La mise en place d’un dispositif méthodologique
p. 107-139
Texte intégral
1Quel dispositif de recherche mettre en place pour étudier les pratiques sociales autour du patrimoine telles qu’elles se déploient en ligne ? Cette question est loin d’être triviale et beaucoup de travaux souffrent de n’avoir pas pris le temps de réfléchir à un dispositif de recherche dans sa globalité. L’angle de ce chapitre est essentiellement méthodologique. Il vise à expliciter les choix qui ont été faits pour rendre compte des pratiques mémorielles en ligne et en particulier à discuter l’apport des archives du web pour ce type de recherche. Appliquées au cas de la mémoire de la Grande Guerre, ces orientations méthodologiques nous paraissent cependant suffisamment génériques pour s’appliquer à d’autres études sur les pratiques en ligne. Après avoir présenté rapidement le dispositif d’enquête et quelques principes qui ont guidé les choix, en soulignant l’importance d’une approche qualitative et ethnographique en complément des approches quantitatives, nous expliciterons le processus pour construire le réseau des relations entre les sites à partir des archives du web, et la démarche choisie pour analyser le forum.
2En dépit des conditions idéales d’analyse offertes par les archives du web de la BnF, la structure même du web fait que toute une série de choix ont dû être faits pendant la chaîne de traitement, lesquels ont de toute évidence une incidence sur la représentation proposée : sélection, filtrage, etc. En même temps, l’objectif retenu était d’aboutir à une représentation qui permette de visualiser aisément des phénomènes qui avaient une certaine forme de stabilité et de rémanence dans toutes les analyses. Il nous semble que les options qui ont été prises dans ce travail de simplification de la représentation sont aujourd’hui reproductibles et pourront être utilisées dans d’autres projets de recherche. C’est pourquoi nous avons choisi de les présenter de manière détaillée.
Présentation générale du dispositif d’enquête
3Dans la perspective ici adoptée, notre objectif est de concilier une approche centrée sur les sites web et les liens qui les relient avec une enquête auprès des acteurs pour accéder au sens que ces derniers donnent à leurs pratiques. Nous employons le terme générique de « document » pour désigner les entités du web que nous analysons, qui sont tantôt des sites complets, tantôt des portions de sites. Pour mener à bien cette recherche, la première étape a consisté à cartographier le web français consacré à la Grande Guerre à partir des « archives de l’Internet » constituées par la BnF dans le cadre de ses missions de dépôt légal. Comment s’organise l’espace du web consacré à la Grande Guerre (hors réseaux sociaux) ? Qui sont les acteurs impliqués (amateurs, experts, associations, institutions…) ? Quelle est la place des fonds patrimoniaux, notamment les collections numérisées de la BnF et de la BDIC (aujourd’hui La Contemporaine) ? L’exploration de Pages 14-18, le principal forum dédié à la Grande Guerre sur le web français, et de son environnement, permet de comprendre l’organisation du travail de recherche d’un collectif d’amateurs, les formats de participation et plus précisément les modes de mobilisation des ressources externes au sein du forum à travers les manières de citer, de faire référence à des documents et d’en discuter. Une campagne d’entretiens avec des utilisateurs repérés lors de la cartographie et de l’étude du forum est venue compléter l’analyse des usages par un volet qualitatif.
4Du fait de cette orientation, le cadre mis en place revêt une grande complexité articulant des méthodes différentes :
cartographie du web à travers le réseau des relations entre les sites, complétée par une exploration manuelle des sites ;
exploration des échanges dans un forum de discussion en mêlant méthodes quantitatives et qualitatives, ce forum étant un point central du réseau ;
réalisation d’entretiens avec les principaux acteurs.
5Avant d’entrer dans le détail des méthodes mises en œuvre, nous présentons quelques principes qui ont guidé cette recherche.
Réseau de sites, réseau d’individus
6Dans cette recherche, nous avons pris l’option de cartographier les relations entre les sites liés à la Grande Guerre et non pas d’analyser les contenus de ces ensembles de sites. Ce faisant, c’est le point de vue du site comme document, à l’intersection de la production et de la réception, qui est ici adopté, et non pas celui de l’audience ou de la fréquentation. Ces sites sont le résultat d’une activité de production et, en même temps, le point de départ d’une activité de réception, sachant que les interactions entre les deux sont denses. Dans cette perspective centrée sur les documents, les questions qui se posent sont les suivantes : comment délimiter un corpus ? Comment l’archiver ? Comment l’analyser ?
7La délimitation d’un corpus est une opération délicate. Il s’agit de mettre en œuvre une démarche raisonnée pour découper au sein de l’univers du web une « sphère du web1 », autrement dit un ensemble cohérent de sites le plus souvent interconnectés :
Nous définissons le concept de sphère du web non comme une simple collection de sites, mais comme un ensemble de ressources numériques défini de manière dynamique, rassemblant de multiples sites web jugés pertinents ou liés à un événement, concept ou sujet, et souvent connectés par des hyperliens. Les frontières d’une sphère du web sont délimitées par une orientation thématique partagée et un cadre temporel2.
8Que faire d’un site dont une partie seulement porte sur la thématique choisie ? Comment intégrer les sites de réseaux sociaux quand les échanges portent sur le sujet ? Doit-on conserver tous les sites, même les ébauches de sites ? Comment être sûr qu’un pan entier du web ne nous a pas échappé ?
9La délimitation d’un corpus va de pair avec la constitution d’une archive du corpus. Le web étant éphémère, seul l’archivage permet de constituer une image fixe à une date donnée. Mais les défis liés à l’archivage sont nombreux. Niels Brügger les résume de la manière suivante : l’archive du web peut être incomplète (éléments non archivés, comme des documents intégrés dans une page qui viennent d’ailleurs) ou trop riche (avec une multiplication des copies du même site) ; le temps de l’archivage peut créer des incohérences temporelles entre des pages ou des éléments archivés qui n’ont pas existé en même temps sur le web vivant ; les variations dans la profondeur de la collecte peuvent créer des incohérences spatiales3. Nous avons pris le parti dans ce projet de travailler à partir d’une collecte mise en place par des conservateurs de la BnF et d’autres institutions partenaires, qui ont défini les URL à archiver avec leurs liens, ainsi que la profondeur souhaitée d’archivage en fonction de la pertinence thématique du site4.
10La question de l’analyse du corpus archivé est loin d’être triviale. Force est de constater que pour l’analyse des corpus du web, différentes méthodologies sont en concurrence et ont du mal à dialoguer entre elles. Pour simplifier le paysage, dans le domaine quantitatif, deux manières de traiter les corpus peuvent être distinguées : l’une explore les relations entre les entités en s’appuyant sur les outils d’analyse de réseaux et l’autre le contenu de ces entités, en analysant les textes eux-mêmes. Dans l’approche par les relations, très fréquente, l’attention est portée aux relations entre les sites et ne prend que partiellement en compte les propriétés de ces mêmes entités. L’approche par le contenu cherche à analyser le texte des sites par des traitements automatiques. Dans ce cas, c’est la dimension réticulaire qui est perdue.
11Nous avons adopté une démarche d’« analyse de réseau » que nous enrichissons de manière qualitative afin de donner sens à la carte obtenue. Il ne s’agit en aucun cas d’appréhender les parcours des utilisateurs dans l’espace du web (comment un utilisateur navigue de site en site en suivant des liens), mais bien d’identifier les liens entre les sites tels qu’ils ont été inscrits par les responsables éditoriaux du site. Ainsi est-ce bien l’ordre construit par les producteurs qui nous occupe ici, et non celui de la réception. Le lien est une des formes modernes de la citation et de la référence : il est à la fois la trace écrite d’une relation et un acte potentiel de mise en relation, d’association et de rapprochement. La présence d’un lien sur un site est le résultat d’une décision du responsable éditorial du site ou de l’auteur d’un texte dans le site qui choisit de citer et de renvoyer, littéralement, vers une autre entité du web. La présence d’un lien peut avoir plusieurs significations : elle peut indiquer l’importance d’une source ou d’un document, le simple partage d’un même centre d’intérêt ou même une proximité relationnelle ; elle peut aussi avoir un sens négatif (critique, rejet, etc.). De l’extérieur, nous sommes dans l’impossibilité de décrire la signification de ce geste pragmatique qui consiste à inscrire un lien5 ; nous pouvons juste constater sa présence (ou son absence).
