Chercher de l’information sur le Web

Plan de la séance

Une histoire d’Internet et du Web (origines, principes, infrastructures)
Les moteurs de recherches (annuaires, index et PageRank)
Isidore.science

1. Une histoire d’Internet et du Web

Ce ne sont pas tant les « nouvelles technologies » en général, mais le réseau en lui-même qui a bouleversé notre rapport à la connaissance. Alain Mille, « D’Internet au web » dans Pratiques de l’édition numérique

Extrait du documentaire World Brain de Stéphane Degoutin et Gwenola Wagon

1.1 Origines

1962 - 1968 : ARPAnet
1969 - 1978 : Internet
Années 1970 et 1980 : accès aux machines
1984 : u nréseau fonctionnel

Pour plus d’informations, voir le chapitre « D’Internet au Web » d’Alain Mille dans l’ouvrage Pratiques de l’édition numérique.

1.2 Principes : TCP / IP

TCP/IP : TCP (Transmission Control Protocol) et IP (Internet Protocol)

Une pile de protocoles :

physique
liaison
réseau
transport
application

Plus de détails sur ces protocoles :

physique : les câbles (cuivre ou fibre), éventuellement radio ;
liaison : Ethernet our Wireless Ethernet (Wifi), il s’agit de déterminer comment les paquets sont acheminés ;
Réseau : c’est la partie IP qui permet d’acheminer des paquets en donnant des adresses à toutes les machines connectées sur un réseau ;
Transport : c’est la partie TCP, pour transférer les informations découpées en paquets et reconstituées en vérifiant qu’il ne manque rien (c’est ce qui permet à Internet d’être un réseau fiable) ;
Application : il s’agit du Web, mais aussi d’autres applications comme le partage de fichiers (FTP) ou le courriel (SMTP et IMAP).

Pour en savoir plus, voici une série de vidéos très complètes : https://iletaitunefoisinternet.fr/

Expérimentation

utiliser traceroute en ligne de commande
lancer la commande traceroute umontreal.ca
analyser les résultats

1.3 Le Web

Internet != Web
le Web est une application d’Internet
un protocole (HTTP) et des langages (HTML/CSS/JavaScript)

Le Web est une application d’Internet permettant de publier et de consulter facilement des informations.

Exercice

Comment lire une page web via un autre outil qu’un navigateur ? 
utiliser la commande curl dans le terminal
exemple : curl https://hnu2000.en-cours-de.construction/posts/200923.html

Les moteurs de recherche

Au principe d’autorité qui a fait la force du PageRank, Google substitue de plus en plus un principe d’efficacité qui renvoie de manière toujours plus appropriée vers l’internaute les choix que l’algorithme a appris de ses comportements. Dominique Cardon, Dans l’esprit du PageRank, https://www.cairn.info/revue-reseaux-2013-1-page-63.htm

2.1 Le Web au commencement était les annuaires

Une liste classée de sites web sous la forme d’une arborescence par catégories.

2.2 Constituer des index

Un moteur de recherche a deux fonctions :

l’indexation de pages web et de documents ;
la recherche dans ces pages web et ces documents indexés.

Il y a quatre évolutions majeures des moteurs de recherche ces dernières années :

interface de recherche (UI) ;
options de recherche (de plus en plus masquées) ;
algorithmes (mécanisme du moteur) ;
utilisation du Web sémantique (aller chercher des informations structurées de façon automatique) ;
personnalisation (traçage).

Phénomène de simplification de la recherche sur Google :

suppression des options de recherche : simplification de l’interface et des comportements de recherche ;
autocomplétion : orienter la recherche de l’utilisateur ;
pertinence des résultats (et surtout des premiers résultats) ;
« web sémantique » : afficher dans les résultats des données liées ;
globalement : l’information va vers l’utilisateur.

Fonctionnement d’un moteur de recherche

des robots parcourent le Web, de liens en liens ;
les données enregistrées sont classées ;
un utilisateur effectue une requête de recherche ;
en fonction d’algorithmes le moteur de recherche propose des réponses ;
en fonction des requêtes le moteur de recherche peut orienter ses robots (fréquence, précision).

