|
Recherche
d’information sur Internet : où en sommes-nous, où allons-nous ?
Alexandre
SERRES
165K0
Maître de
conférences en Sciences de l’Information et de la Communication
Co-responsable de l’URFIST de Rennes (juin 2004)
Tout le
monde sait que l’accès et l’utilisation d’Internet dans les CDI posent
des problèmes difficiles et des questions souvent cruciales aux
documentalistes : à quelles conditions doit-on permettre l’utilisation
d’Internet dans un collège, faut-il réglementer, comment former les
élèves à mieux interroger les moteurs de recherche, comment leur
apprendre à identifier et à évaluer l’information, etc. L’une des
réponses à ces nombreux défis réside dans la formation professionnelle
des documentalistes, dans leur maîtrise des techniques et des outils,
devant lesquels ils se sentent parfois désarmés, voire dépassés par les
élèves de la « génération Google-Napster », qui « surfent » en toute
légèreté sur le Web. Car si les documentalistes ne sont pas (et n’ont
pas à être) des spécialistes de la recherche d’information mais des
usagers avertis et des formateurs compétents, ils ne peuvent se
désintéresser des évolutions techniques qui touchent les outils et
conditionnent, en large part, les usages des élèves. Cet article ne vise
donc rien d’autre que de tenter de fournir quelques éléments de
compréhension de ces évolutions qui donnent le tournis.
Explosion
des outils, incessants progrès des techniques de recherche, nouvelles
applications (comme les Weblogs, le RSS…),
travaux du Web sémantique… : l’univers de la recherche d’information sur
Internet est en constante ébullition, en transformation permanente
depuis 10 ans et il est très difficile, voire impossible, de faire un
arrêt sur images ou de dresser un tableau complet, un état des lieux
clair et ordonné des outils, des technologies et des évolutions qui les
concernent.
Cette
difficulté de l’observation est sans doute l’un des nouveaux traits du
paysage de la « RII », d’autant plus
évident pour les « anciens » de la documentation, qui se souviendront
des premières banques de données des années 80, du Minitel et des
logiciels documentaires primitifs, composant alors un monde documentaire
limité et maîtrisable par les documentalistes. Aujourd’hui, quel
professionnel de l’information peut se prévaloir d’une connaissance
complète de la RI ?
Notre
propos n’est donc pas l’exhaustivité du panorama, ni l’approfondissement
de la compréhension des techniques en jeu, mais plutôt d’essayer de
discerner quelques unes des grandes tendances de la recherche
d’information, en cours et à venir, et d’apporter quelques pistes de
réflexion sur les conséquences de ces évolutions pour les
documentalistes des CDI.
Sept grandes tendances de la recherche d’information
Avant de pointer ces évolutions
en cours et à venir, il n’est sans doute pas inutile de revenir
brièvement en arrière et de mesurer le chemin parcouru ; le regard
rétrospectif, le souci de l’histoire, toujours nécessaire, sont de plus
en plus oubliés ou minorés aujourd’hui, notamment à cause de
l’emballement technologique, où une innovation chasse l’autre tous les
six mois, en effaçant les traces des techniques passées. Sans faire ici
un historique des outils et des techniques, nous évoquerons quelques-unes des grandes tendances qui peuvent résumer les principaux
bouleversements de la recherche d’information depuis les débuts de
l’informatisation documentaire, il y a plus d’une quarantaine d’années.
En prenant en compte
les différents « composants » de la recherche d’information, nous en
avons relevé sept, sans aucune prétention d’exhaustivité, que l’on peut
résumer ainsi :
- de la dépendance à l’autonomie des usagers
- de la maîtrise des stocks à la surabondance des flux
- de la validation a priori à la validation a posteriori
- de la rareté et de la distinction à l’explosion et à l’hybridation des
outils et des modes de recherche
- du « retrouvage » booléen à la « sérendipité »
- du modèle de l’accès à celui du traitement de l’information
- de la gratuité à la commercialisation de la recherche
 Du côté des
usagers : de la dépendance totale à l’autonomie relative
Il s’agit
là sans aucun doute de l’évolution majeure, profonde, de la recherche
d’information, qui résume toutes les autres : depuis les premières
recherches « en différé » des années 60, où l’utilisateur posait sa
question au documentaliste qui la transmettait à l’informaticien,
jusqu’à l’utilisation actuelle des moteurs de recherche, en passant par
l’interrogation des banques de données par le Minitel, les usagers sont
passés d’une situation de dépendance totale vis-à-vis des professionnels
à une interaction directe avec les outils. Cette autonomisation
croissante des utilisateurs est la conséquence directe d’une tendance
lourde de l’évolution des outils : la simplification d’usage.
Simplification des accès, des interfaces, des procédures... : toute la
complexité et l'intelligence technique sont de plus en plus « enfouies »
en amont, dans la technologie même des outils, et ceux-ci deviennent des
« boîtes noires », auto-simplifiantes, utilisables par le grand public (cf
le succès de Google). Nous sommes loin d’avoir tiré toutes les leçons de
ce phénomène irréversible, qui marque par ailleurs un extraordinaire
phénomène de démocratisation dans l’accès à l’information et de
popularisation de notions et de pratiques jusqu’alors réservées aux
professionnels. Les problèmes de la recherche d'information concernent
aujourd'hui tout le monde et sont inséparables des questions et enjeux
politiques, culturels, sociaux…, liés à l’utilisation des technologies
de l’information, à la « fracture numérique ». L’usage de masse des
outils de recherche pose également de nombreux (et relativement
nouveaux) problèmes, sur les modifications des pratiques
informationnelles (comme le « zapping »), sur les nouveaux modes de
connaissance induits par les logiques des outils de recherche,
sur les dangers de « l’info-pollution », etc.
Mais si les usagers, et donc les élèves, deviennent de plus en plus
autonomes, faut-il pour autant les laisser « seuls face à Internet » ?
Quelle est la nature de cette autonomie ? Nous reviendrons sur cette
question de l’autonomisation (surtout procédurale) des usagers, qui pose
la question de leur formation intellectuelle.
Du côté de l’offre informationnelle : de la maîtrise des stocks à la
surabondance des flux
Du côté de
l’offre informationnelle, nous sommes passés de la métaphore de
« l’explosion documentaire » des années 60, qui concernait surtout
l’information scientifique et technique (essor des banques de données,
accroissement des revues scientifiques, etc.) à celle du « déluge
informationnel » d’Internet. Mais le changement est loin d’être
métaphorique, car il s’agit tout à la fois :
- d’un changement d’échelle, dans la production documentaire,
mesurée désormais en milliards et non plus en millions (sur le Web
« visible », i.e. indexé par les moteurs de recherche, et
impossible à évaluer précisément, le nombre de pages Web serait entre 10
et 15 milliards ; quant au Web « invisible », il serait estimé à 550
milliards de documents !) ;
- d’un changement de support, avec la numérisation généralisée
des textes, des sons, des images et de tous types de traces, l’Internet
devenant un gigantesque espace « multimédia » ;
- d’un changement de système éditorial, le Web étant avant toute
chose un vaste système d’auto-publication, permettant à chacun de
publier ce qu’il veut, pour le meilleur et pour le pire.
Tous ces
aspects sont connus et il est inutile d’y revenir. Mais ce « déluge
informationnel » a entraîné une conséquence, tout à fait essentielle
pour les documentalistes, qu’il ne faut jamais perdre de vue : le
renversement de la problématique de la validation documentaire.
Du côté de
la « chaîne de production » de l’information : de la validation a
priori à la validation a posteriori
On sait que
contrairement aux bibliothèques et aux CDI, ces espaces documentaires
protégés, surveillés, balisés et aux allées (généralement !) bien
droites, le Web est une jungle, un océan, un fouillis ou une poubelle,
selon l’appréciation. Ce qui est patent, et qui constitue d’ailleurs
l’un des enjeux éducatifs les plus forts, c’est bien ce retournement de
la validation de l’information : jusqu’alors effectuée « en amont » de
la chaîne de production de l’information, d’abord par les chercheurs et
les auteurs, qui n’écrivent pas (théoriquement) n’importe quoi, puis par
les éditeurs, qui ne publient pas tout ce qui s’écrit, ensuite par les
libraires, qui ne vendent pas tout ce qui se publie et enfin par les
bibliothécaires-documentalistes, qui n’achètent pas tout ce qui se vend,
la validation de l’information (terme générique sous lequel on mettra
l’évaluation, la sélection, le filtrage…) s’opérait à différents
niveaux, par différents acteurs, selon différentes modalités et pour
différentes finalités. Ce schéma, toujours valable dans le monde
« traditionnel » de l’édition ou de la production scientifique, n’est
plus celui du Web : la validation de l’information est ici généralement
reportée sur l’utilisateur, « en aval », avec tous les problèmes, les
risques et les dégâts possibles. Le Web ou la crise des médiateurs…
Du côté des
outils : de la rareté à l’explosion, de la distinction à l’hybridation
des outils et des modes de recherche
Une
première observation très simple frappe l’observateur, devant le paysage
actuel des outils et des méthodes de recherche : nous sommes passés, en
deux décennies à peine, d’une relative pauvreté, ou rareté des outils, à
une abondance, une explosion, une prolifération d’outils de recherche ;
dans les années 80, par exemple, la recherche d’information se limitait
aux logiciels documentaires (environ une vingtaine), aux logiciels des
serveurs de banques de données et à quelques outils documentaires
spécifiques. Aujourd’hui, les outils de recherche, uniquement sur
Internet, se comptent par milliers, il en meurt et il en naît chaque
année plusieurs dizaines et la diversité, dans la spécialisation, est
infinie.
