Douze mois plus tard, l’adresse pointe-t-elle encore vers le même contenu ?
Jeu de données sur douze mois de réobservation mensuelle : quelle part des adresses citées en veille désigne encore, un an plus tard, le même contenu.
À retenir
- Les adresses éteintes ne forment qu’une minorité de l’instabilité observée : l’essentiel des ruptures répond avec un code de succès et franchit tous les contrôles automatiques de liens.
- La redirection ne garantit rien : une part conduit au document équivalent, une autre à une page générique qui ne contient plus le fait cité.
- L’instabilité arrive par vagues, refontes de site et migrations de plateforme, et non par érosion régulière, ce qui interdit d’extrapoler un taux mensuel moyen.
- Une citation défendable associe l’adresse, la date de consultation, le titre affiché, l’éditeur et une empreinte du texte retenu : ces éléments sont irrécupérables après coup.
Un dispositif de veille conserve rarement les documents qu’il traite : il conserve leurs adresses. Le lien noté dans une fiche signal, cité dans une note remise à un décideur ou stocké dans une base de connaissance tient lieu de preuve, d’identifiant et de moyen d’accès à la fois. Trois fonctions reposent sur une même chaîne de caractères, dont personne ne vérifie qu’elle reste fidèle.
Ce jeu de données porte sur cette fidélité. Nous avons suivi, mois après mois pendant douze mois, une cohorte d’adresses issues d’un corpus de veille réel, en réinterrogeant chacune d’elles et en comparant le résultat à celui du premier passage. La question posée n’est pas de savoir combien d’adresses meurent : c’est de savoir combien continuent de désigner la même chose.
La distinction n’a rien de théorique. Une adresse morte se signale d’elle-même et déclenche une réaction. Une adresse vivante qui a changé de contenu ne se signale pas : elle continue d’être citée, ouverte et considérée comme une preuve, alors qu’elle ne prouve plus ce pour quoi elle avait été retenue. Nous publions ici la méthode, les états observés et les limites de la mesure.
Mesurer la stabilité d’un couple adresse et contenu, plutôt que la survie d’une page
La mortalité des adresses est une mesure connue : on compte celles qui ne répondent plus. Elle est insuffisante parce qu’elle prend le serveur pour juge. Une adresse qui répond avec un code de succès est comptée vivante, qu’elle renvoie le document attendu, une page d’accueil, un mur d’abonnement ou un article réécrit depuis la collecte.
Nous mesurons autre chose : la persistance du couple formé par une adresse et le contenu qu’elle désignait à la date de collecte. Une adresse est dite stable si, douze mois plus tard, elle renvoie un document que deux analystes reconnaissent comme le même texte, aux corrections mineures près. Tout le reste, redirection, substitution, réécriture, restriction d’accès, relève de l’instabilité, même quand la page s’ouvre normalement.
Ce déplacement de définition change l’ordre de grandeur du résultat. Il déplace aussi la responsabilité de la mesure : une équipe qui suit la mortalité observe ce que ses sources détruisent, une équipe qui suit la stabilité observe ce sur quoi ses propres livrables reposent encore.
Méthode : constitution de la cohorte, cadence de réobservation et règle de comparaison
La cohorte réunit des adresses effectivement citées dans des produits de veille livrés, et non des adresses collectées puis abandonnées : le périmètre retenu est celui des liens qui engagent une équipe. Elle est stratifiée par type d’éditeur, presse généraliste, presse professionnelle, sites institutionnels, publications d’entreprise, plateformes de partage et documents déposés, afin qu’aucune famille ne domine le résultat global.
Chaque adresse est réinterrogée une fois par mois, à date fixe, depuis un environnement stable, sans session authentifiée et sans profil de navigation, puis archivée sous forme de texte extrait et d’empreinte. La cadence mensuelle est un compromis assumé : elle date un changement à trente jours près et manque les modifications corrigées entre deux passages.
