Au titre de sa mission de bibliothèque dépositaire du dépôt légal du web, la BnF mène, en complément de ses collectes annuelles larges du domaine français, des collectes ciblées, mais peut aussi lancer des collectes d’urgence lors d’événements imprévus. Elle a notamment été à l’initiative de collectes spéciales au moment des attentats de janvier et novembre 2015 survenus à Paris. Nous avons rencontré Annick Le Follic, chargée de collections au département de dépôt légal de la BnF, afin de l’interroger sur les objectifs, modalités, réalisations et limites de ces collectes.
Collecte d'urgence des sites web sur l'attentat à Charlie Hebdo lancée à la #BnF. Signalez-moi ce qui sort de l'ordinaire #JeSuisCharlie
— Maxence Hermant (@MaxenceHermant) January 8, 2015
Marguerite Borelli : Pouvez-vous décrire les étapes de votre collecte d’urgence en janvier et novembre, de la prise de décision en passant par le processus, jusqu’au résultat ?
Annick Le Follic : Le lendemain des attentats contre Charlie Hebdo toute l’équipe s’est dit qu’il faudrait faire une collecte d’urgence. Dans la journée nous avons discuté au sein du service pour savoir quelle forme devait prendre cette collecte et la lancer aussitôt. Pour les attentats de novembre, qui ont eu lieu un vendredi soir, nous avons dû attendre le lundi matin pour faire une réunion et décider des modalités de la collecte, car la bibliothèque est fermée le samedi et dimanche.
Valérie Schafer : Aviez-vous déjà mené des collectes d’urgence ? Pouvez-vous nous donner des exemples ? Le processus est-il formalisé au sein de la BnF ?
Annick Le Follic : Dernièrement, nous avons lancé de telles collectes pour documenter les mouvements contre l’aéroport de Notre-Dame des Landes, et celui du Mariage pour tous. Nous faisons à la BnF des collectes d’urgence depuis très longtemps, selon des modèles différents. Le cadre juridique de notre activité du dépôt légal du web a été défini par la loi de 2006. Notre obligation légale est d’effectuer une collecte annuelle large du domaine français, mais nous nous sommes toujours dit que ce n’était pas suffisant. Comme notre cadre juridique est assez large, nous avons commencé des collectes d’urgence en 2007, après les présidentielles. Nous avons essayé plusieurs modèles, en modifiant les périmètres de la collecte, la profondeur, et la fréquence : trois critères que l’on peut moduler à notre guise pour avoir la meilleure image possible du web.
Dans l’histoire de la BnF, il y a eu des périodes différentes. Après l’élection de 2007, nous avons voulu garder une veille sur la vie politique, en dehors des périodes électorales. Nous avons donc créé la collection « Actupol », qui suivait une trentaine de sites de presse, partis politiques et syndicats, et que nous activions en cas de primaires, de manifestations, etc. Puis nous avons changé de modèle en 2010 : avant, nous n’avions que peu de serveurs, qu’il fallait prendre le temps de programmer et installer pour activer la collecte. En 2010, notre capital technique a été augmenté à 50 serveurs disponibles, ce qui signifie qu’il y a toujours un lot prêt à moissonner en permanence. Si je veux lancer une collecte, j’envoie une demande au DSI, et elle démarre dans la journée. A partir de 2010, on a donc voulu garder une disponibilité sur l’urgence. Nous avons constitué un ensemble à collecter « Urgences », accompagné d’une charte documentaire, résultant d’une réflexion avec notre réseau de bibliothécaires collaborateurs, ainsi qu’un tableau des responsabilités (par exemple qui est habilité à décréter une urgence). Selon notre définition, une urgence en termes de collecte du web peut être liée à un événement éphémère ou liée à la disparition prochaine d’un site web (parfois les propriétaires nous les signalent). Ce mode implique une veille régulière de nos correspondants, il est intensif en capital humain.
En parallèle, nous avons lancé deux collectes plus automatiques : « Actualités », qui regroupe 100 titres de presse français, collectés chaque jour à 10 h du matin (page d’accueil et un clic) ; et « Presse payante », qui regroupe 25 titres de presse (surtout régionale, mais aussi Médiapart) dont on collecte la version abonnés chaque jour à 14 h.
