Une tâche importante en philosophie est la lecture et l’analyse de textes pour en dégager le contenu sémantique, les thématiques et les arguments qui y sont développés. Cette question se pose notamment lorsque l’on cherche à comprendre un corpus de textes abordant des sujets parfois très divers. L’objectif de cette présentation est d’explorer la possibilité d’une assistance computationnelle pour effectuer cette tâche. Nous prenons ici comme cas d’étude le corpus de la revue québécoise Philosophiques (1476 textes publiés entre 1974 et 2018). Une méthode classique pour l’analyse de thèmes est l’allocation de Dirichlet latente (LDA), mais celle-ci nécessite des hypothèses concernant ses hyperparamètres, notamment le choix d’un nombre de thèmes. Nous explorons ici une approche récente, Top2Vec, présentant l’avantage de fonctionner sans hyperparamètre et se distinguant par son usage du plongement lexical. Nous comparons ces deux approches et, à l’aide de mesures de validation, nous estimons leur performance respective. Les résultats montrent une différence significative en faveur de Top2Vec, du moins dans le contexte du présent corpus. Les résultats plus détaillés de cette approche sont présentés de manière à permettre une évaluation qualitative. Nous analysons les thèmes identifiés ainsi que leur évolution au fil des 45 dernières années. Les résultats obtenus contribuent à mieux comprendre les questionnements au centre de la philosophie québécoise post-révolution tranquille.