Constituer une archive du web de la Grande Guerre et la rendre accessible aux chercheurs
p. 91-105
Texte intégral
1Le travail sur la mémoire en ligne de la Grande Guerre exposé dans cet ouvrage s’est appuyé pour partie, et de manière inédite, sur une archive du web singulière : celle constituée par la Bibliothèque nationale de France (BnF) dans le cadre de sa mission de dépôt légal. Ce chapitre décrit le processus de constitution d’une collection dans les archives du web de la BnF, sous ses aspects juridiques, techniques et documentaires, et explore l’articulation entre la constitution d’une collection à des fins patrimoniales et son exploitation par la recherche. Le travail sur le web français de la Grande Guerre a permis de mettre en regard les pratiques du dépôt légal de l’Internet et les besoins des sciences sociales aujourd’hui, posant la question de la relation entre une collection constituée par une bibliothèque et un corpus d’étude défini par des chercheurs. Il a ainsi alimenté la réflexion sur les services proposés aux chercheurs pour les aider à exploiter et à valoriser les collections du dépôt légal de l’Internet.
L’archive du web : une notion contradictoire ?
2Le web, qu’il soit considéré comme un média, un espace de publication ou un moyen de communication, est dans un état de flux permanent. Les sites web et les réseaux sociaux sont continuellement mis à jour, à une fréquence variable, et c’est cette capacité de réagir à l’actualité qui fait du web une source intéressante pour le chercheur étudiant un événement comme le centenaire de la Grande Guerre (2014-2018). Pour cette même raison, les informations sur le web sont fragiles, éphémères : les contenus changent et les sites disparaissent, ce qui pose plusieurs problèmes aux chercheurs. Comment disposer d’un objet documentaire stable qui peut être étudié ? Comment étudier le web d’une période passée ou l’évolution de ses contenus dans le temps ? Comment faire en sorte que d’autres chercheurs puissent refaire les mêmes analyses sur les mêmes objets1 ?
3L’archivage du web s’est développé pour répondre à ce besoin : garder une trace des contenus sur le web à un moment donné, afin qu’un chercheur, ou toute personne en ayant besoin, puisse les consulter dans le futur. La nécessité de sauvegarder le web a été reconnue dès le milieu des années 1990 par l’organisme à but non lucratif Internet Archive2, et de nombreux programmes d’archivage du web menés par des institutions publiques, des universités, des fondations à but non lucratif et des entreprises sont aujourd’hui en œuvre3.
4Pour assurer cette sauvegarde, le web a été intégré en France, comme dans de nombreux autres pays, dans le champ du dépôt légal. Le dépôt légal apporte de nombreux avantages mais aussi des limites, à la fois à la constitution des collections et à leur utilisation. Les impacts du cadre réglementaire en ce qui concerne l’exploitation de ces collections par les chercheurs seront abordés dans la dernière section de ce chapitre. En premier lieu, nous examinerons la constitution de la collection Grande Guerre : quelles sont les contraintes imposées par les techniques de collecte et le cadre juridique ? Quel cadre documentaire a été donné à cette collecte ?
5En France, la loi sur le dépôt légal a été adaptée pour conserver le web au même titre que les publications sur d’autres supports : la loi DADVSI de 2006 et son décret d’application de 2011 confient la mission de dépôt légal de l’Internet à l’Institut national de l’audiovisuel (INA), pour les sites des chaînes de radio et télévision et les sites qui y sont principalement consacrés, et à la Bibliothèque nationale de France (BnF) pour le reste du domaine Internet français4.
6Les archives de l’Internet de la BnF répondent à la même mission du dépôt légal que les documents sur d’autres supports, et font partie des collections proposées aux chercheurs. Mais la nature du web nécessite une adaptation des principes d’exhaustivité et de territorialité du dépôt légal, et la manière de constituer les collections requiert la prise en main d’un nouveau type d’objet documentaire.
7Tout d’abord, la notion de territorialité, inhérente au dépôt légal, est adaptée au web. Trois critères sont appliqués pour définir si un contenu sur le web est français, chaque critère étant suffisant : s’il est sur le domaine de haut niveau (en anglais « top level domain » ou TLD) .fr ; s’il est produit par une personne physique ou morale domiciliée en France ; ou s’il est produit sur le territoire français. Cette définition recouvre un ensemble de sites et de contenus assez vaste, mais, comme nous le verrons, ce périmètre légal peut « briser » des liens qui existent entre des sites français et des sites se trouvant hors du périmètre de la collecte. Or ces liens peuvent intéresser le chercheur dans l’étude de son corpus.
