Version classiqueVersion mobile

Qu’est-ce que la cartographie du web ?

 | 
Franck Ghitalla

Chroniques du Web

Chapitre 6. Des data ciselées

Texte intégral

« J’ai vu un ange dans le marbre et j’ai seulement ciselé jusqu’à l’en libérer », Michel-Ange.

1L’identification d’une couche médiane sur le Web – ce qui allait devenir la théorie des agrégats – et nos premières expérimentations sur les web data ont profondément renouvelé les façons de nous représenter le réseau. Le principe des couches venait éclairer d’une façon inédite tout aussi bien le 6 degrees (ou les diamètres moyens relativement courts des réseaux distribués) assignable à l’existence d’une couche haute hyperconnectée que la propension évidente des pages web à s’agréger en clusters remarquables, les agrégats dans une couche médiane où entraient en résonance liens et contenus. Cela nous rassurait : les masses, la diversité et la dynamique des web data étaient des contraintes que l’on pouvait désormais envisager de dépasser. Le principe d’une corrélation forte dans les corpus de pages web entre proximité hypertexte et similarité ou complémentarité sémantique permettait d’entrevoir de nouveau, comme dans une bibliothèque, des capacités d’exhaustivité et de recensement systématique de ressources pertinentes. Pour peu que l’on s’y penche, l’approche avait tout d’une sorte de méthode dédiée à des opérations de suivi ou de veille sur le Web. En revanche, nous n’avions pas la logistique suffisante pour explorer à grande échelle cette couche médiane et dresser un premier catalogue d’agrégats que l’on aurait pu traiter eux-mêmes sous forme d’un « méta-graphe ». Après un échec auprès de l’ANR pour financer ce type de besoin et auprès de structures diverses (dont la région Picardie et mon université), il apparut évident à tous les membres de la jeune équipe qu’il fallait nous doter nous-mêmes d’une infrastructure d’exploration, et quelques serveurs OVH firent l’affaire dans un premier temps ainsi que quelques ordinateurs qui engloutirent nos économies personnelles.

  • 1 M. Bastian, S. Heymann et M. Jacomy, “Gephi: An Open Source Software for Exploring and Manipulating (...)

2Ce fut une époque formidable quand j’y repense : en marge des cadres officiels de la science, il a fallu imaginer différents scénarios afin de poursuivre notre démarche exploratoire. Les contraintes de la situation et le dynamisme de jeunes ingénieurs inventifs nous conduisirent à oser parier sur des voies encore inédites pour certaines. Quelques-uns parmi eux fondèrent la start-up RTGI (d’après un texte prospectif que j’avais écrit aux premiers jours de l’année 2000), devenue Linkfluence depuis. D’autres préparaient les différentes premières versions de Gephi dans un cadre open source1. Cette période mouvementée nous permit aussi de tester quelques nouvelles idées, surtout en termes de méthodologie et d’instrumentation. Nous étions imprégnés de l’idée que le succès de la démarche de Kleinberg et de ses collègues de Palo Alto ne tenait pas aux puissances de calcul mises en œuvre (ou de la taille des graphes du Web), mais à l’intelligence intégrée aux algorithmes comme HITS, intelligence que l’on pouvait désormais embarquer dans une flotte de crawlers sur le réseau. En attendant de bénéficier d’une infrastructure technique dédiée à l’exploration à grande échelle des agrégats, nous nous sommes focalisés sur les aspects qualitatifs de nos méthodes et de nos instruments. Il nous fallait donc trouver un terrain d’expérimentation assez ouvert pour intégrer différents agrégats et où nous aurions pu tester de nouvelles pistes pour traiter les données. Au-delà d’une structure d’agrégat finie et localisée, il nous fallait comprendre comment s’organisaient les agrégats entre eux, de voisins en voisins, de façon à entamer une description minutieuse de la couche médiane du Web.

  • 2 http://webatlas.fr/wp/navicrawler/.

