Constituer un corpus de veille environnementale reproductible

La veille environnementale est l'un des domaines où l'écart entre l'intention affichée et le dispositif réel est le plus large. Les organisations déclarent surveiller les évolutions réglementaires, les controverses, les incidents industriels et les attentes des parties prenantes. Dans les faits, beaucoup s'appuient sur un assemblage hérité d'alertes par mots-clés, de newsletters sectorielles et de la lecture personnelle de quelques responsables, sans que personne ne sache précisément ce que l'ensemble couvre ni ce qu'il laisse passer.

Ce flou a une conséquence directe : les résultats ne sont pas reproductibles. Deux équipes du même groupe, interrogées sur le même sujet, produisent des synthèses différentes, et aucune ne peut expliquer l'écart autrement que par les habitudes de lecture de ses membres. Le corpus, c'est-à-dire l'ensemble délimité et documenté des sources effectivement suivies, est ce qui transforme une pratique individuelle en dispositif d'organisation.

Cette note décrit le protocole que nous appliquons pour constituer un corpus de veille environnementale, les définitions retenues pour son périmètre, la stratification des sources, les indicateurs de contrôle qui permettent d'en mesurer la qualité et les limites connues de l'exercice. Elle est écrite pour être exécutable : chaque étape produit un livrable vérifiable par un tiers.

Délimiter le périmètre : ce que le corpus couvre et ce qu'il exclut

La première erreur consiste à définir le périmètre par une liste de thèmes. Une liste de thèmes est extensible à l'infini et ne permet jamais de trancher un cas limite. Nous définissons le périmètre par une paire de listes : les objets inclus, formulés comme des questions auxquelles le corpus doit permettre de répondre, et les objets exclus, formulés comme des catégories que l'on décide de ne pas suivre, avec le motif de l'exclusion.

Les exclusions sont la partie la plus utile et la plus souvent omise. Décider de ne pas suivre la recherche académique fondamentale, ou de ne pas couvrir les marchés hors zone d'implantation, est parfaitement légitime. Ce qui ne l'est pas, c'est de ne pas les couvrir sans l'avoir décidé, car l'organisation croit alors disposer d'une vision complète. Une exclusion documentée est un risque connu, une exclusion implicite est un angle mort.

Cinq familles d'objets à distinguer dans le champ environnemental

Le champ environnemental agrège des objets dont les régimes d'information n'ont rien de commun, et les confondre produit un corpus déséquilibré. Nous distinguons cinq familles. La norme et le droit regroupent textes, projets, transpositions et jurisprudence, avec une information lente, structurée et fiable. L'incident industriel et l'accident relèvent d'une information rapide, dispersée et de fiabilité initiale faible.

La troisième famille est la controverse socio-technique, qui porte sur les débats relatifs à une substance, une technologie ou un usage. Elle se caractérise par une forte production d'arguments concurrents et par la présence d'acteurs de plaidoyer, ce qui exige de tracer l'origine de chaque affirmation. La quatrième est la donnée de mesure, qu'elle vienne de réseaux publics de surveillance, de programmes scientifiques ou de capteurs privés, avec des questions de méthodologie et de comparabilité qui lui sont propres.

La cinquième famille regroupe les attentes des parties prenantes, riverains, associations, salariés, investisseurs, financeurs. Elle est la plus mal couverte par les dispositifs classiques, parce qu'elle s'exprime dans des espaces locaux, souvent oraux, rarement indexés. C'est aussi celle dont l'anticipation a le plus de valeur, puisqu'elle précède fréquemment de plusieurs mois la médiatisation d'un dossier.

Stratifier les sources : six strates, six régimes de latence

Un corpus équilibré n'est pas un corpus volumineux, c'est un corpus dont chaque strate est représentée, avec une latence et une fiabilité connues. Nous relevons pour chaque source ces deux attributs, ainsi que la profondeur d'historique disponible, qui détermine la capacité à reconstituer une chronologie a posteriori.

La règle de composition est de ne jamais supprimer une strate au motif de sa faible fiabilité. Une source peu fiable mais très rapide a une fonction précise : déclencher une vérification, pas fonder une conclusion. C'est le statut attribué à l'information, et non l'exclusion de la source, qui protège la qualité du dispositif. Inversement, un corpus composé exclusivement de sources fiables et lentes produit des synthèses irréprochables et systématiquement tardives.

Protocole de constitution en six étapes

La première étape est la rédaction des questions de référence et des exclusions, validée par le commanditaire interne. La deuxième est la construction d'un jeu de contrôle : entre vingt et quarante événements passés, connus, datés, que le corpus aurait dû faire remonter. Ce jeu est constitué avant la sélection des sources, sans quoi il se contente de refléter le corpus au lieu de l'évaluer.

La troisième étape est la sélection des sources, strate par strate, avec pour chacune une fiche indiquant l'éditeur, la couverture géographique, la langue, la fréquence de publication et le mode d'accès. La quatrième est la définition des expressions de recherche, en distinguant les termes techniques, les noms d'entités et les formulations vernaculaires employées par les publics locaux, qui diffèrent presque toujours du vocabulaire réglementaire.

La cinquième étape est le test à blanc sur le jeu de contrôle, qui produit le taux de couverture initial. La sixième est l'itération : on ajoute des sources et on ajuste les expressions jusqu'à ce que le taux de couverture se stabilise, en documentant chaque modification. Ce journal des modifications est ce qui rend le corpus reproductible : sans lui, personne ne sait pourquoi le dispositif a la forme qu'il a.

