L'objectif de ce projet est strictement analytique.
Il s'agit de fournir une ressource visuelle pour comprendre comment se structure un discours politique (répétitions, associations d'idées, thématiques centrales) sur la période 2009 à 2026.
L'approche de Trump en matière de communication est historique et atypique, et la visualiser en 3D permet d'en décortiquer la mécanique de manière objective sur plus de 15 ans d'évolution.
Les données sont issues des discours et publications de Donald Trump.
Les textes bruts ont été traités informatiquement à l'aide d'outils de Natural Language Processing (NLP). Nous avons nettoyé les textes, extrait les concepts clés et analysé la manière dont ces mots sont associés entre eux dans les mêmes phrases.
Nous avons utilisé des scripts Python personnalisés pour extraire les données depuis des bases de données publiques et des archives de réseaux sociaux.
Voici l'intégralité des sources et sites utilisés :
- Factba.se & The Trump Archive (Sources principales pour Trump)
- PolitiTweet - Biden & PolitiTweet - Obama (Archives des tweets)
- Truth Social & X (Twitter) (Scraping des publications récentes)
Ces données brutes ont ensuite été unifiées et nettoyées via nos pipelines NLP pour générer les fichiers CSV finaux utilisés dans la visualisation.
Non.
Si nous affichions tous les mots et toutes leurs connexions, l'interface deviendrait une masse illisible et ferait ralentir votre navigateur. Nous avons appliqué un seuil statistique : seuls les termes les plus fréquents et les connexions les plus significatives sont affichés. C'est un échantillon optimisé pour révéler l'ossature rhétorique du discours.
La différence de densité visuelle s'explique par trois facteurs clés.
Premièrement, le volume de données : le corpus de Trump couvre plus de 15 ans de publications, ce qui multiplie les connexions.
Deuxièmement, cela est dû à un manque d'archives et de ressources disponibles : alors que Trump bénéficie de bases de données privées et publiques extrêmement exhaustives (comme The Trump Archive), l'accès à l'historique complet et centralisé des tweets pour Biden ou Obama est plus fragmenté et restreint.
Enfin, la nature de la rhétorique joue un rôle : le discours de Trump est très répétitif, créant un réseau dense, tandis que Biden et Obama utilisent un vocabulaire plus varié, ce qui disperse les liens et donne un graphe plus aéré.
Bien sûr.
Le code source entier, les jeux de données CSV ainsi que les fichier JSON finaux utilisés pour générer cette visualisation 3D sont disponibles en libre accès sur notre dépôt GitHub.
Sentez-vous libre de les utiliser!
Oui.
L'approche est strictement mathématique et transparente. Les algorithmes NLP ne font que compter et relier ce qui est réellement présent dans les corpus officiels, sans ajout d'opinion. L'intégralité du processus de traitement des données est documentée dans nos scripts de nettoyage, ce qui rend l'étude reproductible et vérifiable par n'importe qui.
Non, aucune publicité, aucun cookie, rien. C'est un outil de recherche ouvert.
Ce projet a été réalisé par Mohamed Boughmadi et Mohamet Thiam dans le cadre d'un travail de recherche en Data Science et traitement du langage naturel (NLP).
Vous pouvez nous contacter pour toute question relative à l'analyse ou au code via nos profils GitHub respectifs :
Mohamed Boughmadi Mohamet Thiam