Vers une cartographie de la crise de la Covid-19

1. Idée principale

L’idée principale est de réaliser une cartographie des discours qui permet d’explorer le positionnement entre les acteurs du web et les sites institutionnels qui traitent de la crise de la covid-19 entre janvier 2020 et avril 2022.

Il s’agit de comprendre comment circule l’information sur la covid-19 entre les différents types d’acteurs identifiés : collectivités territoriales, établissements de santé, presse et plateforme médicale, presse généraliste et locale, syndicats et associations dans le domaine de la santé, blogs, sites de vulgarisation, médias influence / infox…

L’hypothèse est que les acteurs produisant de l’information sur la covid-19 se repositionnent durant la première vague et le confinement de mars 2020, notamment en citant les sites institutionnels et gagneraient en centralité durant cette période. Cette orientation vers les institutions se relâcherait par la suite, lors des vagues suivantes.

2. Aspects méthodologiques

La méthode retenue consiste à utiliser les sélections réalisées par les chargés de collection dans le cadre de la collecte sur la Covid-19 et de crawler ces urls avec l’outil Hyphe pour établir trois cartographies. Le premier crawl porte sur les archives du web de 2020, période du premier confinement, et le second sur les archives de 2021. Une dernière cartographie a été établie en crawlant directement le web vivant et représente ainsi un dernier état pour l’année 2022. L’objectif est de pouvoir comparer dans le temps les résultats obtenus à partir d’une même base de départ. Il y a donc trois corpus réalisés avec Hyphe : deux corpus représentent une cartographie des archives de la BnF sur le thème du covid pour 2020 et 2021 ; un troisième corpus représente une cartographie du web vivant pour 2022. Les questionnements sur la nature des données représentées à travers ces trois différents corpus, les archives de la BnF ou le web vivant, sont un élément méthodologique central de cette expérimentation qui va nécessairement avoir un impact fort sur l’interprétation des résultats et l’appréciation des évolutions cartographiques observées.

L’objectif du groupe pour ce datasprint consiste à mettre au point une méthodologie reproductible, destinée au chercheur, qui lui permettra de crawler les archives du web et le web vivant en chargeant dans Hyphe un corpus massif préalablement structuré. Ainsi, l’outil Hyphe n’est pas utilisé lors de la première phase de constitution du corpus pour la découverte et l’annotation des premières entités. Le chargement initial en masse permet de peupler le corpus et de récupérer des jeux d’annotation préexistants pour pouvoir lancer rapidement un premier crawl et produire une cartographie ou plusieurs cartographies des archives sur des périodes définies.

Une chaîne méthodologique de production et de transformation de données, en quatre étapes, a été mise au point.

1. Le groupe est parti des sélections documentaires de la BnF en prenant l’intégralité des fiches réalisées par les chargés de collections contenant le mot clé “coronavirus”. Ces fiches sont mises à disposition à travers l’application BnF Collecte du web (BCweb). Cette application est destinée à gérer des ensembles de sites web devant être capturés, conservés et communiqués par la Bibliothèque nationale de France au titre du dépôt légal de l'internet. Elle permet aux agents de la BnF et de ses partenaires de sélectionner et de gérer (saisir, modifier, inactiver, contrôler) des sites à collecter. Cette sélection permet d’extraire un fichier csv contenant 6443 fiches qu’il convient de trier.
2. La seconde étape de cette chaîne méthodologique consiste à passer en revue l’ensemble de ces fiches afin d’identifier les acteurs intéressants au regard de la problématique de cette expérimentation. Ce travail ne pouvant se faire que difficilement à la main, il a fallu mobiliser des compétences techniques pour produire un script capable d’identifier les mots clés récurrents et avoir une meilleure visibilité du contenu du fichier. Cette étape est venue outiller un travail qualitatif manuel qui a permis d’identifier 965 URLs correspondants à des acteurs pertinents.

3. Pour monitorer le travail de collecte des trois corpus dans Hyphe et centraliser les opérations faites sur la base de données ainsi créée, le groupe s’est doté d’un tableau de suivi afin d’avoir une vue complète des données et de bien distinguer les différents corpus (corpus 1, la première partie de la pandémie : janvier 2020 à juillet 2020, corpus 2 : l’intégralité de l’année 2021, corpus 3 : le web vivant en 2022).

   Ce tableau a permis d’optimiser l’activité d'étiquetage des données. Hyphe permet de visualiser les données collectées sous la forme d’un graphe dans lequel chaque nœud est une web entité, ici un acteur, et où chaque couleur de nœud représente un type d’acteurs différents (par exemple jaune pour les acteurs institutionnels, bleu pour la presse, etc). Ces valeurs sont mutuellement exclusives. Cela signifie que, dans Hyphe, un nœud de la catégorie “acteur” ne pourra prendre qu’une valeur. Autrement dit un nœud qui aura pour valeur “presse” ne pourra pas prendre également la valeur “blog” dans la catégorie “acteur”.

   Ce tableau a également permis de circonvenir ce problème et d’optimiser l’activité d’étiquetage en ouvrant la possibilité de donner des étiquettes multivaluées aux web entités pour les importer dans un second temps.

   Ce tableau a également été un outil de travail important pour vérifier la pertinence des demandes de collecte à adresser à Hyphe. Ainsi un script a été mis au point pour vérifier que les URLs étaient pérennes dans les archives de la BnF et collectables d’une période à l’autre afin d’éviter des tentatives de collectes inutiles et la surcharge du serveur.

   Un second script d’import, garantissant l’uniformité des données sur les trois corpus dans Hyphe, a été programmé. C’est aussi à ce niveau que se joue un des enjeux du passage du web archivé au web vivant. Ici le choix de l’uniformisation des données va favoriser la cohérence des données représentées sur les trois périodes successives et faciliter les opérations de comparaison entre les trois corpus.

