Veille documentaire : les gestes qui font gagner du temps sur un corpus volumineux

La veille documentaire souffre d'une confusion courante : on la traite comme une question d'outil alors qu'elle est d'abord une question de définitions. Le temps passé sur un corpus dépend moins de la vitesse du moteur employé que de quelques décisions prises très en amont, souvent implicitement, et rarement écrites. Ce sont ces décisions que les sciences de l'information désignent par le mot geste, terme préférable à celui d'astuce parce qu'il renvoie à un savoir-faire réglé, transmissible et vérifiable.

La question du volume mérite elle aussi d'être posée correctement. Un corpus n'est pas volumineux à partir d'un nombre de documents. Il l'est dès l'instant où la lecture intégrale cesse d'être possible dans le temps disponible, et où toute réduction devient donc une décision méthodologique assumée. Ce seuil dépend de l'équipe, de l'échéance et de la densité des pièces : trois cents rapports techniques constituent un corpus volumineux, trente mille dépêches courtes parfois moins.

Cet article détaille les notions qui commandent réellement le temps passé, puis les quatre gestes qui en découlent. Il ne propose pas un guide généraliste de la veille documentaire, mais l'examen d'un point précis : ce qui fait qu'un même corpus se traite en trois jours ou en trois semaines, à outillage identique.

Ce qu'un corpus volumineux change à la nature du travail

Sur un petit corpus, l'analyste lit tout, et la méthode reste largement invisible : les erreurs de sélection ne se produisent pas puisqu'il n'y a pas de sélection. Au-delà du seuil de lisibilité, chaque document écarté l'est par une règle, explicite ou non, et la qualité du résultat final dépend entièrement de la qualité de ces règles. Le travail cesse d'être une lecture pour devenir la construction d'un dispositif de tri dont l'analyste doit ensuite répondre.

Cette bascule a une conséquence pratique sous-estimée : sur un corpus volumineux, le temps ne se perd presque jamais dans la lecture. Il se perd dans les allers-retours, la redécouverte de documents déjà vus sous une autre forme, la reconstitution de provenances mal notées et la relance de requêtes dont personne ne se souvient du réglage exact. Ces pertes sont invisibles individuellement et considérables cumulées.

Une seconde conséquence concerne la nature des erreurs. Sur un petit corpus, l'erreur est une erreur de lecture, individuelle et corrigible à la relecture suivante. Sur un corpus volumineux, l'erreur devient systématique : une règle de tri mal réglée écarte la même catégorie de documents à chaque exécution, silencieusement, sans laisser de trace visible dans le résultat. C'est pourquoi le contrôle qualité en veille documentaire ne consiste pas à relire ce qui a été retenu, mais à échantillonner ce qui a été écarté.

Bruit et silence : les deux notions qui commandent le temps passé

Le bruit désigne les documents rapportés par une requête sans être pertinents ; le silence désigne les documents pertinents que la requête n'a pas rapportés. Les sciences de l'information formalisent le même couple sous les termes de précision, la part de pertinent dans ce qui est retourné, et de rappel, la part de pertinent effectivement retrouvée. La propriété qui compte tient en une phrase : ces deux grandeurs varient en sens inverse.

Resserrer une requête pour se débarrasser du bruit augmente donc mécaniquement le silence, et l'élargir pour ne rien manquer fait revenir le bruit. Aucun réglage n'échappe à cet arbitrage, et croire le contraire fait perdre un temps considérable en réglages successifs qui déplacent le problème sans le résoudre. La seule décision utile consiste à choisir explicitement l'erreur que l'on préfère commettre, en fonction du sujet.

Ce choix se déduit de l'enjeu. Sur une veille réglementaire ou un contentieux, manquer une pièce coûte plus cher que lire cent documents inutiles : on privilégie le rappel et on accepte le bruit. Sur une veille de tendance ou un suivi de marché, l'exhaustivité n'apporte rien au-delà d'un certain point : on privilégie la précision. L'Observatoire de l'Intelligence Économique note que les dispositifs les plus chronophages sont ceux dont le réglage n'a jamais été tranché et oscille au gré des demandes.

Délimiter avant de lire : le geste qui économise le plus

Délimiter, c'est écrire ce qui appartient au corpus et ce qui n'en fait pas partie, avant d'ouvrir le premier document. Cette écriture porte sur quatre bornes : les sources retenues, la période couverte, les langues acceptées et les types de documents admis. Un rapport officiel, un communiqué, un article de presse et un billet de blog n'ont ni le même statut probatoire ni le même coût de traitement, et les mélanger sans le dire rend toute synthèse contestable.

La délimitation produit aussi la seule chose qui rende un travail documentaire reproductible : quelqu'un d'autre, muni du même périmètre, doit pouvoir reconstituer approximativement le même corpus. C'est le critère qui sépare une veille d'une collecte d'impressions. Une délimitation écrite se révise, et elle doit l'être à intervalle fixe, car un sujet qui dure fait apparaître des sources qui n'existaient pas au cadrage initial.

