Open Access
Issue
SHS Web of Conferences
Volume 27, 2016
5e Congrès Mondial de Linguistique Française
Article Number 06001
Number of page(s) 18
Section Linguistique de l’écrit, Linguistique du texte, Sémiotique, Stylistique
DOI https://doi.org/10.1051/shsconf/20162706001
Published online 04 July 2016
  1. D. Boyd et K. Crawford, «Critical questions for big data,» Information, Communication & Society, vol. 15, n° %15, pp. 662-679, 2012. [CrossRef] [Google Scholar]
  2. J. Manyika, M. Chui, B. Brown, J. Bughin, R. Dobbs, C. Roxburgh et A. Hung Byers, «Big data: the next frontier for innovation, competition, and productivity,» McKinsey Global Institute, 2011. [Google Scholar]
  3. S. Plane, D. Alamargot et J.-L Lebrave, «Temporalité de l’écriture et rôle du texte produit dans l’activité rédactionnelle,» Langages, vol. 177, n° %11, pp. 11-32, 2010. [Google Scholar]
  4. C. Doquet-Lacoste, Étude Génétique de l’Écriture sur Traitement de Texte d’Élèves de Cours Moyen 2, Année 1995-1996, Paris: Université Sorbonne nouvelle, 2003, p. 633. [Google Scholar]
  5. K. S. Miller et K. P. Sullivan, «Keystroke Logging: An introduction,» chez Computer keystroke logging and writing, Oxford, Elsevier, 2006, pp. 1-10. [Google Scholar]
  6. K. P. Sullivan et E. Lindgren, «La révision en production écrite enregistrée,» chez Temps de l’écriture: enregistrements et représentations, C. Leblay et G. Caporossi, Éds., Louvain-la-Neuve, Academia, 2014, pp. 71-92. [Google Scholar]
  7. G. Caporossi et C. Leblay, «Outils de visualisation de données enregistrées,» chez Temps de l’écriture: enregistrements et représentations, C. Leblay et G. Caporossi, Éds., Louvain-la-Neuve, Academia, 2014, pp. 147-166. [Google Scholar]
  8. G. Caporossi et C. Leblay, «Online Writing Data Representation : A Graph Theory Approach,» chez Lecture Notes in Computer Sciences 7014, 2011, pp. 80-89. [CrossRef] [Google Scholar]
  9. N. Yau, Visualize this: the flowing data guide to design, visualization and statistics, Indianapolis: Wiley Publishing, 2011, p. 358. [Google Scholar]
  10. M. Minelli, M. Chambers et A. Dhiraj, Big data, big analytics : Emerging business intelligence and analytic trends for today’s businesses, Wiley, 2013, p. 224. [Google Scholar]
  11. F. Blanchard, Visualisation et classification de données multidimensionnelles application aux images multicomposantes, Université de Reims Champagne Ardenne , 2005. [Google Scholar]
  12. M. Tory et T. Moller, «Human factors in visualization research,» IEEE Transactions on visualization and computer graphics, vol. 10, n° %11, pp. 72-84, 2004. [CrossRef] [Google Scholar]
  13. G. Dzemyda, O. Kurasova et J. Zilinskas, «Multidimensional Data Visualization: Methods and Applications,» Springer, Vilnius, 2013. [CrossRef] [Google Scholar]
  14. T. Moller, B. Hamann et R. Russell, «Preface,» chez Mathematical foundation of scientific visualization, computer graphics, and massive data exploration, Berlin, Springer, 2009, pp. V-VII. [Google Scholar]
  15. H. A. Karimi, «Big data :Techniques and technologies in geoinformatics,» Boca Taton: CRC Press, 2014. [CrossRef] [Google Scholar]
  16. S. Tufféry, Data mining et statistique décisionnelle: l’intelligence des données, Éditions Technip, 2010, p. 705. [Google Scholar]
  17. E. Lindgren et K. P. Sullivan, «The LS Graph : A Methodology for Visualizing Writing Revision,» Language Learning, vol. 52, n° %13, pp. 565-595, 2002. [CrossRef] [Google Scholar]