Deuxième observation : l’imbrication, l’hybridation des modes de
recherche et des outils. On peut distinguer, schématiquement,
quatre modalités de recherche d’information : la navigation
arborescente (dans les annuaires thématiques, les classifications),
la navigation hypertextuelle (dans les sites Web, les cédéroms, les
encyclopédies), la recherche par requête sur des mots-clés dans des
champs délimités (l’interrogation des banques de données, des
catalogues…) et la recherche par requête sur le contenu
(recherche en texte intégral, moteurs de recherche). A chacune de ces
modalités correspondaient des pratiques, des usages de recherche, mais
aussi des outils, jusqu’alors bien distincts. Ainsi, aux débuts du Web,
la distinction entre annuaires et moteurs était-elle parfaitement
claire, du seul point de vue de la modalité de recherche. Or l’une des
évolutions profondes de la « RI » a consisté à entremêler ces diverses
modalités ainsi que les outils sur lesquels elles s’appuient. Depuis
quelques années, la mixité entre annuaires et moteurs, combinant
recherche arborescente et sur le contenu, ou le développement des
portails, proposant tous les types de recherche, témoignent de cette
imbrication d’outils, de techniques et de modalités de recherche
différents, ajoutant parfois de la confusion au paysage et rendant les
distinctions de plus en plus difficiles. Pour autant, les typologies
d’outils restent fondamentales à maîtriser et à expliquer aux élèves,
pour sortir des « apparences de l’écran ».
Du côté des
processus de recherche : du « retrouvage » booléen à la « sérendipidité »
Toutes ces
évolutions, touchant aussi bien à l’offre, aux outils et aux modalités
de recherche sur Internet, ont induit une autre transformation profonde,
tenant à la fois aux procédures, aux processus mêmes et aux usages de la
recherche d’information.
Dans l’univers documentaire, familier aux documentalistes, des bases de
données, des catalogues de centres documentaires ou de bibliothèques,
c.a.d. dans le monde de ce qu’on appelait la « RDI » (Recherche
Documentaire Informatisée), les recherches se font avant tout selon la
logique booléenne (par l’utilisation des opérateurs booléens, de
troncature, éventuellement de proximité) et selon des règles de syntaxe
plus ou moins formelles et complexes (cf. les équations de recherche).
Mais la principale caractéristique de la « RDI » tient au fait qu’il
s’agit toujours de retrouver des références de documents préalablement
saisies : la recherche porte toujours sur un fonds ou une base fermée
(quelle que soit la taille de cette base), dont on peut connaître à
l’avance le contenu exact ou la composition, et elle fait peu de place
au hasard et à l’intuition. On sait ce qu’on (re)cherche. Et les notions
de bruit et de silence s’appliquent parfaitement à cet univers
documentaire.
La recherche sur le Web offre à cet égard un tout autre aspect : le
contenu est, par définition, infini, impossible à caractériser, à cerner
et les modes de recherche sont variés, comme on l’a vu (logique
booléenne, mais aussi navigation hypertexte, recherche sur le texte
intégral…).
On peut certes (et on doit !) maîtriser toute la gamme des opérateurs,
utiliser pleinement les fonctionnalités et les astuces de recherche des
outils. Mais quiconque a fait l’expérience d’une recherche sur le Web
sait que les plus belles découvertes se font souvent par hasard, au gré
des navigations de site en site, ou dans la liste des résultats d’un
moteur. On ne sait pas ce qu’on cherche.
Un terme, très employé aujourd’hui sur le Web, désigne ce nouveau type
de recherche : la sérendipité, traduction (non encore officielle,
semble-t-il) du terme d’origine, serendipity, définie comme
« la découverte par chance ou sagacité de résultats que l’on ne
cherchait pas » (sur la sérendipité, voir les articles de
Ertzscheid-Gallézot et S. Catellin5)
Fondée sur l’intuition, l’association d’idées, mais aussi l’abduction,
la sérendipité, qui caractérise également le mécanisme de l’invention
et de la découverte scientifique, est devenue l’un des modèles de la
recherche d’information sur Internet, remettant au premier plan les
questions de la navigation hypermédia, de l’apprentissage par
exploration, de la conversion des informations en connaissances… Il ne
faut pas y voir pour autant la fin de la nécessaire maîtrise des
principes et des procédures de recherche ou l’inutilité de tout savoir
technique sur les outils de recherche.
Du côté des
modèles de la recherche d’information : de l’accès au traitement de
l’information
Selon une
étude californienne, 16 % du temps de travail en entreprise serait
consacré à rechercher l’information. « Soit, si l’on transpose à un
travailleur français soumis aux 35 heures, un peu plus de 5 heures 30
par semaine6… » Qui peut
encore nier que la recherche d’information n’a pas un coût économique et
ne représente pas un enjeu majeur ?
Et la question centrale aujourd’hui, face au « déluge informationnel »,
n’est plus tant la recherche elle-même que le traitement, l’exploitation
des résultats. A quoi peuvent servir les 3OO OOO documents trouvés sur
Google sur un sujet quelconque ? Comment filtrer, comment réduire le
nombre de références, comment exploiter les listes de résultats de
manière plus « intelligente », comment avoir un aperçu du contenu de
telle page Web, comment obtenir une analyse de tel corpus de données,
etc., bref, comment mieux exploiter et gérer les informations : le
véritable défi est là. Un certain nombre d’outils de recherche, parmi
les plus innovants7, travaillent depuis quelques années sur
ces problématiques et ont apporté des innovations parfois spectaculaires
(cf. plus loin). Et il est intéressant d’observer une sorte de
chassé-croisé entre les deux univers technologiques, que sont les
logiciels documentaires et les outils du Web : d’un côté les logiciels
de gestion documentaire « en local » (de type Superdoc, BCDI, JLB, etc.)
évoluent de plus en plus vers les technologies du Web, basculant parfois
complètement sur une interface Web et rendant transparentes la création
et la diffusion de bases de données locales sur le Web ; de l’autre
côté, certains outils de recherche du Web ont intégré des
fonctionnalités de gestion documentaire, notamment d’analyse de corpus,
ou des notions issues de la documentation (comme les thésaurus) et les
appliquent à l’univers du Web
Du côté
de l’économie de l’information : de la gratuité à la vente des mots-clés
Enfin, une
autre tendance lourde, parfois insuffisamment connue, se développe
depuis plusieurs années et est en passe de transformer en profondeur le
paysage de la recherche d’information : l’inscription, au cœur même des
procédures de recherche, de la commercialisation. Il ne s’agit pas de la
fin d’un prétendu âge d’or de la gratuité de l’information, qui n’a
jamais vraiment existé. L’information a toujours eu un coût (le plus
souvent supporté par le fournisseur) et souvent un prix pour
l’utilisateur. Les banques de données professionnelles et scientifiques
sont le plus souvent payantes (et souvent très chères), et ce depuis
leur naissance.
La
nouveauté réside ici dans cette nouvelle forme d’économie et de marché,
apparue autour des outils de recherche privés du Web et des enjeux
financiers énormes, à la mesure du trafic généré par ces outils. Liens
sponsorisés, liens commerciaux, « addwords »…, les techniques de ce
qu’on appelle le « positionnement payant » ne cessent de se diversifier
et de se développer, ajoutant un nouveau défi et un nouveau risque pour
les usagers parfois distraits : savoir distinguer du premier coup d’œil
un lien « sponsorisé » d’un résultat « normal ». Rappelons que le
positionnement payant consiste en un système compliqué de vente aux
enchères de mots-clés, par des sociétés spécialisées (comme Overture,
Espotting) ou certains moteurs de recherche (comme Google).
