Générateur de nuage de mots

Qu’est-ce qu’un générateur de nuage de mots ?

Il compte les mots d’un texte et les dessine à des tailles qui reflètent leur fréquence. Les mots courants ressortent grands, les rares petits, et l’ensemble donne une idée approximative du sujet d’un document d’un seul coup d’œil. On en trouve dans les synthèses de rapports, les dépouillements d’enquêtes, les affiches de colloque et les salles de classe.

Celui-ci fonctionne entièrement dans votre navigateur. Votre texte n’est jamais envoyé, le nuage est dessiné sur un canevas de votre propre machine, et le PNG que vous téléchargez y est produit aussi.

Il fait en outre une chose différemment, et cette différence est la raison d’être de la page : il dimensionne les mots de sorte que l’encre occupée par chacun soit proportionnelle à sa fréquence. Presque aucun autre générateur ne le fait, et le résultat surestime nettement les mots courants.

Comment utiliser le générateur

1. Collez votre texte. De la longueur que vous voulez. Le nuage se redessine au fil de la frappe et le panneau au-dessous suit.
2. Choisissez le dimensionnement et la langue. « Aire » est le réglage honnête, retenu par défaut ; « corps de la police » est ce que font la plupart des outils, conservé pour que vous voyiez la différence sur votre propre texte. La liste de mots vides doit correspondre à la langue de votre texte, non à celle de cette page.
3. Réglez le nombre de mots, puis téléchargez. Le curseur va de dix à cent cinquante mots. « Télécharger » vous donne un PNG produit dans votre navigateur, sans filigrane.

La plupart des nuages surestiment les mots courants

Un nuage de mots encode un nombre — la fréquence d’un mot — dans une propriété visuelle. Toute la question est : laquelle. Presque tous les générateurs fixent le corps de la police proportionnellement à la fréquence. Or le lecteur ne juge pas un mot à sa hauteur : il le juge à la part de l’image qu’il occupe. Et l’aire croît comme le carré du corps.

Un mot deux fois plus courant est donc dessiné deux fois plus haut et finit par couvrir quatre fois l’aire. Il paraît quatre fois plus important alors qu’il est deux fois plus fréquent.

Sur de la prose réelle, cela s’aggrave, car les fréquences suivent la loi de Zipf : le mot le plus courant apparaît environ deux fois plus que le deuxième, trois fois plus que le troisième, et ainsi de suite. Prenez une distribution de Zipf sur trente mots. Le plus fréquent est dix fois plus courant que le dixième — et sous dimensionnement par corps de police il couvre cent fois l’aire. Face au trentième, il est trente fois plus fréquent et 918 fois l’aire. Le mot le plus courant finit par prendre 62,0 % de toute l’encre d’une image où il représente 25,0 % des mots.

Le correctif est exact et ne coûte rien : fixez le corps à la racine carrée de la fréquence. L’aire étant le carré de la taille, la racine l’annule et l’aire redevient proportionnelle à la fréquence. Avec ce réglage, le mot le plus fréquent occupe exactement 25,0 % de l’encre — soit sa part des mots, à la décimale près. Ce n’est pas une approximation qui tombe juste sur cet exemple : c’est une identité, vérifiée ici sur cinq cents distributions tirées au hasard et respectée chaque fois à mieux qu’une partie sur mille milliards.

Le panneau sous le nuage affiche les deux nombres pour votre propre texte. Quand ils coïncident, l’image dit vrai.

Limites assumées

Même au mieux, un nuage de mots reste une façon faible de montrer des données. Pas d’axe, pas de zéro, aucun ordre fiable, et la position d’un mot ne signifie rien : il est là où la mise en page a pu le caser. Les mots longs paraissent plus gros que les courts à taille égale, simplement parce qu’ils ont plus de lettres. S’il s’agit vraiment de comparer des fréquences, un diagramme en barres fait mieux, et cette page ne prétendra pas le contraire. Ce à quoi un nuage est réellement bon, c’est à être vu d’un coup d’œil.

La mise en page empile des rectangles, non des formes de lettres. Emboîter les mots dans les jambages des autres est plus compact, et plusieurs outils le font, mais alors l’encre couverte par un mot cesse d’être une fonction simple de sa taille — et l’honnêteté sur laquelle repose cette page dépend de la simplicité de cette relation. Les rectangles maintiennent l’affirmation vraie.

Les listes de mots vides relèvent d’un choix, ouvertement présenté comme tel. Aucune liste officielle n’existe dans aucune langue et toutes les listes publiées divergent. Celles-ci couvrent les mots-outils qui noieraient sinon n’importe quel nuage. Choisissez la langue de votre texte, et désactivez la liste si vous voulez les comptes bruts.

Les mots sont comptés tels qu’écrits. Il n’y a ni racinisation ni lemmatisation : « court », « courent » et « courant » sont trois mots différents, et un pluriel est distinct de son singulier. Faire autrement demande un dictionnaire par langue et se trompe sur les cas ambigus ; compter exactement ce qui figure sur la page est au moins vérifiable.

Le comptage et le dimensionnement portent 45 assertions, dont l’identité ci-dessus sur cinq cents distributions et un contrôle confirmant que le dimensionnement par corps de police ne la satisfait jamais. L’analyseur s’appuie sur les propriétés Unicode de lettre et non sur l’alphabet latin : l’arabe, l’espagnol et le portugais accentués et le français survivent intacts — un compteur bâti sur `[a-z]` se tromperait dans quatre des cinq langues de ce site.

Pourquoi est-ce gratuit ?

C’est un comptage et un canevas, exécutés sur votre propre machine. Rien n’est envoyé, il n’y a pas de compte, et le PNG ne porte pas de filigrane parce qu’il n’y a aucun coût à récupérer en en mettant un.

Si vous voulez les fréquences en chiffres plutôt qu’en image, le compteur de mots de ce site vous les donne, sans rien envoyer non plus.