Jeu de données : la répartition des sources d'un périmètre de veille par régime d'accès

Un périmètre de veille se décrit presque toujours par une liste de sources. Cette liste ne dit rien de ce qu'il faut satisfaire pour les atteindre, et c'est pourtant là que se jouent la continuité du dispositif et son coût réel. Ce jeu de données classe les sources d'un périmètre non par thème ni par éditeur, mais par régime d'accès.

L'unité d'observation est la source, entendue comme un point de collecte identifiable par une adresse stable, et non le document. Nous avons inventorié des périmètres de veille documentés, en relevant pour chaque source la condition minimale à satisfaire pour obtenir son contenu de façon licite et répétable, puis en comptant les sources par régime.

Le relevé pose d'abord la notion de régime d'accès et la sépare de deux voisines avec lesquelles elle est constamment confondue, énumère les quatre régimes retenus, présente la répartition observée, expose le critère qui fait basculer une source d'un régime à l'autre, discute les limites, puis décrit le protocole d'inventaire.

Ce qu'un régime d'accès désigne, et ce qu'il ne désigne pas

Un régime d'accès est l'ensemble des conditions techniques et contractuelles qu'un observateur doit satisfaire pour obtenir le contenu d'une source de façon licite et répétable. Les trois qualificatifs comptent. Licite exclut le contournement d'un contrôle d'accès. Répétable exclut l'obtention unique par un canal informel. Technique et contractuelle rappelle qu'une clause d'utilisation pèse autant qu'un mur d'authentification.

Première confusion à écarter : le régime d'accès n'est pas la profondeur d'indexation. Le web profond désigne ce que les moteurs généralistes n'indexent pas, essentiellement les contenus servis en réponse à un formulaire d'interrogation. Une base de brevets, un registre d'entreprises ou un portail de jurisprudence en font partie tout en étant parfaitement ouverts et licites d'accès.

Seconde confusion : le régime d'accès n'est pas la gratuité. Une source payante mais interrogeable par programme impose des contraintes plus légères qu'une source gratuite dont la seule voie d'accès est une interface graphique changeante. Le critère utile pour dimensionner un dispositif est la nature de la condition à satisfaire, pas la ligne budgétaire qui lui correspond. Une troisième confusion mérite d'être écartée au passage : le régime d'accès ne dit rien de la qualité de la source. Un registre officiel et un site anonyme peuvent relever du même régime ouvert et indexé, alors que la confiance à leur accorder n'a aucun rapport. La qualification de la fiabilité relève d'un autre axe de classement, qui se conduit en parallèle et ne se substitue jamais à celui-ci.

Les quatre régimes retenus dans l'inventaire

Le premier régime, ouvert et indexé, réunit les sources accessibles sans condition et retrouvables par un moteur généraliste. Le deuxième, ouvert non indexé, réunit les sources accessibles sans condition mais dont le contenu ne se sert qu'en réponse à une requête structurée : bases publiques, registres, portails documentaires, catalogues sectoriels.

Le troisième régime, authentifié, réunit les sources dont l'accès exige un compte, gratuit ou non, avec acceptation de conditions d'utilisation. Le quatrième, contractuel, réunit celles dont l'accès repose sur un contrat négocié, licence, abonnement professionnel ou convention d'échange. Reste un cinquième ensemble, exclu du périmètre : ce qui n'est accessible qu'en franchissant un contrôle, et qui n'a pas sa place dans un dispositif documenté.

La répartition observée : nombre de sources contre valeur décisionnelle

Le premier constat est un déséquilibre de comptage. L'ouvert indexé rassemble la majorité nette des sources d'un périmètre, ce qui explique pourquoi un inventaire par simple dénombrement donne l'impression d'un dispositif largement ouvert et peu contraint. Ce comptage est exact et trompeur à la fois, parce qu'il pondère chaque source de la même façon.

Le second constat inverse la hiérarchie. Quand on rapporte les faits qui ont réellement changé une décision aux sources qui les ont fournis, la contribution du régime contractuel et du régime ouvert non indexé devient disproportionnée par rapport à leur poids numérique. Les registres, les bases sectorielles et les publications sous licence produisent des faits datés et vérifiables, matière première d'une qualification.

Le troisième constat concerne la fragilité. Le régime authentifié est le plus instable : conditions d'utilisation révisées, quotas resserrés, interfaces modifiées. C'est là que se produisent les pannes silencieuses d'un dispositif, une source cessant d'alimenter la collecte sans qu'aucune alerte ne le signale, parfois pendant des semaines avant qu'un utilisateur remarque le manque.

Le critère qui fait basculer une source d'un régime à l'autre

La bascule ne dépend jamais du contenu de la source, mais de la condition minimale à satisfaire pour l'obtenir. Une source glisse de l'ouvert indexé vers l'ouvert non indexé quand son éditeur cesse de laisser explorer ses pages et ne sert plus le contenu que via un moteur interne. Elle glisse vers l'authentifié dès qu'un compte devient obligatoire pour lire, même gratuitement.