3Mathieu Jacomy m’accompagnait, alors qu’il développait par ailleurs une sorte de navigateur enrichi, le Navicrawler, qui permettait d’intégrer à Firefox des fonctionnalités de cartographie des parcours de navigation à base de graphes2. Mathieu s’intéressait au principe de la navigation enrichie ; il s’interrogeait par exemple sur l’utilité de taguer à la volée les sites web, de construire des corpus d’URL avec des batteries de descripteurs ou encore de traduire sous forme de graphe notre présence sur le Web en analysant les logs des utilisateurs. Il s’était ainsi tourné vers l’étude de ces allers-retours contenu-structure (des mots aux liens) et structure-contenu (des liens aux mots) que permettait le Navicrawler, mais de façon contrôlée et manuelle, presque artisanale. C’était une autre façon de visiter les agrégats de documents web. Loin des grands corpus de web data et des technologies automatiques d’extraction comme les focus crawlers, Mathieu aimait à produire ce genre de documents qui accompagne une méthode de construction d’un corps d’URL via une sorte d’arpentage systématique :

Image 6.2

Image 6.2

Méthode de sourçage d’un corpus web avec le Navicrawler.

  • 3 F. Pfaender, M. Jacomy et G. Fouetillou, “Two Visions of the Web: From Globality to Localities”, da (...)

4À force de multiplier les expériences de construction contrôlée, quasi minutieuse, de corpus d’URL sur une foule de sujets sociétaux (les communautés pro-life ou pro-choice dans la polémique en ligne sur la contraception, les organisations de la solidarité internationale, la culture scientifique et technique sur le Web3…), il en était arrivé au point de synthétiser les différents aspects d’une exploration systématisée d’un agrégat :

Image 6.3

Image 6.3

Images de la méthodologie de crawl avec le Navicrawler.

5Ce n’est que plus tard que nous avons réfléchi ensemble aux implications théoriques de notre démarche et aux enjeux qui s’y trouvaient liés pour les sciences humaines et sociales. Pour le moment, il fallait trouver l’occasion propice pour nous lancer dans ce genre d’expédition cartographique dans les web data qui nous amusait tant.

*****

  • 4 Sophie Tocreau et Martine Roussel.

6Nous n’avons pas attendu longtemps : le ministère de la Recherche (la cellule Point de contact national pour les questions européennes de la recherche – PCN) nous contacta pour réaliser une étude exploratoire de vaste ampleur sur les rapports « science-société »4. L’objectif général du projet, SISmap pour Science and Society Mapping, consistait à cartographier « sur le Web francophone les zones d’interaction entre acteurs et institutions de la science et acteurs et organisations de la société civile ». Le « focus » thématique nous paraissait suffisamment large pour englober une foule de problématiques potentiellement traitables sous forme d’une série d’agrégats de documents web : développement économique, développement durable, sciences citoyennes, énergies, transport, nature, nourriture, chimie, nanotechnologies, sciences du vivant, espace, biodiversité, nucléaire, cosmétiques… Nous savions déjà par expérience, pour avoir étudié de près les thèmes controversés de l’avortement, de l’Église de scientologie, du logiciel libre ou du « mouvement des sans-papiers », que l’agrégation de contributions en ligne était particulièrement remarquable chez des acteurs engagés politiquement ou philosophiquement. Le dispositif imaginé pour SISmap était à notre connaissance tout à fait inédit. Il reposait sur l’hybridation de deux éléments qui intervenaient à tour de rôle. Le premier était constitué de quatre personnes (deux expertes du ministère, spécialistes des relations science-société, assistées de Mathieu et moi-même). Le rôle de cette cellule (qui se réunissait régulièrement) était d’opérer sur les données des tâches de sélection (pertinent/hors sujet), autrement dit de déployer à chaque étape du processus des activités qualitatives d’interprétation et de sélection à l’image de ce que ferait un focus, mais ici manuel et collectif. À chaque étape, la cellule permettait donc de valider et de contrôler l’expansion du corpus, en particulier en s’appuyant sur des épreuves imprimées de nos graphes autour desquels s’effectuait le travail d’analyse collective.

