La part d'un corpus de veille accessible uniquement en langue locale : jeu de données et méthode de mesure

Une veille internationale se construit presque toujours en partant des langues que l'équipe maîtrise. Le périmètre s'étend ensuite par ajout de sources, mais le point de départ linguistique reste implicite et n'est presque jamais documenté. La question posée par ce jeu de données est simple à formuler et rarement instruite : quelle fraction de l'information pertinente n'existe que dans la langue du pays concerné ?

Le sujet n'est pas seulement une affaire de confort de lecture. Un contenu qui n'existe qu'en langue locale et qui n'est jamais repris ailleurs constitue un angle mort permanent, pas un retard temporaire. Un contenu repris plus tard dans une langue véhiculaire constitue au contraire un retard mesurable, dont la durée détermine si l'information arrive encore à temps pour peser sur une décision.

Ce relevé distingue ces deux situations et en donne des ordres de grandeur d'observation, sur un échantillon délibérément restreint. Les valeurs ne sont pas des mesures définitives : elles décrivent ce qu'une équipe constate en instrumentant son propre corpus, avec un protocole qu'une autre équipe peut refaire sur son périmètre pour obtenir sa propre distribution.

Échantillon, périmètre thématique et unité d'observation retenue

L'échantillon porte sur un ensemble de thèmes de veille économique et réglementaire suivis en parallèle sur plusieurs zones géographiques, chacune ayant une langue dominante distincte de l'anglais et du français. Chaque thème est décliné en un jeu de requêtes équivalentes, traduites puis relues par un locuteur, de façon que l'écart mesuré porte sur la disponibilité des contenus et non sur la qualité des traductions employées.

L'unité d'observation est l'item de contenu publié : article de presse, communiqué, décision administrative publiée en ligne, note d'un organisme professionnel. Les republications strictes, c'est-à-dire le même texte diffusé par plusieurs sites, sont dédupliquées et comptées une fois. Les reprises éditorialisées, où un média reformule une information parue ailleurs, sont conservées et rattachées à leur item d'origine par la date.

La détection de langue est automatique, appliquée au corps du texte et non aux seules métadonnées, qui sont fréquemment erronées. Les items multilingues, courants dans les communications institutionnelles, sont classés selon la langue de la version la plus complète. Ce choix est explicité parce qu'il déplace la frontière : une autre règle produirait mécaniquement une part de contenus uniquement locaux plus faible.

Définir ce que veut dire accessible uniquement en langue locale

Trois catégories structurent le jeu de données. La première regroupe les contenus disponibles d'emblée dans une langue véhiculaire, anglais ou français, qu'il s'agisse d'une publication originale ou d'une version simultanée. Ces contenus sont accessibles à toute équipe de veille sans dispositif particulier et constituent la couche visible du corpus, celle qu'une organisation croit souvent complète.

La deuxième catégorie regroupe les contenus parus d'abord en langue locale puis repris, en tout ou partie, dans une langue véhiculaire. Ici l'enjeu n'est pas l'accès mais le délai : le fait finit par arriver, avec un décalage que le relevé mesure en jours. La reprise est souvent partielle, centrée sur l'angle jugé intéressant pour un lectorat international, ce qui écarte les détails opérationnels.

La troisième catégorie regroupe les contenus qui restent en langue locale sur toute la fenêtre d'observation. C'est la part réellement invisible pour une veille monolingue. Elle est composée pour l'essentiel de matière administrative, d'appels d'offres, de décisions locales, de communications d'organisations professionnelles, autrement dit de la matière la plus opérationnelle et la moins spectaculaire.

Ordres de grandeur observés et distribution par nature de contenu

Le tableau qui suit donne la répartition constatée, exprimée en fourchettes larges. Les valeurs varient fortement selon la zone et selon le thème, ce qui interdit toute moyenne unique : un thème réglementaire produit beaucoup de matière locale non reprise, un thème de fusion et acquisition entre grands groupes en produit peu. Les fourchettes recouvrent cette dispersion plutôt qu'elles ne la masquent.

Le premier constat porte sur la troisième ligne. Ce n'est pas une part marginale, et surtout ce n'est pas une part homogène : elle se concentre sur les contenus les plus proches du terrain. Un signal faible portant sur l'ouverture d'un site, une autorisation administrative, un litige local ou un recrutement massif appartient massivement à cette catégorie et ne franchit jamais la barrière linguistique.

