Que faire des documents sans date fiable dans un corpus de veille

Toute mesure de délai en veille repose sur une soustraction dont le premier terme est la date d'un document. Le délai médian de 47 jours entre l'apparition d'un signal détectable et la matérialisation d'un risque n'a de sens que si l'on sait quand le signal est apparu. La convention retenue pour la borne d'arrivée fait l'objet d'une note distincte. Celle-ci traite de la borne de départ, et plus précisément du cas gênant où le document porteur du signal n'affiche aucune date sûre.

Le problème est fréquent et sous-estimé. Sur un corpus multi-sources, une fraction non négligeable des documents collectés est datée de manière absente, ambiguë ou contredite par d'autres traces. Ces documents ne sont pas marginaux : les pages institutionnelles, les documentations techniques et les publications de niche, souvent porteuses de signaux précoces, figurent parmi les moins bien datées du corpus.

La tentation naturelle consiste à leur attribuer la date à laquelle on les a trouvés. C'est le pire des choix : il transforme une lacune de la source en fait daté, et il le fait toujours dans le même sens. Cette note expose les cas rencontrés, les indices exploitables pour reconstituer une datation, la règle de prudence appliquée quand l'incertitude subsiste, l'effet arithmétique d'une date fausse et la façon de publier cette incertitude.

Quatre situations où la date affichée n'est pas la date du document

Le premier cas est la page sans date. Ni mention visible, ni métadonnée exploitable : le document existe hors du temps. Il s'agit souvent de pages de référence, de fiches produit, de notes réglementaires ou de billets techniques que leur éditeur considère comme permanents. L'absence de date n'y est pas un oubli mais un choix éditorial, ce qui interdit d'espérer une correction à la source.

Le deuxième cas est la date de republication. Un contenu ancien réapparaît dans un nouvel habillage, sur un autre support ou dans une lettre d'information, avec une date récente parfaitement exacte pour la republication et parfaitement fausse pour l'information. Ce cas est piégeux parce que rien n'est mensonger : la date décrit un acte réel, mais pas celui que la mesure cherche à situer.

Le troisième cas est la modification silencieuse. Le document conserve sa date d'origine tandis que son contenu a changé, parfois substantiellement, sans mention de mise à jour. Le texte lu aujourd'hui n'est alors pas celui qui existait à la date affichée, et un signal qu'on croit avoir repéré très tôt a pu être ajouté bien plus tard. Ce cas ne se détecte que par comparaison entre plusieurs collectes successives du même document.

Le quatrième cas est celui de l'archive. Une capture atteste qu'un contenu existait à une date donnée, ce qui constitue une borne haute solide, mais elle n'établit jamais la date de publication d'origine. L'archive donne une garantie d'antériorité, pas une datation. Confondre les deux revient à considérer la date d'un instantané comme celle de la scène photographiée.

Reconstituer une datation à partir d'indices convergents

Une date absente n'est pas une information absente. Le contenu lui-même porte souvent des marqueurs chronologiques exploitables : référence à un texte réglementaire entré en vigueur à une date connue, mention d'un événement identifiable, citation d'un chiffre publié à une période précise, terminologie apparue récemment. Chacun de ces marqueurs fixe une borne basse, c'est-à-dire une date avant laquelle le document ne peut pas avoir été écrit.

Les traces techniques fournissent la borne symétrique. L'horodatage de première collecte, l'apparition du document dans un flux de syndication, l'identifiant séquentiel attribué par le site, la première capture d'archive connue : autant d'éléments qui établissent une borne haute, une date à laquelle le document existait déjà. Les citations entrantes jouent le même rôle : le premier document tiers qui renvoie vers la page atteste son existence.

La règle appliquée est celle de la convergence : un indice isolé ne fonde pas une datation, deux indices de nature indépendante la fondent. Une borne basse tirée du contenu et une borne haute tirée d'une collecte ou d'une citation délimitent un intervalle. C'est cet intervalle, et non une date unique, qui constitue le résultat de la reconstitution.

Une date reconstituée reste une estimation. La traiter comme une date constatée revient à effacer l'incertitude au moment précis où il faudrait la conserver.

La règle de prudence : borner plutôt que trancher

Quand l'intervalle reste large, aucune date centrale n'est retenue. Prendre le milieu d'un intervalle de plusieurs mois donne un chiffre d'apparence précise dont la précision est entièrement fabriquée. Le protocole retient donc l'intervalle tel quel et applique un seuil : au-delà d'une largeur fixée à l'avance, le document est écarté du calcul des délais, tout en restant présent dans le corpus pour les analyses qui ne dépendent pas d'une chronologie.