7L’autre élément, plutôt quantitatif celui-là, était constitué par Examiner. Examiner était un prototype expérimental dont l’ossature reposait sur des scripts exploitant l’API Exalead. Exalead (exalead.fr) est un moteur de recherche français qui contient 16 milliards de pages en base, issu d’une équipe d’experts de haut vol en matière de search (fondé en 2000 par d’anciens développeurs d’Altavista, François Bourdoncle et Patrice Bertin). Toujours prête à se lancer dans de nouvelles aventures, l’équipe de l’époque (au sein de laquelle œuvrait Hugo Zanghi aujourd’hui à Linkfluence) accepta volontiers l’autorisation d’exploiter leur base d’indexation de pages web. Notre objectif résidait, en particulier, dans l’extraction des relations statistiques entre des termes ou des expressions (en langue française) et qui constituent souvent des indicateurs de contenus pertinents pour un travail à grande échelle. Nous avions besoin d’accéder à des calculs statistiques simples, mais massifs qui auraient permis de dégager des patterns de mots-clés pertinents pour notre étude. S’il revenait à la cellule d’experts de se prononcer sur l’inclusion ou non de certains termes ou expressions, les liens entre termes étaient extraits à partir de leur degré de co-occurrence sur le Web, en ce cas dans les bases d’Exalead. Un terme A (par exemple pollution) est lié à un terme B (polymère) parce qu’ils apparaissent ensemble dans la même URL ou la même page, et selon une certaine intensité (par exemple, pollution 8 occurrences et polymère 6 occurrences dans la même page). Les termes étant par ailleurs liés par le même phénomène à d’autres termes, il devenait possible d’étendre le graphe de façon presque illimitée, en espérant faire apparaître des zones de concentration typiques, des « thèmes » si l’on veut. Les grammaires possibles d’attribution de scores sont très nombreuses en text mining et l’on peut raffiner l’analyse avec des traitements plus avancés, par exemple avec des formules d’analyse sémantique. Dans le cadre de SISmap, nous n’avions besoin que de statistiques simples dans notre arpentage du Web, en espérant voir apparaître des zones de concentration de vocabulaire typique d’une agrégation après différentes phases d’analyse et de validation qualitative.

8Ce sont les travaux de Kleinberg sur les agrégats de documents web qui nous ont incités, comme tant de chercheurs et d’ingénieurs, à tester différentes formules d’association où alternent phases de traitement des contenus et phases de traitement de la structure hyperliée. Les techniques de knowledge discovery exposées par Kleinberg et ses collègues consistent avant tout à exploiter la structure hyperliée pour en explorer les contenus dans une seconde phase. Detecting web communities through linkage : c’est tout le sens de HITS où le topic search se trouve induit (induced) par la distribution des liens (hypertext). La voie que nous avons empruntée est inverse et complémentaire pour détecter des agrégats sur le Web : nous voulions commencer d’abord par les mots pour étudier leurs concentrations typiques autour de thèmes controversés. Seulement ensuite viendraient l’analyse des pages et la distribution des liens hypertextes. Cependant, quand nous avons mis en place notre dispositif, rien ne garantissait que nous allions pouvoir nous aussi approcher un processus d’agrégation de mots et de liens avec cette méthode et, qui plus est, à grande échelle. Autrement dit, un test grandeur nature pour ce qui était devenu pour nous la « théorie des agrégats ».

Image 6.4

Image 6.4

Architecture d’un dispositif de test de la théorie des agrégats.

9Pour entamer le processus d’extraction des données Exalead, l’équipe d’experts du ministère a d’abord identifié 90 termes ou expressions qui ont servi de points de départ (l’équivalent d’une seed d’URL pour un crawl hypertexte sur le Web). De là, les données Exalead ont montré sous forme de graphe de mots-clés les liens de co-occurrence de chacun de ces termes avec d’autres, en grand nombre. L’équipe a sélectionné les expressions les plus pertinentes pour notre travail (i.e les expressions redondantes comme « matière de développement durable » issue de « développement durable », soit hors sujet par homonymie le plus souvent, i.e. « Ocean Eleven » ou « Dany Ocean » issues de « océan »). Le graphe initial se voyait donc amputé de certaines branches, tandis que celles retenues comme pertinentes commençaient petit à petit à se rejoindre et à se connecter. En deux phases d’un long travail d’analyse manuelle, 940 termes de départ ont été retenus pour l’extraction finale de 6 760 expressions pertinentes et validées manuellement, associées entre elles par 71 744 liens d’association pondérés en fonction du nombre de co-occurrences dans les pages web, et fortement clusterisées.

