Les données des sciences de l'homme forment souvent des corpus de textes, qui sont hétérogènes par leurs forme et contenus; spécifiques par leurs terminologie et signification. Ceci rend particulièrement délicate leur exploitation automatique à des fins de gestion de connaissances. À partir d'un corpus d'entretiens en histoire des sciences, nous présentons une méthode supervisée générant un réseau de documents liés par leurs proximités de contenus. Il s'agit d'un graphe multiple flou, basé sur l'extraction de \textit{n-grams} à taille variable. Un prototype en Python permet d'évaluer la méthode. Dans cet article, nous confrontons, de manière interdisciplinaire, le réseau d'informations construit par la méthode numérique à l'analyse qualitative du corpus historique. Nous essayons d'en dégager, d'une part, des améliorations de la méthode, et, d'autre part, des outils heuristiques pour l'historien.