La comparaison se fait en deux temps. Une comparaison automatique d’empreintes écarte les cas identiques et signale les écarts ; les écarts non triviaux passent en lecture humaine, parce qu’une variation de bandeau ou de bloc de recommandation produit un écart technique sans changement de contenu. Le seuil retenu, la convention de nettoyage et la liste des éléments ignorés accompagnent le jeu de données.
Résultats : cinq états d’une adresse au bout de douze mois
| État au douzième mois | Ce que renvoie le serveur | Ce que devient la note citante | Détectable sans réobservation |
|---|---|---|---|
| Adresse stable | Le document collecté | Citation vérifiable | Sans objet |
| Contenu modifié à adresse constante | Un code de succès | Citation exacte introuvable | Non |
| Redirection vers un équivalent | Une autre adresse, même document | Citation vérifiable après contrôle | Partiellement |
| Redirection vers une page générique | Une autre adresse, autre document | Citation orpheline | Non |
| Adresse éteinte | Une erreur ou un délai d’attente | Lien mort, signalé comme tel | Oui |
Le premier enseignement porte sur la répartition entre ces états. Les adresses éteintes, seules comptées par une mesure de mortalité classique, forment une minorité de l’instabilité totale. L’essentiel se loge dans les états intermédiaires, redirections et modifications silencieuses, qui répondent tous avec un code de succès et n’apparaissent donc dans aucun contrôle automatique de liens.
Le second enseignement porte sur le calendrier. L’instabilité ne se répartit pas uniformément sur les douze mois : elle se concentre par vagues : refontes de sites, migrations de plateforme, purges d’archives. Une source stable pendant onze mois bascule intégralement en un seul passage. Cette structure par paliers, plutôt que par érosion continue, interdit d’extrapoler un taux mensuel moyen sur une durée plus longue.
La redirection, faux ami de la stabilité des adresses
La redirection passe pour la bonne pratique : l’ancienne adresse continue de fonctionner et conduit à la nouvelle. Dans une cohorte suivie, elle se révèle plus ambiguë. Une partie mène au document équivalent, ce qui préserve la citation. Une autre mène à la rubrique parente, à la page d’accueil ou à un formulaire d’abonnement, sans annoncer que la destination a changé de nature.
Ce second cas, souvent appelé redirection molle, produit l’erreur la plus coûteuse pour un dispositif de veille : le contrôle automatique de liens conclut que tout va bien. Le lecteur qui ouvre la note un an plus tard atterrit sur une page qui existe, qui appartient bien à l’éditeur cité et qui ne contient pas le fait invoqué. Il en déduit rarement que l’adresse a bougé ; il en déduit d’abord que la citation était fausse.
Un troisième cas mérite d’être isolé : la redirection en chaîne, où l’adresse initiale conduit à une deuxième, elle-même redirigée vers une troisième. Chaque maillon ajoute un point de rupture futur et rend la datation impossible : plus rien n’indique à quelle étape le contenu a été remplacé. Consigner uniquement l’adresse finale, réflexe fréquent au moment de l’archivage, supprime la seule trace exploitable.
Une même ressource sous plusieurs adresses : la démultiplication silencieuse
L’instabilité joue aussi dans l’autre sens. Un même document se présente couramment sous plusieurs adresses : version avec et sans paramètres de suivi, version mobile, version imprimable, copie syndiquée chez un partenaire, adresse courte de partage. Le contenu ne bouge pas, mais l’identifiant se démultiplie : chaque variante est traitée comme un objet distinct.
L’effet se lit à deux endroits. En amont, il gonfle les volumes et alimente le doublonnage, puisque rien ne relie les variantes entre elles sans normalisation explicite. En aval, il fragilise la vérification : deux analystes qui citent le même article sous deux adresses différentes ne survivent pas au même changement. La normalisation des adresses avant stockage conditionne donc la comparabilité de toute série mesurée sur un corpus.
