Archives de catégorie : lecture distante

De la « psychose » à la crise : le coronavirus dans la presse française.

« S’est-il passé autre chose ? » La crise sanitaire du coronavirus absorbe toute l’attention médiatique, alors que les mesures de confinement affectent la vie quotidienne de la moitié de l’humanité. C’est d’emblée un événement hors norme dans mon domaine de recherche, l’histoire des médias. Hors période de guerre, l’agenda médiatique n’est quasiment jamais bousculé à ce point.

Plusieurs projets ont déjà été entrepris pour collecter « en direct » des informations, archives et données sur la crise ce dont témoigne la compilation des ressources historiques de Frédéric Clavert. De mon côté j’ai spontanément commencé à réunir un large corpus de la presse quotidienne française nationale et régionale couvrant la réception médiatique de l’épidémie depuis ses premières manifestations en Chine début janvier jusqu’au 21 mars inclus.

Je n’avais pas initialement d’objectif précis, juste une volonté de comprendre un aspect de la crise à l’échelle de mon domaine de compétence. Cette exploration préliminaire a fait émerger un résultat paradoxal : l’un des discours les plus médiatisé est un discours critique de la médiatisation et du sensationnalisme des médias appelant à « relativiser » l’ampleur de l’épidémie réduite à une simple psychose irrationnelle.

De l’analyse scientifique à la crise sociale : les étapes de la réception médiatique

Le corpus comprend actuellement 35 258 articles avec une occurrence de « coronavirus » dans Europresse1 . J’ai pris la décision pour l’instant d’exclure la presse spécialisée et, surtout, la presse en ligne : la couverture d’Europresse y est nettement moins bonne. Il faudrait une autre étude et d’autres moyens — probablement une extraction automatisée de Google News qui n’est malheureusement pas l’environnement le plus accueillant pour les projets de text mining.

Pour analyser ce corpus j’ai mis à profit les méthodes de « lectures distantes » expérimentées à une très grande échelle par le projet ANR Numapresse pour les archives de presse du XIXe et du XXe siècle. Nous avons notamment appliqué des outils de classifications automatisés par genre à l’ensemble de la presse quotidienne nationale numérisée par Gallica de 1820 à 1940. Il devient possible de suivre l’évolution quantitative d’un genre journalistique sur une très longue période et d’extraire automatiquement des sous-corpus comme les pages cinéma hebdomadaires. Ces données nouvelles ont été notamment mises à profit pour un livre sur la viralité médiatique avant Internet que je publie prochainement avec Marie-Ève Thérenty et Julien Schuh aux Éditions du CNRS.

J’ai développé un nouveau modèle de classification approprié au corpus en annotant manuellement un millier d’articles selon douze thématiques ou angles journalistiques qui caractérisent les différentes dimensions de la crise de l’organisation de la quarantaine aux problèmes d’approvisionnement.

La classification automatisée permet de distinguer clairement différentes phases de réception du virus. Les premiers articles relaient des analyses scientifiques d’un virus « mystérieux » à l’origine d’une épidémie alors lointaine. Les premiers cas apparaissent à la fin janvier. Tout au long du mois de février les médias font état de la progression de l’épidémie en France et à l’étranger ainsi que des inquiétudes croissantes des milieux économiques (à noter le cycle « hebdomadaire » des nouvelles économiques qui font généralement relâche le week-end). En mars, la couverture médiatique change profondément alors que la société française s’achemine inévitablement vers un confinement de masse : mesures de quarantaine, difficultés d’approvisionnement et, surtout, annulation d’événements en cascade. À cette date, l’épidémie est devenue un événement total qui s’insinue dans toutes les colonnes de la presse des grands titres de la une au carnet du jour.

La classification automatisée simplifie surtout la réalisation d’études « qualitatives » en permettant de rapidement focaliser le corpus sur un certain aspect de la crise. Par exemple il est possible de récupérer uniquement les articles ayant trait à l’organisation interne des hôpitaux ou, inversement, d’exclure d’emblée certaines thématiques qui ne seraient pas pertinentes (comme les nombreuses annulation d’événements sportifs et culturels à partir de mars).

Quand la hantise de la contagion médiatique devient contagieuse

Les premiers articles scientifiques parus dès janvier informent correctement sur la nature de l’épidémie : « Les chiffres actuels indiquent que la mortalité de ce virus serait de 3 à 4 %. » (La Tribune, 25 janvier), « sa létalité ne serait « que » de 3 % des personnes malade » (Les Échos, 27 janvier).

Ce constat factuel, toujours valable, est rapidement dépassé par un discours ambivalent fréquemment porté par certains professionnels de la santé : le virus est bien moins meurtrier en chiffre absolu que la grippe saisonnière qui tue en moyenne 10 000 à 12 000 personnes (sans doute un peu moins cette année avec la démocratisation de mesures de barrières puis la généralisation du confinement).