8Le dépôt légal de l’Internet concerne ce qui est publié : « faisant l’objet d’une communication au public par voie électronique5 » selon la formule du code du patrimoine. Les informations qui sont transmises sur l’Internet mais à destinataire privé sont considérées comme relevant de la correspondance privée et sont donc en dehors du champ. Cela concerne les courriels mais également les informations sur les réseaux sociaux où il faut être connecté ou « ami » avec la personne qui met l’information en ligne pour y accéder. Ainsi, une page publique sur Facebook est dans le champ du dépôt légal mais non un profil privé ; les messages publics sur Twitter sont dans le champ mais non les « direct messages » privés. Reste que la frontière entre public et privé est poreuse sur l’Internet, en particulier pour les internautes : des informations sensibles, notamment en raison de leur caractère personnel, peuvent se retrouver dans les collections du dépôt légal de l’Internet. Là aussi, comme on le verra, le rôle du chercheur et l’analyse qui est faite de ces informations peuvent poser question (voir la dernière section de ce chapitre).
9Enfin, il est important de noter que le dépôt légal sous toutes ses formes vise en principe l’exhaustivité. Cette visée devient impossible à concevoir pour l’Internet, en raison du volume existant d’informations mais aussi de leur nature dynamique, car il est impossible de figer un état comme une « publication » stable. En ce qui concerne le web, le dépôt légal vise, à défaut d’exhaustivité, la représentativité du web français. Cette approche s’impose car il est impossible de juger à l’avance ce qui peut intéresser un chercheur et, de fait, le dépôt légal ne préjuge pas de l’intérêt des sites. Une distinction peut donc être faite entre la notion de « collection » comme un ensemble cohérent constitué par une bibliothèque, et celle de « corpus » comme un ensemble défini par un chercheur comme objet d’étude. En pratique, il faut donc donner la possibilité de définir des corpus de recherche indépendamment ou à l’intérieur des collections.
10Comme déjà noté, l’archivage du web consiste à figer des éléments qui sont de manière permanente en mouvement et en évolution. Le principe de base de tout archivage du web consiste à collecter les éléments – texte, images, média, données, mise en page – qui constituent un site web, de manière à ensuite les recombiner pour reconstituer le site tel qu’il était au moment de la collecte. Pour arriver à cette fin, un ensemble de processus et de choix aussi bien documentaires que techniques sont mis en œuvre, et ces processus et ces choix conditionnent le contenu des archives que le chercheur va aborder. À ces choix et processus se rajoutent des contraintes techniques, car les technologies d’archivage du web se heurtent souvent à des difficultés en raison de l’évolution rapide des technologies web, voire à des dispositifs mis en place pour empêcher la collecte des contenus. Enfin, à la BnF, ce processus a lieu dans le cadre juridique du dépôt légal, avec les limitations que cela comporte.
11Pour archiver les contenus sur le web, la BnF utilise le logiciel libre Heritrix. Ce logiciel, souvent appelé « robot », part d’une liste d’adresses URL de départ et procède en identifiant des liens à l’intérieur des pages. Il collecte chaque page et tous les fichiers associés (images, feuilles de style) et ensuite collecte les pages désignées par des hyperliens, et ainsi de suite dans les limites du paramétrage qui lui est fixé. Un premier niveau de paramétrage s’applique à toutes les collectes : par exemple, le robot ne suit pas les liens qui sortent du domaine6 d’origine, mais peut collecter des éléments embarqués dans la page, comme les images, mêmes si ceux-ci sont hébergés sur un autre domaine.
12Pour chaque URL de départ un paramétrage spécifique est défini, en fonction des caractéristiques du site et de la cible documentaire que l’on souhaite collecter7. Cela se traduit notamment par le concept de profondeur : le robot peut collecter un site en entier (domaine), une sous-partie du site ou un blog sur une plateforme (hôte), ou bien une section ou rubrique spécifique. Un « budget » en termes de nombre de fichiers collectés est aussi défini, ce qui permet de contrôler la consommation du budget global de stockage des archives du web. La définition d’un budget alloué à chaque site permet également d’optimiser la gestion de la collecte en regroupant des sites avec les mêmes caractéristiques, mais peut aussi limiter la collecte des contenus sur certains sites.
13Enfin, la fréquence de collecte est définie. Selon le cadre de la collecte, un site peut être collecté à des fréquences plus ou moins rapprochées. Ces collectes multiples permettent d’étudier l’évolution des sites et du web sur le temps, mais signifient aussi qu’un site (c’est-à-dire un fichier) va figurer plusieurs fois dans les archives. Là aussi, il est nécessaire que le chercheur dispose de suffisamment d’informations pour interpréter ces captures multiples. Les logiciels utilisés pour la collecte permettent de documenter par exemple les dates précises de chaque capture d’un site, mais le chercheur n’a généralement pas un accès direct à ces outils de constitution de collection. Dans le cadre de la recherche sur le web de la Grande Guerre, l’information a été transmise aux chercheurs par les personnes responsables à la BnF du dépôt légal de l’Internet. La pertinence avérée de cette démarche laisse à penser qu’il serait utile d’élaborer une manière générique de fournir ce type d’informations.
