Droit français vivant : un corpus juridique citoyen

Le grand principe

La République publie son droit consolidé sur Légifrance, mais Légifrance n'est pas conçu pour qu'un développeur citoyen interroge le corpus en masse. La DILA (Direction de l'information légale et administrative) met heureusement à disposition, en open data, les dumps complets de LEGI au format XML. Un fichier de 1,1 Go compressé contient l'intégralité du droit français consolidé en vigueur (et l'historique des abrogés).

Le principe que j'ai poursuivi est en trois temps :

1. Ingérer tout le corpus. Ne rien filtrer au stockage. La DILA me donne 643 000 articles en vigueur, je les prends tous, je les range dans une base SQLite locale avec un index plein-texte FTS5.
2. Le classer en grandes matières. Pour pouvoir interroger « cherche dans le pénal » ou « cherche dans les libertés publiques », je dois rattacher chaque texte à une catégorie. Douze catégories, calquées sur l'organisation officielle de Légifrance : Constitution, droit privé, commercial, travail-sécu, pénal, libertés publiques, administration territoriale, contentieux administratif, santé-éducation-recherche-sport, économie sectorielle et environnement, fiscalité, régalien spécialisé.
3. Extraire les mots-clés discriminants de chaque catégorie. Un mot qui caractérise vraiment la fiscalité (« impôt », « contribuable », « CGI »). Un autre qui caractérise les libertés publiques (« manifestation », « presse », « défense »). Ces mots-clés serviront à classer automatiquement de nouveaux textes, à comprendre la matière dominante d'un courrier reçu, d'un contrat, d'un extrait de débat télévisé.

Une fois ces trois étapes franchies, on dispose d'un classificateur sémantique automatique spécialisé en droit français. Branché sur la pile SBDFMS/AXPA/S, il devient un module d'autorité juridique pour les arguments construits dans Tcollectif.

Le chantier, étape par étape

1. Le dump de la DILA

La DILA publie sur echanges.dila.gouv.fr/OPENDATA/LEGI/ un fichier Freemium_legi_global_YYYYMMDD-HHMMSS.tar.gz qui contient tout. Le dernier que j'ai pris : 13 juillet 2025, 1,1 Go compressé, environ 2,55 millions de fichiers XML à l'intérieur.

2. Le parseur XML cetat

Chaque article du dump est un petit fichier XML qui suit le format « cetat » de la DILA. Pour chacun, il faut extraire l'identifiant LEGI, le code parent, le numéro d'article, l'état (en vigueur, abrogé…), la date de version, et le contenu. J'ai écrit un parseur tolérant qui ouvre le tarball en streaming (pas besoin de décompresser les 5 Go côté disque), ne consomme qu'une cinquantaine de Mo de RAM, et nettoie le contenu HTML inline (les codes contiennent du <p>, du <br>, de l'<i>… on jette tout ça).

3. Le schéma SQLite + FTS5

Une seule base : droit_fr.db. Deux tables : texte pour les articles de codes/lois, decision pour la jurisprudence. Une troisième virtuelle : recherche, l'index FTS5 plein-texte. Tokenizer accent-insensible, recherche par préfixe, snippets HTML pour surligner les correspondances.

4. La classification en 12 catégories

C'est l'étape la plus longue. Sur 140 000 textes, on ne peut pas tout classer à la main. J'ai donc adopté une approche hybride.

• Une ancre manuelle : pour les ~130 codes/lois principaux (Code civil, Code pénal, CGCT, Code général des impôts, Loi 1881 sur la presse, Code de la sécurité intérieure, etc.), je mappe à la main vers la bonne catégorie.
• Une classification IA pour le reste : chaque texte de plus de 30 articles est soumis à un modèle local (qwen2.5-coder:7b sur Ollama, sur ma machine, gratuit) qui le range dans une des douze catégories. Pour 1 393 textes, j'ai mis environ une heure et demie d'inférence en local.
• Une revue humaine sur les cas incertains : pour les 67 textes en confidence « low » ou rangés en « divers », j'ai relu et tranché manuellement (j'ai mis cinq minutes pour les soixante-sept).