De circulation en circulation, le discours de relativisation est dépouillé de ses éléments contextuels (« jusqu’à présent »). Il se transforme en vérité générale : « le docteur **** appelle à ne pas céder à la psychose face au coronavirus et rappelle que la grippe est, à ce jour, beaucoup plus mortelle » (Le Progrès de Fécamp, 27 février : les noms des personnes non célèbres ont été anonymisées), « si on déployait la même arithmétique médiatisée et anxiogène pour la simple grippe saisonnière, qu’entendrait-on ? » (Le Télégramme, 7 mars). Les experts sollicités pointent le décalage entre la « surréaction » suscitée par le coronavirus et l’attentisme qui entoure le retour périodique de la grippe : « l’urgentiste Patrick Pelloux appelle lui à raison garder » (Santé, 27 janvier), « le docteur **** est plus inquiet des dégâts causés par la grippe » (La Croix, 31 janvier), « les équipes du SAMU rappellent que la grippe reste bien plus menaçante » (Le Monde, 30 janvier), « les pharmacies sont plus inquiètes pour la grippe que pour le coronavirus » (La Dordogne Libre, 26 février), [pour Michel Cymes] « il n’y a pas de psychose à avoir. Ce n’est qu’une grippe. » (Aujourd’hui en France, 3 mars).

La sur-préparation de la grippe H1N1 en 2009 est largement vue comme un piège à éviter : « l’épidémie de grippe H1N1 et ses nombreux ratés » (Libération 28 janvier), « on en a trop fait dans le cas de la grippe A H1N1 avec des stocks de vaccin ou d appareils » (Ouest-France, 30 janvier); Le risque d’une réaction excessive est encore pointé à la veille du passage en stade 3 et de l’instauration du confinement : « Le bilan est parfois décorrélé des peurs. La panique provoquée par la pandémie de grippe A (H1N1) en 2009-2010 — et par la réaction catastrophique des pouvoirs publics de l’époque — ne se reflète pas dans les chiffres : moins de 1 400 cas graves en réanimation et 312 décès. » (Sud Ouest, 13 mars).

Ce discours laisse des traces. De nombreux lecteurs et témoins de la presse régionale s’en approprient les termes : « je n’y crois pas à tout ce qu’ils racontent La grippe saisonnière fait davantage de morts que leur coro » (La Dépêche du Midi, 11 mars), « C’est beaucoup de cinéma. C’est moins grave que la grippe. » (témoignage dans Ouest-France, 14 mars).

La mise en place progressive du confinement à la mi-mars suscite immédiatement des incompréhensions et témoigne de l’ampleur du décalage entre le récit médiatique et la réalité de la pandémie : « On ne ferme pas le monde entier pour une simple grippe » (La Montagne, 14 mars), « On nous dit que c’est une grippe un peu plus virulente et on prend des mesures historiques » (Midi Libre, 14 mars), « La grippe n’a jamais provoqué la fermeture des bars, alors qu’elle tue davantage. Pourquoi une telle décision? » (témoignage d’un commerçant dans L’Union du 15 mars), « Quand je les ai informés des annonces d’Édouard Philippe, ils étaient ébahis. Ils ont fait des remarques du genre : La grippe, ça fait 10.000 morts. À la prochaine épidémie de grippe aussi ils ferment les restos ? » (La République du Centre, 15 mars).

Pourquoi parler de psychose ?

Un terme revient comme un leitmotiv pour décrire l’emportement médiatique face à l’épidémie : la psychose (953 articles du corpus). L’expression commence à être utilisée fin janvier. Elle est largement disséminée pendant la période allant du développement de l’épidémie en France à l’instauration du confinement.

La psychose est décelée d’abord en Chine : « la psychose gagne Hong Kong » (La Dépêche du Midi, 25 janvier). Elle apparaît rapidement en France avec de premières ruptures de stocks dans les pharmacies : « le début de psychose qui aurait provoqué une ruée sur les masques de protection » (La Nouvelle République du Centre-Ouest, 29 janvier).

La psychose apparaît comme une maladie dans la maladie qui pourrait bien causer plus de dangers que le virus lui-même : « Un véritable phénomène de psychose collective qui a un nom de code coronavirus » (Midi Libre, 30 janvier). Pour un médecin « l’on en parle peut-être trop, au risque de favoriser la psychose » (Le Progrès de Fécamp, 27 février). La psychose est intrinsèquement lié à un discours de maintien de l’ordre réduisant la société à une population instinctive et irrationnelle : « La population s’affole un peu. Cette psychose est maintenue par certains médias au niveau national » (Nord Éclair, 3 mars). Dans ce contexte, l’enjeu essentiel pour les autorités (et plus indirectement pour une partie de la presse) « est aussi de maîtriser la psychose des gens » (Aujourd’hui en France, 26 janvier). Sans surprise, l’expression « psychose » est largement attesté dans la couverture médiatique des problèmes d’approvisionnement (10% des articles classés dans notre corpus) et des mesures de quarantaine (5,3% des articles).