14Les technologies mises en place et les choix de paramétrage conditionnent le contenu des archives, qui peuvent contenir des lacunes par rapport au site web objet de la collecte et qui, même dans le meilleur des cas, ne peuvent reproduire l’intégralité du réseau de liens qui partent d’un site donné, ni l’intégralité des mises à jour régulières des sites. Les archives du web constituent donc un nouveau type d’objet d’étude pour les chercheurs, dont la forme est en grande partie déterminée par l’approche technique retenue. Aussi indispensables soient-elles pour étudier le web, il faut prendre en compte que ces archives sont des artefacts créés à partir du web vivant, et pas le web lui-même. Des comparaisons peuvent être faites avec d’autres types d’archives ou de sources utilisées par les chercheurs qui ont leurs propres caractéristiques en termes de lacunes, de choix ou de contraintes dans leur constitution. Le travail de chercheur consiste en partie à expliciter la nature de l’objet qui est étudié et d’en tenir compte dans l’interprétation de celui-ci. C’est à ce même titre qu’il est nécessaire pour le chercheur de comprendre les technologies d’archivage du web pour bien interpréter les archives.
15Il est également nécessaire pour le chercheur de disposer d’informations sur les choix documentaires, qui conditionnent eux aussi le contenu des archives. Pour répondre à sa mission du dépôt légal, la BnF utilise deux modes de collectes complémentaires : la collecte large – une collecte annuelle d’un très grand nombre de sites à partir des listes des domaines enregistrés en France –, et les collectes ciblées – des collectes plus fréquentes ou plus en profondeur d’un nombre restreint de sites sélectionnés par des bibliothécaires ou par des partenaires8. Dans les collectes ciblées, la sélection des URL de départ et la définition des paramètres de collecte répondent à une politique documentaire fixée pour chaque collecte. Au sein des collectes ciblées, on peut distinguer les « collectes projet », qui sont centrées soit sur un thème ou un type de document particulier, soit sur un événement. C’est le cas pour la collecte « Grande Guerre sur le web » qui a été utilisée pour la présente recherche.
Constituer une collection : la collecte Grande Guerre
16La collecte Grande Guerre est donc une collecte ciblée, ce qui signifie que les sélectionneurs doivent suivre les contours d’une politique documentaire prédéfinie, afin de ne pas proposer une collection trop disparate ou lacunaire. On verra toutefois que cette politique doit également être adaptée aux mutations rapides du web, aux évolutions des préoccupations des sites évoquant la Première Guerre mondiale et aux besoins des utilisateurs. On peut noter que la sélection se concentre sur les sites web comme objets documentaires, et l’articulation que ces sites peuvent avoir avec les flux des réseaux sociaux n’est pas toujours simple à représenter dans les archives.
17Le noyau initial des sélectionneurs est un groupe de bibliothécaires de la BnF, provenant essentiellement du service histoire du département Philosophie, histoire, sciences de l’homme. Ces bibliothécaires sont déjà rompus à une politique documentaire « classique » en ce qui concerne les acquisitions de différents supports pour les collections de la bibliothèque, ainsi qu’à des collectes du web (aussi bien des collectes courantes en histoire que des collectes projet comme « Internet en campagne » sur les élections). Ce groupe a réfléchi aux contours de la politique documentaire pour la collecte Grande Guerre, a testé l’élaboration d’un premier corpus et des critères qui y étaient associés. Une fois les contours de la collecte validés, l’équipe a pu accueillir d’autres sélectionneurs provenant d’institutions partenaires ayant une appétence particulière pour cette collection (la Bibliothèque de documentation internationale contemporaine – BDIC – la direction de la Mémoire, du patrimoine et des archives – DMPA – du ministère de la Défense) ou situées dans des zones géographiques notoirement touchées par la Première Guerre mondiale (Bibliothèque nationale et universitaire de Strasbourg – BNU –, bibliothèque d’Amiens Métropole).
18La réflexion sur les contours de la collecte a débuté par des interrogations sur son périmètre. L’idée avait été émise de procéder à une collecte des sites centrés sur la commémoration du centenaire de la Première Guerre mondiale. L’activité mémorielle étant toujours caractéristique d’une époque9, l’archivage de ces sites peut en effet constituer une ressource importante pour les historiens à venir. Une telle approche est cependant très vite apparue comme limitée au regard même de son objet : la commémoration peut être explicitement mise en avant par un site (effet de mode, d’annonce, de circonstance), mais ne pas correspondre au contenu du site ; inversement, les questions de commémoration et de mémoire étant très polémiques, la notion de commémoration peut ne pas apparaître dans le vocabulaire employé mais être opérante (on trouvera par exemple la notion de « Centenaire »). Il a semblé donc plus intéressant a priori de s’intéresser à tout discours, réflexion ou étude sur la Grande Guerre, et ce, d’autant plus que la temporalité du Centenaire étant large (2013-2019), des évolutions dans les usages avaient des chances d’être observées. Le titre de la collecte devint donc « Grande Guerre sur le web » afin de rendre compte du périmètre élargi.