  18. J. Van Sickle, Basic GIS coordinates, Second Edition, Boca Raton: CRC Press, 2010. [CrossRef] [Google Scholar]
  19. E. Lindgren, K. P. H. Sullivan, U. Lindgren et K. Spelman Miller, «GIS for Writing: Applying Geographical Information Systems Techniques to Data Mine Writings’ Cognitive Processes,» chez Writing and Cognition, Amsterdam, Elsevier, 2007, pp. 83-96. [Google Scholar]
  20. C. D. Lloyd, Spatial data analysys: an introduction for GIS users, New York: Oxford University Press, 2010. [Google Scholar]
  21. M. Leijten et L. Van Waes, «Inputlog : New Perspectives on the Logging of On-Line Writing Processes,» chez Computer Keystroke Logging and Writing, K. P. S. a. E. Lindgren, Éd., Elsevier, 2006, pp. 73-94. [Google Scholar]
  22. A. Wengelin, M. Torrance, K. Holmwvist, S. Simpson, D. Galbraith, V. Johansson et R. Johansson, «Combined eyetracking and keystroke-logging methods for studying cognitive processes in text production,» Behavior Research Methods, vol. 41, n° %12, pp. 337-351, 2009. [CrossRef] [Google Scholar]
  23. M. Leijten et L. Van Waes, «Keystroke Logging in Writing Research : Using Inputlog to Analyze and Visualize Writing Processes,» vol. 30, n° %13, pp. 358-392, 2013. [Google Scholar]
  24. C. Leblay, «Le Temps de l’Écriture. Genèse, durée, représentations,» 2011. [En ligne]. Available: https://www.jyu.fi/ajankohtaista/arkisto/2011/11/tiedote-2011-11-04-10-14-59-722468. [Accès le 15 12 2013]. [Google Scholar]
  25. V. Southavilay, K. Yacef, P. Reimann et R. A. Calvo, «Analysis of Collaborative Writing Processes Using Revision Maps and Probabilistic Topic Models,» Proceedings of the Third International Conference on Learning Analytics and Knowledge, pp. 38-47, 2013. [Google Scholar]
  26. A. J. Bondy et U. S. R. Murty, Graph theory with applications, New York: Elsevier Science Publishing Co. Inc., 1982. [Google Scholar]
  27. R. K. Ahuja, T. L. Magnanti et J. B. Orlin, Network flows: Algorithms and applications, Upper Saddle River: Prentice Hall, 1993. [Google Scholar]
  28. E. J. Henley et R. A. Williams, Graph theory in modern engineering, Houston: Academic Press, 1973. [Google Scholar]
  29. S. Saha Ray, Graph theory with algorithms and its applications in applied science and technology, Rourkela, India: Springer India, 2013. [CrossRef] [Google Scholar]
  30. C. C. Aggarwal et H. Wang, «Graph data management and mining: a survey of algorithms and applications,» chez Managing and mining graph data, C. C. Aggarwal et H. Wang, Éds., New York, Springer, 2010, pp. 13-68. [Google Scholar]
  31. L. Takac et M. Zabovsky, «Data analysis in public social networks,» Lomza, Poland, 2012. [Google Scholar]
  32. M. Kuramochi et G. Karypis, «Finding frequent patterns in a large sparse graph,» Data mining and knowledge discovery, vol. 11, n° %13, pp. 243-271, 2005. [CrossRef] [Google Scholar]
  33. C. Garcia-Debanc et K. Bonnemaison, «La gestion de la cohésion textuelle par des élèves de 11-12 ans: réussites et difficultés,» chez CMLF 2014, Toulouse. [Google Scholar]
  34. H.-S. Becotte-Boutin, G. Caporossi et A. Hertz, «The progressive visualization, a new tool for analyzing the writing process,» Cahiers du GERAD, vol. 131, 2015. [Google Scholar]
  35. H. Zha, Y. Yang, J. Wang et L. Wen, «Transforming XPDL to Petri Nets,» chez Business Process Management Workshops. [Google Scholar]
