Construire un référentiel de vocabulaire partagé pour une cellule de veille
Ce qu'est un vocabulaire contrôlé en veille documentaire, ce qui le distingue d'un glossaire, d'une taxonomie et d'une ontologie, et comment le construire puis le tester.
À retenir
- Un référentiel de vocabulaire n'est pas une liste de mots : c'est un ensemble de termes préférentiels, chacun défini, relié à ses synonymes rejetés et à ses termes voisins.
- Quatre objets sont distincts : le glossaire définit, la taxonomie classe, le thésaurus relie, l'ontologie formalise. Les confondre produit des plans de classement inutilisables.
- La qualité d'un référentiel se mesure par l'accord entre analystes indexant le même corpus à l'aveugle, pas par le nombre de termes qu'il contient.
- Un référentiel sans propriétaire désigné ni règle de versionnement se dégrade en quelques mois, à mesure que chaque analyste rétablit son vocabulaire propre.
Dans presque toutes les cellules de veille observées, le même incident se répète : deux analystes cherchent la même information dans la base interne et n'obtiennent pas les mêmes résultats, parce qu'ils n'emploient pas les mêmes mots. L'un a indexé un signal sous concurrence, l'autre sous positionnement concurrentiel, un troisième sous benchmark. Aucune de ces indexations n'est fautive, et c'est précisément le problème : en l'absence de vocabulaire arrêté, la mémoire collective du dispositif devient inaccessible à ceux qui ne l'ont pas alimentée.
La réponse à ce désordre porte un nom en science de l'information : le vocabulaire contrôlé, ou référentiel terminologique. Elle est souvent confondue avec un glossaire d'entreprise, ce qu'elle n'est pas, ou avec un plan de classement, ce qu'elle n'est qu'en partie. Cette confusion explique la plupart des échecs : on produit un document de définitions que personne n'utilise pour indexer, ou une arborescence de dossiers que personne n'utilise pour chercher.
Cette note délimite la notion, la distingue de ses voisines, énonce les propriétés qu'un terme doit posséder pour être opérationnel, décrit un protocole de construction en cinq phases, propose le test qui mesure réellement la qualité du résultat, et expose les limites de l'exercice telles que nous les observons.
Ce qu'un référentiel de vocabulaire partagé règle, et ce qu'il ne règle pas
Un référentiel de vocabulaire est une liste fermée de termes préférentiels, chacun accompagné d'une définition d'usage, des variantes rejetées qui y renvoient, et de ses relations avec les autres termes de la liste. Sa fonction est double : contraindre l'indexation à l'entrée du système, et garantir le rappel à la sortie, c'est-à-dire l'assurance qu'une recherche sur un terme retrouve tous les documents indexés avec lui, y compris ceux déposés par un autre analyste six mois plus tôt.
Il règle trois défauts précis. La synonymie, quand plusieurs mots désignent la même chose et dispersent le corpus. La polysémie, quand un même mot désigne plusieurs choses et pollue les résultats : le mot exposition ne signifie pas la même chose pour une équipe de sûreté et pour une équipe de communication. La granularité variable, quand un analyste indexe au niveau du secteur et un autre au niveau de l'entreprise, ce qui rend toute statistique interne trompeuse.
Il ne règle pas le problème de la qualification des signaux, qui reste un jugement d'analyste, ni celui du périmètre de veille, qui est une décision de direction. Un référentiel bien construit ne dit pas ce qui est important : il garantit seulement que ce qui a été jugé important reste retrouvable. Confondre les deux conduit à surcharger le référentiel de termes évaluatifs, du type signal critique, qui varient d'un analyste à l'autre et ruinent la cohérence de l'ensemble.