19Les sites à collecter font chacun l’objet d’une fiche dans l’outil de sélection BnF Collecte du Web (BCWeb)10. Lorsque le sélectionneur remplit la fiche d’un nouveau site à moissonner, il doit y inscrire plusieurs informations : les paramètres de collecte, tels que décrits plus haut : profondeur, budget et fréquence ; la description du site comportant un thème obligatoire, des mots-clés facultatifs, et des notes de contenu et techniques facultatives.
20Une première difficulté a surgi avec la notion de « thème » qui, dans le cas de la collecte Grande Guerre, recouvre en fait une typologie des émetteurs des sites, suivant une approche déjà employée sur d’autres collectes comme celle sur les élections. Cette typologie aide à structurer la collecte. Le premier sondage avait permis de repérer différentes catégories d’émetteurs revenant le plus fréquemment, en s’aidant à la fois des renseignements donnés par le site (mentions « À propos », « Qui sommes-nous ? », etc.) et des notices d’autorité du catalogue général de la BnF : institutions (politiques, scientifiques, patrimoniales…), sites pédagogiques (blogs de professeurs, ressources en ligne…), sites de recherche (carnets de chercheurs, sites d’unités de recherche…), associations (régionales, généalogiques, anciens combattants…), amateurs (collectionneurs mettant des documents en ligne…), médias et tourisme mémoriel.
21Il a fallu toutefois adapter ces catégories afin de créer une typologie proche de celles déjà employées pour des collectes précédentes. Une telle typologie est en effet indispensable pour répartir les recherches des sélectionneurs. Remaniée, la typologie est déclinée ainsi :
- Officiel : national
- Officiel : territorial
- Officiel : européen
- Public : patrimonial
- Public : pédagogique
- Public : scientifique
- Personnel
- Associatif
- Médias
22Au cours de la collecte, cette typologie s’est avérée complexe à utiliser et a nécessité parfois des discussions entre sélectionneurs. La distinction officiel/public avait pour objectif de distinguer les sites produits par les différents niveaux de l’administration de ceux produits par des organismes ayant un statut public mais pas forcément le même positionnement institutionnel. Cette distinction n’a pas été évidente à maintenir pour les sélectionneurs et a également posé problème aux chercheurs. On observe souvent en effet un mélange des genres dans la présentation des sites et blogues qui rend nécessaire une analyse fine pour cerner le véritable émetteur. C’est le cas par exemple des chercheurs qui, dans des blogues, peuvent indiquer leur institution de provenance sans engager la responsabilité de celle-ci, ou des institutions patrimoniales qui mettent en avant une page d’activités pédagogiques dont elles ne sont pas les auteurs officiels, et ainsi de suite. Il a par ailleurs été décidé de ne pas limiter la catégorie « Associatif » aux associations loi 1901, ce qui peut provoquer des recouvrements avec la catégorie « Personnel ». Enfin, la catégorie « Médias » rassemble les rubriques dédiées à la Grande Guerre dans les sites d’actualités, en évitant ainsi la sélection des articles à l’unité. Malheureusement, certains sites n’ont pas toujours de dossier spécifique. Les sites de presse font l’objet par ailleurs d’une collecte dédiée qui doit garantir l’entrée de leurs articles dans les collections de la BnF ; mais dans ce cas-là, ils ne seront pas identifiés comme faisant partie de la collection « Grande Guerre ». La catégorie « Médias » a aussi été élargie pour inclure d’autres sites de nature surtout commerciale, comme les jeux vidéo sur le thème de la Grande Guerre. La typologie a également été adaptée au cours de la collecte pour faciliter la répartition du travail des sélectionneurs. Ainsi, la nouvelle distinction entre « Associatif » et « Associatif militaire », ajoutée dans les thèmes, reflète davantage une nécessité organisationnelle de la collecte, du fait de la collaboration avec la DMPA, qu’une nécessité documentaire. Malgré cela, cette indexation purement bibliothéconomique s’est révélée précieuse pour les chercheurs alors même qu’elle n’avait pas été pensée pour eux11.