10Indéniablement, même sans avoir visualisé en détail le graphe, tous les indicateurs statistiques montraient que l’on venait d’arpenter un territoire unique (connexe) avec une morphologie interprétable (des hiérarchies, des clusters). Afin de vérifier que nos termes étaient bien issus de pages web pertinentes ou représentatives (au moins globalement), 26 787 d’entre elles (parmi plus de 240 000 mobilisées pour nos calculs) ont été conservées en base et restaient accessibles à tout moment depuis l’interface d’Examiner. Examiner était un dispositif de gestion de l’API Exalead d’investigation pluggé sur les données archivées par la société. Examiner tenait du bricolage méthodologique et technique, mais permit de produire un graphe général de la structure au format Gephi.

11Projetés avec l’algorithme Force Atlas depuis Gephi, les 6 760 termes et expressions co-occurrents ont été regroupés en 113 groupes (clusters) déterminés par différents seuillages statistiques. Un nombre de termes sans attribution (entre deux clusters) furent enfin intégrés après examen du groupe d’experts. Les liens, de plus ou moins grande intensité, indiquent des degrés de co-occurrence de termes entre les clusters (plus le lien est épais entre deux clusters, plus ils partagent de vocabulaire commun). Ce travail statistique et la projection spatiale confirmaient les effets de regroupement thématique, mais aussi d’agrégation plus ou moins intense dont dépendent les différentes grosseurs des nœuds. Les 113 clusters ou groupements thématiques ont été labellisés manuellement et proposent une distribution des 6 760 termes retenus.

170 mots Génétique
163 mots Préservation de la nature et de la biodiversité
161 mots Commerce équitable
146 mots Développement durable et environnement
142 mots Gaz à effet de serre et pollution de l’air
139 mots Maîtrise de l’énergie
137 mots Connaissance et domaine scientifique
127 mots Domaine de l’aide humanitaire
127 mots Culture scientifique et technique et pédagogie des sciences
126 mots Production, collecte, tri, traitement des déchets, traitement des eaux
118 mots Chimie, laboratoires et universités
116 mots Température et pression, mesure et variations
115 mots Aliments et alimentation
115 mots Controverse sur les OGM
114 mots Biotechnologies, innovation et valorisation de la recherche
113 mots Démocratie directe : participation citoyenne, crise de
confiance
113 mots Cosmétiques
105 mots Construction européenne, Europe politique
45 mots Loisirs et sports de nature
43 mots Secteur maritime
43 mots Différents ministres et ministères
43 mots Exposition aux risques
42 mots Jardins
42 mots Pêche
41 mots Cycle de l’eau
41 mots Nucléaire militaire
41 mots Espèce humaine
40 mots Personne humaine, dignité humaine
40 mots Espèces animales
40 mots Politiques publiques et choix scientifiques
40 mots Négociations du commerce international
40 mots Prévention santé et sécurité du travail
39 mots Dette du tiers-monde
39 mots Crise alimentaire
39 mots Services des Eaux
39 mots Physique
38 mots Populations et amélioration des conditions de vie
38 mots ONU et droits de l’homme
100 mots Domaine spatial et planète Terre
95 mots Filière nucléaire et stockage des déchets radioactifs
90 mots Milieu marin
90 mots Problématique et domaines du patrimoine
88 mots Développement humain et démographie
87 mots Pétrole et marée noire
84 mots Instituts scientifiques ou sanitaires et autres institutions
77 mots Aide au développement et coopération internationale
76 mots Les animaux
74 mots Forêt et feux de forêt
73 mots Certification et normes
69 mots Industrie agro-alimentaire et autres industries
69 mots Risques et causes de mortalité
67 mots Les différents types de risques
67 mots Sol et végétaux
66 mots Parcs et espaces naturels
66 mots Filière bovine, viande et lait
65 mots Réchauffement climatique et élévation du niveau de la mer
62 mots Agriculture biologique et produits bio
62 mots Champs et rayonnements électromagnétiques
62 mots Risques, prévention et sécurité sanitaires
61 mots Accès aux soins et système de santé
60 mots Découverte de la nature
58 mots Urbanisme et territoire
58 mots Secteur agricole
57 mots Éthique
57 mots Transport routier et ferroviaire
56 mots Les différents types d’acteurs et partenaires
56 mots Secteur pharmaceutique et domaines thérapeutiques
55 mots Qualité et distribution de l’eau
53 mots Mouvement social et alternatives au libéralisme économique
53 mots Secteur financier
50 mots Acteurs politiques et écologie
50 mots Risques d’infection et services hospitaliers
50 mots Centrales et production d’électricité
49 mots Biologie et laboratoires
48 mots Les différents types de transports
47 mots Engagement des jeunes et secteur associatif
46 mots Histoire et histoire des sciences, sciences politiques et géographie
37 mots La citoyenneté et l’égalité des chances
37 mots Grippe aviaire
37 mots Gestion locale de l’eau
37 mots Sciences de l’ingénieur, matériaux et mécanique
35 mots Lutte contre le SIDA
34 mots Pauvreté
33 mots La pollution
32 mots Le système biologique
30 mots Marché du gaz
30 mots Fête de la science
29 mots Secteur aérien
28 mots Peinture au plomb et amiante
28 mots Les problèmes de poids
28 mots Coopération scientifique
27 mots Substances dangereuses
26 mots Gouvernance
26 mots Maladie de la vache folle
25 mots Sang
25 mots Entreprises artisanales
24 mots Risque et population
24 mots Carburants
23 mots Grandes conférences
23 mots Surveillance
23 mots Égalité des sexes
22 mots Exploitation minière
30 mots Sommets et société de l’information
21 mots Armes de destruction massive et droit international
21 mots Bois de construction
20 mots Exposition au soleil
20 mots Ciel et cieux
19 mots Éducation populaire
19 mots Médecine alternative
19 mots Afrique
17 mots Montagne
17 mots Techniques de diagnostic clinique
15 mots Greffe
14 mots Les femmes
14 mots Travail des enfants
12 mots Nanotechnologies
10 mots Uranium