Ces collectes sont très importantes car elles tournent le weekend, et nous évitent de rater des événements. Comme elles couvrent toute l’actualité, elles ont supplanté nos collectes d’urgence. Par exemple, les attentats de janvier et novembre étaient déjà couverts en partie par les collectes « Actualités » et « Presse payante » : l’urgence était donc plus sur les réseaux sociaux numériques, que nous couvrons d’habitude seulement lors d’élections ou de collectes programmées. Nous avons toutefois capturé des pages web complémentaires, à partir des URL remontées, à notre demande, par notre réseau de correspondants (approximativement 100 bibliothécaires). Notre robot Heritrix a capturé les pages signalées à deux clics de profondeur.
VS : Le robot peut-il cliquer sur des liens menant vers d’autres sites, et les capturer ?
Annick Le Follic : Non, le robot ne sort pas du site signalé.
MB : Comment avez-vous capturé les réseaux sociaux ? APIs, par compte ou hashtag, quantité, sélection, limitations, etc.
ALF : Twitter a été collecté 4 fois par jour durant le temps des deux collectes d’urgence. Nous n’utilisons pas les API de Twitter, nous archivons aussi avec Heritrix. Pour ce faire, nous avons testé deux formules : à partir du compte ou du hashtag qui nous intéresse, le robot s’identifie soit comme navigateur web, soit comme appareil mobile, puis il archive le premier affichage (pas de déroulé dynamique du ‘fil’), ce qui représente de 20 tweets. En pratique, cela donne 4 screenshots par jour pour un compte ou un hashtag suivi. Nous avons aussi capturé certains groupes et pages Facebook une fois par jour.
La limite de notre archivage des réseaux sociaux est technique : ces plateformes changent souvent de technologies et de paramètres, donc il nous faut donner à chaque fois une instruction manuelle à Heritrix pour qu’il capture bien les contenus qui nous intéressent. En particulier, les protocoles https nous posent parfois des problèmes, tout comme Facebook lorsqu’il utilisait des ‘captcha’. Ces contraintes sont d’autant plus problématiques lors de collectes d’urgence, où le temps nous est compté.
MB : Y a-t-il eu des différences notoires dans la capture des attentats de janvier et de ceux de novembre ?
ALF : Les périmètres documentaires étaient différents. Pour les attentats contre Charlie Hebdo, comme nous étions en période creuse dans nos activités de collecte, nous avons pu mobiliser beaucoup de moyens humains et techniques. Ange Aniesa et moi, qui avons organisé la collecte, avons mis en suspens toutes nos autres activités. Notre volonté était de fournir une couverture la plus exhaustive possible de l’événement, donc nous avons passé un appel très large à nos correspondants, et beaucoup archivé le web et Twitter. Le périmètre de collecte s’est agrandi chaque jour en fonction de leurs réponses : on a collecté les sites de dessinateurs de presse, des théâtres, etc. pour essayer de ne rien rater.
Nous avons aussi eu des messages de sympathie de nos partenaires étrangers qui nous ont dit que la presse dans leurs pays respectifs couvrait aussi les attentats, donc nous leur avons dit de nous envoyer leurs URL.
En novembre, le contexte était différent. Premièrement, nous avions déjà plusieurs chantiers en cours (collecte large annuelle, collectes spécifiques pour les élections régionales, sur la COP21, et sur les réfugiés) et étions donc moins disponibles, en terme de moyens techniques et humains. Ensuite, comme pour Charlie, nous avions collecté beaucoup de matériaux, qui n’étaient pas tous forcément pertinents, nous avons été plus sélectifs en novembre. Sur Twitter, nous avons collecté les comptes et hashtags qui remontaient le plus (préfecture de Paris, #attentats, etc.), et sur le web, nous avons priorisé les sites des acteurs et institutions les plus impliqués.
VS : Cela joue-t-il sur le volume collecté ?
ALF : Oui. La collection sur janvier est plus conséquente, cependant même si celle de novembre l’est moins, beaucoup d’éléments sur les attentats ont été capturés par la collecte Actualités et Presse payante qui avaient lieu en même temps.
MB : Pour les événements de janvier, qui ont divisé la toile, avez-vous aussi collecté les voix dissidentes ou pro-Daech, etc. ?
ALF : Notre mission étant celle du dépôt légal, nous nous devons d’être le plus représentatifs possibles, de capturer ‘l’air du temps’ en quelque sorte. L’application de critères normatifs ou moraux n’est pas notre rôle. Notre démarche est de capturer la variété : des points de vue, formes, publications techniques, émetteurs, etc. Il se peut que nous ayons dans nos collections des contenus ayant été jugés illicites par la police après leur publication. Si les autorités nous demandaient leur retrait, ces contenus resteraient dans nos collections mais ne seraient plus accessibles. Cependant, ce n’est encore jamais arrivé.
