Ngram Viewer

L’outil Ngram de Google repose sur la base de données textuelles de Google Livres. Les textes issus de Google Livres sont classés en fréquence de séquences de mots (appelées ngrams) par année d’édition, chaque séquence de mots est alors affectée d’un « poids ».

Lorsque l'utilisateur demande une comparaison de plusieurs séquences de mots, l'outil trace alors des courbes permettant de comparer leur fréquence d'usage au cours du temps.

Exemple d'informations affichées par Ngram Viewer avec l'évolution des occurrences des mots "progrès", "découverte", "invention" et "innovation" de 1800 à 2000

L’intérêt de Ngram est essentiellement de réaliser des études historico-linguistiques ou socio-culturelles[3], dites culturomistes.

L’outil contient les limites suivantes (en particulier pour le français). Avant 1790, les « s » au milieu des mots s’écrivaient encore « ſ » (dit s long), les imparfaits « ait » s’écrivaient « oit », et ces quelques petites spécificités ainsi qu’une typographie irrégulière compromettent la pertinence des OCR sur des ouvrages du XVI^e siècle au XVIII^e siècle. Ainsi l’équipe du projet d’OCRisation de la Bibliothèque nationale de France considère que, sans une intervention humaine dans le processus de numérisation, on ne peut faire de recherches en plein texte fiables dans des ouvrages datant d’avant 1800[4]. Cette analyse a toutefois été revue depuis : les faux positifs ou faux négatifs représentent un pourcentage souvent faible par rapport à l'ensemble des données. En outre, Google Ngram sert à esquisser des tendances dans l'emploi d'un terme et non à donner des chiffres absolus et précis d'utilisation[5].

Un autre défaut réside dans le fait qu’un ouvrage peu édité sera aussi représenté qu’un ouvrage à large diffusion. Par ailleurs, la fréquence d’utilisation d’un mot dans un même texte risque à nouveau de donner une pondération trop importante à ce mot, en particulier s’il est rare.