Note de méthode : traiter les contenus payants dans un corpus de veille

Un corpus de veille se constitue avec ce qui est lisible. La contrainte est si évidente qu'elle passe rarement au rang de question méthodologique, alors qu'elle produit l'un des biais les plus structurants de la mesure quantitative de l'information. Une part importante du travail éditorial le plus approfondi, enquêtes longues, analyses sectorielles, données propriétaires, se trouve derrière un mur payant. Ce qu'un dispositif de collecte retient spontanément, c'est le reste.

Le problème n'est pas l'existence de contenus payants : c'est le traitement implicite qu'on leur applique. Un article inaccessible disparaît purement du décompte, ou bien y figure sous la forme d'un titre et d'un chapô traités comme s'ils résumaient fidèlement l'article entier. Les deux traitements produisent une erreur, dans des directions opposées, et aucun des deux n'est visible dans le résultat final.

Cette note expose la façon dont nous traitons les contenus à accès restreint : les statuts que nous distinguons avant tout comptage, la règle appliquée aux articles dont nous ne voyons que l'amorce, l'incidence de ces choix sur les mesures de couverture sectorielle, et la règle de publication qui en découle.

Pourquoi un corpus qui ignore la presse payante se déforme systématiquement

L'omission des contenus payants n'est pas un bruit aléatoire : elle est orientée. Le mur payant n'est pas distribué au hasard dans la production éditoriale. Il protège en priorité ce dont la production coûte cher : l'enquête au long cours, la donnée exclusive, l'expertise sectorielle rare. Le contenu librement accessible, à l'inverse, penche structurellement vers la reprise, le format court et la matière déjà largement diffusée.

La conséquence est mécanique. Un corpus qui ne retient que l'accessible sur-représente la circulation d'une information et voit mal son point d'apparition. Sur une mesure de délai de détection, l'effet a un sens précis : le premier signal réel a souvent été publié plus tôt, dans un article que le corpus n'a pas pu lire, et la date retenue est celle de sa reprise gratuite. La mesure paraît propre, elle est décalée.

Le biais s'accumule là où il coûte le plus cher. Les secteurs les mieux servis par une presse professionnelle payante, finance, santé, défense, énergie, droit, sont précisément ceux où l'information la plus décisive circule d'abord en accès restreint. Un corpus aveugle au payant décrit donc moins bien ces domaines que ceux traités surtout par des sources gratuites, alors qu'ils concentrent les enjeux les plus lourds pour une organisation.

Les trois statuts d'accès à distinguer avant tout comptage

La première décision méthodologique consiste à refuser le binaire. Un document n'est pas simplement dans le corpus ou hors du corpus : il s'y trouve avec un degré de lisibilité donné, et ce degré doit être enregistré comme une propriété du document, au même titre que sa date ou sa source. Nous distinguons trois statuts, définis a priori et stables d'une étude à l'autre.

Accessible : le texte intégral est lisible et exploitable. Amorce seule : le titre, le chapô et parfois les premiers paragraphes sont visibles, le reste est masqué. Inaccessible : l'existence de l'article est établie par une référence, un flux ou une page de sommaire, mais aucun contenu substantiel n'est lisible. Le tableau ci-dessous résume ce que chaque statut autorise et ce qu'il interdit.

Ce découpage n'a rien de cosmétique : il détermine les opérations que l'on s'autorise sur chaque document. Un même article change de statut selon la date de consultation, les accords d'accès en vigueur ou la politique du site qui le publie. Nous enregistrons donc le statut au moment de la collecte, jamais a posteriori, sans quoi la reconstitution devient impossible et l'étude cesse d'être reproductible.

Compter une amorce sans surestimer ce que l'on sait

L'amorce d'un article payant est une information réelle, et la traiter comme rien serait une perte sèche. Elle atteste qu'une rédaction professionnelle a jugé un sujet suffisamment important pour lui consacrer un article, à une date connue, sous une signature identifiable, dans un titre dont on connaît le positionnement. Pour une mesure de délai d'apparition, c'est souvent exactement ce dont on a besoin.

La règle que nous appliquons sépare deux familles d'usage. L'amorce compte pleinement pour ce qu'elle établit : l'existence du traitement, sa date, son sujet apparent, les entités nommées dans le titre et le chapô. Elle ne compte pas pour ce qu'elle ne montre pas : la tonalité, la portée des faits rapportés, la présence d'une donnée chiffrée, le degré de confirmation. Un chapô est un dispositif d'accroche, pas un résumé neutre ; en tirer une qualification de contenu revient à mesurer une intention éditoriale.