La notion de psychose collective n’a plus de base scientifique solide aujourd’hui. Ce schéma d’explication a été progressivement abandonné par les spécialistes en sociologie des médias et media studies. Il a par contre un sens politique bien précis. Les premières occurrences de « psychose collective » apparaissent au début du XXe siècle sous la plume d’intellectuels conservateurs comme Paul Bourget2 ou Gustave le Bon dans la perspective d’une critique frontale des régimes démocratiques et de la légitimité de l’élection au suffrage universel.

Paradoxalement le discours de la psychose collective prépare son exact envers : la critique de l’irresponsabilité d’une foule incapable de se maîtriser et d’appliquer correctement les mesures de confinement. En moins d’une semaine l’état d’urgence sanitaire s’est considérablement renforcé remettant en cause de nombreux principes fondamentaux des libertés publiques et facilitant la généralisation de techniques de contrôles inédites. Exploitation données de connexion téléphoniques, surveillance par drone, reconnaissance faciale : face à la situation d’urgence tous les moyens paraissent bons pour imposer de force la distanciation sociale à des populations a priori désobéissantes et sujettes à des psychoses incontrôlables.

au nom de l’effet cliquet qui régit la vie de nos institutions contemporaines, il n’est pas absurde de se demander si ces décisions sanitaires, une fois mises en œuvre, perdureront dans le temps comme un vulgaire état d’urgence3 .

Le discours de la psychose prend un autre sens dans le contexte actuel. Il est fréquemment associé à la dénonciation des « fake news » et plus largement à une vision militarisée (weaponization) et verticalisée de la communication4 . À la « guerre sanitaire » lancée par le gouvernement répond une forme de guerre médiatique où les individus sont de nouveau assimilés à une population civile à contrôler et protéger malgré elle.

En amont, une fracture communicationnelle ?

Le traitement médiatique d’un événement hors norme est évidemment un exercice complexe. Dès janvier, Sud-Ouest anticipe la position très délicate de la presse dans un billet réflexif sous le titre (approprié) « contagion médiatique »

Si les médias n’en parlent pas, on les soupçonne de cacher des choses, s’ils en font leurs gros titres, on leur reproche d’affoler la population. Toute la difficulté dans ce genre d’événements est de rendre compte des faits sans dramatiser en prenant en compte une réalité relativement récente.

L’analyse du corpus suggère que la couverture « directe » de la crise n’est pas parvenue à trouvé le juste équilibre : la gravité de la pandémie a été excessivement relativisée quasiment jusqu’à l’instauration des mesures de confinement. Néanmoins, c’est aussi dans la presse que les dysfonctionnements du dispositif de gestion de crise commencent à être mis au jour.

Les premiers signes de pénurie de fourniture médicale apparaissent dès la fin janvier : des pharmacies se retrouvent à court de masques. Le 26 janvier le Midi Libre fait état de « quarante-huit heures de folies » : « On est en rupture de stock. Les gens les achètent par boîtes entières. C’est irrationnel ». La pénurie se répand très vite dans toute la France (Angers, Lyon, Toulouse, Bordeaux…) et affecte rapidement d’autres produits comme les gels hydroalcooliques. La ministre de la santé doit faire une communication officielle : « nous avons des dizaines de masques en stock en cas d’épidémie » (Le Monde, 28 janvier).

Les informateurs locaux sont tout de suite moins optimistes. Un pharmacien constate que, même s’il n’y a pas encore une réelle pénurie les « stocks ne sont pas grands » (Charente Libre, 29 janvier). À Lyon, un industriel spécialisé dans ce type de produit s’avoue incapable de suivre la demande : « Si les chinois ne rouvrent pas leurs usines cela risque d’être compliqué » (Le Progrès, 2 février). Le Monde publiera finalement une enquête détaillée un mois plus tard : la France n’a pas de « plan b » en cas de pénurie de médicament, faute d’accès aux fournisseurs chinois.

Les sources locales s’interrogent également sur le degré de préparation réel des institutions médicales. Faute de retours de leur hiérarchie des soignants doivent aller à la pêche aux informations sur Internet : « La nuit dernière, nous avons appris la confirmation d’un cas via les réseaux sociaux, poursuit une autre infirmière. Il y aurait huit suspicions, mais je n’ai que des bruits de couloir. » (Ouest-France, 29 février). À la fin février, plusieurs médecins interrogés par le Parisien s’alarment du manque de tests et de réactivité des autorités : « Ils ne réalisent pas que l’Ile-de-France est devenue une zone à risque! ». (29 février). Le 4 mars, Le Monde publie une enquête détaillée sur les inquiétudes croissantes des EHPAD : pour la directrice de l’un de ses établissements « le pire est à venir ».