Cette vente de mots-clés permettra par exemple à un site commercial,
spécialisé dans le voyage, d’apparaître en haut d’une page de résultats
pour toute requête comprenant le mot « voyage ». Avec le positionnement
payant, c’est la notion même de pertinence qui est atteinte.
Après ce
rapide recensement de quelques unes des tendances lourdes de la
recherche d’information, quel est, aujourd’hui, le paysage plus
spécifique des outils de recherche et quelles sont leurs principales
évolutions ?
Le temps
des typologies des outils, simples et visibles, paraît loin et il
devient difficile de s’y retrouver dans un paysage sans cesse mouvant :
mixité des annuaires et des moteurs (cf. le dernier exemple
en date du lancement du moteur de Yahoo, YST, pour Yahoo Search
Technology, floraison d’outils spécialisés, rachats et disparitions
d’outils (Alta Vista racheté par Yahoo, fermeture de LookSmart),
diversification des technologies, le tout dans un marché dominé par
l’écrasante suprématie de Google (qui réalise tout seul 56 % du trafic
mondial généré par les moteurs de recherche8 !)…
Plusieurs typologies possibles
Pour une
compréhension théorique des outils de recherche, le recours aux
typologies reste le premier pas pour tenter de mettre un semblant
d’ordre dans un paysage confus.
Plusieurs critères, différents et complémentaires, permettent de
répartir les outils de recherche.
Eliminons un premier critère : le mode de recherche proposé, qui
distinguait entre les outils par navigation, arborescente (comme
les annuaires) ou hypertexte (comme les listes de signets), et les
outils par requête (comme les moteurs, fondés sur l’utilisation de
mots-clés). Cette distinction n’est plus très pertinente aujourd’hui,
tant l’imbrication des modalités de recherche est forte sur les mêmes
outils.
Un deuxième critère reste toujours valable, en dépit des apparences :
celui du mode d’indexation des ressources. Selon ce
critère, on distingue les annuaires thématiques, qui procèdent à
un référencement et une description humaines des sites Web (par exemple
la partie annuaire de Yahoo, Nomade, l’Open Directory…) et
les moteurs de recherche (Google, Alta Vista, Exalead, Wisenut,
YST…), qui fonctionnent par collecte et indexation automatisées des
pages Web (et non des sites). Cette distinction, « historique » car elle
a longtemps structuré le monde des outils, est moins nette aujourd’hui,
à cause de la mixité, de l’imbrication des annuaires et des
moteurs : Google utilise l’annuaire de l’Open Directory, Yahoo a son
propre moteur, etc. Mais le critère des modes d’indexation reste
essentiel, car il induit des ressources, des usages et des technologies
très différentes. Ainsi un annuaire thématique va-t-il référencer des
sites Web, là où un moteur indexera toutes les pages d’un site ;
l’annuaire facilitera le défrichage, le premier repérage des ressources
dans un domaine ou un secteur défini, par l’organisation arborescente
proposée, alors qu’un moteur de recherche permettra de trouver un
document très précis. Autrement dit, les deux familles se prêtent à des
utilisations complémentaires : pour connaître la liste des journaux
présents sur le Web, la navigation dans un annuaire sera recommandée,
alors que vous y trouverez difficilement un support pédagogique sous
Power Point, en français, paru en 2002 et traitant du fonctionnement des
ordinateurs…
Le critère
du fonctionnement interne des outils reste également pertinent,
et permet la distinction entre les différentes familles d’outils, non
seulement celles des annuaires et moteurs, mais aussi des métamoteurs,
des portails, des outils de veille, des outils annexes. D’un
côté, des outils « de première main » pourrait-on dire, qui possèdent
leur propre base de données de ressources (qu’elles soient collectées
« humainement » ou automatiquement) et leur propre module
d’interrogation, de l’autre, des outils « de seconde main », qui n’ont
pas de base de données en propre, mais seulement un module
d’interrogation, qui exploite les bases des moteurs et des annuaires. La
famille des métamoteurs de recherche, apparue presque en même temps que
les deux premières catégories, reste un ensemble d’outils très riche,
foisonnant, où les innovations techniques sont nombreuses et
spectaculaires. Nous y reviendrons. On y associe généralement une autre
catégorie d’outils, les « agents intelligents ». Ces outils
sophistiqués, proches des métamoteurs, servent à des utilisations très
précises : analyse, veille, comparaison de prix… Un agent intelligent
peut se définir comme un outil capable d’autonomie, de collaboration
(avec d’autres outils) et d’adaptation à son environnement. Outre
certains métamoteurs grand public (comme Copernic, proche des agents
intelligents), ces outils restent surtout utilisés « en interne », par
les entreprises ou les universités, et sont capables de filtrer,
d’analyser, de cartographier, de résumer… des corpus d’informations
hétérogènes.
En bref, la tripartition de base entre annuaires thématiques, moteurs
de recherche et métamoteurs reste une typologie structurante et
valide, essentielle à comprendre et à faire comprendre aux élèves.
Mais à ces trois catégories d’outils aisément reconnaissables, il faut
ajouter deux autres familles, moins faciles à définir : celles des
portails et des outils dits annexes.
Qu’est-ce qu’un « portail » ? Sylvie Dalbin le définit comme une « ressource
accessible via Internet, constituant un point d'accès unique, simplifié,
facile d'emploi et unifié, pour un public cible, à des ressources
(services, produits) électroniques distantes, variées et
hétérogènes9 ». Sans approfondir ici cette notion, disons
qu’un portail se distingue notamment des autres outils traditionnels par
un ensemble de services personnalisés offerts aux usagers (compte
personnel, messagerie, commerce, commande de documents, veille, etc.).
Quant aux « outils annexes », on range sous cette appellation vague un
ensemble d’outils diversifiés, pouvant servir à la recherche
d’information et à la veille de manière annexe : « aspirateurs de
sites » Web, organisateurs de signets, outils collaboratifs de partage
des signets…
On le voit, la distinction entre les familles d’outils est souvent
problématique, Yahoo symbolisant à lui seul cette hybridation des
outils, puisqu’il est à la fois un annuaire thématique (le premier
annuaire mondial), un portail (le premier à avoir introduit la « portalisation »)
et désormais un moteur de recherche à part entière…
Vers la spécialisation… généralisée
Un quatrième critère
transcende toutes ces catégories et a pris une importance considérable
depuis quelques années : la nature des ressources proposées. Il
s’agit là de la distinction, classique en documentation, entre outils
généralistes et outils spécialisés, quel que soit le type de
spécialisation.
Trois remarques à propos de ce critère :
- Il est devenu majeur aujourd’hui, avec l’extraordinaire développement
des outils spécialisés. On trouve désormais sur Internet des outils de
recherche pour à peu près tous les supports, tous les thèmes, toutes les
régions, toutes les applications possibles et la spécialisation est
bel et bien une autre tendance « lourde » de la recherche
d’information. Ce qui pose le problème de la recherche de ces outils
spécialisés eux-mêmes, justifiant ces « méta-outils », ou répertoires
d’outils, comme Enfin.com10 (qui recense 4893 outils,
dont 2970 outils de recherche francophones) ou Internet Search Engine
Database11 .
- La spécialisation revêt toutes les formes possibles :
spécialisation sur un domaine particulier (tourisme, industrie,
culture, médecine, sciences exactes12, sciences humaines et
sociales13, etc.), sur une zone linguistique ou
géographique14, selon la nature des documents
(forums, listes de diffusion15, bases de données, thèses,
dépêches d'actualité, bibliothèques électroniques…), selon le type de
fichier, selon la nature du média (images, sons…).
- Elle
touche toutes les familles d’outils : annuaires, moteurs de recherche,
métamoteurs16, portails… Chaque catégorie d’outils se partage
entre outils généralistes et spécialisés.
Au risque d’une présentation
simplifiée des évolutions techniques des outils, il nous semble
judicieux de privilégier trois domaines :
- l’intégration des techniques du TAL
(Traitement Automatique des
Langues)
-
les progrès dans les fonctionnalités de recherche et de filtrage de
l’information
- la diversification des méthodes de classement et de présentation
des résultats : catégorisation, réseaux sémantiques, analyse de contenu…
Bien que
ces trois domaines soient fortement imbriqués et interdépendants, il est
nécessaire de les distinguer, à la fois conceptuellement et
pratiquement. Tout d’abord, ils renvoient à des phases différentes du
fonctionnement des outils : schématiquement l’indexation, le traitement
de la requête, le classement des résultats, le traitement et la
présentation des résultats. Par ailleurs, ils traduisent souvent des
orientations technologiques spécifiques des outils : autrement dit, les
outils de recherche se distinguent de plus en plus selon la priorité
qu’ils accordent, soit aux traitements linguistiques, soit aux
fonctionnalités de recherche, soit aux techniques de traitement des
résultats. Il est assez rare de trouver un moteur ou un métamoteur
combinant toutes ces possibilités, qui paraissent s’exclure mutuellement
(pour le moment du moins).
