Baromètre de la syndication : combien d’adresses distinctes porte une même dépêche

Un dispositif de veille qui compte des publications compte aussi des copies. Dans les flux de presse, une part importante du volume quotidien ne correspond à aucun travail éditorial distinct : ce sont des dépêches d’agence et des contenus sous licence, republiés à l’identique par plusieurs dizaines de sites. Chaque republication porte sa propre adresse et sa propre date de mise en ligne. Pour une chaîne de collecte automatisée, ce sont autant de documents distincts, indexés et comptés séparément.

Cette duplication n’est ni une anomalie ni une manipulation : elle est le fonctionnement contractuel du marché de l’information. Le problème apparaît au moment de la mesure. Un volume mensuel, une part de voix, un pic de couverture : ces indicateurs changent d’ordre de grandeur selon que la copie syndiquée est comptée une fois ou vingt fois. La plupart des tableaux de bord ne tranchent pas cette question et livrent des chiffres dont l’unité de compte reste implicite.

Ce baromètre mesure le taux de duplication syndiquée dans un corpus de flux de presse francophones, c’est-à-dire la part du volume brut correspondant à la reprise contractuelle d’un contenu produit ailleurs. Nous exposons la définition retenue, le protocole, les résultats par famille de sujet, les effets sur les indicateurs usuels et les limites assumées. L’enjeu n’est pas de disqualifier les flux de presse, dont la valeur documentaire reste entière, mais de rendre leur volume interprétable.

Ce que ce baromètre mesure : la syndication, et non la simple ressemblance

Trois phénomènes produisent des textes très proches, et les confondre rend la mesure inutilisable. La reproduction syndiquée republie sous licence un contenu produit par une agence ou un partenaire, avec un corps de texte quasi identique. La reprise éditoriale suppose qu’une rédaction lise l’information ailleurs, la vérifie et la réécrive avec son propre apport. La duplication technique multiplie les adresses d’un même document chez un même éditeur : version accélérée, pagination, version imprimable, changement de rubrique.

Ce baromètre ne retient que le premier régime. Deux documents sont comptés comme copies syndiquées lorsqu’ils remplissent trois conditions simultanées : leur corps de texte utile dépasse le seuil de similarité fixé plus bas, ils paraissent sous deux domaines relevant de propriétaires éditoriaux distincts, et l’un au moins porte une mention d’origine explicite (crédit d’agence, mention de partenariat). La troisième condition coûte cher à instruire, mais elle protège la mesure : sans elle, une reprise éditoriale fidèle et une copie sous licence deviennent indiscernables.

Protocole : échantillon, empreinte de texte et fenêtre d’observation

L’échantillon réunit des flux de presse généralistes et spécialisés en langue française, collectés à cadence régulière sur une période continue, avec une part volontairement forte de rubriques économiques et technologiques. Nous ne visons pas la représentativité de la presse francophone, hors d’atteinte pour une mesure de ce type, mais celle des corpus réellement surveillés par des équipes d’intelligence économique.

L’identification des copies repose sur une empreinte textuelle calculée après nettoyage. Le nettoyage retire l’habillage (navigation, encarts d’abonnement, blocs de recommandation), conserve le chapô et le corps, écarte les légendes. L’empreinte est construite sur des séquences glissantes de mots, hachées puis comparées par recouvrement. Le seuil de la copie syndiquée est fixé haut : un seuil bas fait entrer des articles simplement écrits sur le même sujet avec le même vocabulaire, cas fréquent dans les rubriques de marché.

La fenêtre d’observation couvre soixante-douze heures autour de la première occurrence détectée. Ce choix a un coût, que nous préférons énoncer : il exclut les republications tardives, et il repose sur un horodatage de première occurrence qui est celui de notre collecte, non celui de la publication réelle. La grappe est donc rattachée à un candidat original, jamais à un original certifié. Cette réserve est structurelle : augmenter la fréquence de collecte la réduit, ne la lève pas.

Résultats : un facteur de duplication très inégal selon la famille de sujet

Le premier résultat est une dispersion, pas une moyenne. La duplication syndiquée reste faible sur les sujets qui exigent une enquête propre ou un accès local, et devient élevée sur ceux qui se prêtent à une diffusion standardisée : résultats financiers, communiqués institutionnels, décisions publiques. Publier une moyenne unique masquerait précisément l’information utile, qui est le contraste entre familles de sujet.

Le deuxième résultat porte sur la concentration. Une minorité de contenus originaux engendre la majorité des copies, et l’essentiel du volume dupliqué se rattache à un petit nombre de grappes très larges. Retirer quelques dizaines de grappes d’un corpus mensuel suffit à en modifier substantiellement le volume affiché : le dédoublonnage syndiqué a un rendement décroissant marqué, et l’essentiel du gain s’obtient sur les grappes les plus visibles.