VS : Jusqu’à quand a duré la collecte spéciale ? Prenez-vous également en compte les hommages aux victimes qui ont suivi les attentats de novembre ?
ALF : Pour les attentats de janvier, nous avons arrêté la collecte environ un mois après les événements, essayant de capturer les suites, de la stupeur aux hommages. Après, nous n’avons pas continué à archiver le corpus ou les réseaux sociaux spécifiquement en relation avec Charlie Hebdo, mais les commémorations sont sans doute visibles dans nos collectes « Actualités » et « Presse payante ». Pour ceux de novembre, la collecte a été plus courte : elle s’est arrêtée une semaine après les événements, à cause des contraintes humaines et techniques que j’ai nommées précédemment. Comme pour Charlie, la suite des événements est cependant disponible dans les archives « Actualités » et « presse payante ».
MB : Quelles réussites et limites voyez-vous à vos collections sur les attentats? Êtes-vous en mesure d’estimer ce qui manque des collections ?
ALF : La première limite de ces collections est celle du dépôt légal du web en général : contrairement au dépôt légal des livres imprimés, qui nous sont envoyés, nous avons un périmètre à couvrir de 7 millions de sites web sur le domaine français. Il nous est impossible de viser l’exhaustivité, ni de mesurer ou juger ce qui nous manque. Notre objectif est par conséquent la représentativité, objectif plutôt bien rempli sur les collectes d’urgences concernant les attentats, compte tenu des moyens que nous avions. Cependant, cela reste une impression et non une certitude : nous ne pouvons pas prévoir ce qui intéressera les chercheurs de demain, et ce seront donc à eux de juger la valeur de ces collections.
Plus spécifiquement sur les attentats, l’impératif de réactivité que les événements ont convoqué a été difficile à gérer. Pour les attentats de novembre qui ont eu lieu un vendredi soir notamment, nous avons dû attendre le lundi matin avant de lancer la collecte, nos outils étant seulement accessibles sur place pour des raisons de sécurité. Cet impératif de réactivité pose aussi la question suivante : jusqu’où veut-on et peut-on aller dans la disponibilité humaine pour lancer une collecte d’urgence ? Enfin, il y a aussi des limites techniques que nous avons rencontrées lors des collectes liées à notre robot Heritrix, qui n’est pas totalement performant sur les réseaux sociaux, comme mentionné précédemment.
MB : Un partenariat entre la BnF et Archive-It a été mis en place pour la collecte du web pendant les attentats de janvier. Quelles sont les différences entre votre collection et celle d’Archive-It ? Ces deux fonds ont-ils vocation à être exploités communément ?
ALF : Dans les cas de la collecte sur les attentats de janvier, notre réseau de correspondants et des institutions de l’IIPC nous ont signalé des URL, que nous avons fait suivre à Archive-It. Ce système a l’avantage de faire gagner du temps à tout le monde, car le travail de curation prend du temps. La collection d’Archive-It est donc constituée des mêmes URL que les nôtres, mais ils ont fait leur propre archivage à partir de ces URL : les deux collections sont donc distinctes, car nous n’avons pas archivé avec les mêmes paramètres de configuration des robots, de fréquence et de profondeur. Les deux fonds n’ont pas vocation à être rassemblés sur une même plateforme dans un futur proche, mais la collection d’Archive-It est ouvertement accessible.
En parallèle, la BnF a fourni la liste des URL à l’Université d’Harvard qui a lancé un grand appel à contribution auprès du public mi 2015.
VS : Aviez-vous déjà lancé ce type de partenariat au sein de l’IIPC auparavant ?
Au sein de l’IIPC, nous communiquons tous beaucoup entre institutions qui archivent le web. Ainsi, nous avions déjà participé à une collecte sur Vaclav Havel, à l’initiative de la bibliothèque nationale de la République Tchèque. Nous participons aussi en ce moment même à une collecte européenne sur les réfugiés.
Pour citer cet entretien:
Borelli, M., Schafer, V., “Entretien autour des collectes d’urgence au moment des attentats de janvier et novembre 2015 avec Annick Le Follic, Chargée de collections numériques, au département de dépôt légal de la BnF”, BnF, Paris, 21 mars 2016, carnet de recherche Hypotheses ASAP, https://asap.hypotheses.org/168#more-168.
Pour en savoir plus, voir la bibliographie sur le dépôt légal de l’Internet sur le site de la BnF