Une adresse indique où un document se trouvait ; elle ne garantit ni qu’il s’y trouve encore, ni que ce qui s’y trouve soit le même.
Limites : ce que cette cohorte ne mesure pas
La première limite tient au périmètre. La cohorte est francophone, à dominante européenne, et surreprésente les éditeurs en accès libre, que l’on cite plus volontiers. Des adresses issues de plateformes fermées, de messageries ou d’espaces authentifiés obéissent à d’autres régimes de disparition, que ce protocole ne documente pas.
La deuxième limite tient à la cadence. Une réobservation mensuelle ne distingue pas une panne passagère d’un retrait définitif et manque les contenus modifiés plusieurs fois dans l’intervalle. Un pas hebdomadaire donnerait une chronologie plus fine ; il multiplierait la charge de collecte et le risque de se voir bloquer par les éditeurs observés.
La troisième limite tient à la notion d’identité. Décider que deux versions d’un texte sont ou ne sont pas le même document relève d’une convention. Nous avons choisi de traiter les corrections orthographiques et les changements de mise en page comme neutres, et tout ajout, retrait ou requalification factuelle comme une modification. Une autre convention donnerait d’autres taux, et interdit toute comparaison avec une mesure conduite selon une règle différente.
Conséquences pour l’archivage, la déduplication et la traçabilité d’un dispositif de veille
La première conséquence est qu’une adresse ne suffit jamais comme référence. Une citation défendable associe l’adresse, la date et l’heure de consultation, le titre tel qu’affiché, le nom de l’éditeur et une empreinte du texte retenu. Consignés en quelques secondes au moment de la collecte, ces cinq éléments deviennent irrécupérables une fois la page modifiée ou retirée.
La deuxième conséquence porte sur l’archivage. Conserver une copie datée du contenu au moment où il a servi transforme un lien en pièce : le document reste vérifiable même si l’adresse bascule dans un état instable. Sur ce point, NewsCore (www.newscore.fr) rattache chaque signal à son document d’origine et conserve l’adresse de collecte avec sa date de résolution, ce qui rend la vérification indépendante de l’état ultérieur de la page. La traçabilité relève alors du dispositif, non de la discipline individuelle.
La troisième conséquence est organisationnelle : la vérification des liens doit porter sur le contenu, pas sur le code de réponse. Un contrôle qui vérifie seulement que l’adresse répond valide les états les plus dangereux. Repasser une fois par an sur les adresses citées dans les livrables en circulation, en comparant le texte servi à l’empreinte conservée, coûte moins qu’une correction publique.
Questions fréquentes
Combien de temps une adresse web reste-t-elle valable dans un dossier de veille ?
Il n’existe pas de durée unique, et la question est mal posée : une adresse cesse d’être fiable bien avant de cesser de répondre. Sur une cohorte suivie douze mois, les adresses éteintes ne représentent qu’une fraction des adresses devenues inutilisables comme preuve. La bonne unité de mesure n’est pas la durée de vie, c’est l’état du couple adresse et contenu à la date où la note est relue.
Comment détecter qu’une page citée a été modifiée sans en être averti ?
En conservant, dès la collecte, une empreinte du texte utile, débarrassée des éléments variables (bandeaux, compteurs, blocs de recommandation), puis en la recalculant à intervalle régulier. Toute divergence significative déclenche une lecture humaine. Aucun signal n’est émis par l’éditeur au moment du changement : la détection reste nécessairement à la charge de celui qui cite.
Une redirection garantit-elle que l’on retrouve le bon document ?
Non. Une redirection conduit parfois au document équivalent, parfois à la rubrique parente, à la page d’accueil ou à un mur d’abonnement. Le serveur répondant dans tous les cas par un succès, un contrôle automatique ne fait pas la différence entre ces situations. Seule la comparaison du contenu d’arrivée avec ce qui avait été collecté tranche la question.