1. L'unité de signification — ce que l'on découpe

La linguistique textuelle a établi de longue date qu'un texte n'est pas une suite de mots mais une hiérarchie de propositions : van Dijk & Kintsch (1983) décrivent les macrostructures — les unités de sens qu'un lecteur retient et combine — et la Rhetorical Structure Theory de Mann & Thompson (1988) montre qu'un texte se segmente en unités élémentaires reliées par des relations (preuve, cause, concession, élaboration…). Nous en tirons notre premier geste : découper tout texte étudié en unités typées, selon la grammaire de la pile — des faits (assertions vérifiables), des définitions (verrous sémantiques), des zones de logique (déductions, liens de cause — le Warrant de Toulmin, les schémas de Walton), des mécanismes et des systèmes quand le texte articule une explication.

Deux règles gouvernent la découpe :

1. D'abord, un tri : est écarté ce qui n'entre pas dans la démonstration. Ex : le remplissage qui n'apporte rien au débat, pas même au cadre circonstanciel. « Transcrire », ce n'est pas « substituer chaque mot par un autre » : il y a une part assumée d'interprétation compréhensive.
2. Ensuite, et en sens inverse, une exigence : aucune unité de signification n'est omise. Cette exhaustivité est une des conditions de la mesure la plus précieuse du système, celle de la probité des médias, leur tendance politique (économico-sociale au sens lutte des classes), leurs dépendances et affiliations ; or, dans le choix éditorial, l'omission d'éléments qui desservent votre narratif est quelque chose de systémique en France, où une petite oligarchie concentre dans ses mains la quasi-totalité des médias. Donc l'omission, très importante, et elle présuppose d'avoir en main l'exhaustivité des détails rapportés par certains et non par d'autres (§3).

2. La transcription — reformuler, jamais copier

Le droit d'auteur protège la forme d'une œuvre, pas les faits ni les idées qu'elle rapporte. Un article de presse est une forme ; les événements qu'il relate appartiennent à tous. Notre transcription ne conserve donc jamais la forme : chaque unité est reformulée, et — pour les besoins de l'analyse juridique — transposée quand il le faut dans le registre de la langue du droit, dont Gérard Cornu (1990) a montré qu'elle constitue un registre linguistique à part entière, aux termes quasi univoques. Ce choix d'un « synonyme légal » unique par situation crée une base fixe qui n'est pas le zéro absolu mais un point permettant de positionner le reste relativement les uns aux autres ; lorsqu'au départ l'on n'a qu'une seule occurrence, celle-ci se positionnera par rapport à la « transcription légale » par défaut.

Une référence : tous les médias, tous les textes, sont ramenés au même vocabulaire de référence — c'est ce qui rend leurs écarts plus facilement mesurables, mais surtout permet le « Mapping » des blocs significatifs à comparer. En effet, les versions des uns et des autres sont parfois si éloignées les unes des autres qu'elles mèneraient à des conclusions complètement inversées, où la victime est souvent présentée comme l'agresseur. C'est pourquoi, dans notre schéma global, nous commençons par examiner le journaliste rapporteur du texte avant d'étudier le texte lui-même.

Le cadre est celui du Code de la propriété intellectuelle : pas de reproduction intégrale (art. L122-4) ; des lectures techniques strictement transitoires et partielles le temps du traitement (art. L122-5, 6°) — le texte est lu par petits passages, jamais détenu en entier, même en mémoire ; de courtes citations attribuées à leur auteur et à leur source quand l'analyse l'exige (art. L122-5, 3° a) ; et des extraits tenus très courts par respect du droit voisin des éditeurs de presse (art. L218-1 et s.). Ce que nous stockons est intégralement notre travail : des reformulations, des annotations, des numéros — et, toujours, l'hyperlien vers l'original.

3. L'omission comme signal — la matrice des présences

Entman (1993) a donné du cadrage la définition canonique : cadrer, c'est sélectionner certains aspects d'une réalité et les rendre saillants — donc, symétriquement, en laisser d'autres dans l'ombre. L'agenda-setting (McCombs & Shaw, 1972) l'avait montré à l'échelle des sujets ; les filtres de Herman & Chomsky (1988) à l'échelle des intérêts. L'orientation d'un média ne se lit pas seulement dans ce qu'il dit : elle se lit dans ce qu'il choisit de ne pas dire.

C'est ici que l'exhaustivité de la transcription paie. Chaque élément factuel d'un événement reçoit un numéro ; pour chaque média couvrant l'événement, on note quels éléments sont présents et lesquels manquent. Il en résulte une matrice des présences : tel journal a mentionné l'existence de témoins, tel autre non ; tel journal a célébré l'équipement neuf, en taisant les familles expropriées vers un terrain à risques. Aucun de ces constats n'exige de posséder les articles : la matrice est entièrement construite sur nos transcriptions.