Ces témoignages dessinent en filigrane une forme de « fracture communicationnelle » qui fait largement écho à la fracture sociale : à rebours de l’idéal d’une « société d’information » horizontale héritée des années 1990 les administrations publiques ou privées communiquent de moins en moins en pratique. Les clients, les usagers et même les employés peinent à obtenir des informations cruciales et, inversement, les retours du « terrain » ne sont suffisamment pas pris en compte. Pour de nombreux professionnels de la santé, les voyants rouges se sont multipliés dès février : manque de moyen, préparation insuffisante et déficience des infrastructures. Et pourtant les autorités n’ont pris, en cascade, des mesures fortes que deux à trois semaines plus tard.

  1. Je peux communiquer le corpus à quiconque en fait la demande []
  2. En 1909, Paul Bourget introduit l’expression dans la presse française pour décrier l’abandon rapide de la religion catholique dans la vie publique : le pays est libre à « une sorte de psychose collective » (Supplément littéraire du Figaro, 24 avril 1909). []
  3. Olivier Tesquet, Ce que dit le Coronavirus de notre soumission à la surveillance []
  4. Sur la militarisation de la communication sur les réseaux sociaux voir, Peter Warren Singer & Emerson T. Brooking Likewar: the Weaponization of Social Media, Houghton Mifflin Harcourt, 2018. []

Reconstituer les genres romanesque sur Gallica : essai de classification automatisée de 1500 romans (1815-1850)

Au XIXe siècle, 40 235 éditions de roman ont été publiées en français d’après le Catalogue de la BNF, la plupart correspondant à des éditions uniques. De cette immense production, guère plus d’un centième est aujourd’hui connu et couramment étudié. Cette sélection radicale occulte d’importants développements de l’histoire culturelle. Près de la moitié des romanciers étaient des romancières de 1800 à 1830 : leurs œuvres ont été totalement oubliées et sont seulement en train d’être redécouvertes grâce à des projets comme deuxième texte.

Aujourd’hui, un tiers de ces éditions sont aujourd’hui numérisées sur Gallica. Peut-être près de la moitié sont disponibles en ligne toutes bibliothèques numériques confondues.

Si ce patrimoine oublié redevient accessible, il n’est pas « visible » pour autant. Il est difficile de se retrouver dans ce maquis : contrairement à d’autres productions éditoriales, le roman est historiquement peu documenté. Les textes historiques ou médicaux de la BNF sont catégorisés dans des centaines de cotes ou de classifications Dewey avec un degré de précision parfois surprenant — on peut ainsi retrouver tous les traités d’Hygiène chevaline ou toutes les biographie des prix de vertus.

Pour les romans, il n’existe aucune subdivision : il n’est pas possible de chercher toutes les fictions du XIXe siècle se situant au Japon ou dans un futur proche ou lointain. Même des genres fondamentaux, comme le roman historique ou le roman d’aventures sont introuvables.

Les nouveaux outils des humanités numériques pourraient combler ce manque. J’ai créé une application permettant d’explorer les genres de 1500 éditions de roman parues entre 1800 et 1850, selon quatre classifications canoniques à l’époque (roman historique, roman de mœurs, roman chrétien, roman sentimental) et deux classifications plus diffuses (drame, robinsonade/roman d’aventures). Des probabilités de classification sont assignées à chaque texte.

Liste des romans les plus emblématiques de chaque genre. Le menu déroulant sur la gauche permet de sélectionner un seul genre. Les liens ramènent directement sur Gallica.

L’application a pour effet indirect de faire remonter des textes méconnus. Les romans historiques les plus « roman historique » ne sont pas de Dumas mais Wat-Tyler ou dix jours de révolte ou La chute d’un grand homme doté d’un sous-titre évocateur et intrigant : Des princes norwégiens, des ruines de Rothembourg, de l’aveugle de Valence et d’une nuit au fort de Derpt.

Cette prédilection est logique : la classification met en avant les textes qui surjouent leur appartenance générique et leur maîtrise de « codes » stylistique socialement reconnu. Par contraste, Dumas procède davantage à un mélange des genres — tout en ayant une composante « roman historique » forte, la Reine Margot est plutôt classée en drame.

Les classifications retenues pour la Reine Margot d’Alexandre: le Drame l’emporte finalement sur le roman historique. Les classifications peuvent être visualisées pour tous les titres du corpus à partir du second panel.

Les coulisses de la classification

L’application s’appuie sur une classification du texte intégral des romans dite « non supervisée ». Concrètement, les récurrences dans le vocabulaire employé d’un roman à l’autre suggère des recoupements possibles. Les six classifications du modèle tendent ainsi à privilégier les mots suivants :

Termes privilégiés par le modèle de classification automatisée des romans de 1815 à 1850.