  36. Y. Wu, L. Wang, J. Ren et W. Ding, «Mining sequential patterns eith periodic wildcard gaps,» Applied intelligence, vol. 41, n° %11, pp. 99-116, 2014. [CrossRef] [Google Scholar]
  37. WritingPro, «Writing Pro,» 2014. [En ligne]. Available: http://www.writingpro.eu/. [Accès le 02 08 2014]. [Google Scholar]
  38. I. Witten, «Text mining,» Hamilton, New Zealand, 2004. [Google Scholar]
  39. G. Weikum, J. Hoffart, N. Nakashole, M. Spaniol, F. Suchanek et M. A. Yosef, «Big data methods for computational linguistics,» IEEE Data Engineering Bulletin, vol. 35, pp. 46-55, 2012. [Google Scholar]
  40. J. Veronis, «Computerized Correction of Phonographic Errors,» Computers and the Humanities, vol. 22, n° %11, pp. 43-56, 1988. [CrossRef] [Google Scholar]
  41. L. Van Waes et P. J. Schellens, «Writing Profiles : The Effect of the Writing Mode on Pausing and Revision Patterns of Experienced Writers,» Journal of Pragmatics, vol. 35, pp. 829-853, 2003. [CrossRef] [Google Scholar]
  42. L. Van Waes et M. Leijten, «Inputlog 6.0: State of the art.,» chez Paper presented at the Keystroke logging training school, Antwerp, 2014. [Google Scholar]
  43. L. Van Waes et M. Leijten, «Inputlog 6.0: Pause and fluency analysis.,» chez Paper presented at the keystroke logging training school, Antwerp, 2014. [Google Scholar]
  44. R. E. Tarjan, «Problems in data structures and algorithms,» chez Graph theory, combinatorics and algorithms, M. C. Golumbic et I. B. Hartman, Éds., Springer, 2005, pp. 17-39. [CrossRef] [Google Scholar]
  45. S. Stromqvist, K. Holmqvist, V. Johansson, H. Karlsson et A. Wengelin, «What Keystroke Logging can Reveal about Writing,» chez Computer Keystroke Logging and Writing, K. P. S. &. E. Lindgren, Éd., Elsevier, 2006, pp. 45-71. [Google Scholar]
  46. K. Spelman Miller et K. P. Sullivan, «Keystroke Logging : An Introduction,» chez Computer Keystroke Logging and Writing, Elsevier, 2006, pp. 1-10. [Google Scholar]
  47. K. Severinson Eklundh et P. Kollberg, «A Computer Tool and Franework for Analysing On-Line Revisions,» chez The Science of Writing : Theories, Methods, Individual Differences, and Applications, Mahwah, NJ, Lawrence Erbaum, 1996, pp. 163-188. [Google Scholar]
  48. D. H. Roen et R. Willey, «The Effects of Audience Awareness on Drafting and Revising,» Research in the Teaching of English, vol. 22, n° %11, pp. 75-88, 1988. [Google Scholar]
  49. S. Plane, D. Alamargot et J.-L Levrabe, «Temporalité de l’Écriture et Rôle du Texte Produit dans l’Activité Rédactionnelle,» Langages, vol. 177, n° %11, pp. 11-32, 2010. [Google Scholar]
  50. D. Perrin, «Progression Analysis (PA): Investigating Writing Strategies at the Workplace,» Journal of Pragmatics, vol. 35, pp. 907-921, 2003. [CrossRef] [Google Scholar]
  51. R. D. Owston, S. Murphy et H. H. Wideman, «The Effects of Word Processing on Student’s Writing Quality and Revision Strategies,» Research in the Teaching of English, vol. 26, n° %13, pp. 249-276, 1992. [Google Scholar]
  52. E. New, «Computer-Aided Writing in French as a Foreign Language : A Qualitative and Quantitative Look at the Process of Revision,» The Modern Language Journal, vol. 83, n° %1i, pp. 80-97, 1999. [Google Scholar]
  53. G. Miner, J. Elder, B. Nibset, D. Delen, A. Fast et T. Hill, Practical text mining and statistical analysis for non-structured text data applications, Academic Press éd., Saint-Louis, 2012, p. 1094. [Google Scholar]