12Cet exercice de topographie du web s’inscrit dans la ligne des travaux initiés à l’université de technologie de Compiègne dans le département COSTECH6 et reprise et enrichie par le MédiaLab de Sciences Po, dont le dossier de la revue Réseaux « Topographie et topologies7 » rend bien compte. La méthodologie habituellement utilisée comprend, selon Marta Severo et Tommaso Venturini, quatre étapes : 1) identification des acteurs principaux ; 2) exploration des liens pour trouver d’autres sites ; 3) classification des sites par types d’acteurs ; 4) visualisation et manipulation des graphes8.
13Comme nous avons pris l’option de travailler sur les archives du web, à partir d’une collecte établie par la BnF, nous avons adapté en conséquence la méthodologie habituellement utilisée – ce qui constitue l’originalité de l’approche. L’identification et la classification des acteurs sont prises en charge par les opérateurs de la collecte, avec quelques échanges avec les chercheurs en charge d’analyser le corpus archivé (qui peuvent transmettre manques, erreurs ou changements sur certains sites). Notre travail a consisté, d’une part, à mettre en place une chaîne de traitement pour extraire les liens entre les sites archivés et, d’autre part, à visualiser et manipuler les graphes. Nous avons testé différents paramétrages pour la délimitation et la représentation du graphe dans une double perspective : vérifier la qualité de la collecte en nous assurant de la présence de tous les sites importants et varier les représentations pour identifier les points de stabilité qui nous permettront d’ancrer l’analyse.
14L’étude de la structure des liens entrants – indicateurs de réputation – et des liens sortants – indicateurs d’ouverture sur le web – permettra de différencier les profils des sites. Dans l’article de la revue Réseaux, « Topographie de la renommée en ligne », les auteurs distinguent les notions de célébrité, popularité et notoriété, selon que les liens proviennent du territoire ou de l’extérieur9 : la célébrité implique beaucoup de liens provenant de l’intérieur comme de l’extérieur du territoire ; la popularité est marquée par beaucoup de liens venant de l’extérieur (sans reconnaissance interne) ; et la notoriété par une forte reconnaissance interne avec peu de citations provenant de l’extérieur. Dans la même logique, les sites seront qualifiés selon la structure et l’intensité des liens sortants : curieux s’ils contiennent de nombreux liens dans et hors de leur territoire ; extravertis s’ils privilégient des liens externes ; introvertis s’ils privilégient des liens dans le territoire ; silencieux s’ils n’ont pas ou peu de liens sortants.
Du « distant reading » au « close reading »
15Que ce soit pour l’étude du réseau des sites liés à la Grande Guerre ou pour l’étude du forum, nous avons systématiquement articulé une démarche de type fouille de réseau ou fouille de texte avec des approches qualitatives pour pouvoir donner sens aux observations quantitatives. Pour valider et interpréter un graphe ou une classification en fouille de texte, il faut pouvoir retourner aux données initiales, passer à une lecture à grain fin des documents et des liens. Cette étape est malheureusement trop souvent absente dans les traitements de type « big data » qui se contentent des résultats produits par l’algorithme sans forcément revenir aux données initiales pour construire l’interprétation.
16Pour pouvoir interpréter la carte, il a été nécessaire d’explorer manuellement les principaux nœuds, ceux qui émettent et reçoivent le plus de liens. Pour chacun de ces sites, l’analyse a consisté à lire l’espace d’accueil du site qui porte le projet éditorial, à examiner la manière dont les contenus sont organisés par rubrique, la forme des articles ou billets, et enfin la manière dont les liens externes vers les autres sites sont qualifiés.
17L’observation qualitative permet de voir qu’il y a entre certains sites proches dans le réseau des similitudes de positionnement éditorial et de traitement des sources documentaires, lesquelles ne sont pas visibles en regardant simplement la carte du web Grande Guerre.
18L’analyse manuelle permet également de distinguer la signification des liens qui varie selon les zones de la carte. Dans certaines zones du réseau, les liens témoignent simplement de proximités thématiques ou institutionnelles, dans d’autres, la signification des hyperliens est double : elle marque à la fois des proximités thématiques et affinitaires. Certains sites sont de simples portails ou vitrines d’activité, tandis que d’autres, comme le forum, sont des espaces d’interactions denses.
Des documents aux acteurs : les entretiens qualitatifs
19L’analyse du réseau du web Grande Guerre et l’exploration du forum ont été enrichies par les entretiens menés auprès d’acteurs impliqués dans la mémoire de la Grande Guerre. Douze entretiens dont la durée a varié entre une et trois heures ont été réalisés10. L’accès au terrain a été particulièrement difficile. Quelques contacts ont eu lieu en réactivant des liens établis lors de la précédente enquête menée par Muriel Amar et Philippe Chevallier11. C’est grâce au soutien du fondateur du forum et des modérateurs, que nous remercions chaleureusement, que des contacts ont pu être établis avec des participants au forum. Les profils rencontrés sont diversifiés : des membres anciens et actifs sur le forum (y compris des modérateurs) et des membres beaucoup plus récents (des lecteurs du forum qui interviennent relativement peu) ; des membres qui ont créé des sites web dédiés à la Grande Guerre et d’autres qui publient leur recherche sur le forum ou qui les gardent pour eux ou pour leur cercle proche ; et enfin des personnes très actives dans d’autres sites collaboratifs du web Grande Guerre comme MémorialGenWeb ou des associations présentes sur le web comme le CRID 14-18.
20Par manque de temps, nous n’avons pas pu rencontrer toutes les personnes qui avaient accepté de participer aux entretiens, ce que nous regrettons d’autant plus que les entretiens que nous avons faits ont tous été d’une très grande richesse. Le tableau suivant [Tableau 1] précise les personnes rencontrées.
Tableau 1. Profil des personnes interrogées (2e série).

21La grille d’entretien comprenait quatre temps : le premier portait sur les formes actuelles de contributions autour de la Grande Guerre ; le deuxième était centré sur la manière d’utiliser les sources numérisées ; le troisième proposait un retour en arrière sur les origines de l’engagement et son évolution ; enfin, le quatrième temps correspondait à un temps d’échanges autour de la carte du web Grande Guerre que nous avions construite.
22Les entretiens avec les acteurs se sont révélés décisifs à trois niveaux. Ils permettent tout d’abord de donner sens aux pratiques que l’on observe en ligne, de comprendre le rapport à la mémoire et au patrimoine qu’entretiennent les acteurs, et les formes de sociabilité qui se nouent dans ces espaces. Ils donnent accès aux modalités d’élaboration des contenus (quelles sources sont utilisées, comment elles sont manipulées). Ensuite, ils nous aident à resituer ces pratiques par rapport à d’autres qui sont « invisibles » pour le chercheur. En effet, l’activité en ligne autour de la Grande Guerre est étroitement liée à des activités hors ligne de lecture, d’exploration d’archives, de recherches, de visites de lieux et d’échanges interpersonnels qui ne sont pas forcément visibles dans l’espace public du web. Enfin, ils offrent la possibilité de tester auprès des acteurs la pertinence des analyses proposées, d’ajuster ces dernières. Connaisseurs de l’environnement numérique qu’ils fréquentent, les acteurs du web Grande Guerre sont en mesure de jouer un rôle critique par rapport au travail des chercheurs, tant sur la cartographie que sur le fonctionnement du forum. Ils donnent sens à ce que les traitements d’analyse de données peuvent produire ; ils réagissent en confirmant ou rectifiant les interprétations que le chercheur produit, dans ses choix de visualisation de la cartographie par exemple. Ils peuvent valider ou invalider la représentation qui leur est proposée et en identifier les limites, comme l’absence de certains sites, et enfin ils peuvent donner sens à la position de certains sites dans la carte. Ainsi les entretiens permettent de confronter les résultats de la recherche aux acteurs eux-mêmes, ce qui est précieux dans le contexte de fouille de données massives.
23Le cadre méthodologique mis en place a donc impliqué des allers et retours nombreux entre les traitements massifs, la lecture attentive des documents et les entretiens recueillis auprès des acteurs.
Des archives du web au graphe : méthode d’analyse de la collecte grande guerre
24Nous avons exploré la « collecte Grande Guerre » réalisée dans le cadre du dépôt légal du web et mis en place pour cela une chaîne de traitement qui permet de visualiser les relations entre les sites web collectés. La cartographie permet de visualiser les proximités et distances entre les différentes entités du corpus et de représenter les chemins potentiellement offerts aux visiteurs. Cette démarche a été appliquée au cas particulier de la Grande Guerre, mais la chaîne de traitement proposée a été conçue de façon générique pour pouvoir explorer d’autres collections issues des archives du web de la BnF et pourra donc être utilisée par d’autres équipes de chercheurs. Ainsi, l’étape de cartographie de ce projet représente un travail pionnier pour la BnF qui souhaite offrir un service de fouille de données (textes et liens) à ses utilisateurs des archives du web. Nous insisterons sur les choix qui ont été faits à chaque étape de l’analyse en montrant l’incidence importante que ces derniers peuvent avoir sur les résultats.