On voit se dessiner dans chacune de ces catégories des proto-romans, une sorte de canevas idéal et moyen de se que serait le roman d’aventures (un navire accostant l’île au trésor), le drame (le docteur engagea le duel à l’ombre de la cheminée) ou le roman de mœurs (la veuve propriétaire se rendant à l’opéra).

Je privilégie rarement cette approche. Moyennant un important travail en amont, la classification dite « supervisée » offre des résultats plus fiables. Ici le modèle ne crée pas ses propres catégories (qui doivent ensuite faire l’objet d’une interprétation) mais tente de les reconstruire à partir d’un corpus manuellement annoté. C’est l’approche que nous avons mis en œuvre au sein du projet ANR Numapresse pour classer automatiquement les genres journalistiques dans l’ensemble des exemplaires parus du Matin ou du Petit Parisien de 1900 à 1940.

Pour l’instant, cette méthode reste difficilement applicable aux romans du XIXe siècle : bien que les genres ou « classes » du roman soient communément discutées, je n’ai pas trouvé pour l’instant de listes ou de recensions contemporaines suffisamment larges et exhaustives pour construire un modèle (je suis d’ailleurs preneur de suggestions…)

Étrangement, cette approche serait faisable pour le XVIIIe siècle : on y trouve sans difficulté des listes détaillées de roman par genre. Dès 1719 on trouve des tables détaillées des « romans historiques » alors même que l’expression n’était quasiment pas employées. Les 240 volumes de l’anthologie La Bibliothèque universelle des romans, parue de 1775 à 1789 à se livrent même à une véritable frénésie classificatoire digne de l’Encyclopédie :

Les sujets traités par la B.U.R. se divisent en huit classes inspirées de celles de Lenglet Dufresnoy : les traductions des anciens romans grecs et latins ; les romans de chevalerie (…) ; les romans historiques (…) ; les romans d’amour, y compris beaucoup d’ouvrages contemporains dès 1780 ; les romans de spiritualité, de morale et de politique ; les romans satiriques, comiques et bourgeois ; les nouvelles historiques et les contes ; et les romans merveilleux. L’intention de traiter méthodiquement les huit classes se transforma à partir du cinquième volume, ces limites ne répondant ni aux textes disponibles ni aux désirs du public. La notation de la classe devient de plus en plus irrégulière dans les volumes qui restent, pour disparaître presque complètement dans les deux dernières années. On sent aussi des difficultés d’organisation dans certaines décisions de classement plus ou moins arbitraires1

Il y aurait sans doute des choses à dire que l’usage ou l’abandon des classifications appliquées à la littérature. Pourquoi la Bibliothèque universelle s’évertue-t-elle à maintenir tout un système de classe en révision constante alors que son continuateur de 1839, la Revue des romans, renonce d’emblée à tout essai de catégorisation ?

La classification non supervisée ne devait être qu’un test préliminaire ; elle a donné des résultats étonnamment bons. Spontanément, la quasi-totalité des titres dotés d’un sous-titre « roman historique » ou d’un sous-titre « roman de mœurs » se retrouvent rattachés à une seule des six catégories. Sans avoir aucune donnée méta-textuelle, en s’appuyant uniquement sur le contenu effectif des romans, le modèle est parvenu à déduire des appartenances globalement justifiées.

Les romans portant le sous-titre « roman historique » se retrouvent généralement classés tous ensemble — alors que le modèle n’en savait rien…

Ce n’est pas tant un succès de l’intelligence artificielle que la conséquence de la codification déjà avancée des genres romanesques au cours de la première moitié du XIXe siècle. Les catégories répertoriées, par exemple, dans l’Histoire de la littérature de Godefroy n’étaient pas que des délimitations purement théoriques : elles avaient une opérationnalité pour les autrices et les auteurs, ainsi que pour les lectrices et les lecteurs.

Tous les genres ne sont cependant pas égaux en terme de reconnaissance sociale. Sur l’ensemble de la production romanesque recensée dans le Catalogue de la BNF, l’on décompte 140 sous-titres « romans historiques » ou 46 sous-titres « romans de mœurs » ; le « roman sentimental » et le « roman chrétien » sont quasiment absents ; le « drame » et la « robinsonade » demeurent de simples propositions de recoupements du modèle, justifiée dans le second cas par la montée en puissance du roman d’aventure pendant la deuxième moitié du siècle. Le catalogue ne conserve généralement que les sous-titre utilisés dans l’œuvre elle-même mais j’ai pu constater que les maisons d’édition ajoutaient fréquemment des sous-titres généricisés à des fins promotionnelles.

Vers une reconstitution de la dynamique des genres ?