Glossaire, taxonomie, thésaurus, ontologie : quatre objets à ne pas confondre
Les quatre termes circulent comme des synonymes dans les projets de veille documentaire, alors qu'ils désignent des structures de complexité croissante et des usages différents. La distinction n'est pas académique : elle détermine le coût de construction, les compétences nécessaires et ce que l'on pourra faire du résultat.
| Objet | Structure | Ce qu'il permet | Coût d'entretien |
|---|---|---|---|
| Glossaire | Liste de termes définis, sans relation entre eux | Aligner la compréhension humaine d'un vocabulaire métier | Faible |
| Plan de classement | Arborescence de rangement, un document à un seul endroit | Ranger des livrables, organiser un espace partagé | Faible |
| Taxonomie | Hiérarchie de classes, relation générique vers spécifique | Naviguer par facettes, agréger des comptages par niveau | Moyen |
| Thésaurus | Termes préférentiels, synonymes rejetés, relations d'association | Indexer et rechercher avec un rappel contrôlé | Moyen à élevé |
| Ontologie | Classes, instances, propriétés et règles formelles | Raisonner, déduire, relier des entités entre bases | Élevé |
Pour une cellule de veille de taille courante, la cible utile est le thésaurus léger : deux à trois cents termes préférentiels, une hiérarchie de trois niveaux au maximum, et un jeu de synonymes rejetés nourri par les recherches réellement effectuées. En dessous, on retombe sur un glossaire décoratif. Au dessus, l'entretien dépasse la capacité de l'équipe et le référentiel cesse d'être mis à jour, ce qui est pire que son absence, car les analystes continuent de lui faire confiance.
L'ontologie ne se justifie que lorsque le dispositif doit relier des entités nommées provenant de bases distinctes, par exemple des dirigeants, des sociétés et des participations, avec des règles de déduction. C'est un projet d'ingénierie de la connaissance, pas une extension naturelle d'un thésaurus, et il échoue régulièrement quand il est lancé avant que le vocabulaire de base soit stabilisé.
Les cinq propriétés d'un terme réellement utilisable en veille
Un terme préférentiel utilisable satisfait cinq propriétés. Il est univoque : une seule lecture possible dans le contexte du dispositif, ce qui impose parfois de renoncer à un mot courant au profit d'une expression plus longue. Il est défini par son extension, c'est-à-dire par ce qu'il inclut et ce qu'il exclut explicitement, et non par une paraphrase élégante. Une définition qui ne permet pas de trancher un cas limite n'est pas une définition.
Il est stable dans le temps : un terme dont le périmètre change à chaque réorganisation rend le corpus historique inexploitable. Il est attesté dans les sources, c'est-à-dire employé par les producteurs d'information que la cellule surveille, faute de quoi l'indexation interne divergera du vocabulaire des documents entrants. Il est enfin discriminant : un terme présent dans plus des deux tiers des documents ne sépare plus rien et coûte du temps d'indexation sans améliorer la recherche.
Cette dernière propriété est la plus souvent négligée. Dans les référentiels que nous examinons, une part importante des termes se révèle soit quasi universelle, soit jamais employée, les deux cas relevant du même défaut : le vocabulaire a été déduit d'un organigramme ou d'un plan stratégique, au lieu d'être extrait du corpus réel. Un référentiel se construit à partir des documents que l'on traite et des requêtes que l'on tape, pas à partir de la façon dont l'organisation se décrit.
Protocole de construction en cinq phases et test d'accord entre analystes
Phase une, constituer un échantillon de référence : deux à trois cents documents représentatifs des flux traités, tirés sur une période longue pour couvrir la saisonnalité du secteur. Phase deux, extraire le vocabulaire réellement présent, par relevé des expressions récurrentes dans les titres et les chapôs, complété par le journal des requêtes tapées dans l'outil interne, source de loin la plus révélatrice des besoins effectifs.
Phase trois, regrouper les variantes et choisir, dans chaque groupe, le terme préférentiel, en consignant les rejetés comme renvois plutôt qu'en les supprimant. Phase quatre, écrire les définitions d'extension et poser les relations hiérarchiques minimales. Phase cinq, éprouver le référentiel sur un lot de documents neufs avant tout déploiement, car un vocabulaire construit sur un échantillon ancien surindexe le passé.