4. Deux crawls avec Hyphe en profondeur 3 sont lancés sur les archives de la BnF pour collecter les corpus 1 et 2 et un crawl est lancé sur le web vivant pour collecter le 3e corpus. La question de la granularité de la collecte a été discutée. L’idée est, pour cette expérimentation, de rester sur des collectes au niveau des sous-domaines pour rester sur la représentation des acteurs et ne pas tenter de représenter les divers contenus des pages.

3. Représentations

Pour aller un peu plus loin que les outils et les représentations disponibles dans Hyphe, plusieurs technologies ont été utilisées, notamment Nansi, Graphology,Sigma.js, D3.js. Dans le cadre de cette expérimentation, l’objectif était de pouvoir comparer les contenus de 3 corpus différents dans le temps afin d’en mesurer la pérennité (stabilité des acteurs dans le temps) et l’évolution (apparition et disparition d’acteurs). Pour cela, il a fallu créer des visualisations ad-hoc qui contraignent la spatialisation des nœuds pérennes afin qu’on puisse s’en servir comme point de repère au moment de l’analyse.

Atouts

Comparer ces trois graphes en maintenant une cohérence dans la spatialisation des nœuds permet également de faire un contrôle qualité sur les données représentées et de se rendre compte que, dans le cas du corpus 2021, aucun des sites de vulgarisation n’entretient de liens. Il s’agit d’un problème au niveau des collectes de la BnF sur la période. Les sites n’ayant été collectés que partiellement, il est impossible de reconstruire proprement la structure du réseau de liens. In fine, il est plus intéressant de faire l’impasse sur ce corpus et de comparer 2020 avec 2022.

Premier point positif, la comparaison entre les corpus 2020 et 2022 permet de faire émerger une structure de graphe commune entre web archivé et web vivant qui valide, en termes de contrôle qualité, la cohérence et la complétude de la collecte réalisée en 2020 par la BnF.

Comme on le voit sur l’image ci-dessus, les contenus s’organisent autour des mêmes acteurs institutionnels centraux. Le cluster des acteurs de vulgarisation est faiblement connecté mais reste pérenne d’une période à l’autre.

Second point positif, cette visualisation montre que pour des collectes massives, la représentation sous la forme de graphe pourrait être à la fois une bonne solution de documentation mais aussi une piste pertinente pour naviguer dans l’archive BnF.

Quelques observations

Plusieurs observations ont été faites à partir des cartographies du web archivé et du web vivant.

Un cluster de sites de vulgarisation scientifique a pu être mis en évidence. Ce cluster renvoie peu vers les sites institutionnels tels que ceux des ministères ou des institutions de recherche (inserm, CNRS, Institut Pasteur).

En 2020 comme en 2022, ils se sont fortement positionnés vers le site de l'institut hospitalo-universitaire en maladies infectieuses de Marseille (IHU Méditerranée infection) dirigé à l’époque par le professeur Didier Raoult. Ce positionnement se comprend en réaction à la place occupée dans le débat public par la personnalité de Didier Raoult et sa promotion de l’usage thérapeutique de l’hydroxychloroquine dans le traitement de la covid-19. Le site en lui-même renvoie vers les sites institutionnels du gouvernement et de centre de recherche (CNRS). À noter également que ce cluster ne se confond pas non plus avec un autre cluster de blogs médicaux tenus par des personnels de santé.

De fait, deux sites occupent une place plus centrale qu’attendue dans la cartographie. Le site de l’IHU Méditerranée infection à la fois en relation avec les sites de vulgarisation scientifique et les sites des grands médias presse et, dans un autre espace de la cartographie, le site Société Française de Microbiologie plus en lien avec les autres institutions de recherche et les CHU. La mise en place de plateforme documentaire et de veille par les acteurs du système de santé explique une autre observation faite, à savoir la présence dans la cartographie de revues scientifiques anglos-saxonnes de référence (The Lancet, National Library of Medicine) qui peut également être rattaché à un mouvement temporaire d’open access.

En 2020, “Méditerranée infection” cite les acteurs institutionnels “CNRS” et “defense.gouv.fr”. On observe que les nœuds présents en 2020 et 2022 ne sont pas les mêmes : même si les institutions restent les nœuds centraux, il y a un resserrement sur Sante.fr.

Pour revenir sur l’hypothèse initiale, la comparaison de des deux cartographies tend à démontrer que les institutions restent des nœuds importants en 2022 comme en 2020. Cette comparaison n’est cependant pas aisée. En effet, malgré un périmètre identique puisque les mêmes seeds de départ ont été utilisées pour 2020, 2021 et le web vivant de 2022, les crawls ont des caractéristiques qui tendent à les différencier et influencer sur les résultats. L’absence de réponse du site gouvernement.fr lors du crawl lancée sur les archives 2020, suite à un problème technique, explique l’absence de ce nœud essentiel sur la première cartographie. Les différences de politique de collecte, plus soutenues en 2020 qu’en 2021, tendent à rendre la cartographie de 2021 plus lâche. Au contraire, le crawl du web vivant en intégrant un plus grand nombre de liens dans l’analyse et donc des liens structurels préexistants à la pandémie renforce les effets d’hypercentralité – les algorithmes tendent alors à dissoudre certains clusters observés pour les cartes de 2020 et 2021, en particulier le cluster des blogs de vulgarisation scientifique bien visibles sur les cartes de 2020 et 2021.

Si l’on souhaite mettre en évidence les liens qu’entretiennent les clusters d’acteurs entre eux, on peut réaliser une représentation telle que ci-dessus grâce à la méthode de Louvain . Le code source permettant de réaliser ces visualisations est disponible sous licence libre en ligne.