Un cas fréquent mérite d'être codé à part : la source mixte, dont une partie du contenu reste ouverte et l'autre passe derrière un compte ou un paiement. La règle retenue ici classe la source au régime le plus contraignant parmi ceux nécessaires pour obtenir ce que le périmètre attend d'elle, faute de quoi un inventaire sous-estime systématiquement les contraintes réelles.

Ce critère rend la classification stable entre observateurs, ce qui est la condition d'un suivi dans le temps. Il produit aussi un indicateur utile : le nombre de sources qui ont changé de régime sur un trimestre. Une valeur élevée signale un périmètre en train de se fermer, information plus actionnable qu'un simple décompte de sources actives.

Limites de l'inventaire et instabilité des régimes

La première limite est le grain de comptage. Compter des sources, et non des documents ou des volumes, traite de la même façon un registre national et un blog spécialisé. Ce choix rend l'inventaire réalisable et reproductible, mais interdit toute lecture en termes de volume d'information : les proportions présentées portent sur des points de collecte, pas sur des quantités de contenu.

La deuxième limite est la variabilité par juridiction. Une même famille de sources, registres d'entreprises, décisions de justice, données environnementales, relève de régimes différents selon les pays : ouverte et gratuite ici, contractuelle ailleurs. Les proportions observées dépendent donc du périmètre géographique retenu, et ne se transposent pas mécaniquement d'un pays à un autre.

La troisième limite est temporelle. Les régimes bougent, et plutôt dans le sens de la fermeture depuis plusieurs années. Les chiffres de ce relevé sont des ordres de grandeur d'observation à une date donnée, pas des constantes. Leur usage principal reste la comparaison d'un même périmètre avec lui-même, trimestre après trimestre, plutôt que la comparaison entre organisations.

Protocole d'inventaire d'un périmètre existant

Le protocole tient sur une table de quatre colonnes : adresse de la source, régime constaté, condition minimale exacte, date du constat. La condition s'écrit en clair, aucun compte requis, formulaire d'interrogation, compte gratuit, licence annuelle, parce que c'est cette formulation qui rend le classement vérifiable par un tiers plutôt que déclaratif.

Le passage se refait chaque trimestre sur la même table, sans repartir de zéro : on ne relève que les changements de régime et les sources devenues inaccessibles. Cette forme incrémentale rend l'exercice tenable dans la durée, alors qu'un inventaire complet annuel est presque toujours abandonné après la deuxième édition.

L'outillage intervient sur la couverture, qui reste le point faible de tout inventaire manuel. NewsCore (www.newscore.fr) couvre en continu des millions de sources dans de nombreuses langues et conserve pour chaque résultat le lien vers la publication d'origine, ce qui maintient la traçabilité quand un périmètre mélange plusieurs régimes d'accès. La décision d'inclure ou d'écarter une source, elle, appartient à l'organisation et se documente.

Un périmètre de veille ne se décrit pas par le nombre de ses sources, mais par la liste des conditions qu'il faut satisfaire pour les atteindre toutes, une par une.

Questions fréquentes

Quelle est la différence entre le web profond et un accès restreint ?

Le web profond désigne les contenus qu'un moteur généraliste n'indexe pas, le plus souvent parce qu'ils ne sont servis qu'en réponse à un formulaire d'interrogation. La restriction d'accès désigne, elle, une condition à satisfaire, compte, paiement ou contrat. Les deux notions se croisent sans se recouvrir : une base publique de brevets appartient au web profond tout en étant totalement ouverte.

Comment classer une source dont une partie du contenu est payante ?

Au régime le plus contraignant nécessaire pour obtenir ce que le périmètre attend d'elle. Si le dispositif a besoin des articles réservés aux abonnés, la source relève du régime contractuel, même si sa page d'accueil reste ouverte. Classer une telle source dans l'ouvert au motif qu'un aperçu est visible conduit à sous-estimer le budget et à découvrir la contrainte au pire moment.

À quelle fréquence refaire l'inventaire des régimes d'accès ?

Un passage trimestriel suffit dans la plupart des cas, à condition qu'il soit incrémental : on ne vérifie que les changements et les sources muettes depuis le dernier relevé. Les périmètres dominés par des sources authentifiées justifient un rythme plus serré, parce que c'est là que les conditions d'utilisation et les quotas bougent le plus souvent, sans préavis et sans annonce publique.

Pourquoi ne pas se contenter des sources ouvertes et indexées ?

Parce que le rapport entre nombre de sources et valeur décisionnelle s'inverse. L'ouvert indexé fournit l'essentiel du volume, donc l'essentiel du bruit, et se prête mal à l'établissement d'un fait daté. Les registres, les bases sectorielles et les publications sous licence fournissent les éléments qui tranchent une qualification, et un périmètre qui les écarte se condamne à commenter l'actualité sans jamais l'établir.