Explorer les archives du Web
25En lien avec la commémoration du Centenaire et la Grande Collecte initiée pour numériser des archives personnelles, la BnF a mis en place une collecte spécifique « Collecte Grande Guerre sur le Web12 ». L’identification et la sélection des sites sont ainsi déléguées à un réseau d’experts, conservateurs et bibliothécaires de la BnF et ses partenaires ; la collecte et l’archivage sont pris en charge par le service du dépôt légal numérique de la BnF. Ceci ouvre à de nouveaux types de collaborations entre institutions culturelles et laboratoires de recherche.
26Deux questions méritent d’être traitées pour justifier la démarche : pourquoi travailler sur les archives du web ? Est-il possible, pour mener une recherche, de déléguer la constitution du corpus à un tiers et d’explorer un corpus qui n’a pas été constitué dans la même finalité (préservation vs analyse) ?
27Depuis l’apparition du web et les premiers travaux de recherche sur Internet, la nécessité de constituer des archives s’est vite imposée tant le caractère éphémère des productions sur le web paraissait évident. Dans les différents navigateurs ou logiciels de communication, des fonctions d’enregistrement permettaient de conserver les échanges et de nombreux outils étaient disponibles pour la réalisation de copies locales de sites web. Archiver les corpus était une évidence pour les chercheurs en sciences sociales échaudés par quelques déconvenues : l’impossibilité soudaine de retrouver un site ou un fil de discussion. L’initiative d’Internet Archive, organisme fondé en 1996, et la construction en 2001 de la Wayback Machine, proviennent de la même observation : le web étant en constante transformation, il est essentiel de préserver ses différents états13. Les chercheurs ont souvent constitué leurs propres archives du web, sans imaginer que celles-ci se révèleraient, elles aussi, éphémères : le disque ne peut plus être lu, la copie est partiellement endommagée, le navigateur n’accède pas à d’anciennes versions, etc. Pour donner un exemple concret : en 2000, l’une des auteurs de ce chapitre a mené avec Christian Licoppe une étude sur des fans de musique qui avaient créé leur propre site web. Les sites web ont été archivés, mais douze ans plus tard, en travaillant sur la trajectoire de ces auteurs sur le web, il est apparu que plus de la moitié des sites Internet avaient complètement disparu et que les autres s’étaient complètement transformés. Malgré les précautions d’archivage prises à l’époque, les sites en question ne peuvent plus être reconstitués en leur état initial : les quelques copies d’écran conservées montrent les écarts entre la reconstitution actuelle et ce qu’étaient les sites à l’époque14. Les documents numériques sont particulièrement fragiles comparés à d’autres supports comme le livre par exemple. Archiver le web de manière pérenne demande un haut niveau d’expertise et il est nécessaire de déléguer cette tâche à des institutions spécialisées dans ce domaine.
28Des chercheurs ont certes montré que l’archive d’un site ne peut jamais correspondre parfaitement au site d’origine, parce que le processus d’archivage ne peut pleinement garantir l’identité de la copie par rapport à l’original : l’archive doit être considérée comme une simple représentation des sites15. En dépit de cette limite, travailler sur les archives web constitue un atout de taille pour l’activité de recherche : en effet, la conservation des corpus sur lesquels ont porté les analyses permet, d’une part, de procéder à des vérifications en revenant au corpus initial (toujours accessible) et, d’autre part, de reproduire les analyses ou d’expérimenter de nouvelles méthodes sur ces mêmes corpus. Les archives peuvent ainsi être ré-exploitées par les mêmes équipes ou par d’autres dans une perspective d’évaluation de la fiabilité des résultats et d’amélioration progressive de la recherche.
29Enfin, comme l’a montré Maurice Halbwachs, la mémoire est la reconstruction collective du passé. Nous savons que la mémoire de la guerre que nous étudions aujourd’hui, au moment de son centenaire, est spécifique à notre époque et qu’elle diffère de la mémoire d’après-guerre ou de ce qu’elle pourra être au moment du bicentenaire. Conserver des traces de ce qu’était la mémoire de la guerre au moment de son centenaire pourra constituer une ressource pour les historiens à venir.
30Mais une collecte du web constituée dans un but patrimonial de conservation peut-elle servir de support à un travail de recherche en sciences sociales ? La réponse n’est pas évidente. En effet, le chercheur considère en général que la constitution du corpus fait partie de son travail de recherche et il ne sera pas enclin à déléguer cette tâche. La constitution du corpus correspond au moment de découverte du terrain, un temps où les hypothèses commencent à émerger et à s’affirmer. Par exemple, avec Navicrawler, un outil utilisé par de nombreux chercheurs en sciences sociales pour effectuer la cartographie de sites web16, à chaque fois qu’un site web est proposé par l’outil, le chercheur prend la décision de le garder ou de l’exclure de la collection. Évidemment, cette méthode peut également introduire certains biais, en ce sens que le principe présidant au choix peut évoluer au fil du temps.
31Comment travailler sur un corpus que l’on n’a pas soi-même constitué ? La condition principale est la qualité de la description du processus de sélection. Dans notre cas, la collection est établie par des bibliothécaires et des experts, dans un contexte professionnel où les règles sont clairement définies et écrites dans des notes rédigées. Nous avons disposé d’une collecte clairement documentée avec l’URL de démarrage, la catégorisation de l’auteur, les mots-clés ainsi que la méthode de collecte utilisée. Cet ensemble de métadonnées est une ressource essentielle, car elle permet au chercheur de vérifier le périmètre de la collection, de définir des sous-corpus, d’exclure certains sites si nécessaire.
32Évidemment, il ne s’agit pas seulement de documenter le processus ; un autre élément essentiel est la possibilité d’interagir avec les responsables de la collecte, pour comprendre certains choix, suggérer d’éventuels sites manquants, signaler des changements dans une URL, etc. L’objectif n’est pas que les chercheurs interviennent dans le processus de collecte, mais qu’ils en comprennent mieux la logique. La boucle des interactions entre l’équipe chargée de la collecte et celle qui analysera le corpus extrait de la collection est une condition de qualité de la recherche.
33La collecte de la Grande guerre a commencé en novembre 2013 et s’étend jusqu’en 2019 au rythme de deux à trois collectes par an. Seules les quatre premières collectes font l’objet d’une analyse dans le cadre de ce projet et principalement celle de novembre 2014.
34Les sites archivés sont classés en fonction de leur émetteur (inscrit dans le champ « thème »). Cinq types d’émetteurs ont été distingués a priori :
officiel : international, national, territorial, européen,
public : patrimonial, pédagogique, scientifique,
personnel,
associatif,
médias.
Tableau 2. Description des collectes.
Date collecte | Nombre de sites | Nombre d’URL collectées | Volume |
Novembre 2013 | 41 sites | 1198 723 | 35,75 Go |
Mars 2014 | 99 sites | 1 689 613 | 47,29 Go |
Août 2014 | 482 sites | 7 323 201 | 402,83 Go |
Novembre 2014 | 555 sites | 9 698 633 | 313,85 Go |
35Comme toute catégorisation, celle-ci pose certaines difficultés. Nous l’avons adoptée en première instance et les résultats ont conduit à introduire quelques modifications. La distinction entre les sites « officiels » et « publics » ne nous a pas toujours parue pertinente : nous avons donc regroupé les sites sous l’appellation sites « institutionnels ». De manière marginale, la catégorie de quelques sites a pu être modifiée. Par exemple le site du CRID 14-18, classé initialement en site public, a été reclassé en site d’association, ce qui correspond à son statut juridique.
36La liste des sites à collecter a été constituée progressivement. Si les sites institutionnels, en particulier ceux liés à la commémoration, étaient repérés dès la première collecte, l’ajout des sites personnels et associatifs s’est fait progressivement. L’apparition d’un nouveau site dans la collecte ne signifie donc pas forcément que le site vient d’être créé.
37Les archives de l’Internet contiennent des copies des sites tels qu’ils ont été collectés par des robots durant un temps plus ou moins court. Différents types de ressources sont associées à la collecte Grande Guerre :
38BCWeb : c’est la liste des URL choisies par les experts pour démarrer la collecte (URL de départ). Les robots utilisent ces liens pour commencer à collecter et suivre les liens sortants pour construire le corpus en fonction de critères prédéfinis (profondeur, etc.). Cette liste est fondamentale pour notre travail, car elle contient les URL fiables et des éléments de qualification des URL comme le « thème » (type d’émetteur) ou les mots-clés.