Image 6.5

Image 6.5

Réseau des 6 760 expressions pertinentes associées entre elles par 71 744 relations de co-occurrence.

12Réduite aux seuls 113 groupements thématiques – 113 agrégats –, la carte affichait une forme curieuse en étoile avec des « branches » (ou des « filaments » comme les appelle Mathieu Jacomy). En bas ont été affichés quatre petits clusters thématiques déconnectés de la vue principale, aucune co-occurrence de termes ne le permettant. Peut-être s’agit-il d’un effet de notre méthode de sélection des termes pertinents pour notre étude, ou bien d’un manque éventuel de données supplémentaires. Cependant, je notais à l’époque que ces clusters déconnectés concernaient surtout l’univers politique, l’Europe ou le rôle des ministères… La carte produite ne possède pas de cœur dense et hyperconnecté, comme dans de nombreuses cartographies que nous avons produites. Ici, une distribution circulaire centrale égrène différentes thématiques dont certaines servent de pivot aux filaments.

Image 6.6

Image 6.6

113 groupements thématiques d’expressions calculés par seuillage statistique.

13À droite, c’est par exemple le cas de la thématique Aliments et alimentation : c’est à la fois l’un des clusters majeurs (comme Développement durable et environnement, Génétique ou Préservation de la nature et de la biodiversité), mais aussi le point de départ d’un filament qui nous fait passer par Cosmétiques ou Sol et végétaux pour s’achever sur l’univers de l’agriculture et du commerce équitable.

Image 6.7

Image 6.7

Zoom sur le filament de groupes attaché au reste du réseau par le thème de l’alimentation.

14L’exploration de chacun des 113 clusters de mots-clés co-occurrents était rendue possible via Examiner : pour chacun d’eux un nuage de mots était associé, et chacun d’eux cliquable pour accéder aux documents source où ils apparaissaient.

Image 6.8

Image 6.8

Le groupe d’expressions « Pétrole et marée noire » tel que visualisé dans le poster final du projet SISmap comme un nuage de mots.