Si les six classifications que j’ai proposées ici fonctionnent correctement, elles n’épuisent absolument pas la totalité des catégorisations fondées. D’autres essais ont ainsi fait remonter des genres plus confidentiels, comme le roman maritime (occasionnellement utilisé en sous-titre) qui va ultérieurement se fondre comme la robinsonade dans le roman d’aventures. Le genre non plus romanesque mais personnel est un également facteur déterminant de la délimitation du genre. La Revue des romans ne retient en introduction qu’une unique distinction entre les romans « de femmes » et d’hommes qui rejoue, de manière caricaturale, les assignations de genre et les ségrégations sociales en vigueur dans la France de 1839 :

Par le roman, les femmes sont intervenues dans la littérature avec la grâce et la délicatesse qu’elles savent mettre à toute chose ; le choix des sujets, les sentiments, la sensibilité, même le vague de l’expression, ont été pour elles des moyens de succès ; mais dans leurs productions il faut aussi choisir. Les hommes font du roman un cadre pour tous les tableaux : l’histoire avec ses scènes tragiques, le drame bourgeois avec ses émotions, la comédie avec son langage railleur, la farce avec son gros rire, y trouvent leur place ; la terreur et la pitié, la critique de mœurs, le merveilleux, le positif, les sciences même, dans leurs détails les plus minutieux ou dans leurs résultats les plus sommaires, en un mot, le monde est le domaine du romancier.

Un autre essai de classification que j’ai mené avec Mathieu Letourneux sur un corpus de romans policiers publiés depuis 2000 portait également sur la contribution des structures éditoriales à la formation de sous-genres : il est possible de prédire l’appartenance des textes à une dizaine de collections éditoriales du policier.

La numérisation de masse et, sous réserve d’être utilisés avec un regard critique, les outils de classification automatisés éclairent ainsi d’un jour nouveau la dynamique du genre littéraire avec ses fusions et ses décantations stylistiques et, surtout, ses interactions profondes avec les réalités sociales contemporaines (des rapports de genre à la structuration économique du champ de l’édition). Cela reste très largement un work in progress, notamment dans la mesure où des pans entiers de la production romanesque restent à numériser et que les choix de numérisation ne reflètent pas nécessairement la diversité du champ éditorial.

Plus prosaïquement, ces approches nouvelles permettent de trouver des romans oubliés et de varier les plaisirs de lecture. En attendant des croisements plus ambitieux par thèmes, mon premier essai de classification fait émerger tout un tas de titres intrigants qui n’ont probablement quasiment plus eu de lecteurs entre leur parution et leur résurrection numérique sur Gallica…

  1. Fabio Marinai, « La Bibliothèque Universelle des romans », Dictionnaire des journaux, 1660-1789, http://dictionnaire-journaux.gazettes18e.fr/journal/0172-bibliotheque-universelle-des-romans []

Les bibliothèques numériques sont-elles représentatives ?

Au terme de 20 ans de programmes de numérisation, les bibliothèques numériques atteignent des dimensions colossales : il y a 4 millions de documents en libre accès sur Gallica et 5 millions sur son équivalent américain, Hathi Trust.

Et pourtant « colossal » ne veut pas dire « représentatif ». Certains référendums en ligne illustrent bien cette nuance : tout en récolant parfois beaucoup plus de réponses que les sondages classiques, ils sont notoirement moins fiables. Ils mesurent surtout la propension de certains groupes politiques à se mobiliser pour y répondre — quand ils ne sont pas complètement détournés par des votes multiples, avec ou sans robots…

Si elle n’est pas détournée par des groupes de pression, la numérisation n’est non plus une activité purement « aléatoire ».  Elle découle la conjonction de choix documentaires, déterminés par plusieurs contraintes ou opportunités externes : « prestige » ressenti du corpus, état de conservation, articulation avec des projets de recherche, intégration dans des dispositifs d’indexation antérieurs — sans compter les restrictions budgétaires qui amplifient tout le reste…

Cet enjeu méthodologique de la représentativité déborde complètement du cadre des humanités numériques. La recherche par mots-clés dans les bibliothèques numériques s’est généralisée, devenant pour de nombreuses études une porte d’entrée par défaut. Sans même tenter de quantifier les occurrences, la consultation prioritaire des documents qui « remontent » dans le moteur de recherche affecte notre perception de l’objet ou du corpus étudié — même si cela n’exclut en rien des des retours critiques ultérieurs.

Transformer le Catalogue de la BNF en une collection de fichiers csv

Dans le cas de Gallica, une excellente ressource permet de lever un coin de voile : Data BNF. Dans la continuité du mouvement d’ouverture des données culturelles, une grande partie des métadonnées de la BNF est aujourd’hui disponible sous une licence ouverte.

Le format utilisé (du web sémantique en RDF) se prête bien à l’indexation de relations complexes. Typiquement, un livre peut avoir plusieurs auteurs, qui peuvent avoir contribué à plusieurs livres — sachant qu’il existe tout un dégradé de « contributions », de la rédaction de l’ensemble du livre, à celle de sa préface, en passant par la coordination d’un ensemble textes dans le même ouvrage.