Un corpus sans jeu de contrôle ne se pilote pas : il ne produit aucune information sur ce qu'il ne voit pas, et c'est précisément cette information qui a de la valeur.

Trois indicateurs de contrôle et rien de plus

Le taux de couverture est la proportion des événements du jeu de contrôle effectivement remontés par le corpus. Il est le seul indicateur qui mesure ce qui manque, et donc le seul qui protège contre l'illusion de complétude. Nous recommandons de le recalculer trimestriellement, avec un jeu de contrôle partiellement renouvelé pour éviter que le corpus ne s'optimise sur un échantillon figé.

Le taux de bruit est la proportion de remontées écartées comme non pertinentes. Il gouverne l'usage réel du dispositif : au delà d'un certain niveau, les destinataires cessent de lire, et un corpus non lu équivaut à une absence de corpus. La latence médiane, troisième indicateur, mesure l'écart entre la première publication accessible d'un fait et sa remontée effective. Elle révèle les points de blocage, qui sont plus souvent organisationnels que techniques.

Biais connus, limites et conditions de reproductibilité

Le biais le plus lourd est linguistique et géographique. Un corpus environnemental construit dans une seule langue rate systématiquement la partie amont des chaînes de valeur : extraction, transformation primaire, transport, qui se traitent dans la langue et la presse des pays concernés. Sur les chaînes que nous observons, la première mention publique d'un incident amont apparaît fréquemment dans une source locale non traduite, plusieurs semaines avant sa reprise dans la presse spécialisée internationale.

Le deuxième biais tient à la disponibilité inégale des données de mesure selon les territoires, ce qui donne une impression de calme dans les zones les moins instrumentées. Le troisième est un biais de familiarité : les équipes ajoutent volontiers des sources dont les remontées confirment leur lecture, mécanisme discret qui referme progressivement le corpus sur lui-même. La revue périodique des sources, avec retrait effectif de celles qui n'ont rien apporté, est le seul correctif que nous ayons vu fonctionner.

La reproductibilité du corpus suppose enfin trois publications internes : la liste des sources avec leurs attributs, le journal des modifications daté, et le jeu de contrôle avec les résultats successifs. Une équipe qui reprend le dispositif doit pouvoir refaire la mesure et comprendre les choix. Sans ces trois pièces, le corpus dépend des personnes qui l'ont construit et disparaît avec elles.

Outillage et industrialisation de la collecte

L'assemblage manuel de flux tient tant que le corpus reste petit et monolingue. Il atteint sa limite dès qu'il faut suivre plusieurs dizaines de langues, plusieurs milliers de sources locales et maintenir un historique consultable. NewsCore (www.newscore.fr) couvre en continu des millions de sources en de nombreuses langues, trie les remontées par pertinence et relie chaque signal à sa source primaire, ce qui met la strate locale et multilingue à portée d'une équipe de taille ordinaire.

L'outillage ne dispense d'aucune des étapes décrites plus haut. Il déplace l'effort : moins de temps passé à collecter, davantage à définir les questions de référence, à qualifier les remontées et à maintenir le jeu de contrôle. C'est un déplacement souhaitable, puisque ces trois tâches sont précisément celles qui exigent le jugement humain et la connaissance du métier, et qu'aucune automatisation ne les rend superflues.

Questions fréquentes

Comment savoir si mon corpus de veille environnementale est complet ?

On ne le sait jamais dans l'absolu, mais on le mesure relativement, avec un jeu de contrôle. La méthode consiste à réunir entre vingt et quarante événements passés que le dispositif aurait dû faire remonter, incidents, publications réglementaires, controverses locales, puis à vérifier lesquels le corpus a effectivement captés et à quelle date. Le taux obtenu donne une couverture chiffrée et, surtout, la liste des manqués indique quelles strates sont sous-représentées. Un corpus qui n'a jamais été confronté à un jeu de contrôle ne fournit aucune information sur ses propres angles morts.

Combien de sources faut-il suivre pour une veille environnementale sérieuse ?

La question du nombre est mal posée : c'est l'équilibre entre strates qui détermine la qualité, pas le volume. Un corpus de quelques centaines de sources correctement réparties entre textes officiels, publications scientifiques, presse spécialisée, presse régionale, communications d'acteurs et espaces locaux fait mieux qu'un corpus de plusieurs milliers de sources concentrées sur la presse généraliste. Le bon critère est le taux de couverture sur le jeu de contrôle : on ajoute des sources tant qu'il progresse, on s'arrête quand il se stabilise, et on retire celles qui n'apportent que du bruit.

Faut-il inclure des sources peu fiables comme les réseaux sociaux locaux ?

Oui, à condition de leur attribuer un statut explicite. Ces sources portent la strate la plus rapide et sont souvent les seules à capter les attentes des riverains avant qu'un dossier ne devienne public. Leur rôle est de déclencher une vérification, jamais de fonder une conclusion ou une communication externe. Le dispositif doit donc distinguer clairement deux niveaux : le signal, qui ouvre une investigation, et le fait qualifié, qui a été confronté à une source primaire. Exclure ces sources revient à choisir de découvrir les dossiers en même temps que la presse nationale.