39ARC/WARC17 : Il s’agit des documents archivés par les robots, qui sont une forme de « copie » des sites. Dans ce projet, qui se limite à cartographier les sites et liens entre sites, le contenu des sites web (images, texte, etc.) n’a pas été exploité (sauf pour le forum qui a été traité à part).
40DAT/WAT18 : les fichiers DAT/WAT sont des extraits des fichiers ARC/ WARC contenant toutes les métadonnées relatives aux fichiers archivés (certaines provenant du processus de collecte, d’autres des documents archivés). Comme les liens hypertextes font partie de ces métadonnées, on peut se contenter d’utiliser ces fichiers DAT/WAT, sans avoir besoin d’extraire les données à partir des fichiers ARC/WARC.
41Crawl Logs ou « logs de collecte » : ces fichiers gardent les traces de l’activité des robots pendant le processus de collecte. Pour une page archivée X, on peut retrouver à partir de quelle URL de départ dans BCWeb le robot a trouvé cette page. Après avoir étudié cette source en détail, nous avons considéré qu’elle n’était pas pertinente pour cartographier les relations entre les sites. En revanche, elle est très utile pour comprendre le processus d’exploration des archives.
42Pour conclure, les fichiers DAT/WAT ont été utilisés pour cartographier le corpus et BCWeb pour enrichir la cartographie.
De la collecte au graphe
43Une chaîne de traitement [fig. 1] a été mise en place pour générer le graphe à partir des données archivées de la collecte. À partir des fichiers DAT/WAT de la collecte, les métadonnées nécessaires pour la génération des graphes sont extraites en utilisant des scripts Apache Pig provenant d’Internet Archive19, à savoir :
URL : l’URL de la page archivée par le robot ;
Statut : réponse http (ex. : 404 – Not found, 200 – ok) ;
Type MIME de l’URL : les types MIME constituent une façon normalisée de classer les différents types de fichiers sur Internet. (ex. : text/ html, application/pdf) ;
Liens sortants : liste des liens hypertextes ;
Type des liens sortants : catégorisation de chaque lien hypertexte (anchor tags (A), image tags (IMG), etc.) ;
Date : date de la collecte.
44Ensuite, ces liens sont agrégés en fonction de la méthode d’agrégation choisie (cf. section suivante) et un fichier de graphe est généré au format GEXF20. Un graphe est constitué de nœuds (dans notre cas, des sites ou sections de sites) et de liens entre ces nœuds (quand un site met un lien hypertexte sortant vers un autre site).
Figure 1. Chaîne de traitement.

45Pour la visualisation du graphe, nous avons principalement utilisé Gephi21, qui s’est imposé ces dernières années comme un outil de référence pour la visualisation des graphes.
Figure 2. L’interface de Gephi.

46À partir du fichier du graphe (au format Gexf dans notre cas), l’outil de visualisation (Gephi) permet de :
optimiser la spatialisation des nœuds pour rendre la carte plus lisible en particulier avec l’algorithme Force Atlas22 ;
adapter la taille des nœuds en fonction de critères choisis par le chercheur (degré entrants, sortants, etc.) ;
associer des couleurs aux nœuds et aux liens en fonction de leurs attributs (par exemple les sites faits par des amateurs seront représentés en bleu) ;
utiliser des filtres pour explorer les graphes (conserver les nœuds avec un degré supérieur à n) ;
appliquer des algorithmes de classification de graphes.
47Pour la génération de graphes à partir de la collecte du web, deux problèmes principaux ont été rencontrés, l’un portant sur la quantité et l’autre sur la qualité des données.
48Le problème majeur de la visualisation des graphes tient à leur lisibilité. Au-delà d’une certaine densité, ils deviennent ininterprétables. Or, avec les archives du web, on arrive très rapidement à des volumes de nœuds et de liens gigantesques. Par exemple, la collecte « Grande Guerre sur le web » datée d’août 2014 contient environ 240 millions d’URL, ce qui est tout à fait ingérable pour un humain. Il faut donc simplifier les données.
49Les robots prennent une liste d’URL comme point de départ (BCWeb) et construisent le corpus en respectant les critères de configuration (fréquence de la collecte et profondeur). Comme nous l’avons vu, les points de départ sont fiables : ils concernent tous la Grande Guerre. En revanche, deux facteurs introduisent du « bruit » dans les cartographies. Tout d’abord, la procédure de collecte peut conduire à archiver des pages qui n’ont plus rien à voir avec la guerre de 14-18. C’est en particulier le cas pour les sites qui n’ont qu’une section dédiée à la Première Guerre mondiale : le processus de collecte peine à rester dans la section parce que le robot avance en suivant les liens sur les pages. Ensuite, la structure des sites web favorise l’usage des liens hypertextes, dont une partie peut être étrangère au thème collecté. Ces liens, qu’ils soient ou non archivés, figurent dans la liste des liens sortants d’une page et donc potentiellement sur la cartographie. Prenons l’exemple du journal Le Monde qui a construit un dossier dédié à la Grande Guerre : http://www.lemonde.fr/Centenaire14-18. Le point de départ est fiable, mais le robot qui suit les liens pour construire le corpus ou les liens sortants sur la page va introduire un grand nombre d’URL qui ne concernent pas la guerre de 14-18, comme par exemple http://www.lemonde.fr/societe/. Ce sont tous les liens que Le Monde propose dans chaque page vers les autres rubriques et articles du site.
50Pour pouvoir construire une cartographie correcte, il faut pouvoir éliminer ce bruit. Pour faire face à ces problèmes et construire des graphes interprétables, nous avons testé et comparé trois stratégies différentes : l’agrégation des nœuds, le filtrage par le contenu et la délimitation du corpus23.
51Une démarche habituellement utilisée pour rendre lisibles les graphes à grande échelle est l’agrégation des nœuds. Il s’agit de grouper les nœuds qui partagent les mêmes attributs et de les représenter sous la forme d’une seule entité dans le graphe. Trois techniques peuvent être utilisées pour cette tâche d’agrégation : par crawl log, par hôte, par URL de départ.
52Supposons qu’on ait un graphe avec trois nœuds :
Nœud1 : http://www.lemonde.fr/centenaire-14-18
Nœud2 : http://www.lemonde.fr/europe/article/2015/09/07/l-alle-magne-fait-une-haie-d-honneur-aux-migrants_4747957_3214.html
Nœud3 : https://www.facebook.com/lemonde.fr
53Le Nœud1 représente le point de départ, et les deux autres nœuds soit proviennent de la capture par le robot, soit sont présents comme lien hypertexte.
54L’agrégation par crawl log consiste à agréger les nœuds au point de départ du robot en utilisant le chemin suivi par le robot qui est enregistré dans les fichiers des logs de collecte (« crawl log »). En utilisant cette méthode, tous les nœuds dans notre exemple seront agrégés dans le Noeud1. Nous avons renoncé à cette approche, car le niveau d’agrégation est parfois trop élevé : ici, une page Facebook est intégrée dans une page du Monde. Par ailleurs, dans les crawl logs, il n’y a que l’information correspondant aux pages archivées et donc pas les liens hypertextes sortants.
55L’agrégation par hôte24 revient à détecter l’hôte de la page et à agréger les URL par rapport à celui-ci. Chaque nœud dans le graphe représente alors un hôte spécifique. Dans notre exemple, les Nœud1 et Nœud2 sont agrégés au nœud lemonde.fr et le Nœud 3 à facebook.com.
56L’agrégation par l’URL de départ consiste à utiliser les URL de départ dans BCWeb pour agréger les nœuds, puisque ce sont des points fiables. Les URL qui commencent par l’URL de départ sont groupées dans un seul nœud. Si l’URL ne correspond à aucune URL de départ, on utilise la méthode « agrégation par hôte ». Pour l’exemple donné, on obtient trois nœuds : lemonde.fr/centenaire-14-18 ; lemonde.fr ; facebook.com. Les liens des nœuds d’origine sont simplement rattachés au nœud agrégé.