La délimitation gagne à être formulée par exclusion autant que par inclusion. Écrire ce que le corpus ne contient pas, les reprises secondaires qui n'apportent rien à l'original, les documents non datés, les traductions dont la version d'origine reste introuvable, évite les discussions de fin de projet sur ce qui aurait dû être vu. Cette liste d'exclusions est aussi ce qui rend les limites de la synthèse énonçables : une note qui indique son périmètre et ses exclusions se discute sur le fond, une note qui les tait se discute sur sa méthode.

Sur un corpus volumineux, le temps ne se perd pas à lire : il se perd à retrouver ce que l'on avait déjà lu.

Indexer et désherber : les deux gestes d'entretien du corpus

Indexer consiste à décider des points d'entrée dans le corpus avant d'en avoir besoin. Un document entrant reçoit quelques attributs stables : émetteur, nature de la pièce, thème principal, statut de vérification, date de publication distincte de la date de collecte. Le nombre d'attributs doit rester faible, cinq ou six, car un plan d'indexation trop riche n'est jamais appliqué avec constance, et une indexation appliquée à moitié coûte plus qu'elle ne rapporte.

Désherber consiste à retirer du corpus actif ce qui a cessé d'être utile : versions périmées d'un texte réglementaire, doublons issus de reprises, documents dont la source a disparu sans qu'aucune copie n'ait été conservée. Un corpus qui ne se désherbe jamais devient une archive dans laquelle chaque recherche coûte plus cher que la précédente. Le geste consiste moins à supprimer qu'à distinguer deux espaces : le corpus de travail, tenu court, et l'archive, conservée mais sortie du champ de recherche courant.

Ces deux gestes se tiennent l'un l'autre. Un plan d'indexation stable rend le désherbage mécanique, puisqu'il suffit de retirer les documents portant un statut périmé au lieu de rouvrir chaque pièce. À l'inverse, un corpus jamais désherbé rend l'indexation décourageante, parce que le volume à reprendre grandit plus vite que le temps disponible pour le traiter. La règle pratique consiste à fixer un rythme d'entretien, mensuel ou trimestriel selon la vitesse du sujet, et à le tenir même les semaines où rien ne semble l'exiger.

Tracer : ce que la chaîne de garde documentaire fait gagner en aval

La chaîne de garde documentaire consiste à enregistrer, au moment de la collecte, ce qui permettra plus tard d'établir la provenance d'une pièce : l'adresse exacte de la source primaire, la date et l'heure de collecte, la version consultée, et une copie locale du contenu tel qu'il se présentait. Ces informations coûtent quelques secondes à la collecte. Reconstituées trois semaines plus tard, elles coûtent des heures, et parfois elles ne sont plus reconstituables du tout.

C'est le point où l'outillage joue réellement. NewsCore (www.newscore.fr) couvre en continu des millions de sources, trie par intelligence artificielle et conserve pour chaque document le lien vers sa publication d'origine, ce qui supprime le travail de reconstitution de provenance en fin de chaîne. Le reste relève de la discipline de l'équipe : décider du périmètre, arbitrer entre rappel et précision, et tenir la révision du plan d'indexation dans la durée.

Questions fréquentes

À partir de quel volume un corpus documentaire devient-il ingérable ?

Il n'existe pas de seuil chiffré transposable, et les seuils que l'on rencontre sont des ordres de grandeur propres à une équipe. Le critère opérationnel est différent : un corpus devient volumineux dès que sa lecture intégrale n'entre plus dans le temps disponible avant l'échéance. À partir de ce moment, toute réduction est une décision de méthode qui doit être écrite, parce qu'elle détermine ce que la synthèse finale sera capable d'affirmer.

Comment réduire le bruit sans manquer de documents importants ?

On ne le peut pas entièrement, et c'est le point de départ d'un réglage honnête. Bruit et silence varient en sens inverse : toute requête resserrée écarte du pertinent avec de l'inutile. La pratique consiste à trancher selon l'enjeu, puis à mesurer. Prélever un échantillon de documents écartés et le relire manuellement donne une estimation du silence produit, et permet de corriger le réglage sur une observation plutôt que sur une impression.

Faut-il indexer manuellement un corpus de veille documentaire ?

L'indexation automatique traite le volume, l'indexation manuelle traite les distinctions que le sujet impose et qu'aucun classement générique ne connaît : le statut probatoire d'une pièce, son émetteur réel derrière un relais, sa pertinence pour la question posée. Le partage efficace confie l'attribution des métadonnées descriptives à l'outil, et réserve à l'analyste les deux ou trois attributs de qualification qui engagent la synthèse. Une indexation entièrement manuelle sur un corpus volumineux n'est jamais tenue jusqu'au bout.