Les
documentalistes de CDI savent bien qu’avant de rechercher, il faut
collecter et surtout indexer l’information. Les moteurs de recherche du
Web se présentent, sur ce plan, comme de gigantesques bases de données,
dont les principes ne sont guère éloignés de ceux des logiciels de
gestion documentaire. Mais avec des différences notables : la taille de
leur index bien sûr (6 milliards de documents pour Google), la nature
des ressources du Web, mais aussi (et surtout) les techniques de
recherche sur le texte intégral, là où les logiciels documentaires
« classiques » cherchent plutôt sur les métadonnées
(catalogage/indexation) des documents.
De fait, les moteurs de recherche utilisent des techniques d’indexation
automatisée, issues de ce que l’ingénierie linguistique développe depuis
une vingtaine d’années, et qu’on appelle les technologies du TAL ou du
TALN (Traitement Automatisé des Langues ou Traitement Automatisé du
Langage Naturel). Il faut noter que l’ingénierie linguistique (c.a.d. à
la fois la recherche et les industries de la langue) s’est développée en
dehors du Web, proposant des solutions logicielles et des applications
de plus en plus sophistiquées pour le traitement et l’analyse
linguistiques de corpus textuels limités, définis.
Sans approfondir, on peut relever au moins quatre niveaux d’analyse
automatisée, correspondant aux quatre premières « couches » d’un texte :
morphologique, lexicale, syntaxique, sémantique. Le cinquième niveau,
celui de la pragmatique (le langage en actes, qui permet à des humains
de comprendre le sens implicite d’une phrase par son contexte), reste
encore presque hors de portée de l’automatisation17 .
A quels niveaux d’indexation se situent les moteurs de recherche ?
L’on sait que lorsqu’on tape un mot-clé sur un moteur, il va chercher
dans sa base de données toutes les pages Web contenant ce mot : aucune
« intelligence » dans le procédé, mais une simple reconnaissance de
chaînes de caractères, qui doivent être identiques. Dans certains cas,
le moteur élimine les « mots-vides » (articles, prépositions, etc.).
Nous sommes là dans le domaine de l’analyse morphologique, fondée sur la
seule reconnaissance de la forme des mots. Les flexions d’un verbe, les
distinctions entre verbes et noms (« je porte la porte »), les
synonymes, la polysémie, etc. : aucun piège du langage naturel n’est
éliminé et ce premier niveau de l’indexation automatisée, aussi
intéressant soit-il, génère un « bruit » considérable, expliquant le
déluge des résultats sur les grands moteurs de recherche. Actuellement,
la plupart des moteurs fonctionnent encore à ce premier niveau de
l’analyse morphologique, parfois en éliminant les mots-vides (comme
Google et Alta Vista).
Quelques
moteurs ont poussé l’analyse automatisée jusqu’au niveau du lexique,
pratiquant ce qu’on appelle la lemmatisation : la réduction d’un
mot à sa racine (ou lemme)18. Concrètement, les mots au pluriel sont
ramenés au singulier, les verbes sont mis à l’infinitif… Du coup, les
index sont considérablement allégés, la recherche plus pertinente. Un
moteur comme Mirago pratique ce type d’analyse linguistique19.
L’analyse lexicale commence à se développer également sur plusieurs
outils, avec les correcteurs orthographiques. La lemmatisation permet
également de chercher tous les termes partageant la même racine ou
toutes les déclinaisons d’un terme : par exemple, sur Exalead, une
recherche sur « cheval de course » trouvera non seulement « chevaux de
course » mais aussi « course de cheval ».
Avec le
troisième niveau d’analyse, nous passons au stade de la grammaire, de
la syntaxe, qui permettra de reconnaître des expressions, des
groupes nominaux (pollution de l’air, agence de presse, etc .). Assez
peu d’outils du Web offrent ces possibilités et on peut citer de nouveau
ce moteur français particulièrement innovant, Exalead20,
qui, en plus de la lemmatisation, permet la reconnaissance des groupes
nominaux et surtout la proposition de nouveaux mots-clés, par extraction
des groupes nominaux du corpus de résultats. La génération automatique
de mots-clés constitue d’ailleurs l’une des innovations les plus
intéressantes pour l’usager, lui permettant d’affiner ses recherches. On
trouve cette fonctionnalité sur quelques moteurs, comme Alta Vista,
Teoma, Voilà, à des degrés différents et selon des technologies
spécifiques.
Enfin le
quatrième niveau d’analyse et d’indexation, celui de la sémantique,
concerne la signification d’un texte, par extraction de concepts, de
notions. Ce dernier niveau reste encore peu répandu sur le Web, et se
rapproche le plus des pratiques d’indexation avec thésaurus, familières
aux documentalistes. L’analyse sémantique est cependant présente sur le
Web, selon des méthodes plus statistiques que linguistiques21,
semble-t-il, mais elle concerne surtout le traitement des résultats
après une requête (cf. plus loin) et non l’indexation a priori des
documents. Un exemple intéressant de (véritable ?) indexation sémantique
d’un corpus de textes est fourni par le nouveau service de Google,
News, dans lequel le moteur propose une « revue de presse »
entièrement automatisée, établie à partir des articles et dépêches de
journaux. Le résultat, aussi problématique soit-il en termes
journalistiques, est assez spectaculaire22.
En résumé,
l’intégration progressive des différents niveaux d’analyse linguistique
et des méthodes de TAL dans le contexte du Web reste, sans conteste,
l’un des grands axes d’innovation pour les outils de recherche et
certains moteurs, comme Mirago et surtout Exalead, mais
aussi le moteur en langage naturel AskJeeves,23 ont
ouvert une voie prometteuse pour la recherche d’information, en
dépassant la seule analyse morphologique.
Sans doute
est-ce le chantier du Web sémantique qui généralisera ce quatrième
niveau de l’indexation automatisée, celui qui intéresse le plus les
humains que nous sommes, attachés d’abord à la signification des
documents plus qu’à leur forme ou leur ressemblance…
Ce deuxième
domaine d’innovations est plus simple à appréhender puisqu’il concerne
les interfaces de requêtes. On désigne par là les fonctionnalités, de
plus en plus nombreuses, offertes par les outils de recherche (surtout
les moteurs) pour la gestion des requêtes proprement dites :
utilisation des opérateurs booléens et, parfois, de proximité,
troncature, équations de recherche avec parenthésage, mais surtout
filtrage des requêtes. En effet, les moteurs24 et certains
métamoteurs25 permettent désormais de poser plusieurs filtres
sur les requêtes : sur la langue, sur les dates de publication, sur
l’espace Internet (Web mondial, francophone…), sur le type de ressources
(images, journaux, forums, Weblogs…), mais aussi sur les formats de
documents (possibilité de chercher des fichiers PDF, DOC, XLS, PPT…),
sur les pages similaires, sur différents champs des pages Web (titre,
liens, URL, métadonnées, etc.) et même sur la taille des fichiers
(seulement sur AllTheWeb). La plupart de ces fonctionnalités de
recherche, accessibles soit en mode simple, soit en mode avancé, restent
généralement méconnues des utilisateurs, alors que leur connaissance et
leur maîtrise sont l’une des conditions d’une recherche d’information
efficace. La formation des élèves, qui s’en tiennent le plus souvent à
un ou deux mots-clés en mode simple, ne consiste-t-elle pas, pour une
part, à les initier à toutes ces possibilités et subtilités, permettant
de trouver des documents très précis ?
Nous
n’évoquerons pas, pour ne pas alourdir cet article déjà dense, les
méthodes de classement des résultats, c.a.d. les principes selon
lesquels les moteurs de recherche classent, ordonnent leurs résultats :
l’indice de pertinence ou l’indice de popularité. Ces
méthodes sont désormais assez bien établies26 et l’innovation est
désormais ailleurs : elle touche plutôt ce qu’il faut bien appeler,
faute de mieux, le traitement des résultats, qui dépasse
quelque peu les seules problématiques de classement.
Trois
innovations importantes et intéressantes sont apparues depuis deux ou
trois ans et concernent la manière dont certains outils de recherche
traitent et présentent les résultats d’une requête : la
catégorisation des résultats, les réseaux sémantiques et l’analyse de
contenu.