23Pour la première collecte de 2013, menée avant le lancement du cycle des commémorations nationales et internationales du centenaire de la Première Guerre mondiale, les chargés et gestionnaires de collections de la BnF avaient établi qu’il faudrait au minimum moissonner les sites et blogues avec les caractéristiques suivantes :
- fondés officiellement pour la commémoration de 14-18 ;
- déjà existants et ayant créé des pages spécifiques pour la commémoration de 14-18 ;
- consacrés tout ou en partie à 14-18 et pouvant donc dans les années qui viennent s’intéresser plus particulièrement aux commémorations-consacrés à l’histoire, au patrimoine, à la mémoire et susceptibles de s’intéresser aux commémorations soit pour s’y associer soit pour les dénoncer.
24Les précautions suivantes avaient été actées : tout d’abord, bien noter les sites partenaires officiels de la Mission du centenaire de la Première Guerre mondiale12 (ne pas confondre « partenaires » de la Mission et d’autres sites dont les liens sont indiqués comme présentant un intérêt) ; ensuite, ne pas se polariser sur une zone géographique, une partie de la presse, etc. Par exemple : prendre également en compte des zones qui n’ont pas été le théâtre des opérations de la Première Guerre mondiale ; enfin, étendre la collecte aux sites européens (extensions en .eu ou .org), au moins pour les sites des partenaires officiels des commémorations, en restant dans le champ français du dépôt légal.
25Si une telle collecte ne peut de facto viser à l’exhaustivité, il s’est vite avéré nécessaire, pour éviter les lacunes liées à la méconnaissance d’un thème spécifique, de se documenter sur la Première Guerre mondiale et plus particulièrement sur les termes employés pendant cette guerre ou les termes scientifiques employés aujourd’hui. L’emploi de lexiques et dictionnaires des mots de la Grande Guerre élaborés par des chercheurs et des passionnés de la Grande Guerre13 a permis ensuite de recouper les sondages effectués sur les sites et de proposer aux sélectionneurs un lexique simplifié. La centaine de mots recensés a amené un regroupement en 18 rubriques d’un emploi plus commode14.
26Le lexique avait donc pour objectif d’optimiser les recherches sur Internet, et les rubriques d’indexer les sites de manière homogène sur leurs fiches descriptives. Toutefois, la pratique s’est avérée différente. La recherche par mots du lexique s’est montrée en effet décevante. Si le mot « poilu » amène beaucoup, voire trop, de résultats, un mot comme « argot » (issu des lexiques papier précédemment cités) n’est pas opérationnel, car procurant des résultats sans lien avec la Première Guerre mondiale. De surcroît, certains sites ou blogues sont mal référencés par leurs auteurs, et n’apparaissent donc pas dans les résultats quand on interroge avec ces mots les moteurs de recherche. De manière naturelle, la recherche des sites s’est donc reportée sur deux grands modes :
27Le premier fut la consultation par rebonds, en suivant les liens ou les sitographies données par les sites déjà repérés. En effet, les grands sites structurés à l’occasion des manifestations du Centenaire et les sites institutionnels se sont donnés pour règle de favoriser les recherches des internautes en leur indiquant les liens des partenaires et d’autres sites portant sur les mêmes sujets.
28Le deuxième, la recherche par séries. Certains sites ne sont pas tous parfaitement indexés, ou ne font pas obligatoirement de liens vers d’autres sites. Lorsqu’un site s’est avéré intéressant, on recherche tous les sites relevant de la même préoccupation : tous les sites d’archives départementales (voir infra), tous les sites touristiques des régions qui ont été le lieu de combats, etc.
29Ce mode de recensement s’est avéré très satisfaisant. On peut considérer que la première cartographie des sites élaborée par les chercheurs de Télécom ParisTech, qui incluait tous les sites « cités » dans la collecte qu’ils aient ou non été archivés15, a validé ces choix en ne décelant pas de lacune rédhibitoire. Cette expérience suggère que la cartographie des sites pourra constituer un outil précieux pour évaluer la bonne représentativité des sites sélectionnés et repérer d’éventuels oublis, en particulier lorsque l’identification de sites est rendue difficile par l’absence de marqueurs très particuliers. En revanche, dans le cas précis de la collecte Grande Guerre, la présence de sites comme le forum Pages 14-18, mais aussi d’institutions pédagogiques, muséales, etc., qui fournissent des bibliothèques de liens, a facilité le repérage.
30Dans le même ordre d’idée, il est nécessaire de s’adapter aux contraintes spécifiques d’Internet. Ainsi, les archives départementales ont pour la plupart tardé à créer des pages dédiées aux commémorations ou à des manifestations liées à la Grande Guerre, sans doute pour des raisons organisationnelles et budgétaires liées aux campagnes de numérisation. En revanche, beaucoup d’entre elles ont publié de telles pages en 2016 et n’ont pas forcément été signalées par d’autres sites qui ont depuis longtemps établi leur liste de liens et ne les mettent pas à jour. Il a donc fallu, dans ce cas précis, reprendre la liste des départements pour rechercher et archiver méthodiquement les nouvelles pages – au demeurant souvent très riches – des archives départementales consacrées à la Grande Guerre. Il en va de même pour des événements qui suscitent la naissance de nouvelles pages Internet comme « Verdun ». Dans l’idéal, il faut donc anticiper les faits saillants de la Grande Guerre qui amèneront des créations de sites (comme par exemple les mutineries de 1917), ce qui permettra de bien les archiver dès leur conception et de programmer les collectes au bon moment.