15La version imprimable de la carte contenait au final les 113 thèmes, les 6 760 termes associés ainsi qu’une partie des 71 744 liens de co-occurrence (ceux qui permettaient d’apercevoir les connexions inter-clusters dans le réseau de co-occurrence). Nous étions au bout des capacités de nos machines et de nos applications ! Affichée sur un mur, elle permet d’apercevoir le pattern central circulaire ainsi que les filaments, mais aussi, en se rapprochant de chaque nuage de mots-clés, de l’impressionnante précision des termes pour chacun d’entre eux

Image 6.9

Image 6.9

Le poster final du projet SISmap

16Le foisonnement apparent des termes disparaît rapidement dès l’examen attentif des premiers clusters thématiques, comme si la forme globale de la carte leur imprimait une forme raisonnée de classement avec ses hiérarchies générales et ses complémentarités locales. Cette forme générale en étoile et ses articulations remarquables de thématiques ne laissaient pas de nous interroger : à quoi pouvait-on en attribuer le principe ? Ces formes d’ontologies ascendantes (puisqu’elles venaient du Web lui-même, fruit du travail continu des millions d’internautes) avaient-elles donc une forme jusque-là inaperçue ? D’où venait une telle organisation ?

17Nous étions encore une fois confrontés à la délicate question de savoir à quoi assigner ce pattern fascinant : aux effets de notre méthode d’extraction des données, de nos instruments de spatialisation ou bien à un principe statistique robuste et pérenne sur le Web ? Étant donné les milliers de sites web d’où provenaient nos mots-clés, et le fait qu’ils étaient reliés entre eux pour la plupart (nous pouvions les consulter à tout instant via Examiner), il ne faisait aucun doute que nous avions cartographié une région du Web particulière où se concentraient par agrégation des contenus et des acteurs. Une fraction du Web, francophone et militant, où semblaient s’enchaîner les thématiques de controverses par complémentarité (alimentation – cosmétiques – produits biologiques – agriculture biologique), mais aussi par la présence d’acteurs impliqués dans plusieurs controverses (France Nature Environnement, José Bové, Greenpeace France…). Puisque le pattern révélé par ForceAtlas 2 semblait si fort, alors pourquoi ne pas l’exploiter pleinement à travers un dispositif original ? À l’évidence, cette structure en étoile avec ses filaments pouvait être exploitée en la réduisant sous la forme d’une boussole pour naviguer dans les masses de pages web qu’Examiner avait identifiées et archivées. On aurait pu aussi associer à cet instrument cartographique d’aide à la navigation des listes de mots-clés importants : en cliquant sur un terme dans une liste adjacente, sa position aurait pu « s’allumer » sur la carte ou bien ouvrir une liste de sites associés.

18Les idées s’enchaînaient et c’est ainsi qu’est né l’un de nos projets phare : un moteur de recherche dédié aux controverses scientifiques et techniques sur le Web. Nous lui avions donné un nom de projet : Réseaux, Traces, Controverses. Puisqu’il était possible de dresser la cartographie à peu près complète des controverses sur le Web (disons, des sujets de controverses sociales) à un instant t, qui plus est adossé à un système pérenne comme Exalead.fr, il devenait concevable de la reproduire à différents moments. Par exemple, chaque année, on aurait pu dessiner une morphologie socio-informationnelle des controverses (acteurs, organisations, arguments), les recenser sur le Web francophone (via une typologie) et en dresser la cartographie en fonction de leur « degré » d’éloignement ou de proximité, de différence ou de similitude. On aurait pu travailler sur les modalités d’interactions probables entre de nombreux patterns documentaires associés à chacune d’elles, en profondeur ou localement. Nous imaginions pouvoir nourrir le moteur d’une forme distribuée et collective d’expertise qualitative selon les mêmes procédures méthodologiques que nous avions suivies. L’une de nos idées favorites consistait à imaginer que, le temps passant, nous aurions pu produire des sortes d’indices ou d’indicateurs de controverse définis qualitativement (savoir d’expertise sur les controverses) et simultanément mobilisables pour des processus de traitement quantitatif sur de grandes masses de données documentaires (en particulier extraites du Web). Le moteur de controverses aurait ainsi pu servir de laboratoire, ou de base expérimentale pour étudier comment naissaient les controverses, à partir de quels arguments et de quels acteurs, comment elles évoluaient, disparaissaient ou fusionnaient pour générer de nouvelles formes. Pour couronner le tout, notre première carte semblait nous procurer un espace original d’exploration ou de navigation dans les quelque 27 000 pages web archivées et classées, aisément traduisible en forme interactive et que l’on aurait pu associer à des instruments plus classiques de recherche d’informations comme des listes générées à partir de requêtes ou une classification préétablie. Pour bien des raisons, indépendantes de notre volonté, ce moteur n’a jamais vu le jour. C’était pourtant l’un des premiers projets à prétendre hybrider les sciences de l’ingénieur avec les sciences humaines et sociales dans l’étude et le suivi longitudinal des controverses scientifiques et techniques qui constituent l’une des formes les plus évidentes de la dynamique du social sur le Web.

