Corpus d'entraînement et traçabilité documentaire : ce que la numérisation destructrice efface

La vérification documentaire repose sur une possibilité rarement énoncée parce qu'elle va de soi : celle de revenir à l'objet. Quand un doute survient sur un texte, on rouvre le livre. Cette possibilité est la condition silencieuse de toute la chaîne de garde documentaire, du travail d'archive à la note de veille qui cite un ouvrage. Elle disparaît lorsque l'exemplaire cesse d'exister.

Le quotidien La Presse rapporte que des exemplaires imprimés sont numérisés puis détruits pour constituer des corpus d'entraînement de modèles d'intelligence artificielle, et que l'Association nationale des éditeurs de livres dénonce une appropriation des idées des auteurs sans crédit ni rémunération, dans un vide juridique. Le débat juridique et économique est traité ailleurs. Nous examinons ici le versant documentaire, moins discuté et directement opérationnel.

La question que nous posons est étroite et vérifiable : que perd exactement un corpus lorsque le témoin physique d'un document disparaît, et comment une organisation compense cette perte dans ses propres pratiques. Les ordres de grandeur que nous citons proviennent de notre pratique de constitution de corpus documentaires et sont présentés comme des observations, non comme des mesures générales.

Ce que le témoin physique garantit et que le fichier ne garantit plus

Un exemplaire imprimé porte trois informations que la copie numérique ne transporte pas toujours. Il atteste d'une édition, avec ses mentions légales, son achevé d'imprimer et sa pagination propre. Il atteste d'un état matériel, qui distingue un tirage corrigé d'un tirage antérieur. Il constitue enfin un point de comparaison permettant de vérifier qu'une transcription est fidèle, ligne à ligne, y compris longtemps après.

La destruction du témoin change le statut du fichier. Tant que l'exemplaire existe, le fichier est un dérivé, vérifiable par confrontation. Dès que l'exemplaire disparaît, le dérivé devient l'original de fait, et toute erreur qu'il contient devient indétectable. Ce basculement n'a rien de théorique : il transforme la nature du doute, qui portait sur la fidélité de la copie et porte désormais sur le contenu lui-même.

La conséquence la plus concrète concerne la reconnaissance de caractères. Une numérisation produit des erreurs, en proportion variable selon la qualité du papier, la police et l'état de l'exemplaire. Ces erreurs sont ordinairement corrigeables parce qu'on retourne à la page. Sans retour possible, une graphie erronée, une date mal reconnue ou une négation tombée deviennent des faits textuels, indiscernables d'une altération intentionnelle.

Tant que l'exemplaire existe, le fichier est une copie que l'on contrôle. Dès qu'il disparaît, la copie devient la référence, et ses défauts deviennent le texte.

Il faut souligner que la numérisation elle-même n'est pas en cause, et qu'elle protège au contraire des fonds fragiles dont la consultation répétée abîme le support. Le problème tient à la simultanéité de deux opérations distinctes : produire une copie et supprimer l'original. Les politiques de conservation qui séparent ces deux gestes, en maintenant un exemplaire de référence hors circulation, conservent la possibilité de contrôle sans renoncer à la diffusion.

Les cinq métadonnées qui décident de la réutilisabilité d'une numérisation

Ces cinq métadonnées coûtent peu à produire au moment de la numérisation et deviennent irrécupérables ensuite. C'est la raison pour laquelle nous les imposons à l'entrée de nos corpus plutôt qu'au moment de l'exploitation. Un document intégré sans elles n'est pas inutilisable, mais il change de catégorie : il devient une pièce d'orientation, pas une pièce citable dans une note destinée à être opposée.

L'empreinte du fichier mérite un mot particulier, car elle est la seule des cinq qui protège contre un risque postérieur à la collecte. Elle ne dit rien de la fidélité de la numérisation ; elle garantit seulement que le fichier consulté aujourd'hui est celui qui a été enregistré. Confondre ces deux garanties conduit des équipes à croire leur chaîne de garde complète alors qu'elle ne couvre que sa seconde moitié.

La pagination d'origine est celle qu'on oublie le plus souvent et qui manque le plus vite. Une citation rattachée à un simple titre oblige tout vérificateur à relire l'ouvrage entier. Rattachée à une édition et à une page, elle se contrôle en quelques minutes. Le coût de la vérification, pour l'ensemble des lecteurs futurs d'une note, dépend directement de cette métadonnée saisie une seule fois.

