Comment
Author: Admin | 2025-04-28
Les mêmes commentaires d'étudiants qui ont évalué une séance de TP en télétravail (en 2020 pendant la session de COVID-19).On voit apparaître 4 groupes sémantique : 1) Ceux qui s'attachent à l'absence de manipulation - 2) La quantité de travail - 3) L'innovation que représente un TP virtuel sous forme de vidéos + site internet et 4) Les évaluations qui ont suivi.Cette analyse est entièrement automatisée, non-supervisée.Partons d'un cluster, ici, il s'agit ce 81 commentaires qui représentent 81 documents dans un seul et même corpus.2) Identifier les termes de travailIci nous allons prendre les 30 termes les plus récurrents :taille = 30tsf mywd 3) Générer la matrice de cooccurrence# Générer une matrice de cooccurrence - Matrice d'associations de mots coocurrencesmatx # Utiliser la fonction match pour ne récupérer que les lignes/colonnes correspondants aux termes retenus en 2)position match(rownames(matx),mywd)) # ou inverser les termes de matchmatx nrow(matx)Remarque : si on veut rester dans quanteda, la fonction dfm_select() peut remplacer match().4) Générer le premier igraph (théorie des graphs)library(igraph);g mode = "undirected")plot(g)A ce stade, le igraph présente de nombreux défauts :Mise en forme plus que bofLiens récurrents (dans les 2 sens entre deux sommets)Auto-relations : des liens partant d'un même sommet (cercle) pour y revernir 5) Nettoyage et mise en formenet net E(net)$arrow.size E(net)$edge.color # Afficher le tout en tenant compte avec betweenness du poids relatifs d'un mot pour lui donner une tailleplot(net ,vertex.size=sqrt(betweenness(net))+10,vertex.color="green",edge.arrow.size =0,arrow.mode=0,edge.color="black")6) Détecter les catégories pour les coloriserDétection de communautés basée sur la propagation des labels : il existe de
Add Comment