19Le ciselage des data auquel nous avait contraints notre recherche de précision et de pertinence fut un travail de longue haleine, mais ô combien instructif. L’étude nous avait poussés à imaginer plusieurs voies d’hybridation des procédés automatiques d’extraction de web data à grande échelle et travail qualitatif de sélection. Le prototype Examiner incarnait l’une de ces voies possibles. Mais, au-delà des instruments et de la technologie, au-delà même des data et des controverses, le plus instructif pour moi fut l’effort porté sur la construction d’un corpus cartographiable. Toutes les opérations que nous avons menées ont été des moments délicats et riches d’enseignement sur la construction de la carte comme machine logique. La visualisation de notre pattern « en étoile », après des mois d’effort, peut fasciner par son pouvoir visuel et révélateur. Mais l’émerveillement devant la carte fonctionne d’autant mieux qu’il s’agit d’une machinerie complexe que nous avons mis longtemps à maîtriser, comme un savoir-faire d’artisan cartographe. Tout est prêt pour que le regard du spectateur puisse appréhender des formes globales, mais aussi se perdre dans les détails en s’approchant du poster. De l’imprimé à la version interactive, il n’y a donc qu’un pas : pour produire un poster exhaustif, l’alignement des différents filtres nécessaires à la production de la vue est déjà en place et maintes fois testé.

20En cartographie d’information, les pratiques d’atelier ouvrent donc directement sur des pistes d’innovations technologiques, mais à condition seulement que les procédures de traitement de l’information soient nourries d’une forme d’expertise. Notre cellule collective d’évaluation des versions successives de la carte mêlait des compétences en ingénierie et l’expertise des chargés de mission « culture et société » du ministère ce qui, en amont, a conditionné l’intérêt de la carte, aussi bien en précision qu’en étendue.

Image 6.10

Image 6.10

Participants du projet SiSmap en cours d’annotation des cartographies du projet au format papier.

21On doit la vue en étoile à l’algorithme ForceAtlas 2 de Gephi, mais aussi, plus profondément, aux formes d’hybridation des compétences d’ingénierie et d’expertise. A priori, le premier est spécialiste des traitements quantitatifs au sens large, depuis les requêtes via l’API Exalead jusqu’aux bases de stockage des données et les calculs associés. Le second, l’expert, est plutôt spécialiste de la validation qualitative avec tout le travail d’inclusion/exclusion pour chacun des milliers de termes analysés. Mais, le plus souvent, le processus de coopération débouche sur des formes dynamiques d’hybridation. Ainsi, l’expert est appelé à fournir à l’ingénieur les critères selon lesquels extraire les termes ou en traiter les propriétés. Inversement, l’ingénieur peut relever l’apparition de nouveaux termes ou de nouveaux clusters de termes sur lesquels l’expert doit alors se prononcer. Pendant que l’un est garant des identités thématiques, l’autre est le garant des unités calculables. À regarder l’équipe se pencher sur les impressions papier successives de la carte, il apparaît clairement qu’il y avait là de quoi développer tout un travail précis de description des différentes modalités de coopération entre l’expert et l’ingénieur dans les formes de contrôle de production du corpus. C’est là l’un des secrets de la R&D à l’échelle industrielle des systèmes et des services web innovants. Mais c’est aussi là, dans le ciselage des data, que l’on cherche à embarquer de l’intelligence à travers les contributions d’experts. Je pourrais aussi le dire des chercheurs en sciences humaines et sociales : les modèles de temps, de sociétés, d’espaces, d’idéation ou d’interaction qu’ils produisent depuis longtemps constituent un formidable capital d’expertise potentiellement mobilisable. Mais cela supposerait une révolution des hommes et des services dans les organisations. Dans les universités, les centres de recherche ou les services transversaux de grandes entreprises, les DSI ( Directions des Systèmes d'Information, en général « quasi bunkerisés ») se trouvent souvent à l’opposé dans les bâtiments du service de veille, de la bibliothèque, du centre de documentation ou des services chargés des études. Le décloisonnement paraît pourtant nécessaire à l’évolution des technologies elles-mêmes et notre modeste atelier de design participatif et du corpus et de la technologie aura défriché une voie parmi d’autres du passage des masses de données à l’information pertinente, le passage du big au smart data.

