Ressources numériques en sciences humaines et sociales OpenEdition Nos plateformes OpenEdition Books OpenEdition Journals Hypothèses Calenda Bibliothèques OpenEdition Freemium Suivez-nous

Référentiels et Nomenclatures

Suite à une première catégorisation, nous avons réalisé que les catégories retenues n’étaient pas tout à fait adaptées. En effet, ces dernières ne donnaient pas suffisamment de sens pour définir différentes catégories d’acteurs à partir des URLs collectés. Ce début d’indexation nous a permis de réaliser que nous ne disposions pas d’assez d’éléments pour pouvoir qualifier certains types de catégories juridiques par exemple.

Après réflexion, il a donc semblé plus judicieux de réaliser ce travail de catégorisation à partir de nomenclatures déjà existantes afin de constituer un référentiel plus cohérent. Un référentiel de base de données est un référentiel centralisé d’information sur les données : leurs significations, relations avec d’autres données, leurs origines, utilisations et formats. Un référentiel clair, logique et précis est un des gages de bonne interopérabilité d’un système d’information et à pour objectif de faciliter l’indexation.

Une nomenclature est une liste normalisée de termes qu’on va pouvoir utiliser dans un système d’information pour nommer des entités. Nous avons donc effectué un travail de recherche sur les nomenclatures déjà existantes sur les types d’entreprises (forme juridique) et sur les différents domaines d’activités. L’INSEE, L’Institut national de la statistique et des études économiques collecte, produit, qui analyse et diffuse des informations sur l’économie et la société françaises, met à disposition sur son site une nomenclature des activités françaises, la NAF. C’est une nomenclature des activités économiques productives, principalement élaborée pour faciliter l’organisation de l’information économique et sociale. Afin de faciliter les comparaisons internationales, elle a la même structure que la nomenclature d’activités européenne NACE, elle-même dérivée de la nomenclature internationale CITI. Nous avons également retenu la nomenclature des catégories juridiques. C’est une nomenclature à vocation inter-administrative, utilisée aussi dans la gestion du Registre du Commerce et des Sociétés. Elle sert de référence aux Centres de Formalités des Entreprises (CFE) pour recueillir les déclarations des entreprises.

Les données ont ainsi été enrichies selon un procédé de catégorisation à l’aide de ces deux nomenclatures de l’INSEE : la classification NAF (rèv. 2 de janvier 2008) et celle des Catégories juridiques (dernière mise à jour en 2018).

Capture d’écran du fichier de catégorisation des URLs

La colonne A “expanded_url” contient les URL. La colonne B “in_arc” contient le nombre d’occurence de chaque URL. La colonne C contient la 1ère catégorisation que nous avions mise au point au début du projet. Bien que cette catégorisation, jugée trop peu précise, ait été abandonnée, nous l’avons conservée dans nos fichiers à titre informatif. Elle a permis d’accélérer les travaux suivants de catégorisation.

Les colonnes D, E et F contiennent notre catégorisation finale. Les “catégories juridiques” sont issues du niveau II de la nomenclature des catégories juridiques de l’INSEE. Les “catégories NAF” qui se rapportent aux domaines d’activité des organisations, sont issues du niveau 1 (sections) de la nomenclature d’activités française de l’INSEE.

La colonne F apporte une précision supplémentaire sur les URL qui ont été catégorisées comme relevant de la catégorie NAF ”Information et communication”. Dans cette colonne nous avons utilisés les sous classes de la NAF (le niveau le plus précis) appartenant à la section “Information et communication” (il s’agit des sous-classes 58.11Z à 63.99Z).

Article sur la méthodologie pour la catégorisation

Nous disposons désormais d’une nouvelle liste d’URL plus complète (où les URL réduites ont été développées) et d’une nomenclature complète et suffisamment précise. Avant de réaliser notre nouveau travail de catégorisation à l’aide de ces outils, il importait d’améliorer notre méthodologie afin de la rendre plus fiable et plus efficace.

Catégories “NON-AFFECTE” et “INDISPONIBLE”

Aux nomenclatures de l’INSEE nous avons rajouté deux étiquettes supplémentaires pour les cas particuliers.