Mise en
œuvre sur le moteur de recherche Exalead, et sur le métamoteur
Vivisimo27, la catégorisation dynamique du
résultat des recherches permet de « classer » les documents trouvés
dans des catégories, des rubriques porteuses de sens (notamment sur
Exalead). L’intérêt (et la force) de cette technologie provient du
caractère « dynamique » de cette catégorisation, opérée à partir des
caractéristiques réelles du lot de documents trouvés, et non selon des
rubriques établies a priori28. Concrètement, à partir de la
requête « cheval de course », Exalead a généré, à partir des 68111
résultats, quatre grandes rubriques (Sport, Commerce et Economie,
Régional, Sciences), avec des sous-rubriques (Elevage dans la rubrique
Commerce et Economie).
Les
documentalistes scolaires verront immédiatement l’intérêt pédagogique
d’un outil comme Exalead, qui permet aux élèves, non seulement d’affiner
leurs requêtes (notamment par la proposition de mots-clés, évoquée plus
haut) mais aussi de percevoir de nouvelles pistes de recherche, de
nouveaux liens vers d’autres thèmes, ainsi que l’environnement
sémantique de leur sujet de recherche. En d’autres termes, les
technologies de catégorisation des résultats réintroduisent du sens, de
la signification, de la structuration dans le chaos informationnel du
Web et elles sont appelées, d’une certaine manière, à jouer le même rôle
que les thésaurus classiques, avec la différence de taille entre une
indexation humaine a priori et une indexation automatisée a posteriori…
Deux autres
métamoteurs, Kartoo29 et MapStan30,
ont développé une autre manière de présenter les résultats, non sous
forme de rubriques calculées à partir des thèmes propres aux documents,
mais sous forme de cartes, de réseaux sémantiques, calculés à
partir des liens sémantiques entre les pages Web. Au lieu de référer les
documents à des catégories thématiques, les pages Web sont reliées les
unes aux autres, en fonction des mots-clés communs qu’elles partagent.
Les résultats sont donc présentés graphiquement, sous forme de nœuds et
de liens : les nœuds, qui correspondent aux pages Web trouvées, sont de
taille variable, selon le degré de pertinence des pages Web ; les liens
entre les nœuds représentent les relations entre les pages Web, c.a.d.
leur proximité, leur similarité.
Représentés sous forme de sphères et de liens sur Kartoo, de
places et de rues sur MapStan, ces sortes de réseaux sémantiques,
parfois difficiles à décoder, offrent plusieurs intérêts pour
l’utilisateur : possibilité d’affiner les requêtes (par choix de
mots-clés, sur Kartoo), de visualiser des liens entre sites Web
que l’on n’aurait pas pensé à associer, d’élargir les recherches sur les
sites proches, de mettre en évidence (notamment sur MapStan) des
réseaux d’acteurs sur telle ou telle thématique, avec des indications
précieuses sur l’importance de tel ou tel site (par le nombre de liens
qu’il reçoit)… En bref, comme leur nom l’indique, ces métamoteurs
graphiques développent, même de manière encore limitée, une nouvelle
cartographie de l’information, permettant de mieux se représenter
l’espace réticulaire du Web.
Une
troisième orientation technologique porte sur l’analyse automatique
du contenu des documents. Elle est développée notamment par un
métamoteur américain, SurfWax, particulièrement innovant31.
Après une requête sur ce métamoteur (qui permet d’interroger près de 500
sources !), une fonction, appelée SiteSnaps, offre une sorte de
synthèse de l’information sur chaque document trouvé, sous forme de
fiche récapitulative : on y trouve ainsi le nombre de mots, de liens,
d’images, éventuellement le résumé de l’auteur s’il existe, les
mots-clés de la requête dans leur contexte, les points clés (Key
Points) de la page, cad les phrases considérées par SurfWax comme
les plus importantes. En bref, une sorte d’analyse des documents,
permettant à l’utilisateur de mieux faire ses choix, d’affiner et
d’élargir sa recherche.
On le
voit : les innovations techniques ne manquent pas et offrent des
perspectives tout à fait intéressantes pour les usagers, notamment pour
les élèves confrontés au déluge et au chaos informationnel. Comme nous
l’avons vu rapidement, ces innovations dans le traitement des résultats
induisent des usages différents et offrent des intérêts spécifiques pour
la recherche d’information : d’un côté la mise en catégorie de
documents, de l’autre la représentation cartographique d’un réseau, ou
encore l’analyse du contenu. Exclusives l’une de l’autre au plan
technique (pour le moment du moins), disponibles surtout sur des
métamoteurs (hormis Exalead), ces trois techniques représentent trois
directions de recherche et d’innovation appelées à se développer et à se
perfectionner dans les années à venir. Pour les documentalistes de CDI
et les élèves, ces technologies, et les outils qui les incarnent,
devraient être mieux connues et surtout utilisées conjointement, selon
les besoins et les contextes. Car s’il fallait tirer une leçon de cette
brève présentation des outils et des technologies de recherche, ce
serait sans nul doute cette sorte d’impératif catégorique de la
recherche d’information : il faut utiliser (et inciter les élèves à
utiliser) plusieurs outils, selon ses besoins et ses objectifs, et aussi
pour sortir de la « googlemania » galopante, dangereuse comme toute
pratique exclusive32.
Et demain ? Vers le « Web sémantique » ?
On ne peut
terminer un panorama de la recherche d’information sur Internet sans
évoquer cette expression qui commence à faire florès, suscitant de plus
en plus d’articles, de conférences, de formations… dans les métiers de
l’information et qui, au-delà de l’inévitable effet de mode, peut
représenter une mutation tout à fait majeure, non seulement de la
recherche d’information, mais des usages du Web : nous voulons parler
ici du « Web sémantique ». Un tel sujet mériterait à lui seul un article
complet et il ne peut s’agir ici que de fournir quelques éléments
d’information, permettant une première approche d’une thématique
particulièrement complexe. Nous essaierons de le faire à partir de
questions simples.
D’où
vient et qui est derrière le « Web sémantique » ?
Il s’agit d’un projet de recherche déjà vieux de plusieurs années,
lancé par le fondateur du Web lui-même, Tim Berners-Lee, au sein de
l’organisation qui préside aux destinées du Web : le W3C (World Wide
Web Consortium). Rappelons que le W3C est un consortium créé
en 1994, fondé sur 3 pôles de recherche internationaux (le MIT, la Keio
University au Japon et un regroupement de 18 centres de recherche
européens, ERCIM33), et regroupant de nombreuses entreprises
informatiques, différents centres de recherche, etc., soit au total plus
de 500 organisations, universités, entreprises, acteurs importants du
Web… Le W3C est donc un acteur essentiel de la « gouvernance »
d’Internet, et son rôle est de produire les standards informatiques
(sous forme de recommandations), pour le maintien et l’évolution du
World Wide Web34.
Quels
sont les objectifs du Web sémantique ?
Organisation responsable du devenir de la « Toile », le W3C et son
président, Berners-Lee, ont été les premiers insatisfaits des nombreuses
limites et inconvénients du Web, qui ont transformé celui-ci en
véritable fourre-tout informationnel. Si le Web originel s’est révélé un
fantastique outil pour la production, la publication et la diffusion de
l’information, il n’a pu en revanche fournir encore les outils pour
structurer et décrire les ressources de manière satisfaisante et
permettre un accès pertinent à l’information. Par exemple, les liens
hypertextes entre les sites Web, bien que porteurs de sens pour les
humains, n’ont aucune signification utilisable par les machines. Et pour
bien comprendre le projet du Web sémantique, il faut partir du constat,
opéré par le W3C lui-même, des diverses insuffisances du Web ;
citons par exemple : l’absence ou la faiblesse d’une véritable
description des ressources par les métadonnées, la non-exploitation de
la sémantique des liens hypertextes par les machines35, les limites des
outils de recherche, incapables encore d’analyser vraiment les pages Web
et de fournir la bonne information pertinente et adaptée aux besoins de
l’utilisateur. Comme l’indique Philippe Laublet, l’un des chercheurs
français impliqué dans le projet du Web sémantique, le Web actuel est
prisonnier d’un paradoxe : « l’information et les services sur le
Web
sont aujourd’hui peu exploitables par des machines… mais de moins en
moins exploitables sans l’aide des machines. »36
On peut
donc résumer ainsi l’objectif du projet de « Semantic Web » :
pallier les insuffisances du Web en lui ajoutant une « couche »
sémantique, permettant de libérer les utilisateurs d’une partie de leurs
tâches de recherche afin de mieux exploiter l’information contenue dans
les ressources du Web. En fait, le Web sémantique vise à mettre de
l’ordre et surtout de la signification dans le chaos informationnel, en
développant des outils et des méthodes qui rappelleront quelque chose
aux documentalistes et aux bibliothécaires. Car il s’agit surtout de
pouvoir identifier, décrire et indexer les innombrables ressources du
Web, un peu à l’instar de ce que font les bibliothécaires depuis
longtemps à propos des documents.