57Pour réduire ou supprimer le bruit dans le corpus, on peut aussi utiliser des techniques de filtrage par le contenu. Ceci peut être fait avec différentes méthodes qui vont de l’utilisation d’algorithmes de classification25 à de la sélection manuelle. Les approches par classification peuvent être binaires ou multiclasses. Dans la classification binaire, les pages sont classées soit dans la catégorie « pertinent », soit dans la catégorie « non pertinent ». Pour classer chaque page, il faut pouvoir analyser son contenu. Or, dans les archives du web, les pages correspondant aux liens externes ne sont pas archivées quand elles ne sont pas dans le périmètre de la collecte : le contenu n’est donc pas accessible pour entraîner l’algorithme de classification. La classification automatique des pages nécessite qu’un échantillon de données soit étiqueté au préalable pour entraîner le système d’apprentissage (méthodes d’apprentissage supervisé). Appliquer cette approche dans notre corpus aurait été très coûteux.
58Peut-on se contenter d’utiliser les URL des pages archivées (et non pas les contenus) pour avoir un moyen efficace de classification des pages ? Inma Hernández et ses collègues ont montré l’utilité des URL pour classer les pages26. Un travail récent27 a montré que les URL des documents web archivés contiennent des informations sémantiques qui permettent d’obtenir un premier étiquetage sémantique pour les documents archivés. Nous avons testé cette solution pour éliminer les pages hors sujet de notre corpus. Un ensemble de mots-clefs (« guerre », « 1418 », « 1914 », etc.) a été défini en étudiant la liste des URL de départ. Les pages qui ne contiennent pas au moins un de ces mots-clefs dans leur URL ont été éliminées. C’est une méthode dont le résultat est très dépendant du choix des mots-clefs : on obtient un corpus sans bruit, voire trop silencieux. Pour la collecte d’août 2014, constituée d’environ 240 millions de pages au départ, il ne reste après filtrage que 22 millions de pages. 90 % du corpus a été considéré comme « hors thème », ce qui paraît excessif. Donnons un simple exemple : une grande partie des sites de notre corpus concerne des régiments d’infanterie, avec des adresses URL du type : 19emeri.canalblog.com. L’abréviation « ri » apparaît en général dans l’URL, mais cette chaîne de caractère de deux lettres ne peut être retenue comme élément de filtrage tant elle est ambiguë. Ainsi, avec notre filtrage, tous ces sites de régiments ont été supprimés, puisqu’il n’y a aucun autre élément qui signale la thématique.
59On peut enfin jouer sur la délimitation du corpus, en choisissant de rester dans le périmètre de la collecte (BCWeb), c’est-à-dire en gardant seulement les nœuds qui correspondent aux hôtes/URL de départ de BCWeb. Cette délimitation a l’inconvénient d’empêcher toute identification de sites liés à la Grande Guerre qui auraient échappé à la vigilance des experts (un nœud cité par d’autres sites qui n’aurait pas été collecté).
60En utilisant ces trois méthodes – l’agrégation, le filtrage et la délimitation du corpus –, on peut générer des graphes plus lisibles en améliorant la qualité de l’information et en diminuant sa quantité. Quels sont les effets combinés de ces trois méthodes ? À notre connaissance, il n’existe pas de mesures permettant de comparer les différentes stratégies : l’évaluation est faite de manière qualitative.
61Le Tableau 3 montre pour chaque combinaison de stratégies le nombre des nœuds et de liens conservés pour la collecte d’août 2014. Cette collecte a été choisie parce qu’elle est de taille moyenne (7 323 201 d’URL) et contient les URL de départ diverses.
Tableau 3. Combinaison des stratégies.

62L’agrégation selon l’hôte ou l’URL de départ n’a pas une incidence très importante sur le nombre de nœuds dans le graphe, mais elle a une incidence forte sur la structure du réseau. En effet, en agrégeant les nœuds par hôte, les nœuds principaux du graphe deviennent les plateformes de réseaux sociaux et de partage : youtube.com, facebook. com. Prenons l’exemple de facebook.com pour illustrer notre propos. Dans les URL de départ (BCWeb), il y a deux URL liées à Facebook choisies par les experts : https://www.facebook.com/pages/Bicyclette-Pliante-Gérard/254241421345914
63https://www.facebook.com/pages/Centenaire-de-la-Première-guerre-mondiale-en-Haute-Saône/400310596705578
64En agrégeant selon l’URL de départ, ces deux nœuds vont être présents sur le graphe, mais très peu visibles. En revanche, si l’agrégation se fait au niveau de l’hôte facebook.com, ils vont être agrégés avec tous les liens qui ont facebook.com comme hôte. Or, comme de très nombreuses pages contiennent des liens sortants vers Facebook pour favoriser le partage des articles, la taille du nœud Facebook va mécaniquement augmenter. Mais quand on regarde en détail les URL ayant pour hôte Facebook, on se rend compte qu’une infime partie des liens pointe vers les URL de départ de Facebook consignées dans BCWeb, donc liées à la Grande Guerre. Nous avons donc privilégié une agrégation par l’URL de départ plutôt que par hôte. En effet, cette dernière méthode accroît artificiellement l’importance de sites de réseaux sociaux ou de médias traditionnels.
65En ce qui concerne la technique de filtrage, comme nous l’avons vu, elle élimine 90 % des URL, ce qui rend effectivement les graphes plus lisibles, mais malheureusement trop de nœuds pertinents sont éliminés par cette technique, que nous n’avons donc pas utilisée.
66Le fait de rester dans l’univers de la collecte réduit massivement le nombre de nœuds dans le graphe, mais garantit que les nœuds présents sont liés à la thématique. Cette stratégie suppose que la collecte soit de qualité, sans oublis majeurs. Dans un premier temps, afin d’évaluer cette qualité, nous avons utilisé la méthode sans délimitation du corpus pour repérer d’éventuels sites importants qui auraient pu être oubliés. Comme ce n’était pas le cas, nous avons ensuite restreint l’univers à BCWeb.
67En conclusion, les cartes présentées dans les chapitres suivants sont restreintes à l’univers du corpus, avec des nœuds agrégés en fonction des URL de départ et sans aucun filtrage. Ce choix nous paraît généralisable à d’autres études portant sur des territoires spécifiques du web. En faisant confiance à ceux qui sont en charge de la collecte, la meilleure représentation sera celle qui se restreint à l’univers de la collecte et qui agrège les documents au niveau de l’URL de départ.
68Pour la mesure des liens entre les sites, nous avons fait le choix de ne pas prendre en compte le nombre de liens entre deux nœuds, mais de considérer la présence ou l’absence de lien. Nous verrons que pour la visualisation des réseaux, il nous faudra introduire un filtre supplémentaire lié au nombre de degrés (nombre de liens entrants ou sortants). Il s’agit d’un choix fort, qui favorise les sites les plus interconnectés, ceux qui sont déjà les plus visibles, au détriment des sites isolés. C’est une alternative au modèle de l’échantillonnage aléatoire qui permettrait d’avoir une représentativité de tous les sites quelle que soit leur visibilité. Ce choix s’inscrit dans une évolution analysée par Baptiste Kotras dans le monde des sociétés d’études, marqué par le déclin du modèle de la représentativité au bénéfice d’un modèle de la visibilité et de l’influence28 : certaines opinions comptent plus que d’autres car elles ont une plus grande visibilité et ont donc un potentiel d’influence plus grand. C’est une manière d’intégrer la réception et la lecture dans le processus de cartographie, le réseau des citations étant un reflet de l’état des lectures.
69Un des intérêts du travail sur les archives du web est de pouvoir retracer l’évolution temporelle des documents (ici les sites web) et de leurs relations. Dans notre cas, les différentes collectes devaient permettre d’évaluer comment s’est transformée au cours du temps la structure du réseau de sites consacrés à la Grande Guerre.
70Les graphes dynamiques (temporels), où les nœuds et les liens apparaissent et disparaissent au fil du temps, ont suscité un intérêt croissant en informatique en raison de la complexité introduite par cette dimension temporelle. Différentes techniques ont été proposées pour répondre aux défis liés à l’intégration du temps dans la visualisation des graphes29. Le moyen le plus courant consiste à étudier les séries de graphes représentant l’état du corpus à différents moments. Il est également important de garantir la stabilité de la visualisation des graphes, pour rendre possible leur lisibilité, leur mémorisation et leur interprétation30. Deux types d’analyse peuvent être réalisés en utilisant des graphes dynamiques : étudier l’évolution générale du graphe au fil du temps ou se concentrer sur un nœud spécifique (graphe égocentré dynamique) et étudier seulement son évolution.