31Les termes d’indexation des sites utilisés dans les mots-clés ont également été retravaillés dès la première collecte. Il est en effet apparu rapidement que la localisation géographique devait primer, quand elle existait. De nouveaux termes d’indexation se sont révélés nécessaires, correspondant aux missions particulières des sites ou à des réalités contemporaines que les lexiques de la Grande Guerre ne pouvaient prendre en compte : ont été ajoutés par exemple des termes comme « sources », « pédagogie », « tourisme mémoriel ». Il avait été posé dès le départ que l’indexation devrait rester souple, compte tenu de l’ignorance des thématiques à venir et des constantes nouveautés de l’Internet, comme les comptes Facebook fictifs de Poilus16, le commerce autour des commémorations de la Grande Guerre, etc.
32Dans cette collecte, le souci majeur demeure le choix des sites. Comme dans tout archivage de documents se posent des questions parfois contradictoires : quel est l’intérêt actuel ou futur des sites retenus, et pour quelle(s) catégorie(s) de chercheurs ? Comment assurer la représentativité des sites retenus ? Quel niveau de complétude représente la sélection retenue ?
33En effet, les impératifs budgétaires évoqués plus haut font que la collecte ne peut être exhaustive. Sont donc écartées en principe les informations très ponctuelles. Par exemple, les sélectionneurs ont la consigne de ne pas collecter un journal proposant un entrefilet sur la Première Guerre mondiale ou un blogue donnant une information anecdotique. En revanche, l’intérêt intrinsèque des sites tel qu’il nous apparaît aujourd’hui n’est pas un critère déterminant dans tous les cas, car les thématiques de la recherche de demain ne sont pas encore connues. Afin d’assurer une collecte adaptée aux centres d’intérêt potentiellement variés des futurs chercheurs, on peut donc préférer sélectionner un site dont la thématique peut paraître d’un intérêt limité aujourd’hui mais qui a un caractère atypique, plutôt qu’un énième site sur un même sujet pourtant a priori intéressant.
34Pour conclure, cette collecte étant supposée procurer aux chercheurs de demain l’équivalent de sources primaires, plusieurs questions se posent. La première reste sans réponse pour le moment : quel rôle les chercheurs peuvent-ils avoir dans la collecte ? Certes, il est fondamental de combler les éventuelles lacunes des collections ; mais l’archinaute17 est-il censé intervenir dans leur constitution, risquant ainsi de leur donner une orientation liée à ses propres centres d’intérêt ? La seconde est : comment aider les chercheurs à y voir plus clair dans la constitution de cette collection, pour faciliter l’interprétation des contenus archivés ? En effet, déconnectés d’une partie de la webosphère qui n’aura pas été collectée, archivés dans des formes qui ne correspondent pas toujours à l’original, ces sites constitueront des sources d’autant plus difficiles à appréhender que les chercheurs n’en maîtriseront pas les modes de collecte. Il importera donc au terme de cette collecte de construire non seulement un parcours guidé, comme cela a déjà été fait pour d’autres collectes ciblées, mais aussi de mettre à disposition les informations qui témoignent de la manière dont les sites ont été choisis pour constituer la collection. C’est là que le dialogue avec les chercheurs utilisant déjà la collecte s’avère particulièrement précieux, obligeant les sélectionneurs à s’interroger sur leurs pratiques. Le présent chapitre est partie intégrante de ce processus.
Fournir un corpus pour la recherche : le cadre juridique
35Le cadre juridique particulier du dépôt légal implique des conditions strictes d’accès et d’utilisation des collections, dans le respect de la propriété intellectuelle. Le code du patrimoine fixe ces conditions pour les collections de la BnF :
La consultation sur place des services de communication au public en ligne et des services de médias audiovisuels à la demande collectés s’effectue :
1° À la Bibliothèque nationale de France et dans tout organisme habilité à mettre en œuvre cette consultation par arrêté du ministre chargé de la Culture ;
2° Sur des postes individuels équipés d’interfaces d’accès, de recherche et de traitement fournies par la Bibliothèque nationale de France ou les organismes habilités et dont l’usage est strictement réservé à des chercheurs dûment accrédités18.
