Nigerian Salafi Discourse Corpus (NSDC): Construction, Methods, and Use

Dans l'étude de la manière dont les gens utilisent le langage, les chercheurs s'appuient depuis longtemps sur deux outils différents. Un outil est la lecture attentive de quelques textes, où un chercheur examine chaque mot pour comprendre le sens profond et le contexte social. L'autre est le comptage massif de mots, où des ordinateurs scannent des millions de pages pour trouver des modèles cachés que l'œil humain ne pourrait pas percevoir. Pendant des décennies, ces deux approches ont souvent fonctionné dans des mondes séparés. Cependant, un domaine d'étude croissant combine désormais ces méthodes, utilisant le volume considérable de données pour guider la lecture attentive, et utilisant la lecture attentive pour donner du sens aux chiffres. Cette approche est particulièrement puissante lorsqu'on étudie la religion, où les croyances ne sont pas seulement des pensées privées, mais des arguments publics disputés dans les rues, dans les mosquées et, de plus en plus, sur les réseaux sociaux. Au Nigéria, un pays doté d'une population musulmane vaste et diversifiée, Internet est devenu une arène primaire où différents groupes débattent de leur identité, de leur autorité et de leur place dans la société. Pour comprendre ces débats, les chercheurs ont besoin d'un moyen de capturer l'échelle réelle de la conversation sans perdre la nuance des voix individuelles.

C'est exactement ce qu'une équipe de chercheurs de l'Université d'Ibadan s'est proposé de faire. Ils ont construit une immense bibliothèque numérique de publications Facebook pour suivre la manière dont le salafisme, un mouvement spécifique et souvent controversé au sein de l'islam sunnite, est discuté au Nigéria. Ils n'ont pas seulement collecté des publications au hasard ; ils ont construit une archive soigneusement organisée appelée Nigerian Salafi Discourse Corpus. Cette collection contient près de 5 800 publications publiées sur dix ans, de 2015 à 2025, par des pages et des profils ayant une large audience. Le texte contenu dans ces publications représente près de 2,5 millions de mots. Les chercheurs ont recueilli ces données via une interface de recherche formelle fournie par Meta, le propriétaire de Facebook, garantissant qu'ils n'accèdent qu'au contenu public provenant de personnalités publiques et d'organisations. L'objectif était de créer un enregistrement clair et vérifiable de la manière dont les salafis sont représentés, de la manière dont ils se représentent eux-mêmes et de la manière dont ils argumentent contre d'autres groupes, tels que les Soufis ou les musulmans chiites, dans le contexte nigérian.

Pour construire cette bibliothèque, les chercheurs ont été confrontés à un défi important : les données brutes de Facebook sont désordonnées. Elles contiennent un formatage brisé, des publications en double, des emojis, des scripts étrangers et des liens qui peuvent confondre un ordinateur tentant de compter les mots. Pour résoudre cela, ils ont employé un assistant spécialisé en intelligence artificielle, qu'ils ont nommé Salih. Cet outil ne s'est pas contenté de deviner les réponses ; il a agi comme un éditeur rigoureux. Il a suivi un ensemble strict de règles pour nettoyer le texte, supprimant le bruit comme les emojis et les URL tout en conservant les mots significatifs. Il a vérifié son propre travail à chaque étape, s'assurant qu'aucune publication n'était accidentellement supprimée et que le décompte final des mots était exact. Le résultat fut une collection de texte propre et organisée qui pouvait être analysée par d'autres chercheurs. Ce processus a été conçu pour être totalement transparent, ce qui signifie que tout autre scientifique pourrait suivre les mêmes étapes et obtenir exactement le même résultat, une norme cruciale pour la confiance scientifique.