Sur
quelles techniques repose ce projet ?
Le chantier
du Semantic Web repose sur un empilement particulièrement
complexe de plusieurs « couches » de langages et d’applications
informatiques, plus ou moins autonomes. Très schématiquement, on peut
relever au moins quatre « couches », constituant autant d’axes de
recherche complémentaires : l’identification, la structuration, la
description et la représentation des ressources.
L’identification précise des ressources : les URI
Pour
pouvoir les décrire, les combiner, les associer et les utiliser, encore
faut-il que chaque ressource électronique (texte, image, son…) soit
identifiée de manière univoque ; c’est l’objet des URI (Uniform
Resource Identifier), sorte d’équivalent numérique de l’ISBN
pour les livres.
Une
structuration logique des ressources : XML
Structuration à la fois homogène et permettant « l’interopérabilité »
(mot-clé essentiel du Web sémantique), c’est la « couche » XML (eXtensible
Markup Language)37. Ce « méta-langage » (car XML n’est
pas un simple langage de description et de codage de documents, comme
HTML ou PDF, mais une sorte de syntaxe informatique universelle) est
fondé sur un principe simple : la distinction entre la structure
physique d’un document (la mise en page, la typographie, etc.) et sa
structure logique (les chapitres, la table des matières…), permettant le
codage et la description logique de n’importe quel type de ressources
(texte, images, données numériques, mathématiques, graphiques…). XML est
actuellement en passe de se généraliser sur le Web et de devenir le
principal format d’échange des documents, et ce de manière transparente
pour l’utilisateur. Avec ce passage de HTML à XML sur le Web, c’est une
nouvelle mutation silencieuse du document électronique qui s’opère sous
nos yeux, que l’on pourrait résumer comme le passage de la forme au
contenu. Les conséquences en seront immenses, même si elles restent
encore difficilement cernables. Et bien que XML ait été développé
indépendamment du Web sémantique38 il en est néanmoins l’un des
fondements techniques.
Une
description complète, structurée et pertinente des ressources : les
métadonnées, le RDF
Les
métadonnées ne sont rien d’autre que des données à propos d’autres
données. Si le principe est très ancien, puisqu’il est à la base du
catalogage et de l’indexation, autrement dit de la description d’un
document, le contexte du Web et du document numérique change évidemment
la donne et on parle de métadonnées à propos de tous les systèmes de
description des ressources (depuis les simples balises Meta d’un
document HTML jusqu’aux systèmes très élaborés de description, comme le
Dublin Core39, la TEI40, l’EAD41…).
Il existe une grande variété de systèmes et de standards de métadonnées
et le Web sémantique, par rapport à cet univers foisonnant et
hétérogène, peut être perçu comme une « surcouche », un cadre général
qui vient se superposer à toutes les normes existantes. L’outil
développé par le W3C pour le Web sémantique s’appelle ici le RDF (Resource
Description Framework) : il s’agit, non d’un nouveau format de
métadonnées, mais d’un métalangage (sorte de méta-métadonnées !),
offrant une syntaxe universelle qui permettra aux machines d’échanger
des informations de métadonnées incompatibles. Sans entrer dans des
explications techniques qui nous dépassent totalement, on peut tenter de
cerner le principe de base du RDF, celui du « triplet » logique. RDF
distingue trois types d’éléments : un sujet, une propriété, un objet, ou
encore une ressource, une propriété, une valeur.
Par exemple, à propos du CNDP et de SavoirsCDI, on pourrait établir deux
triplets, selon ce modèle42 :
- d’une
part, <CNDP><éditeur><SavoirsCDI> : le « sujet » CNDP, en tant qu’il a
pour « propriété » d’être éditeur, publie un « objet », une « valeur »
appelée SavoirsCDI
- d’autre part, <CNDP><statut><établissement Education Nationale> : le
CNDP a, pour sa propriété « statut », la qualité d’être un établissement
de l’Education Nationale.
Le
croisement des deux triplets permettrait à une machine d’inférer que
SavoirsCDI est une publication d’un organisme du MEN, même si SavoirsCDI
n’est pas référencé comme tel. Et lors d’une recherche sur toutes les
publications du ministère de l’Education nationale, on pourrait donc
obtenir la référence de SavoirsCDI, sans le connaître au préalable.
Ce petit exemple illustre assez bien les potentialités du Web sémantique
dans la recherche d’information. Même si ce projet relève encore en
partie du rêve ou de la science-fiction, on peut pressentir qu’il
changera en profondeur la recherche d’information, en introduisant ce
qui manque totalement sur le Web : un système d’indexation portant sur
les concepts, les notions.
Une
représentation partagée d’un domaine de connaissance : les
« ontologies », OWL.
Si la
définition exacte de ce terme, emprunté par l’informatique à la
philosophie43, reste souvent incertaine dans le contexte
informatique, il importe d’en saisir l’objet et les caractéristiques.
Une ontologie informatique est une manière de représenter un domaine
quelconque de connaissance (disciplinaire, thématique ou autre), sous la
forme d’un ensemble de concepts, organisés par des relations
structurantes, dont la principale est la relation « est-un » (« is-a »
pour les anglo-saxons) : par exemple, un document scientifique est un
type de document (il appartient à la catégorie « document »). L’intérêt
des ontologies est à rapprocher de celui des thésaurus, avec lesquels
elles partagent d’ailleurs beaucoup d’aspects : il s’agit d’outils
visant à formaliser un domaine, à permettre à une communauté précise
d’acteurs (qu’il s’agisse de bibliothécaires, de professionnels du
tourisme ou de la santé…) de se mettre d’accord sur une représentation
commune, consensuelle (obtenue évidemment au terme de longs processus de
discussions) de leur champ et des concepts qui le constituent, sur leur
définition et sur les relations entre les notions. Une ontologie est
véritablement une « vue sur le monde », ni vraie ni fausse, mais
opératoire, partagée et, bien sûr, utilisable par les machines. On en
comprend alors la fonction dans le Web sémantique : les ontologies y
jouent le même rôle que les classifications, les thésaurus et autres
langages documentaires dans les bibliothèques. Et ce rôle est essentiel,
puisqu’il s’agit de permettre aux machines d’établir les liens
sémantiques entre différentes ressources.
Si l’on reprend notre exemple de SavoirsCDI, quelle serait la condition
nécessaire pour trouver SavoirsCDI dans une recherche sur toutes les
publications du ministère de l’Education nationale ? Il faudrait une
ontologie, permettant à la machine de valider les inférences mises en
jeu dans les « triplets » évoqués plus haut, du type : « Si le CNDP
est un établissement de l’Education nationale et que le CNDP est
l’éditeur de SavoirsCDI, alors SavoirsCDI appartient à la
catégorie des publications du MEN. »44.
Sur le Web, sémantique ou non, co-existent plusieurs types d’ontologies,
plusieurs outils et formats permettant de les créer, et il semble qu’une
nouvelle étape a été franchie avec la publication récente, par le W3C,
de la Recommandation sur le format OWL (Ontology
Web Language),
qui fournit un nouveau standard permettant d’homogénéiser l’élaboration
de ces ontologies.
De
nouvelles formes de recherche et d’usage de l’information
Rassurons-nous : si les fondements techniques du Web sémantique sont
complexes et guère faciles à appréhender, leur usage sera transparent
pour l’usager. Mais surtout, ils ouvrent la voie à de multiples
applications nouvelles. Dans la recherche d’information, si les
standards RDF et OWL se généralisent sur le Web, de nouveaux moteurs de
recherche permettront bientôt de répondre aussi bien à des requêtes
génériques, du type : « quelles sont les publications de l’Education
nationale consacrées à la documentation ? » qu’à des requêtes beaucoup
plus fines, croisant le contenu de plusieurs documents hétérogènes. La
recherche d’information sortira, enfin !, de la seule recherche
morphologique, par comparaison de chaînes de caractères, pour aborder la
« recherche intelligente » sur les contenus. Le Web sémantique permettra
également de nouvelles possibilités de gestion des contenus par les
gestionnaires de sites, des combinaisons infinies de données provenant
de différentes sources, compatibles entre elles grâce à
« l’interopérabilité » des standards RDF et OWL. Il devrait enrichir
également les « Web Services », existant déjà en informatique
d’entreprise : les « Web services » offrent aux clients une grande
variété de services fonctionnels, fusionnés sur un même système
d’information comme, par exemple, dans le domaine du tourisme, où il est
déjà possible, sur certains sites, de procéder de manière unifiée et
transparente à la réservation d’avion, d’hôtel, de voiture, de visites
guidées, etc.
En bref, le
Web sémantique devrait permettre de surmonter l’hétérogénéité actuelle
des ressources du Web, souvent rédhibitoire pour l’internaute, et
d’intégrer ces ressources sur une même interface, à partir d’outils
simples à utiliser.