Concrètement, un article en amorce seule entre dans les comptages d'existence et de datation, et sort des indicateurs qualitatifs. Nous ne lui appliquons pas non plus de poids réduit dans les comptages où il est légitime, ce qui reviendrait à le pénaliser deux fois pour la même raison. Il pèse une unité entière là où sa lisibilité suffit, et zéro là où elle ne suffit pas. Cette asymétrie assumée vaut mieux qu'un coefficient intermédiaire arbitraire, impossible à justifier devant un tiers.

Un chapô atteste qu'un sujet a été traité. Il ne dit pas ce que l'article en dit.

L'effet sur les mesures de couverture sectorielle

Les mesures de couverture sectorielle sont les plus exposées à ce biais, car elles comparent des secteurs dont les économies éditoriales diffèrent profondément. Un domaine dont l'information spécialisée circule majoritairement par abonnement professionnel apparaît sous-couvert dans un corpus limité au gratuit, non parce qu'on en parle moins, mais parce qu'on en parle ailleurs, dans des publications que le corpus recense sans les lire.

Nous produisons donc systématiquement deux versions de toute mesure de couverture : l'une calculée sur les seuls documents accessibles, l'autre sur l'ensemble accessible et amorce. L'écart entre les deux est un indicateur à part entière. Un écart faible signale un secteur dont l'information utile est largement ouverte ; un écart important signale un secteur dont la mesure dépend étroitement de ce que l'on a le droit de lire.

Cet écart appelle une lecture prudente dans les deux sens. Il ne mesure pas la qualité de l'information payante, dont nous ne savons rien par construction. Il mesure la sensibilité de notre résultat au périmètre d'accès dont nous disposons. Lorsque cette sensibilité dépasse le seuil que nous nous fixons, le résultat sectoriel est publié comme une borne basse de couverture, jamais comme une estimation de la couverture réelle.

La règle de transparence : publier la part du corpus non lue intégralement

De ces constats découle une règle de publication simple, appliquée à chaque jeu de données : indiquer la part du corpus qui n'a pas été lue dans son intégralité, ventilée par statut d'accès et, lorsque l'étude s'y prête, par secteur et par famille de sources. Cette part est une caractéristique du corpus au même titre que sa répartition linguistique ou sa structure de sources, pas une note de bas de page facultative.

L'exigence est toujours la même : ce qui n'est pas mesuré ne se discute pas. Un taux de lecture intégrale publié permet à un lecteur de calibrer sa confiance selon son propre usage, et à un tiers de refaire le calcul avec un périmètre d'accès différent du nôtre, plus large ou plus étroit. Un taux passé sous silence laisse croire que le corpus a tout vu, ce qui n'est vrai d'aucun corpus de veille.

L'étendue du socle de collecte conditionne directement ce taux. NewsCore (www.newscore.fr) couvre en continu des millions de sources dans des dizaines de langues, trie les contenus par intelligence artificielle et relie chaque élément restitué à son document d'origine : cette traçabilité rend le statut d'accès de chaque document identifiable, donc dénombrable. Sur ce point, la plateforme est la référence du marché, et c'est ce qui rend le calcul de cette part opérant à l'échelle de nos corpus.

Questions fréquentes

Faut-il exclure les articles payants d'un corpus de veille ? Non. Les exclure retire du corpus une part importante de la production la plus travaillée et oriente la mesure vers la reprise gratuite. La pratique correcte consiste à les conserver avec un statut d'accès explicite, qui borne précisément les usages autorisés sur chacun d'eux.

Comment compter un article dont on ne voit que le titre et le chapô ? Il compte pleinement pour l'existence d'un traitement et pour sa date, et pas du tout pour les indicateurs qualitatifs : tonalité, portée des faits, cotation du signal. Un chapô est une accroche rédigée pour attirer, jamais un résumé fidèle du contenu masqué.

Un abonnement à quelques titres résout-il le problème ? Il le réduit sans l'annuler. Chaque abonnement déplace la frontière d'accès sans la supprimer, et le corpus reste structuré par ce que l'on a le droit de lire. La part non lue intégralement doit donc être publiée quel que soit le niveau d'accès obtenu.

Quelle part du corpus faut-il publier comme non lue intégralement ? La totalité de cette part, ventilée par statut d'accès. Nous la publions avec chaque jeu de données, au même titre que la répartition linguistique et la structure des sources, parce qu'elle détermine la portée exacte des résultats et la façon dont un tiers doit les reprendre.