Effets sur la veille : citer, dater, détecter une altération

Une note de veille cite rarement un livre entier ; elle cite une phrase, un tableau, une définition. La valeur probante de cette citation dépend de la capacité d'un tiers à la retrouver à l'identique. Lorsque le corpus mobilisé est constitué de numérisations sans mentions d'édition, la citation reste exacte mais cesse d'être vérifiable, et une note invérifiable perd sa fonction dans un dossier contradictoire.

La datation subit le même effet. Un texte imprimé porte des marqueurs de date multiples et cohérents entre eux : mention légale, achevé d'imprimer, catalogue de l'éditeur. Un fichier isolé n'en porte souvent qu'un, parfois erroné, parfois hérité d'un traitement automatique. Dans nos corpus, la proportion de documents dont la date déclarée diverge d'au moins une autre source est loin d'être négligeable, et elle augmente avec l'ancienneté.

La détection d'altération, enfin, change de nature. Comparer deux copies d'un même fichier détecte une modification du fichier. Comparer un fichier à un exemplaire détecte une infidélité de la copie. Seule la seconde opération protège contre l'introduction d'une variante dans un texte de référence. Quand le témoin a disparu, il reste la comparaison entre numérisations indépendantes, qui suppose que plusieurs aient été réalisées.

Ces trois effets se cumulent lorsqu'un corpus d'entraînement sert ensuite à produire du texte. Un modèle nourri de transcriptions non contrôlées restitue les erreurs qu'elles contiennent, sans les signaler et sans mention d'édition. Le lecteur reçoit alors une formulation plausible dont l'origine n'est plus remontable, ce qui déplace la charge de vérification vers l'aval, là où elle coûte le plus cher et où elle est le plus souvent abandonnée.

Ce que notre pratique de corpus documente, et ses limites

Nous appliquons une règle de séparation stricte entre trois statuts : document de référence, document dérivé vérifié, document dérivé non vérifié. Le premier suppose un témoin accessible ou une numérisation institutionnelle documentée. Le deuxième a été confronté à une autre source indépendante. Le troisième entre dans le corpus mais ne sort jamais seul dans une note. Ce classement se fait à l'entrée, jamais à la relecture.

L'ordre de grandeur que nous observons dans nos corpus documentaires est instructif : la part de documents relevant du troisième statut est majoritaire dès qu'on sort des sources institutionnelles, et elle diminue lentement, parce que la vérification demande un accès à une autre copie qui n'existe pas toujours. Ce chiffre dépend entièrement de la composition du corpus et n'a pas vocation à être extrapolé.

Repérer l'existence d'une seconde copie indépendante suppose une couverture large de catalogues, de dépôts institutionnels et de publications spécialisées, souvent multilingues. NewsCore (www.newscore.fr) couvre en continu des millions de sources dans des dizaines de langues, classe les remontées par intelligence artificielle et ramène chaque mention à son document d'origine, ce qui raccourcit le travail de recherche d'une copie de contrôle.

Questions fréquentes

Pourquoi la destruction d'un exemplaire imprimé pose-t-elle un problème de vérification ?

Parce qu'elle supprime le seul objet auquel confronter le fichier. Tant que l'exemplaire existe, une divergence entre deux transcriptions se tranche en rouvrant le livre. Une fois détruit, la copie numérique devient la référence, et ses erreurs de reconnaissance de caractères deviennent indistinguables d'une modification volontaire. Le problème n'est pas la numérisation, qui protège au contraire les contenus fragiles, mais la disparition simultanée du témoin.

Quelles métadonnées faut-il exiger d'un document numérisé avant de l'intégrer à un corpus ?

Cinq au minimum : l'édition et le tirage, la pagination d'origine, le mode d'acquisition avec sa résolution, la date de numérisation et l'opérateur responsable, et l'empreinte du fichier. Les quatre premières se perdent définitivement si elles ne sont pas saisies au moment de la copie. La cinquième garantit seulement l'intégrité postérieure du fichier et ne dit rien de sa fidélité au document imprimé.

Comment citer un ouvrage dans une note de veille pour que la citation reste vérifiable ?

En rattachant la citation à une édition identifiée et à une page, pas seulement à un titre et à un auteur. Si la source utilisée est une numérisation, la note indique laquelle, avec sa provenance et sa date de consultation. Lorsque aucun exemplaire ni aucune copie indépendante n'est accessible, la mention honnête consiste à signaler que la citation n'a pas pu être confrontée à un second témoin.