36En pratique, l’accès aux collections se fait par l’application « Archives de l’Internet », dans les salles de recherche de la BnF, accessibles sur accréditation, et dans un réseau de bibliothèques en région19. Cette application, qui se base sur le logiciel OpenWayback20, permet de visualiser les pages et fichiers, et naviguer dans les sites tels qu’ils étaient au moment de leur collecte.
37Aujourd’hui, dans le contexte du développement des humanités numériques, on constate un intérêt des chercheurs pour l’analyse automatique et la fouille de données, qui requièrent l’accès à des corpus numériques dans des environnements adaptés. Au-delà des aspects techniques, le travail réalisé sur la collecte de la Grande Guerre avait également un aspect juridique pour permettre de proposer ce genre d’utilisation dans le cadre du dépôt légal, et dans le respect de la propriété intellectuelle et de la protection des données personnelles.
38Le projet de recherche retracé par ce livre, « Le devenir du patrimoine numérisé en ligne : l’exemple de la Grande Guerre », était encadré par une convention passée entre ses membres, laquelle précise notamment les données et métadonnées mises à disposition par la BnF et les conditions de leur utilisation. En ce qui concerne les données, c’est-à-dire le contenu des collections du dépôt légal de l’Internet, les chercheurs de Télécom ParisTech travaillaient dans les emprises de la BnF, sur le site François-Mitterrand, où un serveur dédié avait été mis à leur disposition pour accéder aux données et effectuer les analyses.
39En vertu de la convention, les métadonnées, c’est-à-dire les informations extraites des données et d’autres éléments descriptifs, peuvent quant à elles être utilisées en dehors des emprises de la Bibliothèque. La convention distingue cependant trois types de métadonnées : « simples », « riches » et « transformées », et fixe leurs conditions d’utilisation en fonction.
40Les métadonnées « simples » contiennent des informations sur la constitution de la collecte, comme les paramètres techniques ou les éléments de description documentaire. Comme noté dans la première partie, ces éléments sont indispensables pour bien interpréter et exploiter les archives. Ces métadonnées sont produites par la BnF et ses partenaires, et par conséquent ne sont pas soumises à des droits de propriété intellectuelle appartenant à des tiers. Elles peuvent donc être diffusées sous licence ouverte.
41Les métadonnées « riches » sont des extractions des données collectées, et contiennent notamment les hyperliens sortant de chaque page HTML, ainsi que d’autres éléments tels le format de fichier ou sa date de collecte. L’utilisation de ces métadonnées est possible uniquement dans le cadre du projet par ses membres, et elles ne peuvent pas être cédées à des tiers. La convention précise également que la diffusion dans les résultats de la recherche de toute information protégée par droit d’auteur ou qui contient des données personnelles est interdite. Les responsabilités respectives de l’institution qui détient les collections et des chercheurs qui en ont font usage sont donc bien délimitées.
42Enfin, les métadonnées « transformées », c’est-à-dire celles qui ont fait l’objet d’un travail d’analyse qui a modifié la structure ou la nature des informations contenues, sont considérées comme des résultats de recherche et peuvent être diffusées sous les mêmes conditions que les autres résultats, à condition de respecter la législation concernant la propriété intellectuelle et les données personnelles.
43Ces usages de type « fouille de données » font encore l’objet de débats au niveau national et européen ; des changements se sont produits depuis le début du projet et le contexte juridique reste évolutif. Cette approche par conventionnement a été une manière d’expérimenter de nouveaux modes d’usage par les chercheurs des collections conservées à la BnF, dans un cadre qui respecte le code du patrimoine et la propriété intellectuelle. Le projet a été riche en échanges permettant de mettre en regard la constitution des collections, les outils mis en place pour les exploiter et les besoins de la recherche. Les leçons de ce projet alimenteront les évolutions futures des collections du dépôt légal de l’Internet et leur analyse.
Notes de bas de page
1 Stirling peter, Chevallier philippe et Illien gildas, « Web Archives for Researchers : Representations, Expectations and Potential Uses », in D-Lib Magazine, vol. 18, t. 3/4, mars-avril 2012. http://www.dlib.org/dlib/march12/stirling/03stirling.html [consulté le 12 juin 2018] ; version française : Chevallier Philippe et Illien Gildas, « Les Archives de l’Internet : une étude prospective sur les représentations et les attentes des utilisateurs potentiels », 2011. <hal-00731310>.
2 https://archive.org.
3 Par exemple, les membres du Consortium international pour la préservation de l’Internet (IIPC) : http://www.netpreserve.org/about-us/members [consulté le 12 juin 2018].
4 Illien Gildas, Sanz Pascal, Sepetjan Sophie et Stirling Peter, « La situation du dépôt légal de l’Internet en France : retour sur cette nouvelle législation, sur sa mise en pratique depuis cinq ans, et perspectives pour le futur », in Actes du 77e congrès de la Fédération internationale des associations de bibliothécaires et d’institutions (IFLA), San Juan (Porto Rico), 13-18 août 2011. http://conference.ifla.org/past-wlic/2011/193-stirling-fr.pdf [consulté le 1er août 2017].