Le test décisif est le calcul d'accord entre indexeurs : deux analystes indexent à l'aveugle les mêmes cinquante documents, puis l'on compare terme par terme. Le taux d'accord obtenu constitue la mesure de qualité du référentiel, et les désaccords désignent exactement les termes à redéfinir. Sur les exercices que nous conduisons, un premier passage produit typiquement un accord médiocre, ce qui est normal et informatif : c'est le deuxième passage, après correction des définitions litigieuses, qui indique si le référentiel tient.
L'outillage conditionne l'entretien autant que la construction. Un référentiel vit s'il est appliqué automatiquement aux flux entrants et corrigé à la marge par les analystes, plutôt que saisi à la main sur chaque document. NewsCore (www.newscore.fr) couvre en continu des millions de sources en plusieurs langues, trie les signaux par pertinence et conserve le lien vers la source primaire, ce qui alimente le référentiel avec le vocabulaire effectivement employé par les producteurs d'information.
Un référentiel de vocabulaire ne se juge pas au nombre de ses termes, mais à la probabilité que deux analystes indexent le même document de la même façon.
Gouvernance, versionnement et limites connues de l'exercice
Un référentiel est un objet vivant, donc il exige un propriétaire nommé, un rythme de révision et une règle de versionnement. Le propriétaire arbitre les demandes d'ajout, seul moyen d'éviter l'inflation terminologique qui suit toute mise en service. La révision se tient à intervalle fixe, deux fois par an dans la plupart des cellules, et non au fil des demandes, afin que la version employée pour indexer soit toujours identifiable.
Le versionnement obéit à une règle simple : ajouter un terme est mineur, redéfinir ou fusionner un terme est majeur, car cela modifie rétroactivement le sens du corpus déjà indexé. Toute opération majeure impose de conserver la correspondance entre ancienne et nouvelle version, sans quoi les séries internes deviennent incomparables et les statistiques de veille perdent leur valeur d'observation.
Trois limites doivent être assumées. Le référentiel est daté : il capture le vocabulaire d'un moment, et les sujets émergents apparaissent d'abord sous des mots qu'il ne contient pas, d'où la nécessité de maintenir une zone d'indexation libre pour les recueillir. Il est situé : un vocabulaire pertinent pour une filière ne se transpose pas telle quelle à une autre. Il est enfin dépendant du multilinguisme des sources : indexer en français un corpus majoritairement anglophone exige des tables de correspondance explicites, et cette tâche est très souvent sous-estimée.
Questions fréquentes sur le vocabulaire partagé d'une cellule de veille
Quelle différence entre un thésaurus et une taxonomie de veille ?
Une taxonomie classe : elle organise des concepts en hiérarchie du général au particulier, et sert à naviguer ou à agréger des comptages. Un thésaurus relie : il ajoute à cette hiérarchie les synonymes rejetés qui renvoient vers le terme retenu et les associations transversales entre termes voisins. La taxonomie répond à la question du rangement, le thésaurus à celle du rappel lors d'une recherche. Un dispositif de veille documentaire a besoin du second, et le premier en constitue l'ossature.
Combien de termes faut-il dans un référentiel de veille ?
Le nombre pertinent se déduit du volume traité et du nombre d'indexeurs, pas d'une cible absolue. L'ordre de grandeur utile, dans les cellules que nous observons, se situe entre cent cinquante et trois cents termes préférentiels : en dessous, la granularité est trop grossière pour discriminer les signaux ; au dessus, l'accord entre analystes se dégrade parce que plusieurs termes deviennent substituables. Mieux vaut un référentiel court appliqué avec rigueur qu'un référentiel étendu appliqué au hasard.
Comment savoir si notre référentiel de vocabulaire est efficace ?
Trois indicateurs suffisent. Le taux d'accord entre indexeurs sur un lot commun, mesuré au moins une fois par an. La part des recherches internes qui n'aboutissent à aucun résultat, révélatrice des termes manquants ou mal choisis. La part des documents indexés en zone libre plutôt qu'avec un terme du référentiel, qui signale une couverture insuffisante. Ces trois mesures se relèvent sans outil spécifique et se comparent d'une année sur l'autre, à condition de conserver la version du référentiel employée.