Matrice de similarité pour une distribution

Comparer toutes les paires au lieu de regarder une moyenne

Une distribution de six personnes contient quinze paires. Une seule proximité peut suffire à produire une confusion locale. Cette page construit un groupe complet, calcule chaque distance et signale préfixes ou finales partagés.

Taille, longueur, initiales, normalisation, seuil, contexte et correction modifient la matrice. Les noms existants et le tri influencent la sélection.

Distance de Levenshtein

La mesure compte insertions, suppressions et substitutions. Elle décrit uniquement l’écriture après la normalisation choisie. Elle ne mesure pas la prononciation.

Le minimum global correspond à la paire la plus proche. Une moyenne élevée ne doit pas la masquer.

Normalisation des accents

Le mode accent regroupe casse et signes diacritiques pour repérer certaines ressemblances dans des systèmes qui les perdent. Il ne dit pas que les accents sont facultatifs.

Conservez toujours la forme correcte dans le manuscrit. La normalisation sert seulement au test.

Comparaison stricte

Le mode strict conserve les signes et casse selon la chaîne fournie. Il aide à auditer une maquette précise, mais peut sous-estimer les collisions dans une interface normalisée.

Comparez les deux modes lorsque l’œuvre circule sur plusieurs supports.

Comparaison sans tirets

Ce mode teste les systèmes qui retirent les séparateurs. Un nom composé peut alors se rapprocher d’une autre forme. Le tiret reste correct dans le texte.

Ajoutez apostrophes et espaces à votre audit manuel si le projet les emploie.

Taille quatre

Quatre personnes produisent six paires. Cette taille convient à une scène resserrée. Testez toutes les paires dans l’ordre d’apparition.

Une matrice courte ne dispense pas de travailler les voix.

Taille cinq

Cinq personnes produisent dix paires. Répartissez les entrées et repérez la paire minimale. Une cinquième voix peut modifier toutes les relations.

Affichez le groupe dans une liste puis dans un dialogue.

Taille six

Six personnes produisent quinze paires. L’outil ne se contente pas des voisins alphabétiques. Chaque combinaison est calculée.

Dans une scène rapide, utilisez des sous-groupes ou des objectifs distincts.

Longueurs courtes

Les formes courtes peuvent entrer dans des mots et offrir moins de positions différentes. Vérifiez les limites de mot lors de la recherche.

Une forme courte n’est pas automatiquement plus facile à retenir.

Longueurs mélangées

Des rythmes variés peuvent aider l’œil, mais la longueur ne doit pas coder rôle ou importance. L’outil accepte une plage large.

Testez les formes abrégées, car elles peuvent annuler cette diversité.

Longueurs développées

Les noms longs peuvent partager plusieurs segments sans être proches selon la distance. Les préfixes et finales ajoutent une alerte distincte.

Vérifiez la troncature mobile et les index compacts.

Initiales distinctes

Cette règle réduit une collision visuelle, mais ne garantit rien à l’oral. Elle peut aussi exclure inutilement de bons noms.

Utilisez-la lorsque l’index ou les dialogues rapides sont centraux.

Répétition autorisée

Deux initiales communes peuvent rester claires si les longueurs, scènes et rôles diffèrent. La matrice montre les distances réelles.

Testez les formes en liste, où le contexte disparaît.

Préfixes partagés

Deux premières lettres communes peuvent ralentir une lecture rapide, surtout avec des longueurs proches. Ce signal n’est pas une interdiction.

Comparez l’ordre des personnages et les incises avant de renommer.

Finales partagées

Une finale commune peut créer un motif de culture fictive ou une collision. Déterminez si elle est intentionnelle et documentée.

Ne déduisez pas une parenté ou origine depuis ce segment.

Dialogue rapide

Écrivez quatre répliques sans deux incises. Les objectifs doivent permettre l’attribution. La matrice guide la paire à tester en premier.

Réintroduisez les noms seulement aux points d’ambiguïté.

Index

Affichez ordre alphabétique, ordre d’apparition et formes abrégées. Les collisions changent selon le tri.

