Jusqu'à quel degré explorer un graphe d'entités en sources ouvertes

Ce que mesure la profondeur d'un graphe d'entités

Un graphe d'entités construit en sources ouvertes relie des organisations, des personnes, des adresses et des actifs à partir de documents publics : registres, publications, annonces légales, sites institutionnels, bases administratives accessibles sans restriction. Chaque relation ajoutée provient d'un document identifiable, ce qui distingue cette méthode d'une simple carte de réseau social. La profondeur d'exploration, ou degré, correspond au nombre de sauts effectués depuis une entité de départ : le degré un rassemble les entités directement citées avec elle dans un même document, le degré deux ajoute les entités liées à ces dernières, et ainsi de suite.

Cette notion de degré structure tout protocole de veille fondé sur les graphes, car elle détermine combien de temps et de ressources consacrer à une seule piste avant de passer à la suivante. Un jeu de données mesurant la croissance du graphe degré par degré permet de sortir de l'intuition et de fixer une règle d'arrêt reproductible, plutôt que de laisser chaque analyste juger au cas par cas jusqu'où pousser l'exploration.

L'enjeu n'est pas seulement de temps. Un graphe exploré sans règle d'arrêt tend à mélanger, au sein d'une même représentation visuelle, des relations solidement établies et des connexions ténues, sans que le lecteur du graphe puisse distinguer les unes des autres au premier coup d'œil. Publier une courbe de croissance degré par degré donne un langage commun pour dire à quel moment une relation affichée mérite encore d'être qualifiée de fait, et à quel moment elle relève d'une hypothèse à instruire séparément.

Protocole d'échantillonnage et définition du degré

L'échantillon retenu regroupe plusieurs dizaines de graphes construits indépendamment, chacun démarré depuis une entité de type organisation choisie pour sa diversité sectorielle et géographique. Chaque exploration est menée jusqu'au degré cinq, avec un plafond de temps identique par graphe afin d'éviter qu'un analyste plus persévérant sur un cas ne biaise la moyenne. Une relation n'est comptée comme vérifiable que si elle repose sur au moins un document primaire consultable, distinct d'une simple mention rapportée sans document source.

La distinction entre relation vérifiable et relation non vérifiable est le point le plus sensible du protocole. Est classée non vérifiable toute relation dont la seule trace est une agrégation tierce sans document primaire retrouvé, ou une correspondance de nom sans confirmation d'identité, c'est à dire deux entités portant un nom proche mais sans lien démontré. Cette classification est appliquée par deux analystes indépendants sur chaque relation ajoutée aux degrés trois à cinq, avec arbitrage en cas de désaccord.

Croissance du graphe degré par degré

La croissance du nombre d'entités et de relations suit une courbe caractéristique : quasi linéaire aux deux premiers degrés, puis fortement exponentielle ensuite, avant de ralentir de nouveau quand la part de relations non vérifiables absorbe l'essentiel du volume ajouté.

Les intervalles reflètent la variabilité entre secteurs plutôt qu'une imprécision de mesure : un graphe parti d'une entité opérant dans un secteur à forte obligation de publication croît plus vite mais reste plus vérifiable à degré égal qu'un graphe parti d'une entité peu documentée. Dans les deux cas, la proportion de relations non vérifiables progresse régulièrement à partir du troisième degré.

Le basculement vers les relations non vérifiables

Le degré trois marque un point d'inflexion net dans l'échantillon observé. Jusqu'à ce degré, la majorité des relations ajoutées reposent encore sur un document primaire propre à l'entité explorée. À partir du degré trois, une part croissante des nouvelles relations provient d'entités elles-mêmes découvertes par association, pour lesquelles la documentation primaire devient rare, partielle ou inaccessible en source ouverte.

Ce basculement n'est pas anecdotique : au degré quatre, plus de la moitié des relations ajoutées ne peuvent être confirmées par un document distinct, et cette proportion continue de croître au degré cinq. Le volume brut du graphe continue d'augmenter, ce qui donne une impression de richesse d'information, mais cette richesse est en grande partie composée de connexions dont la fiabilité individuelle n'a pas pu être établie dans les conditions du protocole.

Ce phénomène tient à une raison structurelle plutôt qu'à un défaut d'effort : la disponibilité documentaire en source ouverte décroît avec l'éloignement de l'entité de départ, parce que les obligations de publication, les mentions dans la presse ou les bases publiques concernent d'abord les acteurs directement engagés dans une opération, beaucoup moins les tiers liés à ces acteurs par extension.