Une fois le texte nettoyé, les chercheurs ont ajouté trois couches d'informations détaillées à chaque mot. La première couche identifiait simplement quel type de mot il s'agissait, comme un nom, un verbe ou un nom propre. La deuxième couche regroupait les mots en thèmes spécifiques, tels que « autorité religieuse », « conflit » ou « pratiques de culte ». La troisième couche, la plus complexe, examinait l'objectif de phrases entières. Elle codait si une phrase tentait de légitimer un groupe, d'attaquer un adversaire, d'appeler à l'action ou de rapporter ce que quelqu'un d'autre avait dit. Ce codage était basé sur une méthode appelée approche historico-discursive, qui aide les chercheurs à comprendre non seulement ce qui est dit, mais pourquoi cela est dit et quel effet cela est censé produire. Les chercheurs ont pris soin de noter que, bien que l'ordinateur ait fait le plus gros du travail, le système n'était pas parfait. Ils ont constaté que l'ordinateur identifiait parfois trop certains types de phrases, comme les appels à l'action, et ils prévoient d'affiner ces règles à l'avenir.

Les données qu'ils ont découvertes révèlent une conversation vibrante et souvent animée. Les chercheurs ont constaté que le volume des publications fluctuait au cours de la décennie, avec un pic d'activité autour de 2017 et une nouvelle hausse en 2024. Une partie significative de la discussion concerne l'identification et la définition des groupes. Les données montrent que le terme « Musulman » est utilisé comme identité par défaut dans la grande majorité des publications, mais que des étiquettes spécifiques comme « Salafi », « Soufi », « Chiite » et « Wahhabite » sont utilisées pour tracer des frontières entre les groupes. L'analyse suggère que l'étiquette « Wahhabite » est souvent utilisée comme un terme négatif pour critiquer les autres, tandis que « Salafi » est fréquemment utilisé par le groupe pour se décrire. Les chercheurs ont également observé que le langage utilisé pour discuter de l'autorité religieuse est intense, avec un recours massif à la citation de savants et de textes religieux pour soutenir les arguments. Curieusement, les données montrent que si les écritures religieuses sont citées, elles ne sont pas le seul outil utilisé ; les arguments sur le droit, la politique et l'ordre social sont tout aussi courants, indiquant que le débat est profondément lié à l'État et à la société nigériane au sens large.

L'une des découvertes les plus frappantes est la façon dont la longueur de ces publications a évolué au fil du temps. Bien que le nombre de publications soit resté relativement stable ces dernières années, la quantité de texte dans chaque publication a diminué. Cela suggère que la nature du discours évolue vers des messages plus courts et plus compressés, reflétant peut-être la nature rapide des médias sociaux modernes. Les chercheurs ont également noté que la conversation n'est pas seulement théologique ; elle est profondément liée à la sécurité et au conflit. Les données capturent comment les groupes religieux sont liés ou séparés de la violence, particulièrement dans le contexte de l'insurrection dans le nord du Nigéria. En gardant le terme « Boko Haram » comme une unité unique dans leur analyse, les chercheurs se sont assurés que le mot « haram » (interdit) contenu dans ce nom ne déclenche pas accidentellement des codes liés aux règles religieuses, gardant ainsi la discussion sur la sécurité distincte de la discussion théologique.

La valeur de ce travail réside dans sa capacité à transformer un flux chaotique d'arguments en ligne en une ressource structurée que quiconque peut étudier. Cela permet aux chercheurs d'aller au-delà des anecdotes et d'observer les modèles réels de l'utilisation de millions de mots pour façonner l'identité religieuse en Afrique. Le corpus est désormais disponible pour d'autres chercheurs, qui peuvent l'utiliser pour enquêter sur tout, de la formation des stéréotypes à la manière dont la loyauté politique est exprimée dans le langage religieux. Les chercheurs soulignent que, si l'ordinateur a effectué le comptage, l'interprétation de ces modèles nécessite l'intuition humaine. Ils ont fourni une carte du territoire, mais le voyage de compréhension des significations profondes de ces débats ne fait que commencer. Ce projet démontre qu'avec une conception rigoureuse et des méthodes transparentes, l'intelligence artificielle peut nous aider à comprendre les manières complexes dont les communautés se définissent elles-mêmes et leur place dans le monde.