Le PageRank

système de mesure quantitative de popularité d’une page web
inspiré par la mesure des articles académiques (Science Citation Index)

Schéma du PageRank

Le système du PageRank, conçu et utilisé par Google, est relativement complexe. Ce que l’on peut retenir c’est qu’il s’agit d’un système inspiré des publications académiques. Le fonctionnement est le suivant : la popularité d’une page web A est mesurée en fonction du nombre de pages web qui pointent vers cette page web A. Si les pages web qui pointent vers la page web A, alors la popularité sera d’autant plus importante. Il s’agit donc de la prise en compte du nombre de pages web qui pointent vers la page, mais également indirectement du nombre de pages web qui pointent vers les pages web qui pointent vers la page web A.

Pour en savoir plus sur le fonctionnement du PageRank, voir la balado Le code a changé (à partir de 21 minutes : https://www.radiofrance.fr/franceinter/podcasts/le-code-a-change/le-francais-qui-a-vu-naitre-google-4402005) et « Dans l’esprit du PageRank », un article de Dominique Cardon dans la revue Réseaux (https://www.cairn.info/revue-reseaux-2013-1-page-63.htm).

Exercice

Dans Google ou DuckDuckGo :

à partir des fonctions avancées suivantes :
- chercher une expression exacte : “mon expression exacte à la lettre près”
- chercher les contenus d’un site : site:lesite.com ma requête
  - chercher un format de fichier spécifique : filetype:pdf ma requête
  - chercher dans le titre d’une page web : intitle:requête
chercher les pages web qui parle d’humanités numériques et d’édition sur les différents sites web de l’Université de Montréal

Isidore.science

ISIDORE est un moteur de recherche permettant de découvrir et de trouver des publications, des données numériques et profils de chercheur·e·s en sciences humaines et sociales (SHS) venant du monde entier.

3.1 Un projet de recherche

naissance en 2011
objectifs : mettre à disposition un outil de recherche adapté aux sciences humaines
ambition : proposer des fonctionnalités pour faciliter la recherche documentaire

Initialement, ISIDORE est un moteur de recherche permettant de découvrir et de trouver des publications, des données numériques et profils de chercheur·e·s en sciences humaines et sociales (SHS) venant du monde entier. Il permet de rechercher dans le texte intégral de plusieurs millions de documents (articles, thèses et mémoires, rapports, jeux de données, pages Web, notices de bases de données, description de fonds d’archives, etc.) des signalements d’événements (séminaires, colloques, etc.). De plus, ISIDORE relie entre eux ces millions de documents en les enrichissant à l’aide de concepts scientifiques issus des travaux des communautés de recherche des SHS.

Typiquement Isidore ne base pas ses algorithmes de recherche sur un système type PageRank mais sur des référentiels permettant de classer et de trouver des documents selon des techniques documentaires.

Isidore se démarque donc à la fois des moteurs de recherche dits généralistes (comme Google), mais aussi d’autres outils de recherche ou de collecte comme Google Scholar (qui propose moins de fonctionnalités et dont le classement documentaire est assez flou ou inexistant), de plateformes spécialisées comme Cairn.info ou OpenEdition (bien moins exhaustifs), ou encore de Zotero (un outil de collecte et de partage, complémentaire d’Isidore).

3.2 Fonctionnement et fonctionnalités

moissonner
construire des index
enrichir des données
proposer une API
inclure un espace de travail

accéder à son propre historique ;
enregistrer des requpetes de recherche ;
créer des collections de documents ;
suivre un auteur ou une autrice : être informé des nouvelles parutions ;
gérer ses alertes (auteurs·trices suivi·e·s, requêtes, etc.)

Exercices

constituez une bibliographie dans Isidore.science sur les humanités numériques et l’édition
pour cela vous devez vous créer un compte Isidore (et donc HumanID)
utilisez les fonctionnalités de la recherche avancée (un peu cachée : https://isidore.science/as) ;
utilisez les fonctions de tris et de facettes ;
partagez avec moi votre « bibliothèque ».

À partir de cette expérience, que manque-t-il à Isidore ? Quels sont ses défauts ?

Chercher de l’information sur le Web

Plan de la séance

1. Une histoire d’Internet et du Web

1.1 Origines

1.2 Principes : TCP / IP

Expérimentation

1.3 Le Web

Exercice

Les moteurs de recherche

2.1 Le Web au commencement était les annuaires

2.2 Constituer des index

Le PageRank

Exercice

Isidore.science

3.1 Un projet de recherche

3.2 Fonctionnement et fonctionnalités

Exercices

1.2 Principes : TCP / IP