Skip to content
Retour aux résultats

Collecte de documents en ligne — Données numériques comme données de recherche

Introduite par
Adapted from traditional document analysis; digital form emerged with widespread internet adoption
Année
1990s–2000s (digital / web era)
Type
Qualitative / mixed-methods data collection technique
Famille
Data collection

Ce texte est une traduction automatique et n’a pas encore été relu. Lire l’original en anglais

Taille de police

À quoi sert-elle ?

La collecte de documents en ligne est le processus systématique d'identification, de récupération et de compilation de documents numériques — y compris des pages Web, des publications institutionnelles, des publications sur les réseaux sociaux, des documents de politique et des archives numériques — comme données de recherche primaires ou supplémentaires.

Elle étend l'analyse documentaire classique aux environnements médiatisés par Internet, permettant aux chercheurs d'accéder à des corpus vastes et géographiquement dispersés sans déplacements sur le terrain ni accès à des archives physiques.

L’intuition derrière la méthode

Considérez la collecte de documents en ligne comme la constitution d'une bibliothèque numérique organisée pour votre question de recherche. Au lieu de visiter des archives en personne, vous naviguez sur des portails gouvernementaux, des sites Web d'organisations, des bases de données et des plateformes sociales pour rassembler des textes qui portent des preuves d'un phénomène. Tel un bibliothécaire appliquant des critères de sélection, vous définissez ce qui constitue un document pertinent, le localisez en ligne, le téléchargez ou le copiez systématiquement, vérifiez son authenticité et sa pertinence, et l'organisez en un corpus analysable. L'ensemble de données résultant est entièrement textuel mais peut être très volumineux, permettant à la fois la lecture attentive et l'analyse computationnelle.

Histoire

L'analyse documentaire comme méthode de recherche trouve ses racines dans l'historiographie et la sociologie du début du XXe siècle, notamment dans les travaux de W.I. Thomas et Florian Znaniecki (The Polish Peasant, 1918–1920) et systématisée plus tard par des chercheurs tels que John Scott (1990) et Lindsay Prior (2003). La variante en ligne a émergé organiquement dans les années 1990 et 2000 à mesure que la pénétration d'Internet rendait les documents numériques largement disponibles. L'article méthodologique de Glenn Bowen en 2009 dans le Qualitative Research Journal est devenu une référence largement citée consolidant l'analyse documentaire — y compris ses formes numériques — comme une méthode qualitative rigoureuse. La croissance des sciences humaines numériques, des sciences sociales computationnelles et des mouvements de données ouvertes a depuis considérablement élargi sa portée.

Quand l’utiliser

Utilisez la collecte de documents en ligne lorsque la question de recherche peut être abordée par des textes numériques publiquement disponibles ou accessibles et lorsque la collecte de données primaires (entretiens, enquêtes) est impraticable, coûteuse ou éthiquement sensible. Elle est bien adaptée aux études historiques ou longitudinales, à l'analyse des politiques, à la recherche organisationnelle et aux études du discours public. C'est une méthode supplémentaire solide pour la triangulation dans les conceptions mixtes. Ne l'utilisez pas comme seule méthode lorsque la question de recherche concerne l'expérience personnelle, les attitudes ou les comportements qui ne sont pas capturés dans les documents publics ; et évitez-la lorsque l'authenticité ou l'exhaustivité des documents ne peuvent être vérifiées, ou lorsque le phénomène d'intérêt laisse peu ou pas de trace documentaire en ligne.

Limites et points d’attention

  • Les documents en ligne peuvent être modifiés, supprimés ou déplacés après la collecte, rendant la réplication ou le suivi difficiles.
  • Les restrictions d'accès, les paywalls ou les barrières d'authentification peuvent exclure des sources importantes et introduire un biais de sélection.
  • La qualité et l'authenticité des documents peuvent être difficiles à vérifier, en particulier pour le contenu généré par les utilisateurs ou anonyme.
  • Ne représente que ce qui a été numérisé et publié en ligne — les voix marginalisées et les connaissances informelles sont souvent sous-représentées.
  • Les grands corpus nécessitent une infrastructure de gestion de données et peuvent exiger des compétences computationnelles au-delà de la formation de nombreux chercheurs.

Les conditions de la source ne remplacent ni une revue scientifique indépendante ni la validation par un moteur d’analyse.

Points forts

  • Fournit un accès à des corpus vastes et géographiquement dispersés sans contraintes de voyage ou d'accès physique.
  • Les documents sont des données naturelles — non produites dans des conditions de recherche — ce qui réduit le biais de réactivité.
  • Rentable : de nombreuses sources sont accessibles gratuitement via des portails en libre accès, des bases de données ou des sites Web publics.
  • Bien adaptée à la recherche historique et longitudinale car les archives numériques conservent des versions datées des documents.
  • Facilement combinable avec d'autres méthodes (entretiens, enquêtes) pour la triangulation dans les conceptions mixtes.
  • Évolutive — les outils d'analyse textuelle computationnelle peuvent traiter des milliers de documents qu'une lecture manuelle ne pourrait pas.