Et les documentalistes dans tout cela ?
Nous
l’avions dit en introduction de ce dossier : la recherche d’information
sur Internet est difficile à cerner et les évolutions y sont
particulièrement rapides. Nous n’en avons montré ici que les
principales, en essayant d’en expliquer les principes techniques. Quant
à la question des usages, potentiels ou réels, tant des outils de
recherche que de l’information par les usagers, elle reste largement
ouverte. Pour conclure ce dossier, il nous faut évoquer les conséquences
de ces évolutions pour les documentalistes de CDI.
A nos yeux,
deux questions majeures, déjà posées aujourd’hui, sont appelées à
s’exacerber, à devenir de plus en plus vives, questions auxquelles nous
ne répondrons pas ici mais qu’il semble important de rappeler et de
débattre :
- la
question de la formation des élèves aux outils de recherche :
à quoi les former ? Aujourd’hui, avec des outils de plus en plus simples
à utiliser, demain, avec le Web sémantique qui déchargera les usagers
d’une bonne part du travail de recherche ? A partir du moment où les
procédures techniques de la recherche d’information deviennent
transparentes, où les interfaces de recherche sont intuitives et où
l’usager est pris par la main par l’outil technique, la (vieille)
question du contenu didactique de la formation des élèves se (re)pose
toujours, selon l’alternative suivante : former aux procédures ou aux
principes ? à l’utilisation pratique des outils ou à la compréhension de
leur fonctionnement ? Le problème n’est pas nouveau et se pose
aujourd’hui tous les jours dans les CDI et les bibliothèques : face à
des élèves qui pratiquent tout seul Google (même fort mal), qui
jonglent avec les outils de peer-to-peer pour télécharger des
fichiers MP3, que peuvent apporter les documentalistes (hormis la
sélection et le repérage des sources pertinentes) ? Est-ce qu’il ne faut
pas développer la maîtrise intellectuelle, conceptuelle, des outils, par
exemple expliquer aux élèves les principes élémentaires de
fonctionnement d’un moteur de recherche, ce qui distingue un moteur d’un
métamoteur, la différence entre une banque de données et un annuaire,
etc. ? Face à un univers informationnel chaotique, illimité, confus et
mouvant, il me semble que le rôle principal des professionnels de
l’information est d’essayer d’apporter avant tout de la clarté, du sens
et non de former des as de la procédure. Cela passe par un détour vers
l’abstraction, à décliner et adapter bien évidemment selon les niveaux.
Derrière cette question récurrente de la pédagogie de l’information45
se profile la question des invariants, des principes abstraits,
universels de la recherche et de la gestion de l’information, autrement
dit de cette « culture de l’information » qui se fait toujours attendre
dans l’enseignement.
- La
question de la formation au questionnement et à l’évaluation :
avec les
progrès des outils de recherche et du Web sémantique, qui allègeront les
tâches procédurales de la recherche elle-même, s’opère un double
déplacement des compétences informationnelles nécessaires : en amont et
en aval de la recherche. Autrement dit, les étapes non automatisables de
la recherche documentaire, à savoir d’une part le questionnement du
sujet, l’élaboration de la problématique de recherche, d’autre part le
filtrage, l’évaluation et la sélection de l’information, vont prendre un
nouveau relief, au fur et à mesure des nouveaux progrès de
l’automatisation. Tout le monde voit bien aujourd’hui que la question
centrale, pour les élèves, n’est pas dans l’utilisation des outils de
recherche, mais dans les capacités à identifier et évaluer des documents
fiables et pertinents. Cette question, immense et complexe, de
l’évaluation de l’information dépasse de loin le cadre de cet article,
mais on ne peut pas ne pas souligner le double lien entre les progrès
des outils de recherche et le problème de l’évaluation : si certaines
innovations techniques peuvent indéniablement aider l’usager à mieux
repérer des documents pertinents (cf. par exemple la catégorisation sur
Exalead), si la spécialisation de certains outils peut contribuer
à « assainir » les ressources proposées (en éliminant toutes les scories
des moteurs généralistes), aucun outil, aucune innovation technique ne
pourra remplacer l’usager, seul capable de décider si tel document est
pertinent ou non par rapport à son questionnement. La question de
l’évaluation de l’information, souvent simplifiée et réduite à des
« recettes » techniques, repose en fait sur la part irréductible de
« l’humain » dans les processus informationnels, la dimension socialisée
de l’information, produit d’une interaction entre un document et un
regard humain. Les documentalistes, souvent bousculés par les
innovations techniques qui automatisent leur savoir-faire, gardent (et
garderont longtemps !) ici toute leur importance, leur rôle-clé : celui
d’être des médiateurs de l’information.
INDICATIONS BIBLIO- (et Webo) GRAPHIQUES
- ADBS.
Journée d'étude "Du thésaurus au Web sémantique : les langages
documentaires ont-ils encore un avenir ?", 11 avril 2002, Paris-La
Défense. Document des pré-actes de la Journée.
- ANDRIEU,
Olivier. Revue de presse "Actu Moteurs" [en ligne]. Site Abondance.com.
Disponible sur WWW : <http://www.abondance.com>
- CATELLIN,
Sylvie. Sérendipité, abduction et recherche sur Internet. In Emergences
et continuité dans les recherches en information et communication, Actes
du XIIe Congrès national des SIC, UNESCO (Paris), 10-13 janvier 2001.
Paris : SFSIC, 2001
-
ERTZSCHEID, Olivier, GALLEZOT, Gabriel. Chercher faux et trouver juste,
Sérendipité et recherche d’information. Congrès de la SFSIC, Bucarest,
Juillet 2003. Disponible sur : http://archivesic.ccsd.cnrs.fr/documents/archives0/00/00/06/89/sic_00000689_02/sic_00000689.html
-
FOENIX-RIOU, Béatrice. Recherche et veille sur le Web visible et
invisible. Agents intelligents, Annuaires sélectifs, Interfaces des
grands serveurs, Portails thématiques. Paris : Bases, Ed. TEC&DOC, 2001
- INRIA. La
recherche d'information sur les réseaux. Cours INRIA, 30 septembre - 4
octobre 2002, Le Bono (Morbihan). Paris : ADBS, 2002
- LARDY,
Jean-Pierre. Recherche d'information sur Internet. Méthodes et outils.
7e éd. Paris : ADBS, 2001.
- LAUBLET,
Philippe. Introduction au Web sémantique. Rennes : URFIST, 2004. Support
de formation (sous Power Point) pour un stage URFIST, 26 mai 2004.
- LEFEVRE,
Philippe. La Recherche d'informations. Du texte intégral au thésaurus.
Paris : Hermès, 2000
- LELOUP,
Catherine. Moteurs d'indexation et de recherche. Paris : Eyrolles, 1998
-
LINK-PEZET, Jo. Echo des stages : Exalead. La Lettre de l’URFIST de
Toulouse, n° 33, Disponible sur WWW : <http://www.urfist.cict.fr/lettres/lettre33/lettre33-61.htm>
- REMIZE,
Michel. Recherche et gestion de l’information : convergence vers le
métier documentaire. Archimag, n° 172, mars 2004, p. 44.
- Revue "Netsources".
Paris : Bases Publications
- SERRES,
Alexandre. Sélection de ressources sur les outils de recherche. Rennes :
URFIST de Bretagne-Pays de Loire, 2003. (dernière mise à jour : 23 mars
2004) Disponible sur :
http://www.uhb.fr/urfist/Supports/ApprofMoteurs_Ressources.htm
1 Littéralement, un Weblog est un journal de bord sur le Web. On parle
aussi de "blog", de "joueb" (pour journal Web). Un
Weblog est un journal
personnel, publié sur le Web, comportant des commentaires et des listes
de liens, régulièrement mis à jour, et permettant l’interactivité. Il y
aurait plus de 2 millions de Weblogs, de toutes catégories : journal
intime, carnet de bord, tribune libre politique, forum communautaire,
etc.
Voir l'ABC
du blog : <http://www.pointblog.com/>
2
RSS : « Rich Site Summary », ou « Really Simple Syndication ». Le
RSS est un format informatique permettant la "syndication », ou
l'agrégation, de contenu", c.a.d. la possibilité de publier
automatiquement sur un site Web des informations issues d'un autre site
: dernières nouvelles, articles, nouveautés...
3 Pour des raisons de commodité, je parlerai de RI pour Recherche
d’information et RII pour la Recherche d’information sur Internet.