  54. Merriam-Webster, «Apophenia, Merriam-Webster,» 2014. [En ligne]. Available: http://www.merriam-webster.com/dictionary/apophenia. [Accès le 03 08 2014]. [Google Scholar]
  55. J. Leskovec, J. Kleinberg et C. Faloutsos, «Graph evolution: Densification and shrinking diameters,» ACM Transactions on Knowledge Discovery from Data, vol. 1, n° %11, p. Article 2, 2007. [CrossRef] [Google Scholar]
  56. M. Leijten et L. Van Waes, «Inputlog features,» 2014. [En ligne]. Available: http://www.inputlog.net/description_features.html. [Accès le 25 07 2014]. [Google Scholar]
  57. J.-L Lebrave et A. Grésillon, «Linguistique et génétique des textes : un décalogue,» 23 03 2009. [En ligne]. Available: http://item.ens.fr/index.php?id=434571. [Accès le 14 12 2013]. [Google Scholar]
  58. J.-L Lebrave, «Comment écriront-ils?,» Diogène, vol. 196, n° %14, pp. 163-171, 2001. [Google Scholar]
  59. C. Leblay et G. Caporossi, «Introduction aux données temporelles de l’écriture,» chez Temps de l’écriture: enregistrements et représentations, C. Leblay et G. Caporossi, Éds., Louvain-la-Neuve, Academia, 2014, pp. 5-15. [Google Scholar]
  60. C. Leblay, «En deçà du bien et du mal écrire,» 14 06 2012. [En ligne]. Available: http://www.item.ens.fr/index.php?id=578258. [Accès le 07 07 2014]. [Google Scholar]
  61. M. M. A. Latif, «A State-of-the-Art Review of the Real-Time Computer-Aided Study of the Writing Process,» International Journal of English Studies, vol. 8, n° %11, pp. 29-50, 2008. [Google Scholar]
  62. P. Kollberg, «S-notation as a tool for analysing the episodic nature of revisions,» Barcelona, 1996. [Google Scholar]
  63. R. Karp, «Optimization problems related to internet congestion control,» chez Graph theory, combinatorics and algorithms, M. C. Golumbic et I. B. Hartman, Éds., Springer, 2005, pp. 1-16. [CrossRef] [Google Scholar]
  64. G. Kanawaty, Introduction à l’étude du travail 3e édition, Bureau International du Travail éd., Genève, 1996. [Google Scholar]
  65. S. Helbing et S. Balietti, «From social data mining to forecasting socio-economic crises,» The European Physical Journal Special Topics, vol. 195, pp. 3-68, 2011. [CrossRef] [EDP Sciences] [Google Scholar]
  66. C. Haas, «How the Writing Medium Shapes the Writing Process : Effects of Word Processing on Planning,» Research in the Teaching of English, vol. 23, n° %12, pp. 181-207, 1989. [Google Scholar]
  67. D. Foucambert et J. Foucambert, «Gestes d’écriture et caractéristiques linguistiques des textes achevés,» chez Temps de l’écriture: enregistrements et représentations, C. Leblay et G. Caporossi, Éds., Louvain-la-Neuve, Academia, 2014, pp. 43-70. [Google Scholar]
  68. C. Doquet, «Pour une approche linguistique de l’écriture enregistrée,» chez Temps de l’écriture: enregistrements et représentations, Academia, Éd., LouvainlLa-Neuve, 2014, pp. 21-42. [Google Scholar]
  69. M. Dehmer et S. C. Basak, Statistical and machine learning approaches for network analysis, Somerset: John Wiley & Sons, 2012. [Google Scholar]
  70. C. De Looze, Analyse et Interprétation de l’Empan Temporel des Variations Prosodiques en Français et en Anglais, Marseille: Université de Provence, 2010. [Google Scholar]
  71. M. Cox, C. Ortmeier-Hopper et K. E. Tirabassi, «Teaching Writing for the "Real World": Community and Workplace Writing,» The English Journal, vol. 98, n° %15, pp. 72-80, 2009. [Google Scholar]
  72. J. Cohen, B. Dolan, M. Dunlap, J. M. Hellerstein et C. Welton, «MAD skills: new analysis practices for big data,» Proceedings of the VLDB Endowment 2.2, pp. 1481-1492, 2009. [CrossRef] [Google Scholar]