71Pour les collectes du web qui sont homogènes, parce que construites en suivant les mêmes URL de démarrage et la même configuration de collecte (profondeur, fréquence, etc.), ces défis sont importants. Mais en travaillant avec des archives du web non homogènes, où les URL de démarrage ou la configuration du robot d’exploration changent au fil du temps, nous sommes face à des défis supplémentaires : comment distinguer l’évolution du graphe global de l’évolution de la collection ? Ces problèmes sont indépendants des décisions d’agrégation, de filtrage et de périmètre vues dans la section précédente. D’autre part, générer ces graphes soulève un autre problème : quelle version de la liste des URL de départ utiliser ? C’est une des raisons pour lesquelles il est crucial pour les chercheurs de comprendre comment les collections d’archives du web sont créées.
72Nous avons généré quatre graphes pour quatre captures différentes réalisées entre novembre 2013 et novembre 2014. À chaque nouvelle collecte, la liste des URL de départ a été enrichie de nouvelles sources et a été mise à jour (modifications apportées aux URL ou à la configuration des robots pour les sources déjà collectées). Rappelons que l’introduction d’une nouvelle ressource dans la liste des sites à collecter ne signifie pas nécessairement qu’il s’agit d’un nouveau site sur le web : le site peut n’avoir pas été repéré auparavant ou n’avoir pas été jugé pertinent par les sélectionneurs.
73Représenter la dynamique des sites et des relations entre les sites est un enjeu de recherche important pour appréhender les transformations de l’espace numérique. Mais nous sommes confrontés à une grande incertitude : la densification des relations d’une collecte à l’autre est-elle liée à une meilleure identification des sites pour l’archivage ou à une croissance de l’activité en termes de nombre de sites et de liens entre les sites ? Les graphes sont-ils l’index du territoire ou de l’exercice cartographique ? Dans le cadre de ce projet, nous ne sommes pas en mesure de trancher, même si le contexte du Centenaire nous incite à penser que la densification du réseau est bien un effet de l’accroissement de l’activité en ligne31. Face à l’indécidabilité, nous avons pris comme option de travailler sur une collecte qui rend compte de l’état du web consacré à la Première Guerre mondiale en novembre 2014, tel qu’il a pu être appréhendé par l’équipe en charge du dépôt légal de l’Internet. Il s’agissait de la quatrième collecte : l’exploration du territoire avait atteint une forme de maturité, au dire même des responsables de la collecte.
Le forum : corpus, extraction, prétraitements et méthodes d’analyse
74Le forum Pages 14-18 s’est imposé depuis le 90e anniversaire du conflit comme le forum de référence autour de la Grande Guerre. Lancé en 2004, par Joël Huret32, il comptait en janvier 2014 plus de 15 000 inscrits, un public de visiteurs qui dépasse très largement le nombre d’inscrits, et près de 400 000 messages publiés.
Arrêt sur image : corpus et extraction de données
75Le forum est un espace vivant et très actif, avec une centaine de nouveaux messages par jour. Pour pouvoir explorer un tel matériau, il nous faut en figer le périmètre à une date donnée. D’où le choix de travailler sur une archive, c’est-à-dire une image arrêtée du site. Comme les forums sur le web ont l’extrême avantage de garder la mémoire de tous les échanges passés – contrairement à leurs ancêtres, les newsgroups, avec le Network News Transfer Protocol (NNTP) –, on peut ainsi reconstituer l’ensemble des échanges depuis l’origine.
76Comme dans la section précédente, nous avons travaillé à partir d’une archive constituée par la BnF. Pour ce site, une collecte spécifique a dû être réalisée en raison de sa structure particulière – utilisation d’un sous-domaine pour l’hébergement des images – et de la pratique des membres du forum – publication de photos hébergées ailleurs. L’hôte pages14-18.mesdiscussions.net ainsi que le répertoire images.mesdiscussions.net/pages14-18 ont été archivés. Quand une image apparaît sur la page, même si elle est hébergée sur un autre site, elle est également archivée. Si la même image est utilisée dans plusieurs messages ou pages, elle n’est archivée qu’une seule fois. La collecte du site a demandé plusieurs jours (entre le 23 et le 26 janvier 2015), du fait de son poids : l’archive sur laquelle portent les traitements ne correspond donc pas exactement à ce qu’a été le site à un instant donné. Au total, 250 000 URL, soit 142 000 pages et 96 000 images distinctes, ont été archivées, pour un poids de 8,8 Gigaoctets. Les documents archivés n’étant pas directement exploitables par des outils de traitement statistique, une phase préliminaire d’analyse de la structure du forum a été nécessaire afin de pouvoir extraire et structurer les données pertinentes.
77Le forum est organisé en catégories générales : « Forum Pages d’Histoire », « La Grande Guerre en photos », « Soldats de la Grande Guerre », etc., qui délimitent des thèmes de discussion. Chaque catégorie contient des fils de discussion (sujets), attachés à celle-ci. Chaque fil de discussion contient à son tour les messages (au moins un par fil) et chaque message peut contenir des citations (d’autres messages, d’autres documents ou des images). Enfin, les membres du forum remplissent une fiche-profil pour participer au forum où ils renseignent un certain nombre d’informations les concernant. À partir de cette structure, cinq entités ont été constituées pour extraire les informations du forum :
Figure 3. Vue globale des entités du forum Pages 14-18.

78Les données extraites du forum ont été mises sous forme de base de données. Seuls les champs les plus importants sont présentés ci-dessous :
Figure 4. Structure des entités du forum Pages 14-18.

79Voici enfin les effectifs de chacune des entités extraites :
Tableau 4. Effectifs dans chaque entité extraite.
Type | Nombre |
Profils | 13 459 (13 455 unique) |
Sous-Forums [Catégorie] | 21 |
Fils de discussion [Topic] | 54 517 |
Messages | 391 564 |
Citations | 391 610 |
80L’extraction des données ne s’est pas faite sans peine. Deux sources de problèmes ont été identifiées : l’incomplétude de l’archive et l’architecture du forum.
81En raison de problèmes techniques qui sont propres à l’archivage du web, l’archive du forum n’est pas complète. Ainsi, les robots utilisent des filtres génériques pour limiter le bruit introduit par leur collecte, mais de temps en temps ces mêmes filtres empêchent d’archiver des pages pertinentes. Par exemple, un filtre utilisé pendant la collecte du forum élimine les pages où un même mot est répété trois fois dans l’URL, ce qui a exclu certaines pages de la collecte qui auraient dû être conservées, comme : http://pages14-18.mesdiscussions.net/pages1418/Forum-Pages-d-Histoire-international-forum/English/medical-collection-forum-sujet_93_1.htm
82Par ailleurs, certaines informations présentes dans la base de données du forum ne sont pas accessibles aux robots, qui se contentent de suivre les liens du web. Par exemple, la page de profil d’un utilisateur qui a créé un compte mais n’a jamais posté de message ne se trouve pas dans l’archive – c’est le cas pour près de 5000 profils, comme le vérifie la comparaison entre le nombre de profils archivés et celui annoncé sur le site.
83Enfin, les statistiques affichées dans les différentes sections du forum ne sont pas cohérentes, ce qui peut venir d’un problème d’architecture. On a ainsi étudié manuellement une sous-catégorie : « Forum Pages d’Histoire : international forum ». Dans la page d’accueil du forum, il est noté que cette sous-catégorie contient 763 messages ; dans la page qui fournit la liste des fils de discussion, le nombre de messages affiché est 728. Un autre exemple est lié aux problèmes de pagination du forum, où le même fil de discussion peut apparaître dans plusieurs pages. Il existe aussi des liens erronés à l’intérieur du forum.
Des messages polyphoniques nourris de citations et de documents
84Une des caractéristiques remarquables des messages postés dans le forum est la forte présence de citations : des reprises d’autres messages, des extraits ou retranscriptions d’autres sources, des liens vers des documents ou des images (documents ou photos), etc. L’auteur d’un message mobilise des voix autres dans la rédaction de son message. Comme une des questions centrales de notre recherche portait sur l’usage et la circulation des documents patrimoniaux, un travail de prétraitement des citations a été fait.
85Pour mieux comprendre les discussions dans le forum et comment les documents circulent, nous avons distingué cinq types de citations à partir des marqueurs techniques proposés par le forum.
86– Citations d’autres messages (« citation interne ») : l’utilisateur répond en utilisant une partie ou la totalité d’un message précèdent ; une fonctionnalité technique permet la reprise d’autres messages ou fragments.

87– Citations de documents (« quote ») : l’utilisateur peut transcrire ou copier des fragments de textes provenant de ressources externes (un livre, un autre site web, etc.).

88– Insertion de liens externes : l’utilisateur peut insérer un lien vers une source (page web, pdf, etc.) en utilisant la balise « link » dans son message.