4 Voir le récent débat virtuel sur ces questions, organisé par la BPI :
<http://debatvirtuel.bpi.fr>
5 ERTZSCHEID, Olivier, GALLEZOT, Gabriel. Chercher faux et trouver juste,
Sérendipité et recherche d’information. Congrès de la SFSIC, Bucarest,
Juillet 2003. Disponible sur : http://archivesic.ccsd.cnrs.fr/documents/archives0/00/00/06/89/sic_00000689_02/sic_00000689.html
- CATELLIN,
Sylvie. Sérendipité, abduction et recherche sur Internet. In Emergences
et continuité dans les recherches en information et communication, Actes
du XIIe Congrès national des SIC, UNESCO (Paris), 10-13 janvier 2001.
Paris : SFSIC, 2001
6
REMIZE, Michel. Recherche et gestion de l’information : convergence vers
le métier documentaire. Archimag, n° 172, mars 2004, p. 44.
7 Citons par exemple le moteur Exalead, les métamoteurs MapStan, SurfWax,
Vivisimo…
8 D’après la Lettre "Actu Moteurs", n° 288. Mai 2004.
9 Sylvie Dalbin, Instruments de recherche sur le Web, in La Recherche
d'information sur les réseaux, cours INRIA 2002. ADBS, 2002, p. 23
10 ENFIN. Tous les annuaires et moteurs de recherche. (Paris) : IDF.net,
1999-2003. Disponible sur WWW : <http://www.enfin.com/> Répertoire
francophone recensant de nombreux annuaires thématiques, généralistes et
spécialisés, des moteurs de recherche, des portails, etc. Accès par
requête et par navigation dans cet annuaire d'outils
11 Internet Search Engine Database. Cleveland (OH) (USA) : ISEDB.com,
2002-2004. Disponible sur : <http://www.isedb.com/> Plus de 1500 outils
de recherche référencés, articles, dossiers, actualités. Accès par
moteur et annuaire.
12
Cf. par exemple Scirus, moteur de recherche spécialisé en sciences
exactes : Scirus - for scientific information Disponible sur : <http://www.scirus.com/>
13
Par exemple In-Extenso.org, moteur de recherche en sciences sociales.
Voir <http://www.in-extenso.org/index.html>
14
Voir par exemple Breizhoo.fr, le moteur de recherche spécialisé sur la
Bretagne. Disponible sur : <http://www.breizhoo.fr/>
15
Voir Francopholistes, l’annuaire des listes de diffusion :
<http://www.francopholistes.com/>
16 Par exemple Profusion, métamoteur spécialisé sur les ressources du Web
invisible. Disponible sur : <http://www.profusion.com>
17 Une brève remarque pédagogique : au plan de la formation des élèves à la
recherche d’information, s’il est important d’expliquer le
fonctionnement des moteurs de recherche, on ne saurait réduire la
formation aux seules techniques de requête et il y aurait ici des
apprentissages multi-disciplinaires intéressants (entre français,
linguistique et documentation) à développer, autour de ces niveaux
d’indexation automatisée, des pièges du langage naturel, et des limites
intrinsèques des moteurs de recherche…
18
Bien que les spécialistes distinguent entre racinisation et
lemmatisation, nous englobons ici sous le terme de lemmatisation tous
les procédés d’« épuration » lexicale.
19 Par exemple, si vous tapez « chevaux » sur Mirago, il ramènera également
les pages contenant « cheval », contrairement à Google, qui ne ramènera
que « chevaux ». Voir : <http://www.mirago.fr/>
20
Voir http://www.exalead.com/cgi/exalead. Exalead équipe également
la plate-forme de recherche d’AOL France : voir : http://www.aol.fr/
21 Par méthodes statistiques, on entend notamment le calcul des
co-occurrences, c.a.d. le nombre de fois où deux termes apparaissent
simultanément dans un texte. Ce type de méthode d’analyse permet
d’établir des cartographies des termes et de leurs relations et de
dégager ainsi la signification principale, les concepts majeurs d’un
texte ou d’un corpus de textes.
22
Voir http://news.google.fr/
23
Voir http://www.ask.com/
24
D’après un travail de comparaison de 7 moteurs de recherche, fait à l’URFIST
de Rennes, ce sont Google, AltaVista et Voilà, qui offrent les
fonctionnalités de recherche les plus nombreuses. Voir : http://www.uhb.fr/urfist/Supports/ApprofMoteurs/ApprofMoteurs_cadre.
25 Comme Kartoo ou Ixquick : voir également le travail de comparaison de 6
métamoteurs que nous avons mené cette année : http://www.uhb.fr/urfist/Supports/ApprofMetamoteurs/ApprofMetamoteurs_cadre.htm
26 Rappelons brièvement leurs principes :
- l’indice
de pertinence permet de classer les documents selon les mots-clés du
document (nombre, emplacement, « poids » des mots-clés…). Fondé sur de
purs calculs statistiques, il a constitué la première méthode (et la
plus utilisée) pour classer les résultats sur les moteurs de recherche.
Il a été fortement bousculé par l’indice de popularité de Google.
- Selon cet
indice de popularité (le fameux PageRank de Google), les pages Web sont
classées, non plus selon leur « pertinence » intrinsèque, mais selon
leur notoriété sur le Web (cad le nombre et le type de liens pointant
vers elles).
27 Voir <http://vivisimo.com/>
28 Pour mieux comprendre la différence entre classification « a priori » et
« a posteriori », on peut prendre l’image des deux méthodes de
classement d’une pile de livres : soit on les classe en fonction des
rubriques d’une classification déjà établie (par exemple la Dewey), soit
on part des livres eux-mêmes et on les regroupe selon leurs véritables
thèmes et leurs ressemblances.
29 Voir <http://www.kartoo.com/>
30 Voir <http://search.mapstan.net/>
31
Voir http://www.surfwax.com . Entre autres fonctionnalités,
SurfWax propose une fonction linguistique tout à fait originale, le
Focus, qui permet de préciser les mots-clés d’une requête, en proposant
pour un terme les termes synonymes, génériques et spécifiques. Ce Focus
se présente comme un véritable thésaurus, un outil d’aide à la
recherche.
32
Google serait-il à la recherche d’information ce que Microsoft est aux
logiciels d’exploitation et d’application ?
33
ERCIM : European Research Consortium for Informatics and
Mathematics
34 C’est le W3C qui a produit et diffusé le standard HTML, le protocole
HTTP, le langage XML, et tous les formats et standards propres au Web.
35 Même si des outils, comme Google ou Teoma, exploitent la structure
hypertextuelle du Web, il ne s’agit toujours que de calculs statistiques
sur des mots-clés, et non d’une véritable prise en compte de la
signification des liens entre sites Web.
36
P. Laublet, Introduction au Web sémantique, support Power Point,
Journée de formation à l’URFIST de Rennes, 26 mai 2004
37
Pour comprendre ce qu’est XML, voir : « Le XML expliqué à vos
enfants ». Archimag, n° 159, novembre 2002
38
Mais également dans le cadre du W3C. Pour un bref historique et
une présentation simplifiée de XML, voir, dans notre support de
formation : « Recherche d’information sur Internet :
approfondissement », la partie sur le Web sémantique et sur XML :
http://www.uhb.fr/urfist/Supports/Rechinfo2/Rechinfo2_cadre.htm
39
Le Dublin Core : système de métadonnées élaboré en 1995 avec la
participation de bibliothécaires, permettant de décrire une grande
variété de ressources sur internet, à partir d’un ensemble de 15
rubriques de description.
40 La TEI (Text Encoding Initiative) permet l’échange de données
textuelles, mais aussi d’images et de sons, et vient des communautés
scientifiques, notamment d’informatique et de linguistique.
41
L’EAD (Encoded Archival Description), conçue en 1993, vient du
monde des archivistes et des bibliothécaires américains et permet de
décrire très finement les fonds d’archives.
42
Exemple emprunté à La Dépêche du GFII, n° 471, 4 mars 2004.
43
L’ontologie, dans son acception philosophique habituelle, signifie
la « science de l’être », portant sur les concepts généraux, tels que la
substance, l’existence, l’essence, ou encore « la partie de la
métaphysique qui étudie les êtres tels qu’ils sont en eux-mêmes, et
relativement à leur cause » (d’après Nouveau vocabulaire des études
philosophiques, S. Auroux et Y. Weil, Hachette, 1975).
44 Exemple emprunté à La Dépêche du GFII, n° 471, 4 mars 2004.
45
Je me permets de citer un texte personnel : Alexandre Serres, La triple
dialectique des contenus de formation à la maîtrise de l’information.
Assises Nationales pour l'éducation à l'information. Paris, 11, 12 mars
2003. [en ligne]. Paris : URFIST, 2003. Disponible sur : http://www.ccr.jussieu.fr/urfist/Assises/Ass-index.htm
juin 2004
|