4. L'index — retourner lire à la source

Certaines questions, en revanche, exigent la forme originale — et ça a été un souci de taille, vu les lois qui sont passées sous des pressions des médias, qui détiennent certaines clés pour l'exposition médiatique des hommes politiques. Quels mots un média choisit-il — « émeute » ou « révolte », « relogement » ou « expulsion » ? Comparer des choix lexicaux sur nos reformulations « post-transcription » serait un non-sens. Donc cela veut dire qu'ici la loi force à un gaspillage d'accès A.I., puisque nous serons forcés de revenir relire le même article pour la comparaison, puisque nous ne pouvons pas le stocker. Cela force des connexions supplémentaires et cela force des appels à l'intelligence artificielle supplémentaires, et donc une détérioration de l'efficacité énergétique, pompage d'eau de refroidissement des supercenters A.I. Mais nous nous en accommodons.

La transcription joue alors son second rôle : celui d'index. Chaque unité transcrite sait d'où elle vient ; le moment venu, l'analyste — ou la machine — retourne lire à la source, chez l'éditeur, le seul petit passage concerné, le compare, et n'en conserve que le constat (et, au besoin, une courte citation attribuée). La comparaison des formes originales se fait en flux, jamais en stock : nous ne possédons toujours rien !

5. L'événement comme clé — l'identifiant d'événement

Comparer suppose de savoir que deux articles parlent de la même chose. Le traitement automatique du langage nomme ce problème la coréférence d'événements entre documents (Bagga & Baldwin, 1999). Notre solution est volontairement simple : un événement unique — tel immeuble a explosé, telle décision a été votée — est identifié par sa date, son lieu et les éléments qui déterminent son unicité. Cet identifiant est posé à la première occurrence rencontrée, puis attaché à toute couverture ultérieure qui s'y rapporte. L'événement devient la clé de tout : la matrice des présences (§3), l'échantillonnage des comparaisons, la carte de qui couvre quoi — presse nationale et presse locale n'éclairant pas les mêmes angles morts.

6. La doctrine d'un média — et son pourcentage de constance

Un média qui explique le monde engage, article après article, des mécanismes et des systèmes : « ceci cause cela », « voici comment s'enchaînent les choses ». La somme de ces engagements forme sa doctrine — au sens que Walton & Krabbe (1995) donnent aux engagements d'un participant au dialogue : ce qu'il a affirmé et qu'on est en droit de lui opposer. Une doctrine peut évoluer honnêtement, mais elle peut aussi se contredire au gré des menaces que posent leurs positions passées sur l'argumentaire du moment, et sur leurs intérêts du moment surtout. Nous mesurons donc un pourcentage de constance sur les sujets polémiques : la part des engagements doctrinaux d'un média qui restent cohérents dans le temps, calculée uniquement sur les sujets qui font débat — les banalités, qui n'appellent aucune mise en question, n'entrent pas dans la mesure. Une doctrine instable est un signal : elle abaisse la confiance que l'on peut accorder aux explications de ce média, exactement comme un témoin qui change de version.

7. La notation — un langage arborescent et navigable

Pour écrire tout cela, il fallait un langage. Chaque unité y porte son type, son numéro et son état, dans un texte qui reste lisible et qui se navigue comme un arbre — car une démonstration en contient d'autres :

Les faits portent un drapeau — (ok) pour la connaissance commune, (v?) pour ce qui est présenté comme nouveau, comme bouleversant l'état des choses ou comme facteur essentiel, et qui appelle vérification. Les zones de logique sont marquées comme telles : c'est là, bien plus que dans les faits, que se nichent les divergences entre médias — démonstrations fautives et omissions. Les systèmes affichent leur profondeur (un système noté S3 annonce trois étages d'explication en dessous), si bien qu'on mesure la richesse d'une construction avant même de l'ouvrir. Et chaque définition, chaque fait, chaque mécanisme renvoie à sa bibliographie — la notation scientifique classique — quand il vient d'une source.

8. Deux modes d'usage

En mode accompagné (« humain-plus-IA »), l'utilisateur soumet un texte, fixe le nombre de questions que l'assistant A.I. a le droit de lui poser, et l'assistant les pose par ordre de rendement — celles qui débloquent la plus grande part de compréhension d'abord — avant de conclure. En mode automatique, la même analyse tourne sans questions, en continu, sur les sources publiques que la veille surveille. Dans les deux cas, les règles sont identiques : découpe exhaustive, reformulation systématique, sources liées.