Notes

1 M. Bastian, S. Heymann et M. Jacomy, “Gephi: An Open Source Software for Exploring and Manipulating Networks”, dans Proceedings of the Third International ICWSM Conference, 2010.

2 http://webatlas.fr/wp/navicrawler/.

3 F. Pfaender, M. Jacomy et G. Fouetillou, “Two Visions of the Web: From Globality to Localities”, dans Proceedings of IEEE ICTTA06, 2006.

4 Sophie Tocreau et Martine Roussel.

Table des illustrations

URL http://books.openedition.org/oep/docannexe/image/15465/img-1.jpg
Fichier image/jpeg, 54k
Titre Image 6.2
Légende Méthode de sourçage d’un corpus web avec le Navicrawler.
URL http://books.openedition.org/oep/docannexe/image/15465/img-2.png
Fichier image/png, 991k
Titre Image 6.3
Légende Images de la méthodologie de crawl avec le Navicrawler.
URL http://books.openedition.org/oep/docannexe/image/15465/img-3.jpg
Fichier image/jpeg, 1,3M
Titre Image 6.4
Légende Architecture d’un dispositif de test de la théorie des agrégats.
URL http://books.openedition.org/oep/docannexe/image/15465/img-4.png
Fichier image/png, 981k
Titre Image 6.5
Légende Réseau des 6 760 expressions pertinentes associées entre elles par 71 744 relations de co-occurrence.
URL http://books.openedition.org/oep/docannexe/image/15465/img-5.png
Fichier image/png, 14M
Titre Image 6.6
Légende 113 groupements thématiques d’expressions calculés par seuillage statistique.
URL http://books.openedition.org/oep/docannexe/image/15465/img-6.png
Fichier image/png, 1,3M
Titre Image 6.7
Légende Zoom sur le filament de groupes attaché au reste du réseau par le thème de l’alimentation.
URL http://books.openedition.org/oep/docannexe/image/15465/img-7.png
Fichier image/png, 141k
Titre Image 6.8
Légende Le groupe d’expressions « Pétrole et marée noire » tel que visualisé dans le poster final du projet SISmap comme un nuage de mots.
URL http://books.openedition.org/oep/docannexe/image/15465/img-8.png
Fichier image/png, 8,5M
Titre Image 6.9
Légende Le poster final du projet SISmap
URL http://books.openedition.org/oep/docannexe/image/15465/img-9.png
Fichier image/png, 12M
Titre Image 6.10
Légende Participants du projet SiSmap en cours d’annotation des cartographies du projet au format papier.
URL http://books.openedition.org/oep/docannexe/image/15465/img-10.jpg
Fichier image/jpeg, 18k

CC-BY-NC-ND-4.0

Le texte seul est utilisable sous licence CC BY-NC-ND 4.0. Les autres éléments (illustrations, fichiers annexes importés) sont « Tous droits réservés », sauf mention contraire.

Lire

Open access

Acheter

Volume papier

i6doc.com
Rechercher dans OpenEdition Search

Vous allez être redirigé vers OpenEdition Search