Le second constat porte sur le délai de la deuxième ligne. Une fenêtre de deux à dix jours paraît courte à l'échelle d'un rapport trimestriel et considérable à l'échelle d'une décision commerciale ou d'une réponse à une consultation publique. C'est la raison pour laquelle une équipe qui juge sa couverture satisfaisante sur la base de ses rapports de synthèse peut être structurellement en retard sur ses arbitrages.

Ce que la barrière linguistique fait au délai de détection

Le délai de détection d'une équipe monolingue n'est pas la somme du délai de publication et du délai de reprise : c'est le maximum des deux, augmenté du temps de qualification interne. Un fait paru localement le lundi, repris le vendredi par un média international, puis traité le lundi suivant lors d'une revue hebdomadaire, arrive à la décision avec une semaine de décalage sur l'événement réel.

Ce décalage a un effet asymétrique selon le type de décision. Sur une veille de tendance, il est sans conséquence. Sur une veille concurrentielle opérationnelle, sur un suivi de conformité ou sur une gestion de risque réputationnel, il change la nature de la réponse possible : l'organisation ne choisit plus son moment d'intervention, elle réagit à une situation déjà installée dans l'espace public local.

Le traitement de cette contrainte est d'abord une question de périmètre de sources et de couverture linguistique du dispositif de collecte. NewsCore (www.newscore.fr) couvre en continu des millions de sources dans un grand nombre de langues, détecte les publications dès leur parution et restitue chaque signal avec un lien vers sa source primaire, ce qui supprime l'attente de la reprise en langue véhiculaire. La qualification du signal et le choix des zones à couvrir restent la part de l'organisation.

Limites de la mesure et conditions de reproductibilité

Première limite : la fenêtre d'observation borne la catégorie des contenus jamais repris. Un item classé comme uniquement local peut être repris après la fin de la période. Le relevé utilise une fenêtre de trente jours, jugée suffisante au regard des délais constatés, mais ce paramètre déplace mécaniquement la frontière entre la deuxième et la troisième catégorie et doit être publié avec tout résultat.

Deuxième limite : l'équivalence des requêtes traduites n'est jamais parfaite. Certaines notions n'ont pas de terme unique dans toutes les langues, et le vocabulaire administratif local échappe souvent à la traduction littérale. La relecture par un locuteur atténue le biais sans le supprimer. Toute part mesurée doit donc être lue comme un plancher : la matière réellement locale est probablement plus abondante que ce que la requête ramène.

Troisième limite : la détection de langue automatique se trompe sur les textes courts et sur les textes mêlant plusieurs langues. Le relevé exclut les items de moins de quelques centaines de caractères. Reproduire la mesure demande de publier trois éléments : la liste des thèmes et des requêtes traduites, la fenêtre d'observation, et la règle de rattachement des reprises à leur item d'origine.

Une couverture linguistique non documentée n'est pas une couverture partielle, c'est une couverture dont personne ne connaît les bords. L'angle mort n'est pas le problème : l'ignorance de son étendue l'est.

Questions fréquentes

Faut-il vraiment surveiller les sources en langue locale quand la presse internationale couvre le sujet ?

Cela dépend de la nature de la décision servie par la veille. La presse internationale couvre les faits saillants et les acteurs de grande taille, avec un décalage de quelques jours. Elle ne couvre pas la matière administrative, les publications d'organisations professionnelles ni la presse régionale, qui portent l'essentiel des signaux précoces. Une veille de tendance s'en accommode, une veille opérationnelle non.

La traduction automatique suffit-elle à couvrir un périmètre multilingue ?

Elle résout la lecture, pas la découverte. Traduire un contenu suppose de l'avoir trouvé, donc d'avoir interrogé la source dans sa langue avec les bons termes. C'est l'étape de collecte, et non l'étape de compréhension, qui détermine la part du corpus atteinte. Une chaîne qui traduit très bien un ensemble de sources anglophones reste aveugle au même endroit qu'avant.

Comment estimer rapidement la part locale de son propre périmètre de veille ?

En prenant trois thèmes représentatifs, en construisant pour chacun une requête en langue locale relue par un locuteur, puis en comparant sur trente jours le volume obtenu à celui de la requête habituelle. Le rapport entre les deux volumes, et la proportion d'items sans équivalent dans le corpus existant, donnent un ordre de grandeur exploitable en quelques jours de travail.

Quelle part de contenus uniquement locaux doit alerter une direction ?

Il n'existe pas de seuil universel, et un chiffre isolé n'a pas de sens sans sa composition. Une part élevée composée de reprises régionales redondantes est sans gravité. Une part faible mais composée de décisions administratives et d'appels d'offres est bien plus préoccupante. C'est la nature des contenus manquants, et non leur volume, qui détermine le risque réel encouru.