L’étiquette “INDISPONIBLE” est affectée aux URL ne pouvant être atteintes. Soit à cause d’une erreur 404, soit parce que le site n’est pas indisponible en Union européenne à cause de la RGPD, par exemple.

L’étiquette “NON-AFFECTE”, elle, a deux principaux usages :

  • Indiquer une URL qui n’a pas encore été traitée (plutôt que de laisser un vide).
  • Indiquer un obstacle dans la catégorisation. Par exemple un manque d’information ou d’expertise empêchant de choisir quelle étiquette appliquer.

Harmonisation des fichiers

Puisque nous travaillons en groupe et que la quantité d’URL à traiter est relativement importante, nous nous sommes répartis le travail de manière équitable. Toutefois il s’est avéré important de coordonner nos méthodes de travail afin d’éviter les incohérences, voire une impossibilité de recombiner nos résultats en fin de traitement.

Nous avons pris soin d’utiliser des fichiers Excel identiques (si ce n’est pour les URL qu’ils contenaient bien sûr), avec les mêmes en-têtes, étiquettes, format et paramètres. Pour s’assurer du maintien de cette cohérence nous avons également utilisé la fonction de validation des données de Excel.

Validation des données

Excel offre une fonction très utile qui nous a permis de rendre notre travail plus fiable et limiter les erreurs de frappe pendant la catégorisation : la validation des données. Cette fonction, une fois appliquées à une cellule, permet d’y empêcher l’entrée de données ne correspondant pas à certains critères. Dans notre cas nous avons fait en sorte que ne soit autorisées que les catégories des listes de l’INSEE que nous avons sélectionnées.
Cela permet d’éviter toute erreur dans la saisie et de faciliter le travail.

Twitter, l’hydrogène et la transition énergétique

Ce carnet a pour but d’accompagner et de documenter une recherche dont l’objet est d’identifier les acteurs et les points de vue qui s’expriment sur l’hydrogène comme nouvelle source d’énergie. Plus précisément, il s’agit à partir de Twitter de repérer les principaux canaux par lesquels se diffuse l’actualité et se structurent les espaces de publication sur l’hydrogène, la transition énergétique voire le changement climatique.

Ce travail s’inscrit dans le cadre du projet de création d’une chaire Hydrogène portée par la fondation UGA, spécifiquement son volet SHS animé par Jean-Marc Francony, et dédié à l’étude de la faisabilité socio technique du projet via la compréhension de l’opinion publique et de ses influenceurs.
Il est réalisé par les étudiants du parcours information et documentation du Master métiers du livre et de l’édition à l’université Grenoble Alpes.

Qualification des sites

Afin de catégoriser chacun des sites de notre liste il est nécessaire de déterminer à la fois le type de structure et les individus derrière ce site, ainsi que sa ou ses thématiques. Etant donné la quantité importante d’URL à traiter, notre travail doit être rapide et fiable. Plusieurs choses permettent de faire ceci :

  • L’URL elle-même peut contenir quelques indices. Les sites institutionnels ont des extensions assez reconnaissables par exemple : .gouv en france, . gov pour les pays anglophones. Attention toutefois, il ne s’agit que d’un indice et pas d’une indication définitive. Il n’est pas rare par exemple que certains sites utilisent une extension .org dans le but d’apparaître plus légitimes.
  • La structure du site. Une majorité de sites ont un menu situé sur le coté ou en haut de leur page principale, listant des catégories. Pour un site d’actualités ce menu comportera des grands thèmes comme “Politique”, “Société”, “Faits divers”. Un site commercial ou d’un industriel comportera probablement quelque chose ressemblant à “Nos produits” par exemple. En examinant le titre du site et les titres de ses propres catégories on peut se faire rapidement une idée de ce qu’il est.
  • Le contenu du site. Suivant qu’il comporte des articles de presse, des billets de blog, des descriptions de produits ou de services, on pourra qualifier un site à l’aide de son contenu.
  • La page “A propos“. Présente par défaut sur presque tous les sites, elle peut présenter le type d’organisation derrière le site, les individus produisant son contenu et le gérant, leurs intentions… Attention toutefois, ces pages sont parfois peu claires et leurs informations ne sont pas toujours fiables. Rien n’empêche les créateurs d’un site de commettre des omissions, […]
  • D’autres sites.