  73. D. Chakrabarti et C. Faloutsos, Graph mining: laws, tools, and case studies, Morgan & Claypool Publishers series, 2012. [Google Scholar]
  74. A. Carbone et M. Gromov, «Mathematical sclices of molecular biology,» Gazette des mathématiciens, édition spéciale, vol. 88, pp. 11-80, 2001. [Google Scholar]
  75. I. Breetvelt, H. Van Den Bergh et G. Rijlaarsdam, «Relations between Writing Processes and Text Quality : When and How,» Cognition and Instruction, vol. 12, n° %12, pp. 103-123, 1994. [CrossRef] [Google Scholar]
  76. M. Bramer, Principles of data mining, 2nd éd., Portsmouth: Springer, 2013. [CrossRef] [Google Scholar]
  77. M. R. Berthold, «Bisociative knowledge discovery,» chez Advances in intelligent data analysis X, J. Gama, E. Bradley et J. Hollmen, Éds., Porto, Springer, 2011, pp. 1-7. [CrossRef] [Google Scholar]
  78. A.-L Barabasi, R. Albert et H. Jeong, «Scale-free characteristics of random networks: the topology of the world-wide web,» Physica A, vol. 281, pp. 69-77, 2000. [CrossRef] [Google Scholar]
  79. D. Alamargot, G. Caporossi, D. Chesnet et C. Ros, «What Makes a Skilled Writer? Working Memory and Audience Awareness During Text Composition,» Learning and Individual Differences, vol. 21, pp. 505-516, 2011. [CrossRef] [Google Scholar]
  80. R. Agrawal, T. Imielinski et A. Swami, «Mining association rules between sets of items in large databases,» New York, 1993. [Google Scholar]
  81. L. Flower et J. R. Hayes, «A cognitive process theory of writing,» College Composition and Communication, vol. 32, n° %14, pp. 365-387, 1981. [CrossRef] [Google Scholar]
  82. P. Kollberg, «Rules for the S-notation: a compuyter-based method for representing revisions,» IPLab, Royal Institute of Technology (KTH), Stockholm, Sweden, 1996. [Google Scholar]
  83. D. Alamargot et J.-L Lebrave, «The study of professional writing: A joint contribution from cognitive psychology and genetic criticism,» European Psychologist, n° %1doi:10.1027/1016-9040/a000001, 2009. [Google Scholar]
  84. T. Olive, J.-L Lebrave, J.-M Passerault et N. Le Bigot, «La dimension visuo-spatiale de la production de textes: approches de psychologie cognitive et de critique génétique,» Langages, vol. 177, n° %11, pp. 29-55, 2010. [CrossRef] [Google Scholar]
  85. W. Daelemans, P. Berck et S. Gillis, «Data mining as a Method for Linguistic Analysis: Dutch Diminutives,» Dutch Diminutives, Folia Linguistica, XXXI/I -2, pp. 57-75, 1997. [Google Scholar]
  86. P. A. Bath, C. Craigs, R. Maheswaran, J. Raymond et P. Willett, «Use of graph theory to identify patterns of deprivaton and high morbidity and mortality in public health data sets,» Journal of the American Medical Informatics Association, vol. 12, n° %16, pp. 630-641, Nov-Dec 2005. [CrossRef] [Google Scholar]
  87. A. Markowetz, K. Blasziewicz, C. Montag, C. Switala et E. S. Thomas, «Psycho-Informatics: Big Data shaping modern psychometrics,» Medical Hypotheses, vol. 82, n° %14, pp. 405-411, April 2014. [CrossRef] [Google Scholar]
  88. F. J. Ohlhorst, Big Data Analytics : Turning Big Data into Big Money, Wiley, 2013, p. 176. [Google Scholar]
  89. E. Lindgren et K. P. Sullivan, «Writing and the Analysis of Revision: An Overview,» chez Computer Keystroke Logging and Writing, Elsevier, 2006, pp. 31-44. [Google Scholar]