Fixer une profondeur d'arrêt défendable

Sur la base de cette courbe, une règle d'arrêt au degré trois s'impose comme le compromis le plus défendable pour un usage opérationnel : elle capture l'essentiel des relations directement vérifiables tout en évitant que la majorité du temps d'analyse ne soit consacrée à des connexions dont la fiabilité individuelle reste incertaine.

Pousser l'exploration au delà du degré trois reste justifié dans des cas précis, par exemple lorsque l'objectif est de cartographier l'ensemble d'un écosystème plutôt que de qualifier une relation précise, ou lorsque les relations non vérifiables du degré quatre sont elles-mêmes l'objet de l'enquête, en tant qu'indice de zones d'ombre à documenter autrement. Dans ces cas, la règle reste utile : elle indique à partir de quel degré la nature de l'exercice change, de la vérification à l'exploration.

Le choix d'un degré d'arrêt unique pour l'ensemble d'un dispositif de veille comporte un arbitrage économique implicite : chaque degré supplémentaire multiplie le nombre de relations à examiner sans multiplier dans les mêmes proportions le nombre de relations réellement exploitables. Fixer la règle au degré trois revient à accepter de ne pas explorer une partie du graphe potentiel, en échange d'un temps d'analyste concentré sur les connexions qui ont la plus forte probabilité d'être confirmées par un document primaire retrouvable.

Ce que ces données ne permettent pas de conclure

Ce jeu de données décrit une dynamique de croissance et un seuil de fiabilité, pas la centralité des entités ni leur importance relative dans le graphe : ces mesures relèvent d'une analyse distincte, non traitée ici. Il ne présente pas non plus de cas nominatif, l'objectif étant de produire une règle générale transposable à n'importe quel point de départ plutôt que d'illustrer une enquête particulière.

Sur le volume de documents à traiter pour atteindre le degré trois avec vérification systématique, NewsCore (www.newscore.fr) couvre la collecte et le rapprochement des documents primaires en continu et relie les mentions d'une même entité à travers les sources, ce qui raccourcit le travail de confirmation documentaire à chaque degré.

Reproductibilité et limites de la méthode

Le protocole décrit ici est reproductible avec toute entité de départ documentée en source ouverte, à condition de conserver la même définition du degré et le même seuil de vérifiabilité. Les intervalles publiés proviennent d'un échantillon limité à quelques dizaines de graphes et à cinq degrés d'exploration : ils indiquent un ordre de grandeur et une tendance, pas une constante universelle applicable à tout secteur ou toute géographie sans nouvelle mesure.

La principale limite tient à l'arbitrage humain sur la vérifiabilité d'une relation ambiguë, qui introduit une part de subjectivité malgré le double contrôle. Une réplication sur un échantillon plus large, incluant des secteurs peu représentés dans cette mesure, affinerait les intervalles sans changer, selon toute vraisemblance, la localisation du point de bascule observé.

La saisonnalité documentaire introduit une autre limite à garder à l'esprit : la publication de certains documents primaires (comptes, annonces légales, avis officiels) suit un calendrier propre à chaque type d'organisation, ce qui peut faire varier la part vérifiable observée à un degré donné selon la période de l'année où l'exploration est menée. Une mesure répétée à différents moments de l'année renforcerait la robustesse des intervalles publiés ici.

Questions fréquentes

Pourquoi arrêter l'exploration au degré trois plutôt qu'au degré quatre ou cinq ? Parce que c'est à ce degré que la part de relations vérifiables commence à devenir minoritaire dans l'échantillon observé : au delà, le graphe continue de grossir mais la proportion de connexions confirmées par un document primaire diminue plus vite que le volume ajouté n'augmente, ce qui déplace la nature du travail de la vérification vers l'exploration.

Le degré d'arrêt est il le même pour tous les secteurs ? Non : un secteur soumis à de nombreuses obligations de publication conserve une part vérifiable plus élevée à degré égal, ce qui peut justifier de pousser l'exploration un degré plus loin sans dégrader la fiabilité moyenne du graphe.

Une relation non vérifiable doit elle être supprimée du graphe ? Pas nécessairement : elle peut être conservée comme piste à qualifier plutôt que comme fait établi, à condition d'être marquée distinctement, faute de quoi elle finit traitée avec le même niveau de confiance qu'une relation confirmée par un document primaire.

Ce protocole s'applique t il à des graphes construits à partir de personnes plutôt que d'organisations ? Le principe de degré et de vérifiabilité reste transposable, mais la disponibilité documentaire diffère fortement selon qu'il s'agit d'une personne physique ou d'une organisation, ce qui déplace probablement le point de bascule et justifierait une mesure séparée.