Mesurer avant de promettre : la discipline derrière six graphiques

Les six graphiques envisagés depuis la base sont désormais tous construits, testés et mis en ligne, chacun accompagné d'un complément qui va vérifier une piste de lecture plutôt que de la republier. Un principe commun les traverse : aucun chiffre affiché n'est resaisi à la main - chaque page recalcule ses nombres depuis le corpus au moment de sa production, et dit ses propres limites plutôt que de les sous-entendre.

Une hypothèse plausible, testée puis écartée. Le complément sur la carte institutionnelle en donne l'exemple le plus net. Une explication simple se présentait pour les notices sans affiliation de laboratoire : la source theses.fr, qui n'écrit jamais ce champ, pouvait sembler responsable de l'essentiel du manque. Vérification faite, elle ne l'est pas - aucune notice du champ n'est theses.fr exclusive sur ce périmètre. La vraie explication tenait ailleurs, dans le taux de remplissage propre à chaque source : 58% des notices moissonnées seulement par OpenAlex manquent d'affiliation, contre moins de 3% dès que HAL a vu la notice. L'hypothèse de départ a été gardée dans le texte publié, avec la mention qu'elle ne tenait pas - plutôt que simplement remplacée en silence par la bonne réponse.

Un biais déjà connu, chiffré pour la première fois à cette échelle. La carte des francophonies signalait depuis le début un déséquilibre entre HAL et OpenAlex en faveur de la France. Le complément associé l'a mesuré précisément sur les 8 225 notices du champ : 31% des notices dont le pays vient d'OpenAlex mentionnent un pays hors de France, contre 12% seulement quand ce pays vient de la seule complétion HAL. Un écart déjà pressenti, mais jamais posé en chiffres avant ce travail.

Une lecture élargie, sans franchir la limite de ce qu'elle prouve. Les compléments sur la discipline secondaire et l'objet secondaire reprennent les mêmes matrices que leurs graphiques, mais en comptant aussi les axes déclarés en second - jamais à la place du premier. Santé et médecine passe ainsi de 514 à 1 362 notices une fois sa discipline secondaire comptée (+165%), Ingénierie de 644 à 1 373 (+113%) : deux disciplines nettement sous-représentées si l'on ne regardait que l'axe principal. Le complément sur la co-occurrence temporelle a, lui, vérifié la stabilité plutôt que découvert une nouveauté : sur huit couples d'objets marquants, sept gardent le même sens d'association entre la première moitié du corpus (2015-2019) et la seconde (2020-2025) - la structure observée n'est donc pas un artefact d'une seule période.

Un effet mesuré, même quand il est modeste. La normalisation minimale des sigles d'affiliation (casse, accents, espaces superflus, rien d'autre) ne fusionne que 25 graphies en 24 groupes sur plus de 4 000 valeurs distinctes, et déplace la concentration des vingt premières affiliations de 31,2% à 31,4%. Un effet réel, mais qui ne referme pas la réserve déjà annoncée : les sigles bruts restent, pour l'essentiel, une source de sous-estimation de la concentration institutionnelle - un chantier de normalisation plus poussé, lui, reste ouvert.

Une vérification qui ne s'arrête pas à la lecture du code. Plusieurs bogues d'affichage n'ont été trouvés qu'en regardant les pages rendues, pas en relisant les fichiers : un rang collé au nom d'une affiliation, des mentions collées au nom d'un établissement suivant - la même famille de bogue, revenue trois fois sous des formes différentes, à chaque fois corrigée et revérifiée par une nouvelle capture d'écran avant tout dépôt. Chaque dépôt sur le poste de travail est lui-même vérifié par une empreinte exacte du fichier, pas par une simple recherche de texte - une vérification approximative avait laissé passer, plus tôt dans ce chantier, un dépôt resté silencieusement sans effet.

Rien de tout cela ne change ce que le corpus permet de dire : ses limites, déjà connues, sont désormais chiffrées plutôt qu'estimées. C'est ce chiffrage, page après page, qui rend les résultats du billet suivant citables.

Note : la réflexion et les choix de ce billet sont d'origine humaine ; une IA (Claude) en a assuré la relecture et la mise en forme, certains points ayant été rediscutés avec elle avant validation finale.