  90. ITEM, «Enjeux de recherche,» 7 mai 2014. [En ligne]. Available: http://www.item.ens.fr/index.php?identifier=l-item. [Accès le 14 juin 2014]. [Google Scholar]
  91. I. Breetvelt, H. v. d. Bergh et G. Rijlaarsdam, «Relations between writing processes and text quality: When and how?,» Cognition and Instruction, vol. 12, n° %12, pp. 103-123, 1994. [CrossRef] [Google Scholar]
  92. C. Lynch, «How do your data grow?,» Nature, vol. 455, n° %14, pp. 28-29, 2008. [CrossRef] [PubMed] [Google Scholar]
  93. E. Midgette, P. Haria et C. MacArthur, «The effects of content and audience awareness goals for revision on the persuasive essays of fifth- and eighth-grade students,» Reading and Writing, vol. 21, pp. 131-151, 2008. [CrossRef] [Google Scholar]
  94. E. W. Bethel, P. Prabhat, S. Byna, O. Rubel, K. J. Wu et M. Wehner, «Why high performance visual data analytics is both relevant and difficult,» Burlingame, California, USA, 2013. [Google Scholar]
  95. F. A. Abukhodair, B. E. Riecke, H. I. Erhan et C. D. Shaw, «Does interactive animation control improve exploratory data analysis of animated trend visualization?,» Burlingame, California, USA, 2013. [Google Scholar]
  96. L. Bartram, «Perceptual and interpretative properties of motion for information visualization,» Proceedings of the 1997 workshop on new paradigms in information visualization and manipulation, pp. 3-7, 1997. [Google Scholar]
  97. D. Alamargot, G. Caporossi, D. Chesnet et C. Ros, «What makes a skilled writer? Working memory and audience awareness during text composition,» Learning and Individual Differences, vol. 21, n° %15, pp. 505-516, 2011. [CrossRef] [Google Scholar]
  98. V. M. Baaijen, D. Galbraith et K. d. Glopper, «Keystroke analysis: reflections on procedures and measures,» Written Communication, vol. 29, n° %13, pp. 246-277, 2012. [CrossRef] [Google Scholar]
  99. A. Kirk, Data visualization: a successful design process [electronic book], Packt Pub., 2012. [Google Scholar]
  100. A. Wengelin, «Temps et pauses dans l’écriture au clavier,» chez Temps de l’écriture: enregistrements et représentations, Louvain-la-Neuve, Academia, 2014, pp. 97-124. [Google Scholar]
  101. W. Aigner, S. Miksch, H. Schumann et C. Tominski, «Visualization of Time-Oriented Data,» Springer, London, 2011. [Google Scholar]
  102. D. Perrin et S. Laemmel, «Application à l’écriture journalistique,» chez Temps de l’écriture, enregistrements et représentations, Louvain-la-Neuve, Academia-L’Harmattan s.a., 2014, pp. 171-192. [Google Scholar]
  103. A. Unwin, C.-h Chen et W. K. Hardle, «Introduction,» chez Handbook of Data Visualization, Berlin, Springer, 2008, pp. 3-14. [CrossRef] [Google Scholar]
  104. A. Vathy-Fogarassy et J. Abonyi, Graph-Based clusterting and data visualization, Springer, 2013. [CrossRef] [Google Scholar]
  105. D. Chesnet et D. Alamargot, «Eye and Pen 2 manuel de l’utilisateur,» Poitiers, 2011. [Google Scholar]
  106. E. R. Tufte, The visual display of quantitative information, Second éd., Cheshire, Connecticut: Graphics Press, 2001. [Google Scholar]

Current usage metrics show cumulative count of Article Views (full-text article views including HTML views, PDF and ePub downloads, according to the available data) and Abstracts Views on Vision4Press platform.

Data correspond to usage on the plateform after 2015. The current usage metrics is available 48-96 hours after online publication and is updated daily on week days.

Initial download of the metrics may take a while.