Exemple d’entrée RDF d’une édition dans Data BNF

Ce format complexe ne se prête pas très bien à l’analyse de données sur un ordinateur personnel (raison pour laquelle, la BNF met à disposition un point SPARQL) Notamment, les fichiers sont très volumineux (20 gigaoctets pour l’ensemble des « éditions » : soit bien au-dessus des capacités standards de mémoire vive) et rangés de manière arbitraire (apparemment l’ordre dans lequel les documents ont été rentrés dans le catalogue de la BNF).

Avec un petit script en python, j’ai procédé à l’extraction des principales métadonnées de toutes les éditions antérieures à 1900. Chaque édition a été rangé dans un document en csv correspondant à une année. La collection complète peut être téléchargée par ici : elle compile les métadonnées de 1665095 éditions et « pèse » 400 mégaoctets (100 mégaoctets en version compressée). Chaque année peut être ouverte dans un tableur classique de type excel, même si l’application risque de tousser un peu à mesure que l’on se rapproche de l’année 1900.

Extrait de la collection de fichiers csv

À noter qu’il s’agit ici des éditions et non des œuvres : un même écrit peut figurer à plusieurs reprises. Il existe bien un recensement des œuvres en RDF mais il est pour l’instant très incomplet. Pour l’instant les auteurs ne sont pas mentionnés : c’est au programme d’une version future — il faudrait que je croise les documents csv avec le fichier RDF des « contributions » et celui des « auteurs ». Enfin, j’ai laissé les années telles qu’indiquées et les documents antérieurs à 1000 sont manipuler avec précaution : la BNF utilise apparemment des abréviations (19…) en cas d’imprécision.

Une couverture variable selon les époques

Il y aurait beaucoup d’enseignements à tirer de cette collection mais nous nous limiterons ici : quelle est la représentativité de Gallica au regard du catalogue de la BNF ? Toujours avec un petit script en python, nous pouvons extraire le nombre d’éditions du catalogue de la BNF disposant également d’un lien sur Gallica (qui correspond à la propriété rdarelationships:electronicReproduction en RDF).

Au total, 17,56% des éditions sont numérisées sur Gallica. C’est loin d’être négligeable : il ne s’agit que d’une seule bibliothèque.  En prenant en compte la totalité des publications disponibles sur l’ensemble des bibliothèques numériques, nous ne sommes peut-être plus très loin de cet objectif utopique : accéder à la totalité des documents imprimés dans le domaine public.

Cette proportion n’est pas uniforme dans le temps. Le graphe ci-dessous témoigne de variations substantielles : de 3% en 1530 (24 éditions numérisées sur 785) à… 31% en 1731 (813 éditions numérisées sur 2574) :

Editions du Catalogue de la BNF numérisées dans Gallica

Ces variations ne sont pas purement arbitraires. La tendance globale (représentée ici avec une courbe de régression en méthode Loess) témoigne de l’existence de trois « périodes » distinctes : des taux initialement bas en hausse constante pendant les XVe, XVIe et XVIIe siècles ; un palier élevé, supérieur à 20%, pendant tout le XVIIIe siècle ; un déclin continu amorcé à partir de la Révolution française.

Il n’y a sans doute pas d’explication simple à ces tendances mais je serai tenté d’y voir la conjonction de deux phénomènes : les documents anciens sont probablement plus coûteux à numériser (notamment en raison de leur fragilité) ; à mesure que l’on se rapproche de 1900, la production documentaire s’accroît fortement (et l’on commence à voir poindre les incertitudes sur le droit d’auteur). Entre ces deux écueils, le XVIIIe siècle constituerait un optimum de représentativité.

Sauf que… Nous avons jusqu’ici considéré le Catalogue de la BNF comme une référence absolu (à laquelle se mesurait plus ou moins bien Gallica). Rien n’est si simple : le Catalogue hérite lui-même d’une longue histoire assez passionnante, qui se confond avec celle du dépôt légal. Bien que théoriquement établi au XVIe siècle, le dépôt légal est très mal appliqué en pratique jusqu’au début du XIXe siècle : le progrès des techniques d’indexation permet alors d’établir cette remarquable base de données périodique qu’est la Bibliographie de la France.

Nombre d’éditions dans le Catalogue de la BNF

Si le catalogue s’approche d’un niveau d’exhaustivité idéal pendant les XIXe et XXe siècle, rien n’est moins sûr en-deçà. Une rapide inspection de l’année la plus représentative, 1731, instille le doute. Parmi les documents numérisés, nous trouvons beaucoup de cartes et d’arrêts du conseil d’État. Ils n’est pas totalement exclu que ces éditions n’ont été intégrées au Catalogue de la BNF qu’à l’occasion de leur inclusion dans Gallica…

Titre des éditions numérisées sur Gallica en 1731
Titre des éditions numérisées sur Gallica en 1731

Dans la mesure où elle entraîne une redéfinition des notions de « texte » ou d’éditions, la numérisation concourt peut-être à « créer » (ou du moins « instaurer ») des documents. Dans une bibliothèque, un arrêt n’est qu’une feuille volante qui ne va pas nécessairement être signalé dans les catalogues. Dans un système informatique, il devient un document comme un autre.