89– Insertion d’images : l’utilisateur peut insérer une image directement en utilisant la balise « img » dans son message. Il peut publier une image qui est déjà stockée sur le serveur d’images associé au forum ou une image publiée sur un autre site.

90– Insertion d’icônes : l’utilisateur insère des icônes pour faire part de ses sentiments. Un marqueur spécifique permet de distinguer ces icônes des images liées au sujet Grande Guerre.

91Bien qu’il existe techniquement deux balises distinctes (link et img) pour insérer les différents types des documents, on observe des décalages entre le contenu du document et les balises choisies par l’utilisateur. Celui-ci peut poster sous forme d’image un document textuel, ou bien poster comme lien une image, etc. C’est pour cette raison que l’on a utilisé les informations sur le format de données (type MIME), pour affiner la distinction entre les images et les documents texte.
92Pour les documents provenant de Gallica, la bibliothèque numérique de la BnF – une des sources les plus citées dans le forum –, un traitement spécifique a été mis en place. Il y avait au moment de la collecte 6771 références à Gallica (soit 2,6 % des références images et liens) dont 5731 uniques. Parmi ces références, 3790 correspondent à un objet unique dans Gallica repérable par son identifiant pérenne « ARK » (Archival Resource Key). À partir de cet identifiant ARK, on peut extraire les métadonnées en utilisant un service web proposé par Gallica BnF. De ces métadonnées détaillées, nous n’avons retenu que les variables qui permettent de caractériser le type de document (monographie, photographie…).
93Afin de pouvoir visualiser le contenu des citations, une interface web a été mise en place, qui permet d’interroger et visualiser le contenu des citations. On peut visualiser les citations selon leur type, selon les catégories du forum, leur hôte, leur type détaillé (pdf, gif, etc.), comme illustré dans la figure 5.
Figure 5. Interface web pour interroger les citations.

94Les résultats de recherche sont présentés sous deux formes : en liste détaillée et en mosaïque. Le type détaillé [voir figure 6 et illustration couleur p. 336] permet de voir les informations complémentaires pour les citations. En revanche, le type mosaïque [voir fig. 7 et ill. couleur p. 336] n’affiche que les images assemblées, ce qui facilite la découverte de certains motifs ou le classement rapide des types d’images (photos actuelles ou anciennes, en couleur ou en noir et blanc, etc.).
95L’identification et le décompte de ces indicateurs de citation ou d’usages de documents dans les messages méritent d’être confrontés aux pratiques réelles. En effet, l’analyse des échanges dans les forums et les entretiens montrent, d’une part, que l’usage des marqueurs techniques de la citation est très loin d’être systématique et, d’autre part, que le lien avec la source d’origine peut se perdre au fil des manipulations, ce qui conduit à une sous-évaluation de l’usage des sources patrimoniales.
96L’auteur d’un message peut choisir pour marquer une citation d’utiliser le style prédéfini proposé par l’interface, « citation ». Mais, de fait, le plus souvent, les citations sont marquées sans passer par cet artefact technique en utilisant simplement des guillemets, de la couleur, des retraits, etc. Pour le lecteur, la citation est immédiatement perceptible, mais il n’y a pas de balisage informatique permettant de la prendre en compte dans nos traitements.
97Pour la citation de documents ou d’images, les pratiques sont assez variées. Certains pointent directement vers le document ou l’image qui se situe hors du forum. D’autres préfèrent au contraire enregistrer le document ou l’image dans leur disque dur et ensuite la publier dans un entrepôt d’images, le plus souvent celui du forum. Ce choix est justifié, lors des entretiens, par les acteurs : il permet de se prémunir contre la disparition des images quand les sites changent de structure ou d’adresse (ce phénomène est d’ailleurs très visible sur le forum quand on explore les fils de discussion anciens : beaucoup d’images ont ainsi disparu) ; d’éviter de « peser » sur les sites ; et, enfin, de pouvoir cadrer, sélectionner la partie la plus pertinente dans le document. Le document se voit ainsi détaché de sa source d’origine, cette perte de lien étant souvent compensée par un lien vers le document original ou une simple mention de la source dans le message. En dépit des précautions prises dans le codage, les types de pratiques observées et commentées par les utilisateurs nous conduisent à traiter ces indicateurs de citation avec précaution, et à considérer qu’ils sont sous-évalués par rapport à la réalité des pratiques.
Figure 6. Résultats détaillés.

Figure 7. Résultats en mosaïque.

98L’interface de consultation des citations nous a montré à quel point la pérennité des données sur le web est fragile. Plus on recule dans le temps, plus les mosaïques d’images [voir fig. 7] présentent des cases vides, signalant des images qui ne sont plus accessibles. Les participants utilisent fréquemment des serveurs d’images pour poster leur photo avant de les insérer dans le forum (avec la balise « img »). Or une grande partie de ces serveurs a fermé, faisant disparaître avec eux toutes les photos publiées par les participants. Il ne reste alors que la trace de l’existence passée d’une photo dans le message. Il ne s’agit pas d’un problème d’archivage, mais réellement d’un problème de disparition de ressources, dont témoignent les archives.
Méthodes d’analyse du forum
99Pour entrer dans l’univers du forum, il est très vite paru indispensable d’articuler des méthodes d’analyse à « gros grain », quantitatives, avec des approches ethnographiques, à grain fin.
100Étant donné l’ancienneté et l’intensité de l’activité du forum (près de 400 000 messages en dix ans), seule une approche quantitative nous permettait de comprendre l’organisation de ce monde social : qui en sont les participants ? Quelles sont leurs activités ?
101Une fois les données extraites, structurées et catégorisées, différents types de traitements ont pu être effectués. Des traitements de statistique descriptive permettent de caractériser le profil des membres du forum, d’évaluer l’activité selon les sous-forums, d’étudier la distribution des fils de discussion, la répartition de la participation et l’évolution temporelle de l’activité dans le forum. Une question majeure restait cependant en suspens : que font les participants dans ce forum ? Pour y répondre, il était nécessaire d’exploiter le contenu textuel des messages, ce qui a été fait avec des outils de statistiques textuelles. Différentes techniques de fouille de texte ont été testées : les Topic Models et les algorithmes LSA (Latent Semantic Analysis) et LDA (Latent Dirichlet Allocation). Finalement, la méthode qui s’est révélée la plus pertinente par rapport à nos besoins est celle qui a été mise au point par Max Reinert dans les années 1980, au moment de l’apogée de l’école de l’analyse des données à la française : la méthode Alceste33, qui repose sur une classification descendante hiérarchique. Le logiciel Iramuteq développé par Pierre Ratinaud reprend en particulier cet algorithme performant pour regrouper les textes (ou fragments de textes) en fonction de leurs cooccurrences.
102L’analyse n’a pas porté sur les messages entiers, mais uniquement sur les sujets des fils de discussion. En effet, dans les messages, comme nous l’avons vu, la place de la citation peut être très importante, mais elle n’est pas toujours bien différenciée. On peut avoir des messages très longs qui reprennent de longues pages de livres ou de données. Faire porter l’analyse sur les titres permet d’accéder aux motivations et aux buts des individus qui ouvrent un fil de discussion dans le forum. Cette analyse a permis aussi de voir que l’organisation par rubriques ou catégories n’était pas si étanche que cela, qu’il y avait des circulations et des clivages selon les catégories.
103Une fois cette vision à gros grain établie, il nous était possible d’explorer plus finement des fils de discussion en étant en mesure de les situer par rapport à la vision globale de l’activité dans le forum. Plutôt que de choisir au hasard des fils de discussion, certains ont été choisis en raison de leurs traits distinctifs (ceux qui ont été actifs sur le plus grand nombre d’années, ou qui contiennent le plus de messages), de leur appartenance à un type de fil particulier, ou parce qu’ils nous ont été signalés dans les entretiens, etc. Les entretiens ont été essentiels également pour comprendre le sens de l’activité dans le forum, les modalités d’usage des références et les clivages internes, les hiérarchies qui se sont instituées.
Conclusion
104Nous avons décrit un dispositif méthodologique pour étudier les pratiques en ligne à partir des archives du web constituées dans le cadre du dépôt légal. Ce dispositif a porté sur une collecte spécifique mais pourrait s’appliquer à des corpus extraits à partir de requêtes dans ces mêmes archives. Le cœur de l’approche consiste à cartographier les relations entre les entités du web archivées, en partant de l’idée que la configuration du réseau nous informe sur la structure du monde social que l’on étudie.