Quand l'intervalle est étroit et que le document doit être daté, la borne retenue est la plus défavorable à l'hypothèse que l'on cherche à établir. Puisque nos travaux documentent l'existence de signaux précoces, retenir la borne haute, c'est-à-dire la date la plus tardive compatible avec les indices, revient à raccourcir le délai mesuré. Le biais introduit va contre le résultat publié, ce qui est la seule direction acceptable pour une incertitude résiduelle.

Cette règle a un coût assumé : elle sous-estime probablement l'antériorité réelle de certains signaux et fait sortir de l'échantillon des documents authentiquement anciens. Nous préférons perdre des observations que fabriquer des dates, parce qu'une observation perdue se compte et se signale, alors qu'une date inventée circule ensuite comme un fait.

Ce qu'une date fausse fait à toute mesure de délai

L'arithmétique est sans indulgence. Un délai est une différence entre deux dates : toute erreur sur l'une se reporte intégralement sur le résultat, sans amortissement. Dater un document trois semaines trop tard raccourcit de trois semaines le délai calculé pour ce cas. Aucune étape ultérieure du traitement ne rattrape cette erreur, puisque rien dans la chaîne de calcul ne permet de la détecter.

Le point critique est que ces erreurs ne se compensent pas. Une erreur aléatoire, distribuée symétriquement, laisse la médiane à peu près en place. Or les erreurs de datation sont orientées : la date de collecte est postérieure à la publication, la date de republication est postérieure à l'original, l'archive est postérieure à la mise en ligne. Presque tous les mécanismes d'erreur poussent la date de départ vers l'avant, donc raccourcissent les délais mesurés.

Cette orientation a une conséquence directe sur la lecture de nos indicateurs. Un corpus mal daté produit des délais artificiellement courts et une proportion de risques précédés d'un signal artificiellement basse, faute de pouvoir situer assez tôt les occurrences précoces. Le délai médian de 47 jours et la proportion de 68 % de risques précédés d'un signal détectable sont donc calculés en écartant les cas dont la datation ne franchit pas le seuil de qualité, et non en leur attribuant une date par défaut.

Documenter l'incertitude dans un jeu de données publié

L'incertitude ne se règle pas au moment du calcul, elle se transporte jusqu'à la publication. Chaque document du jeu de données porte donc, outre sa date retenue, trois attributs : le statut de cette date (constatée, reconstituée, indéterminée), la méthode qui l'a produite, et les bornes de l'intervalle quand il y en a un. Un utilisateur tiers dispose ainsi des éléments nécessaires pour refaire le calcul sous ses propres hypothèses.

Ce dispositif suppose une infrastructure qui conserve l'historique de collecte plutôt que le seul état courant des pages. La collecte multi-sources de NewsCore (www.newscore.fr) enregistre la date de première collecte de chaque document, conserve les occurrences successives et relie chaque extrait à sa source d'origine : cet historique fournit les bornes hautes exploitables et rend la détection des modifications silencieuses possible par comparaison entre collectes.

Enfin, la part de matière concernée est publiée. Indiquer combien de documents ont une date constatée, combien une date reconstituée et combien ont été écartés faute de datation exploitable permet de juger de la portée du résultat. Un indicateur recalculé sans les dates reconstituées est publié à côté de l'indicateur principal : si les deux valeurs diffèrent nettement, c'est le traitement des dates, et non le phénomène étudié, qui explique le chiffre.

Questions fréquentes

Peut-on utiliser la date de collecte comme date de publication ? Non, sauf pour une source surveillée en continu et publiant en flux, où l'écart entre publication et collecte se compte en minutes. Dans tous les autres cas, la date de collecte est une borne haute : elle dit que le document existait déjà, pas qu'il venait de paraître.

Comment repérer un contenu republié sous une date récente ? Par recoupement : recherche du même texte ou de passages caractéristiques sur d'autres supports, examen des références internes au document, comparaison avec les captures d'archive antérieures. Une republication se trahit presque toujours par une mention datable plus ancienne que la date affichée.

Que faire d'un document dont la date reste indéterminée ? Le conserver dans le corpus, le marquer comme non daté, et l'exclure des calculs de délai. Il reste utile pour les analyses thématiques, la cartographie des sources ou l'identification des acteurs, qui ne supposent aucune chronologie.

Faut-il rejeter les sources qui datent mal leurs contenus ? Pas systématiquement. Une source mal datée mais riche en signaux précoces garde sa valeur pour la détection ; elle perd seulement son éligibilité aux mesures de délai. Distinguer les deux usages évite d'appauvrir le corpus au nom d'une exigence qui ne concerne qu'une partie des traitements.