5. L'extraction des mots-clés discriminants

Pour chaque catégorie, je ne veux pas juste « les mots les plus fréquents » (ce serait le, la, des, code, article…). Je veux les mots distinctifs : ceux qui apparaissent beaucoup ici mais peu ailleurs. C'est exactement ce que calcule la statistique TF-IDF classique.

J'ai ajouté deux raffinements importants :

• Pondération des titres : le titre du code (par exemple « Code de la sécurité intérieure ») compte 200 fois plus qu'un mot du contenu d'un article, parce que le titre c'est dense en signal sémantique. Le titre de section (« Manifestations sur la voie publique ») compte 20 fois plus.
• Filtre anti-monoculture : si un mot n'apparaît que dans un seul texte de la catégorie, je le rejette. Il n'est pas représentatif. C'est ce qui m'a sauvé de m'imaginer que le subset « Constitution » tournait autour des « affluents » et des « cyprinidés » (lire plus bas : c'est une vraie anecdote).

Les galères, les erreurs, et les astuces de Claude

Aucun pipeline réel ne marche du premier coup. Voici la liste des murs que j'ai pris en pleine face, et comment je m'en suis sorti — souvent grâce à une intuition de Claude (l'assistant IA qui m'a accompagné).

Galère n°1 : les triggers SQLite qui ne se déclenchent pas

J'ai commencé par utiliser INSERT OR REPLACE en SQLite pour mettre à jour les articles. Ça marche très bien… sauf que SQLite ne déclenche pas les triggers AFTER DELETE dans ce cas. Or mon index plein-texte FTS5 est maintenu par triggers : il accumulait silencieusement des doublons. Après quelques heures de fonctionnement, deux entrées de recherche pour chaque article réel.

Galère n°2 : les titres tronqués

Pour pouvoir lire les résultats à l'œil, j'ai voulu rendre des tableaux Markdown « jolis » : tronqués à 80 caractères. Erreur dramatique. J'ai mis à la main 225 textes dans douze catégories en lisant leur titre tronqué. Une part importante de mes classements étaient pris à l'aveugle, sur des titres dont le mot discriminant était après la coupe.

Galère n°3 : le subset « Constitution » pollué par un décret sur les cours d'eau

Première extraction de mots-clés sur la catégorie 01 (Constitution & fondamentaux). Surprise : les mots-clés top sont affluents, cyprinidés, amont pont, salmonidés dominants, cours eau… Aucun mot constitutionnel.

Diagnostic : ma catégorie 01 ne contenait que 9 textes, dont un — un décret de 1958 sur le classement des cours d'eau en deux catégories piscicoles — pesait à lui seul 99 articles, soit 18 % du corpus de la catégorie. Tous ces articles parlaient évidemment de cours d'eau. Avec une pondération aussi déséquilibrée, le TF-IDF n'avait aucune chance.

Galère n°4 : le Out of Memory qui tue tout

Le VPS hébergeant le bot Tcollectif a 3,6 Go de RAM. Quand j'ai ajouté à mon extracteur de mots-clés le suivi de « dans combien de textes distincts ce mot apparaît-il ? », la consommation mémoire a explosé. Pour chaque mot distinct (et il y en a des dizaines de milliers par catégorie), je stockais un ensemble Python de tous les identifiants de textes le contenant. Multiplié par les bigrammes (deux mots consécutifs), on monte vite à 3 Go de RAM. Le système est passé en swap, puis le kernel a tué le process. Deux heures de calcul perdues.

Galère n°5 : les apostrophes Unicode

« L'environnement », « d'application », « qu'il »… Selon que la source utilise une apostrophe droite (') ou courbe typographique (’), ma tokenisation produisait soit deux jetons propres (« l » éliminé comme trop court, « environnement » retenu), soit un jeton agglutiné absurde (« lenvironnement »). Solution : avant tout traitement, j'élide systématiquement le préfixe court suivi d'une apostrophe (droite ou courbe), en le remplaçant par un espace. Maintenant « d'application » et « l'environnement » produisent les bons jetons quel que soit le caractère utilisé.