Un index clair ne garantit pas une scène claire.

Action

Alternez cinq actions et pronoms. Une paire proche peut rester distincte si les positions et objectifs diffèrent.

Évitez de répéter chaque prénom pour compenser une chorégraphie confuse.

Lecture humaine

Faites lire lentement puis en continu. Notez les confusions réellement entendues sans inventer une transcription ou un score.

Plusieurs lecteurs peuvent diverger. Conservez les conditions du test.

Réviser la scène d’abord

Clarifiez entrée, objectif, geste et relation. Une meilleure scène résout souvent le problème sans casser la continuité du nom.

Retestez la paire minimale après révision.

Réviser l’affichage

Un titre, une forme complète ou une liste différente peut suffire. N’inventez pas d’information personnelle pour distinguer.

Vérifiez les mêmes choix sur mobile et papier.

Renommer en dernier recours

Renommez lorsque plusieurs contextes confirment la confusion et que les autres corrections échouent. Documentez toutes les variantes.

Relancez la recherche plein texte et la matrice après modification.

Exemple de matrice

Six noms respectent quatre opérations, mais une paire partage un préfixe et apparaît dans deux répliques successives. L’auteur déplace une entrée et clarifie l’action.

La lecture humaine devient claire ; aucun renommage n’est nécessaire.

Points à surveiller pour Matrice de similarité pour une distribution

Évitez de présenter la distance comme score de qualité, d’ignorer les surnoms, de regarder seulement les initiales et de renommer avant de tester la scène.

La méthode ne mesure ni identité, origine ou disponibilité.

Lire une matrice ligne par ligne

Commencez par la ligne du personnage qui apparaît le plus souvent, puis examinez ses distances avec chaque partenaire de scène. La cellule minimale n’est pas nécessairement la plus gênante : une paire qui ne se rencontre jamais peut demander moins d’attention qu’une paire légèrement plus éloignée répétée dans le même dialogue. Ajoutez donc une colonne de fréquence de cooccurrence issue de votre propre manuscrit, sans l’inventer.

Pour chaque cellule signalée, notez la forme complète, le diminutif réellement employé, l’initiale affichée et le support. Une paire peut être distincte dans le texte courant mais identique dans un tableau étroit. Cette lecture située empêche de transformer une valeur numérique en verdict universel.

Comparer les surnoms et formes d’adresse

La matrice générée porte sur les noms affichés. Complétez-la avec les surnoms, titres, patronymes et formes d’adresse effectivement présents. Deux formes longues peuvent être éloignées tandis que leurs diminutifs convergent. À l’inverse, une forme officielle proche peut ne jamais être prononcée dans la même scène.

Ne créez pas de surnom uniquement pour gagner une distance. Il doit être accepté par le personnage, cohérent avec la relation et introduit dans le récit. Documentez qui l’utilise, dans quel contexte et à partir de quel chapitre.

Tests typographiques et accessibles

Composez la distribution en caractères courants, en petites capitales si le projet les utilise, sur mobile et dans une version agrandie. Une police ou une troncature peut rapprocher des formes que le calcul considère éloignées. Vérifiez également la restitution par un lecteur d’écran avec les réglages réellement prévus.

Le test accessible ne consiste pas à attribuer une prononciation automatique correcte. Écoutez la sortie, notez les ambiguïtés et fournissez au besoin un contexte textuel. Les corrections d’interface et les corrections narratives doivent rester distinguées dans le journal.

Historique des décisions

Enregistrez la version de la distribution, la normalisation, le seuil et les scènes testées. Après chaque renommage, conservez l’ancienne matrice comme trace, puis construisez-en une nouvelle. Cette comparaison montre précisément ce qui a changé sans prétendre qu’un chiffre supérieur garantit une meilleure lecture.

Une décision peut être réversible. Si la nouvelle forme perturbe la continuité ou produit une collision ailleurs, revenez au problème initial, aux observations humaines et au contexte plutôt que de poursuivre une optimisation abstraite.

Procédure de travail pour Matrice de similarité pour une distribution

Vérifications avant d’utiliser Matrice de similarité pour une distribution