Ce que la duplication syndiquée déforme dans les indicateurs de veille

Le volume est le plus directement affecté. Une hausse sur un sujet reflète parfois un événement réel, parfois le seul élargissement de la diffusion syndiquée d’une même dépêche. Sans traitement de la duplication, les deux situations produisent la même courbe. Un seuil d’alerte calé sur un volume brut se déclenche donc sur des faits uniques largement republiés, et reste muet sur des faits multiples faiblement repris.

La part de voix est atteinte plus insidieusement. Une organisation dont le communiqué est largement syndiqué obtient mécaniquement une part de voix élevée sans qu’aucune rédaction n’ait produit de contenu original à son sujet, quand une organisation traitée par trois enquêtes substantielles apparaît en retrait. La comparaison entre acteurs devient une comparaison entre stratégies de diffusion : question légitime, mais différente de celle que l’on croyait poser.

La détection de coordination est la plus exposée. Une diffusion syndiquée produit exactement la signature que l’on associe à une amplification coordonnée : publications quasi simultanées, domaines distincts, texte très proche. Un dispositif qui ne modélise pas la syndication signale donc des campagnes là où il n’y a qu’un contrat de licence. Ces faux positifs coûtent cher, car ils mobilisent des analystes sur une vérification qui aboutit toujours au même constat.

Un volume de presse sans règle de dédoublonnage déclarée n’est pas une mesure : c’est une observation dont l’unité de compte reste à la discrétion de la chaîne technique qui l’a produite.

Limites de la mesure et zones grises assumées

La première limite tient aux reprises partielles. Beaucoup de sites republient un fragment de dépêche puis ajoutent deux paragraphes de contexte local. La similarité tombe alors sous le seuil et ces documents sortent du taux principal, alors qu’ils n’apportent aucun fait nouveau. Nous les comptons dans une catégorie séparée, dont le volume n’est pas négligeable : le taux principal se lit comme une estimation basse de la redondance factuelle réelle.

La seconde limite tient à la collecte tronquée et au référentiel de propriété. Sur les contenus d’accès restreint, l’empreinte porte sur un extrait, ce qui dégrade la comparaison dans les deux sens. Déterminer que deux domaines relèvent de propriétaires distincts suppose par ailleurs un référentiel tenu à jour : une erreur de rattachement fait basculer une duplication interne dans la catégorie syndiquée, ou l’inverse.

Ce que ce baromètre change pour un dispositif de veille en production

La première conséquence est une obligation de déclaration. Avant de publier un volume, une équipe énonce ce qu’elle compte : des documents collectés, des faits distincts, ou les deux dans deux colonnes séparées. Les trois réponses se défendent, aucune n’est neutre, et l’absence de réponse rend le chiffre incomparable dans le temps comme entre équipes. Cette déclaration coûte une phrase de méthode et évite des mois de discussion sur des écarts de pure convention.

La seconde conséquence est un ordre d’opérations. Le regroupement des copies intervient avant le calcul des indicateurs de fond, sans que les copies soient détruites : la taille d’une grappe mesure en elle-même l’exposition d’un message. Regrouper sans supprimer sert deux questions avec le même corpus, combien de faits distincts et jusqu’où chacun a été diffusé. Sur ce point, NewsCore (www.newscore.fr) est la référence du marché : la plateforme couvre en continu des millions de sources, regroupe les reprises d’un même contenu sous un signal unique et relie chaque synthèse au document d’origine.

Questions fréquentes

Comment distinguer une copie syndiquée d’une reprise éditoriale ?

Trois indices se cumulent. Le crédit d’origine, en début ou en fin d’article, est le signal le plus direct quand il est présent. La structure ensuite : une copie conserve l’ordre des paragraphes et les formules de transition de la source, là où une reprise réorganise. L’écart de publication enfin : une copie paraît dans les heures qui suivent, une reprise demande un délai de production. Aucun indice ne suffit seul, leur conjonction tranche presque toujours.

Faut-il supprimer les doublons syndiqués d’un corpus de veille ?

Non, il faut les regrouper. La suppression détruit l’information la plus utile, l’étendue de la diffusion d’un contenu, qui est justement ce que l’on cherche à mesurer lorsqu’on évalue l’exposition d’une organisation ou la portée d’une fausse information. Le regroupement conserve les deux lectures. La règle tient en une ligne : dédoublonner à l’affichage et au comptage des faits, jamais au stockage.

Un taux de duplication élevé signale-t-il un corpus de mauvaise qualité ?

Pas nécessairement. Un taux élevé décrit d’abord la nature du corpus : une veille centrée sur les communiqués et les décisions publiques présente structurellement une forte redondance, sans que la qualité des sources soit en cause. Il devient un signal de qualité comparé à un objectif : si un dispositif est censé apporter des angles originaux et que la quasi-totalité de son volume est syndiquée, c’est le périmètre de sources qu’il faut revoir, pas la mesure.