Gallica préfère les textes longs

Il existe une autre manière de mesurer la représentativité avec les données dont nous disposons : par le nombre moyen de page. Cette donnée figure souvent (mais pas toujours)  dans champ « description » et peut être extraite systématiquement à l’aide d’une expression régulière (ici avec R) :

scan_years %>%
 mutate(page_number = str_match(description, "(\\d+) ?p\\.")[,2]) %>%
 filter(!is.na(page_number)) %>%
 mutate(page_number = as.numeric(page_number))

Sur la période 1815-1870, le nombre moyen de pages des éditions numérisées est presque systématiquement plus élevé. Le différentiel avec les éditions non numérisées atteint même 30-40 pages pendant le Second Empire.

Les documents numérisés sur Gallica ont une pagination plus élevée

Cette préférence structurelle pour le texte long pourrait découler d’une préférence pour les grandes monographies. D’expérience, je retrouve bien plus souvent des textes romanesques, des traités scientifiques ou des annuaires que de petits opuscules ou pamphlets.

Comment « construire » la représentativité ?

Je pourrai poursuivre cet exercice avec d’autres données (notamment les éditeurs ou les lieux de publication, en attendant les auteurs), mais il deviendrait vite un peu frustrant. Deux informations essentielles manquent toujours à l’appel : les « genres » et les « sujets » abordés. La BNF dispose certes d’un référentiel prévu à cet effet, le RAMEAU. Il reste très peu employé pour les documents antérieurs à 1900 : dans le point SPARQL de Data BNF, quasiment aucun « roman » n’apparaît avant 1850. Or, manifestement, les variations constatées dans le temps ou sur le nombre de pages découlent au moins pour partie de prédilections plus ou moins explicites en faveur de tels ou tels corpus.

La représentativité reste encore aujourd’hui à « construire ». Elle ne peut uniquement s’adosser à des outils documentaires préexistants (qui sont eux même faillibles et incomplets) : il faut également repartir des textes eux-mêmes.

C’est là l’intuition fondamentale de la lecture distante. Chaque texte porte en quelque sorte sa « carte d’identité » : le lexique employé constitue une série d’indices stylistiques ou sémantiques permettant de classer et d’indexer le document. Une équipe de recherche américaine, coordonnée notamment par Ted Underwood, est ainsi parvenue à « cataloguer » automatiquement 13 millions d’ouvrages (dans le domaine public et sous droit d’auteur) d’Hathi Trust à partir du décompte du lexique. À partir de ces corpus libre accès, il devient envisageable, par exemple, d’observer la sédimentation sur le temps d’un genre littéraire comme la science fiction :

Probabilité d'attribution à la science fiction (Underwood, The Life Cycle of Genres)
Probabilité d’attribution à la science fiction (Underwood, The Life Cycle of Genres)

Ces nouvelles approches ne nécessitent pas seulement de lever des barrières techniques mais aussi légales. La revendication de droits de propriété intellectuelle sur des textes dans le domaine public (ou copyfraud) s’accompagnent bien souvent de restrictions contre le téléchargement.

Gallica restreint ainsi l’usage commercial des documents numérisés. Il n’existe pas d’API ou de dumps (soit de collections textuelles complètes) de Gallica : l’application Pyllica que j’avais développé avec Julien Schuh contourne cette difficulté en extrayant directement les pages web1 . À contrario, les métadonnées sont disponibles sous licence ouverte sur data BNF (et peuvent être téléchargées en une seule fois).

Néanmoins les bibliothèques numériques réduisent graduellement ces restrictions indues, en partie pour tenir compte de ces nouveaux enjeux. Alors que le copyfraud tend à s’insinuer dans la loi (notamment au travers de la Loi Valter), les bibliothèques passent graduellement à « une libre diffusion du domaine public numérisé » (ce qu’illustre notamment la conversion récente de la Bibliothèque de l’INHA à la Licence ouverte). Pour mes projets de recherche sur la presse quotidienne nationale, j’ai la chance de disposer du corpus Europeana Newspaper (disponible sous forme de dumps complets sous licence CC0).

Dans ce contexte, la levée de ces barrières et enclosures devient un enjeu scientifique majeur. La plupart des publications du domaine public sont peut-être aujourd’hui disponibles en ligne mais nous ne le savons pas. Pour être visibles et correctement indexés, ces immenses corpus doivent devenir mobiles : circuler librement d’un projet de recherche à l’autre, d’une infrastructure à l’autre et être continuellement enrichis au gré de ces passages.

  1. Pyllica va d’ailleurs bientôt recevoir une mise à jour substantielle : stay tuned []