2

Les élections législatives de 2017 ont été marquées par un renouvellement inédit sous la Ve République avec l’arrivée d’élus aux profils rares. Comment se sont-ils adaptés à cet espace très codifié ? La réponse à cette question est difficile car l’activité parlementaire a des facettes multiples que les méthodes classiques peinent à restituer ensemble. Afin de décrire ces formes d’engagement parlementaire relationnellement et dans leur diversité, cet article introduit une méthode de réduction de dimensionnalité : les cartes auto-organisatrices ( Self-Organizing Maps, ou SOM). Il en expose les principes et en démontre l’intérêt en pratique à partir du cas de l’engagement parlementaire des élus de 2017. Une comparaison avec l’analyse géométrique de données souligne l’intérêt des SOM qui permettent une analyse fine des types de praxis parlementaire. Plus généralement, le texte montre que les SOM peuvent être un outil statistique utile, que ce soit pour réduire et visualiser une masse de données, ou pour représenter un espace social.

The 2017 legislative elections brought an unprecedented breath of fresh air into the Fifth Republic, marking the arrival of many new faces in politics. How did these newly elected officials, many of whom were unusual recruits, adapt to such a highly codified space ? This question is difficult to answer, given that parliamentary activity has many facets that traditional research methods struggle to account for in a global fashion. In order to describe the diverse forms of parliamentary engagement from a relational perspective, this article introduces the concept of self-organizing maps (SOMs) to reduce dimensionality. After explaining the principles of SOMs, this article will highlight their value in analyzing the parliamentary engagement of the new crop of legislators elected in 2017. Comparing SOMs with a geometrical data analysis underscores the former’s value with regard to permitting a granular analysis of parliamentary praxis. More broadly, this text will demonstrate that self-organizing maps can be a useful statistical tool, whether they are employed to reduce and visualize a large data set or to represent a social space.