X

Carnet de recherche

Le projet de recherche 'Mixology' s’inscrit dans la perspective de l’open research. Son objectif est de sonder les opinions en période de crise, ici à partir d’un corpus collecté via l’API de Twitter, du 12 au 31 décembre 2021.

Blog 20 : pour la vaccination, contre les restrictions

11 mars 2022

English

L’analyse de sentiment par pays et thématique montre des tendances communes à l’ensemble des neuf pays observés. Toutefois, par manque de représentativité, le Grand-Duché de Luxembourg est souvent absent des résultats. Les ‘antivax’ et personnes non vaccinées (auxquelles les premiers sont assimilées) remportent peu d’adhésion de la part des utilisateurs de Twitter, avec une moyenne de 56,16% de sentiment de type négatif dans le premier cas, et 51,91% dans le second cas. Le booster, équivalent à la troisième dose de vaccin administrée dans ces pays en décembre 2021, recueille une moyenne de 55,6% de sentiment positif. Là aussi, peu de différences sont observées entre les pays.

Lorsque l’on s’intéresse de plus près aux mesures restrictives de lutte contre la pandémie, on observe qu’elles sont loin de faire l’unanimité : couvre-feu, lockdown et passe sanitaire sont plutôt perçus de manière négative. Il en va de même pour la vaccination obligatoire, à l’exception de l’Autriche, où il s’agit d’une mesure validée par le politique, et où les sentiments sont partagés. Les opinions sur le port du masque sont également partagées. La question des effets secondaires des vaccins anti-Covid, également très présente dans ce sous-corpus, donne lieu à une majorité de sentiments négatifs, sauf en Belgique, en Autriche et en Suisse. Enfin, les mouvements de protestation contre les mesures sanitaires donnent lieu à une majorité de sentiment négatif, atteignant jusque 70,76% en Belgique.

 

 

Il s’agit là d’une forme de contradiction : les utilisateurs de Twitter ne font pas pencher la balance en faveur des mesures politiques restrictives mais, d’un autre côté, ils semblent ne pas admettre que des citoyens descendent dans la rue pour les contester. Ceci est sans doute lié au fait que les manifestants sont le plus souvent identifiés comme des antivax, des complotistes ou encore des extrémistes (‘Pro illness’, ‘Covidiots’, ‘Pro deaths’). Cette opposition aux contestataires s’exprime également dans une large acceptation de mesures sévères pour ce groupe de personnes uniquement, comme c’était le cas en Autriche. Une explication possible de ce positionnement est celle qu’une personne vaccinée plusieurs fois estime avoir fait sa part pour la société et qu’elle peut donc bénéficier de davantage de liberté, bien qu’il soit difficile de généraliser : ‘Antilockdown, not antivax’.

Par ailleurs, l’annonce d’un lockdown strict aux Pays-Bas et d’une possibilité de lockdown au Royaume Uni a donné lieu à de nombreux tweets dans lesquels sont exprimés le mal-être ressenti lors d’une situation de confinement, et ceci spécialement à l’approche des fêtes de fin d’année (‘I don’t want a lockdown’, ‘I don’t think my mental health will last another lockdown honestly’, ‘lockdown horror’, ‘I simply won’t last another lockdown’).

L’analyse de sentiment basée sur les bigrammes incluant un terme négatif confirme une large adhésion à la vaccination, pour autant que celle-ci soit volontaire.

Sur un plan méthodologique, le clustering (KMeans) n’a pas donné lieu à des résultats plus signifiants que lors du topic modeling (LDA, CTM), cela étant sans doute lié à la taille limitée d’un tweet. Par ailleurs, ce type de clustering est un peu plus gourmand en ressources, devant également traiter de larges matrices de textes. De plus, la qualité du regroupement va dépendre de la valeur k (équivalente au nombre de clusters) définie par l’utilisateur et comme toute forme d’apprentissage supervisé, le clustering comporte une large part d’aléatoire.

 

 

Analyse de sentiment – bigrammes avec négation

 

# # #

Lire aussi

Blog 21 : politiques, experts et journalistes

Blog 20 : pour la vaccination, contre les restrictions

Blog 19 : analyse de sentiment comparée

Blog 18 : une crise sanitaire et politique

Blog 17 : anatomie du sous-corpus « mesures politiques/sanitaires » (en)

Blog 16 : analyse de sentiment du sous-corpus ‘vaccination’ (en, part.2)

Blog 15 : analyse de sentiment comparée du sous-corpus ‘vaccination’ (en, part.1)

Blog 14 : un dictionnaire pour l’analyse de sentiment adapté à la crise Covid

Blog 13 : construire une liste de stop words

Blog 12 : principaux dictionnaires pour l’analyse de sentiment

Blog 11 : description statistique du corpus avec #RStats

Blog 10 : l’analyse de sentiment ou l’évaluation de la subjectivité

Blog 9 : modélisation thématique du corpus ‘vaccination’ (en)

Blog 8 : traitement linguistique et quantitatif du corpus ‘vaccination’ (anglais, part.2)

Blog 7 : traitement linguistique et quantitatif du corpus ‘vaccination’ (anglais, part.1)

Blog 6 : collecte du corpus et préparation de l’analyse lexicale

Blog 5: le package R « textclean »

Blog 4 : cibler la bonne requête et nettoyer des messy data

Blog 3 : Twitter API et rtweet

Blog 2 : collecte du corpus

Blog 1: le projet

Les enjeux de la recherche sur les usages médiatiques en temps de crise