5 Code du patrimoine, article L131-1.
6 Dans le sens du nom de domaine décrit par l’AFNIC : https://www.afnic.fr/fr/votre-nom-de-domaine/qu-est-ce-qu-un-nom-de-domaine [consulté le 12 juin 2018].
7 Le dispositif de collecte est décrit en détail dans Le follic Annick, Stirling Peter et Wendland Bert, « Putting It All Together : Creating a Unified Web Harvesting Workflow at the Bibliothèque nationale de France », in How to Fit in ? Integrating a Web Archiving Program in your Organization, IIPC-sponsored workshop, BnF, novembre 2012.http://netpreserve.org/wp-content/uploads/IIPC_project-Putting_it_all_together-web_harversting_workflow_at_BnF.pdf [consulté le 1er août 2017].
8 Bonnel Sylvie et Ouryclément, « La sélection de sites web dans une bibliothèque nationale encyclopédique : une politique documentaire partagée pour le dépôt légal de l’Internet à la BnF », in IFLA WLIC 2014, Lyon, août 2014. http://library.ifla.org/998/[consulté le 1er août 2017].
9 Voir chap. 2.
10 Voir Le follic Annick, Stirling Peter et Wendland Bert, op cit.
11 Voir chap. 4.
12 La Mission du centenaire de la Première Guerre mondiale est un groupement d’intérêt public créé en 2012 par le gouvernement français dans la perspective de préparer et mettre en œuvre le programme commémoratif du centenaire de la Première Guerre mondiale : http://centenaire.org [consulté le 19 juin 2018].
13 Ont été principalement utilisés pour ce faire : Cervoni Jean-Raphaël et Cervoni Marie-Flore, Petit dictionnaire de la Grande guerre, Bastia, Anima Corsa, 2005 ; Loez André, Les 100 mots de la Grande Guerre, Paris, PUF, 2013 ; Meyniel Joël, Vocabulaire illustré de la Grande guerre : 1914-1918, Fontaine, Émotion primitive, 2010.
14 À savoir : Après la guerre, Armée, Armement, Censure et propagande, Colonies, Combats, Commémoration, Diplomatie, Économie de guerre, Horreurs de la guerre, Lieux/régions, Pacifisme, Patrimoine, Personnages, Religions, Soldats, Vie à l’arrière, Vie au front.
15 Dans un premier temps, la cartographie a pris en compte l’ensemble des sites vers lesquels ceux sélectionnés manuellement pointaient par des hyperliens (ces hyperliens étant conservés dans la collecte). La cartographie offrait ainsi une garantie supplémentaire de ne pas passer à côté d’un « nœud » important du réseau. Voir chap. 6.
16 À l’initiative du musée de la Grande Guerre du Pays de Meaux (Seine-et-Marne), le compte Facebook d’un soldat fictif nommé Léon Vivien a été créé en avril 2013.
17 Pour reprendre le terme de Gildas Illien : Illien Gildas, « Le dépôt légal de l’Internet en pratique », in Bulletin des bibliothèques de France, n° 6, 2008, p. 20-27. http://bbf.enssib.fr/consulter/bbf-2008-06-0020-004 [consulté le 12 juin 2018].
18 Code du patrimoine, article R132-23-2.
19 http://www.bnf.fr/fr/collections_et_services/livre_presse_medias/a.archives_Internet.html [consulté le 1er août 2017].
20 http://www.netpreserve.org/openwayback [consulté le 1er août 2017].
Auteurs
Agrégée, docteur en histoire contemporaine, est chargée de collections au département Philosophie, histoire, sciences de l’homme de la Bibliothèque nationale de France.
Titulaire d’un master en sciences de l’information et des bibliothèques (Information and Library Studies), est chargé de collections de dépôt légal numérique à la Bibliothèque nationale de France.
Le texte seul est utilisable sous licence Licence OpenEdition Books. Les autres éléments (illustrations, fichiers annexes importés) sont « Tous droits réservés », sauf mention contraire.
Les nations européennes entre histoire et mémoire, xixe-xxe siècles
Francis Démier et Elena Musiani (dir.)
2017
Le web français de la Grande Guerre
Réseaux amateurs et institutionnels
Valérie Beaudouin, Philippe Chevallier et Lionel Maurel (dir.)
2018
Les patrimoines en recherche(s) d’avenir
Étienne Anheim, Anne-Julie Etter, Ghislaine Glasson-Deschaumes et al. (dir.)
2019
La marche de 1983
Des mémoires à l’histoire d’une mobilisation collective
Samir Hadj-Belgacem et Foued Nasri (dir.)
2018