Le résultat aujourd'hui

Subset 11 (Fiscalité), top 10 mots-clés discriminants — c'est ce que ma machine a sorti toute seule, sans intervention humaine :

Subset 06 (Libertés publiques & ordre public), top 10 :

C'est la signature juridique en gras de chaque grand domaine. Pour la fiscalité, je vois immédiatement les concepts centraux : impôts, taxes, code des impôts, contribuables, TVA, lois de finances. Pour les libertés publiques : sécurité, défense, gendarmerie, police, armes. Aucun mot parasite dans le top, et chaque mot couvre réellement la majorité des textes de la catégorie (colonne LtxCov).

La même chose pour les douze catégories. Cette signature lexicale sera ensuite enrichie : synonymes (« rassemblement », « cortège » pour « manifestation »), antonymes (« interdiction » pour « autorisation »), tout en filtrant les variantes morphologiques. C'est ce qui me permettra ensuite de classer automatiquement n'importe quel nouveau texte : un courrier reçu de la préfecture, un article de presse, une transcription de débat.

Ce qu'on va pouvoir en faire

Court terme — branchement Tcollectif

• /ref droit français : le documentaliste de Tcollectif propose en direct la citation pertinente d'un article LEGI dans le débat Discord. ELI canonique, traçable, vérifiable.
• Filtrage par projet : chaque tenant ou projet Discord peut activer un sous-ensemble du corpus (« manifestations & libertés publiques » pour un dossier de droit social, « administration territoriale » pour un dossier d'urbanisme). On charge moins, on cherche plus vite, l'IA voit moins de bruit.
• Connexion avec /fact_check et /reasoning_check : une affirmation factuelle peut maintenant être vérifiée contre le texte de loi explicite. Un schéma argumentatif (Walton) qui s'appuie sur « la loi dit X » peut être validé en interrogeant droit_fr automatiquement.

Moyen terme — outils d'aide juridique citoyenne

• Lecture de courriers administratifs : tu reçois un arrêté préfectoral, une mise en demeure, un avis d'imposition. Tu colles le texte. L'outil identifie la matière (fiscalité ? police administrative ? droit social ?), pointe les articles de loi pertinents, t'explique tes voies de recours.
• Pré-montage de dossiers à destination d'avocats : avant même de prendre rendez-vous avec un avocat, tu arrives avec un dossier déjà structuré : les faits, les articles de loi qui s'appliquent, la jurisprudence pertinente, les pièces à fournir. Tu fais gagner deux heures à l'avocat (et tu paies moins).
• Détection d'articles qui enfreignent la loi : un article de presse, un post de blog, une publication suspecte ? L'outil le passe contre le corpus pénal et presse, identifie les passages potentiellement problématiques (diffamation, provocation, atteinte à la vie privée…), produit un rapport.

Long terme — la République en regard

• Calcul d'impact d'un programme politique : un parti propose une réforme. Combien d'articles de loi devraient être modifiés, abrogés, créés pour rendre la mesure applicable ? L'outil croise le programme avec le corpus, mesure l'écart, produit un chiffre : « cette mesure nécessite la modification de 47 articles répartis sur 6 codes ». La promesse cesse d'être abstraite.
• Transcription d'émissions de télévision : les transcriptions audio s'analysent contre le corpus. Une affirmation contraire à la loi, un appel à la haine, une diffamation publique ? Le système le repère, génère un rapport, transmet à qui de droit (médiateur, signalement Pharos, etc.).
• Le CSA populaire : une instance citoyenne indépendante qui agrège ces rapports, les rend publics, les notifie aux médias concernés. Pas pour censurer : pour informer le public et faire vivre la loi qui existe déjà. Les chaînes savent que leurs propos sont écoutés, vérifiés, et que les manquements seront documentés et rendus visibles. Pas de magistrature détournée : un système de signalement transparent et réversible.

Tout cela suppose un corpus juridique vivant, accessible programmatiquement, enrichi sémantiquement. C'est ce qu'on vient de construire.

Récap des commandes principales

Pour qui voudrait reproduire la démarche sur un autre corpus, voici les briques :

Tout est en Python pur, sans framework lourd. Ollama local pour l'IA, SQLite pour la base, FastAPI pour exposer l'API à Tcollectif. Le tout tient sur un VPS modeste à 3,6 Go de RAM, à condition de respecter les deux passes pour l'extraction.