105Le travail sur les archives du web constitue une réelle avancée pour les chercheurs en sciences sociales. Il permet de bénéficier d’un corpus de recherche construit à partir d’une collecte de qualité, bien délimitée et archivée. Outre le fait qu’un cadre juridique est clairement défini, l’exploration des archives permet d’avoir la possibilité de retourner aux données brutes et donc de pouvoir faire des allers-retours réguliers entre les résultats des traitements et les données d’origine, ce que ne permet pas de faire un travail sur le web vivant. Ce dernier étant en constante transformation, il n’est plus possible sans archive d’accéder à la version qui a servi à l’analyse. Si l’analyse de réseau est une bonne entrée pour explorer la structure globale d’un espace social, des traitements plus approfondis et adaptés de fouille de texte sont nécessaires comme nous avons pu le montrer pour le forum.
106Insistons pour finir sur la nécessité d’articuler ces traitements quantitatifs, qu’ils soient à base d’analyse de réseau ou de fouille de données, qu’ils portent sur des corpus de sites ou sur des échanges (dans le cas du forum), avec des entretiens auprès des acteurs, qui servent à donner sens aux observations et analyse et à remettre les pratiques en contexte.
Notes de bas de page
1 Schneider Steven M. et Foot Kirsten A., « Web Sphere Analysis : An Approach to Studying Online Action », in Virtual Methods. Issues in Social Science Research on the Internet, Hine Christine (dir.), Oxford, Berg Publishers, 2005, p. 157-170.
2 Ibid., p. 158, notre traduction (« We conceptualize a web sphere as not simply a collection of web sites, but as a set of dynamically defined digital resources spanning multiple web sites deemed relevant or related to a central event, concept or theme, and often connected by hyperlinks. The boundaries of a web sphere are delimited by a shared topical orientation and a temporal framework. »)
3 Brügger Niels, « Historical Network Analysis of the Web », in Social Science Computer Review, vol. 31, no 3, 2013, p. 306-321.
4 Voir chap. 3.
5 Saemmer Alexandra, Rhétorique du texte numérique. Figures de la lecture, anticipations de pratiques, Villeurbanne, Presses de l’ENSSIB, 2015.
6 Ghitalla Franck, Diemert Eustache, Maussang Camille et Pfaender Fabien, « Tarente : An Experimental Tool for Extracting and Exploring Web Aggregates », in Information and Communication Technologies. From Theory to Application, Proceedings of IEEE ICTTA04, Damas, Syrie, 2004, p. 627-628. https://ieeexplore.ieee.org/document/1307921 [consulté le 12 juin 2018] ; Kotras Baptiste, « L’opinion autorisée », in Revue d’anthropologie des connaissances, vol. 9, no 3, 2015, p. 311.
7 Boullier Dominique et Lévy Jacques (dir.), « Topographies et topologies. Langages spatiaux, spatialités, espaces », in Réseaux, vol. 34, no 195, 2016, p. 9-162.
8 Severo Marta et Venturini Tommaso, « Enjeux topologiques et topographiques de la cartographie du Web », in Réseaux, vol. 34, no 195, 2016, p. 84-105.
9 Cardon Dominique, Fouetillou Guilhem et Roth Camille, « Topographie de la renommée en ligne », in Réseaux, vol. 188, n° 6, 2014, p. 85-120.
10 Sur les douze entretiens, 9 ont été réalisés par Valérie Beaudouin, 3 par Philippe Chevallier ; 5 ont été réalisés à domicile (ce qui permet d’appréhender l’univers de travail), 5 en face-à-face dans un lieu public et 2 par téléphone.
11 Voir chap. 1.
12 Voir chap. 3.
13 Schafer Valérie et Thierry Benjamin, « L’ogre et la toile. Le rendez-vous de l’histoire et des archives du web », in Socio, vol. 4, 2015, p. 75-95.
14 Beaudouin Valérie, « Trajectoires et réseau des écrivains sur le Web. Construction de la notoriété et du marché », in Réseaux, vol. 30, n° 175, 2012, p. 107-144.
15 Brügger Niels, « Historical Network Analysis of the Web », in Social Science Computer Review, op. cit.
16 Voir par exemple : Diminescu Dana et Pasquier Dominique (dir.), « Les migrants connectés : TIC, mobilités et migrations », in Réseaux, vol. 159, n° 1, 2010 ; Boullier Dominique et Lévy Jacques, « Topographies et topologies. Langages spatiaux, spatialités, espaces », in Réseaux, op. cit. ; Severo Marta et Venturini Tommaso, « Enjeux topologiques et topographiques de la cartographie du Web », in Réseaux, op. cit.
17 http://www.bnf.fr/fr/professionnels/dlweb_boite_outils/a.dlweb_formats_fichiers.html [consulté le 1er août 2017].
18 https://webarchive.jira.com/wiki/display/ARS/WAT+Overview+and+Technic al+Details [consulté le 1er août 2017].
19 https://webarchive.jira.com/wiki/display/Iresearch/Web+Archive+Analysis+ Workshop [consulté le 1er août 2017].
20 https://gephi.org/gexf/format [consulté le 1er août 2017].
21 Gephi est développé depuis 2009 par un consortium français (Sciences-Po MédiaLab, ISC Paris, etc.), mais l’équipe a arrêté le développement depuis environ deux ans pour se consacrer à celui de nouveaux outils qui permettent de constituer puis de visualiser un corpus du web.
22 Jacomy Mathieu, Venturini Tommaso, Heymann Sébastien et Bastian Mathieu, « ForceAtlas2, a Continuous Graph Layout Algorithm for Handy Network Visualization », in PLoS ONE, 2012, vol. 9, no 6, p. 1-22.
23 Notons que nous avons exclu d’utiliser une stratégie d’échantillonnage des pages, car il nous semblait difficile d’établir a priori un principe de sélection.
24 Dans le contexte d’Internet, un nom d’hôte est le nom d’un sous-domaine.
25 Markkandeyan S. et Indra Devi M., « Efficient Machine Learning Technique for Web Page Classification », in Arabian Journal for Science & Engineering, vol. 40, t. 12, décembre 2015, p. 3555 – 3566.
26 Hernández Inma, Rivero Carlos R., Ruiz David et Arjona José Luis, « An Experiment to Test URL Features for Web Page Classification », in Trends in Practical Applications of Agents and Multiagent Systems, Rodríguez Juan M. Corchado, Pérez javier Bayo, Golinska Paulina, Giroux sylvain et Corchuelo Rafael (dir.), Berlin, Heidelberg, Springer, « Advances in Intelligent and Soft Computing », 2012, p. 109-116.
27 Souza Tarcisio et al., « Semantic URL Analytics to Support Efficient Annotation of Large Scale Web Archives », in Lecture Notes in Computer Science, numéro spécial : Semantic Keyword-based Search on Structured Data Sources, vol. 9398, 2015, p. 153-166.
28 Kotras Baptiste, « Des opinions qui comptent. Influence, visibilité et hiérarchisation des opinions sur le web », in E-réputation et traces numériques : dimensions instrumentales et enjeux de société, Toulouse, mars 2013.
29 Heymann Sébastien et Le Grand Bénédicte, « Exploratory Network Analysis : Vizualisation and Interaction », in Complex Networks and their Applications, Cherifi Hocine (dir.), Cambridge, Cambridge Scholars Publishing, 2014, p. 174-211.
30 Archambault Daniel et Purchase Helen C., « The Map in the Mental Map : Experimental Results in Dynamic Graph Drawing », in International Journal of Human-Computer Studies, vol. 71, no 11, 30 janvier 2013, p. 1044-1055. https://www.sciencedirect.com/science/article/pii/S107158191300102X [consulté le 19 juin 2018].
31 Si des métadonnées indiquaient la date de publication des documents archivés, il serait possible d’évaluer ce qui relève d’un phénomène ou de l’autre, mais ce n’est pas le cas.
32 Pour plus d’informations sur l’histoire du forum : voir Annexes.
33 Reinert Max, « Les “mondes lexicaux” et leur “logique” à travers l’analyse statistique d’un corpus de récits de cauchemars », in Langage et société, n° 66, 1993, p. 5-39 ; « Une méthode de classification descendante hiérarchique : application à l’analyse lexicale par contexte », in Les Cahiers de l’analyse des données, vol. 8, no 2, 1983, p. 187-198.
Auteurs
-
Valérie Beaudouin
Diplômée de l’École nationale de la statistique et de l’administration économique et docteure en sciences du langage de l’EHESS, est chercheure en sciences sociales à Télécom ParisTech (SES-i3).
-
Zeynep Pehlivan
Docteure en informatique, est ingénieure de recherche à l’Institut national de l’Audiovisuel.
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
