Ajouter des synonymes à une requête de veille : jusqu'où le rappel progresse t il vraiment

Élargir une requête de veille par ajout de synonymes est un réflexe naturel face au risque de rappel incomplet : si le terme principal ne couvre pas toutes les formulations employées par les sources, ajouter des variantes et des équivalents semble toujours améliorer la couverture obtenue. Cette intuition est correcte dans son principe, mais elle masque un phénomène de rendement décroissant qui rend l'ajout systématique de synonymes contre productif au-delà d'un certain point.

Ce phénomène se mesure terme par terme : chaque synonyme candidat peut être testé isolément avant intégration définitive à une requête, ce qui permet de documenter son apport réel plutôt que de le présumer sur la seule base d'une proximité sémantique avec le terme principal.

Ce que mesure l'apport marginal d'un terme

L'apport marginal d'un synonyme candidat se définit comme le nombre de documents pertinents que ce terme, ajouté seul à la requête existante, permet de retrouver et qui n'auraient pas été retrouvés par les termes déjà présents. Cette définition exclut volontairement les documents déjà couverts par le terme principal ou par d'autres synonymes déjà intégrés, qui ne constituent pas un gain réel même s'ils apparaissent dans les résultats du nouveau terme testé.

Cette distinction entre document retrouvé et document réellement nouveau est ce qui rend la mesure de l'apport marginal différente d'une simple lecture du volume de résultats obtenus par chaque synonyme pris isolément. Un synonyme peut renvoyer un volume important de résultats tout en apportant un rappel marginal quasi nul, si la quasi-totalité de ces résultats recoupe des documents déjà accessibles par les termes existants de la requête.

L'apport marginal se mesure en confrontant, sur un même échantillon de documents source, les résultats obtenus avec la requête existante seule, puis avec cette même requête augmentée du seul synonyme candidat. La différence entre les deux ensembles de résultats pertinents constitue l'apport propre de ce synonyme, indépendamment de son volume brut de résultats.

Cette mesure suppose de disposer d'un échantillon de documents source suffisamment large et suffisamment représentatif du domaine couvert par la requête, faute de quoi l'apport marginal observé sur cet échantillon risque de ne pas se généraliser au flux réel produit une fois la requête déployée en continu. Un échantillon trop restreint ou trop homogène tend à sous-estimer l'apport de synonymes qui ne deviennent pertinents que face à une diversité de sources plus large que celle testée.

Le rendement décroissant à mesure que la requête s'élargit

Les premiers synonymes ajoutés à une requête composée d'un seul terme principal apportent généralement un rappel marginal élevé : ils couvrent des formulations alternatives réellement distinctes, employées par des sources qui n'utilisent pas le terme principal. Cet apport diminue mécaniquement à mesure que la requête s'enrichit, chaque nouveau synonyme candidat ayant statistiquement plus de chances de recouper un document déjà accessible par un des termes déjà présents.

Ce recouvrement croissant tient à la structure même du vocabulaire : les synonymes d'un terme donné ne sont pas indépendants les uns des autres dans leur usage, ils apparaissent souvent dans les mêmes types de documents, rédigés par des sources aux habitudes lexicales proches. Ajouter un cinquième ou sixième synonyme revient fréquemment à retrouver, par une autre voie lexicale, des documents déjà accessibles par les synonymes précédemment intégrés.

Ce rendement décroissant n'est pas linéaire ni uniforme d'un domaine à l'autre : il dépend de la richesse et de la diversité du vocabulaire employé par les sources couvertes. Un domaine où le vocabulaire est stable et peu diversifié atteint son point de rendement décroissant après peu de synonymes ajoutés, tandis qu'un domaine au vocabulaire plus dispersé continue d'en tirer un apport marginal significatif sur un nombre plus élevé de termes.

Le test d'apport marginal avant intégration définitive

Le test proposé consiste à évaluer l'apport marginal de chaque synonyme candidat avant de l'intégrer définitivement à la requête, plutôt que d'ajouter des synonymes par lot sur la seule base d'une liste de variantes jugées proches du terme principal. Ce test se déroule sur un échantillon représentatif de documents source, suffisamment large pour que la mesure d'apport marginal ne repose pas sur un nombre trop restreint d'occurrences.

Chaque synonyme testé est classé selon son apport marginal observé sur cet échantillon, ce qui permet d'ordonner les candidats du plus utile au moins utile avant intégration, plutôt que de les traiter comme équivalents parce qu'ils partagent une proximité sémantique avec le terme principal. Un synonyme proche sur le plan du sens peut avoir un apport marginal très faible s'il est employé par les mêmes sources que les termes déjà présents.

