la participant·e avait collecté.