Mémoires du Covid-19 et archives du Web : pour une analyse quantitative du dépôt légal de la BNF
Notice bibliographique
Résumé
Une impressionnante quantité de traces numériques ont été produites lors de la crise sanitaire du Covid-19, dont certaines ont fait l’objet de collectes institutionnelles. Cet article vise à étudier comment les archives du Web jouent un rôle fondamental dans la construction de la mémoire collective. D’un point de vue thématique, notre travail s’efforce de comprendre comment ces archives offrent une opportunité exceptionnelle d’étudier les phénomènes liés au Covid-19. Nous nous concentrerons en particulier sur les archives du Web du dépôt légal de la Bibliothèque nationale de France (BNF) que nous avons pu explorer dans le cadre du projet Web-mémoires, développé en collaboration avec le DataLab de la BNF et soutenu par le Labex Les passés dans le présent. D’un point de vue méthodologique, cet article traite de la problématique de l’analyse de ces archives du Web. En particulier, nous visons à proposer un workflow inédit pour l’analyse quantitative des archives du Web de la BNF à partir d’une thématique ciblée qui prend en compte les contraintes techniques et juridiques liées à ce type de données et à leur consultation dans le cadre du dépôt légal du Web.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,010 | 0,046 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,009 | 0,010 |
| Études des sciences et des technologies | 0,004 | 0,005 |
| Communication savante | 0,014 | 0,011 |
| Science ouverte | 0,002 | 0,004 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 0,002 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».