L'intégration définitive s'arrête au point où l'apport marginal du prochain candidat testé devient trop faible pour justifier le coût de lisibilité que son ajout impose au flux, ce coût étant développé dans la section suivante. Ce point d'arrêt n'est pas un nombre fixe de synonymes, il dépend du rendement observé propre à chaque requête et à chaque domaine couvert.

Cet ordre de priorité entre synonymes candidats reste propre à un instant donné et à un échantillon donné : il n'a pas vocation à être figé une fois pour toutes, un synonyme classé peu utile lors d'un test initial pouvant devenir plus pertinent si le vocabulaire des sources évolue, ou si le périmètre couvert par la requête s'élargit à de nouvelles catégories de sources qui emploient ce terme plus fréquemment que les sources initialement testées.

Le coût de lisibilité d'une requête sur-élargie

Au-delà du point de rendement décroissant, l'ajout de synonymes supplémentaires ne se contente pas de devenir inutile, il devient coûteux pour la lisibilité du flux produit. Chaque synonyme à faible apport marginal ajoute au flux des résultats qui, pour la plupart, recoupent des documents déjà présents sous une autre formulation, ce qui gonfle le volume à examiner sans gonfler la matière réellement nouvelle qu'il contient.

Ce gonflement dilue la part utile du flux dans un volume croissant de résultats redondants ou marginalement pertinents, ce qui alourdit le travail d'examen de quiconque doit parcourir ce flux pour en extraire la matière exploitable. Une requête sur-élargie finit par produire un flux moins lisible qu'une requête plus resserrée, alors même que son rappel théorique reste, sur le papier, légèrement supérieur.

NewsCore, sur www.newscore.fr, mesure l'apport marginal de chaque terme candidat avant intégration et arrête l'élargissement d'une requête au point où ce rendement cesse de justifier le coût de lisibilité qu'il impose au flux.

Distinguer cette question de deux questions voisines

Cette question du rendement décroissant à l'élargissement se distingue nettement de celle du vocabulaire manquant sur une requête trop étroite, qui traite le problème inverse : une requête qui, faute de synonymes suffisants, laisse échapper des documents pertinents faute de couvrir les formulations employées par certaines sources. Les deux questions se répondent par un diagnostic préalable distinct, l'une portant sur un déficit de couverture, l'autre sur un excès.

Elle se distingue également du calibrage d'un seuil de pertinence, qui porte sur le tri des résultats une fois le flux produit, indépendamment de la composition de la requête qui l'a généré. Le rendement décroissant à l'élargissement agit en amont, sur la composition même de la requête, tandis que le seuil de pertinence agit en aval, sur la sélection des résultats obtenus quelle que soit cette composition.

Cette dilution du flux affecte aussi, indirectement, la capacité de quiconque supervise le dispositif à faire évoluer la requête dans le temps : un flux déjà encombré de résultats faiblement pertinents rend plus difficile de repérer si un nouveau terme mériterait d'être ajouté, ou si un terme déjà présent a perdu de sa pertinence, le signal utile étant noyé dans un volume de résultats devenu trop dense pour être examiné avec l'attention qu'un examen de ce type requiert.

Les limites de la mesure

L'apport marginal mesuré sur un échantillon reste une estimation, sensible à la taille et à la représentativité de cet échantillon. Un échantillon trop restreint peut sous-estimer l'apport réel d'un synonyme rare mais pertinent, dont l'utilité n'apparaît que sur des documents peu fréquents dans l'échantillon testé. Un renouvellement périodique de la mesure reste nécessaire, le vocabulaire employé par les sources évoluant dans le temps.

Questions fréquentes

Ajouter un synonyme proche par le sens garantit il un apport marginal élevé ? Non. Un synonyme proche sémantiquement du terme principal peut avoir un apport marginal faible s'il est employé par les mêmes sources et sur les mêmes types de documents, ce qui produit un fort recouvrement avec les résultats déjà obtenus.

Comment savoir où arrêter l'ajout de synonymes ? En mesurant l'apport marginal de chaque candidat sur un échantillon représentatif avant intégration définitive, et en arrêtant l'élargissement au point où cet apport devient trop faible pour justifier le coût de lisibilité que son ajout impose au flux.

Ce rendement décroissant concerne t il aussi une requête trop étroite qui manque de vocabulaire ? Non, cette situation relève d'un problème inverse et distinct, celui d'un déficit de couverture plutôt que d'un excès, qui appelle un diagnostic et une réponse différents de ceux exposés ici.

Le calibrage d'un seuil de pertinence règle t il le même problème que l'apport marginal des synonymes ? Non, le seuil de pertinence agit en aval sur le tri des résultats obtenus, tandis que l'apport marginal des synonymes agit en amont sur la composition de la requête qui produit ces résultats.