Applications

  • Analyse des politiques : collecte et comparaison de livres blancs gouvernementaux, de textes législatifs et de directives réglementaires publiés sur des portails officiels.
  • Recherche organisationnelle : rassemblement de rapports annuels d'entreprise, de communiqués de presse et de déclarations de mission pour étudier l'évolution institutionnelle au fil du temps.
  • Études du discours public : compilation d'articles de presse, de billets de blog ou de fils de discussion sur les réseaux sociaux pour analyser le cadrage d'un problème social.
  • Recherche historique : constitution de corpus à partir de journaux numérisés, de dossiers judiciaires ou d'archives organisationnelles pour une analyse longitudinale.
  • Communication sur la santé : collecte de messages de forums de patients, de directives d'autorités sanitaires et de couverture médiatique pour examiner la compréhension publique d'une condition médicale.
  • Recherche en éducation : récupération de documents curriculaires, de politiques scolaires et de ressources d'apprentissage pour comparer les approches pédagogiques entre les institutions.

Comment ça marche

Comment ça marche

1

Le chercheur formule des critères explicites d'inclusion et d'exclusion spécifiant quels types de documents en ligne sont pertinents — par type de document (par exemple, rapports de politique, articles de presse, déclarations institutionnelles), fenêtre temporelle, langue, domaine source, et portée géographique ou organisationnelle. Des critères clairs empêchent l'accumulation arbitraire et rendent le processus de collecte transparent et reproductible.

2

Les sources en ligne pertinentes sont identifiées par des recherches systématiques dans des bases de données, des moteurs de recherche, des sites Web institutionnels, des portails gouvernementaux, des dépôts numériques et des plateformes de médias sociaux. Des chaînes de recherche booléennes, des opérateurs spécifiques aux sites et des API de plateformes sont utilisés pour construire une liste complète de sources candidates avant le début de la récupération.

3

Les documents sont téléchargés, extraits (scraped) ou sauvegardés de leurs emplacements en ligne à l'aide d'outils de navigateur, de scripts de web scraping, d'appels d'API ou de copie manuelle. Les métadonnées — y compris l'URL, l'auteur, la date de publication et la date d'accès — sont enregistrées pour chaque document afin de soutenir une citation et un suivi de provenance appropriés.

4

Chaque document récupéré est évalué pour son authenticité (est-il authentique et non altéré ?), sa crédibilité (qui l'a produit et dans quel but ?), sa représentativité (le corpus reflète-t-il adéquatement le phénomène ?) et sa pertinence (aborde-t-il la question de recherche ?). Les documents qui ne satisfont pas aux seuils de qualité sont exclus et les suppressions sont enregistrées.

5

Les documents qualifiés sont stockés dans un système de classement structuré ou un logiciel de gestion de données qualitatives (par exemple, NVivo, ATLAS.ti, Zotero), étiquetés avec des métadonnées et des attributs de source. Le contrôle de version et l'enregistrement des dates d'accès sont importants car les documents en ligne peuvent être modifiés ou supprimés après la collecte.

6

Le corpus organisé est analysé à l'aide de méthodes appropriées — analyse de contenu, analyse thématique, analyse de discours, ou analyse textuelle computationnelle — pour extraire des informations pertinentes pour la question de recherche. L'analyse peut être qualitative, quantitative ou mixte selon le plan de recherche.

Pièges courants

  • Omission de l'enregistrement des métadonnées et des dates d'accès : les documents en ligne changent ou disparaissent ; sans enregistrements précis de provenance, le corpus ne peut être vérifié ou cité avec précision.
  • Ignorer le biais de sélection : collecter uniquement les documents faciles à trouver (résultats de recherche supérieurs, principaux médias) exclut systématiquement les perspectives minoritaires et produit un corpus biaisé.
  • Traiter tous les documents en ligne comme équivalents : les rapports institutionnels, les publications sur les réseaux sociaux et les articles de presse diffèrent par leur objectif, leur public et leur statut épistémique ; l'analyse doit tenir compte du type de document.
  • Négliger les considérations éthiques : même le contenu accessible publiquement en ligne — en particulier les publications sur les réseaux sociaux — peut impliquer la vie privée individuelle ; les chercheurs devraient consulter les directives éthiques disciplinaires avant de collecter et de citer de tels matériaux.
  • Dérive de la portée : sans critères d'inclusion stricts, le corpus peut devenir ingérable, gaspillant du temps d'analyse sur des documents non pertinents.

Questions fréquentes

En quoi la collecte de documents en ligne diffère-t-elle du web scraping ?

Le web scraping est un processus technique automatisé d'extraction de texte ou de données à partir de pages Web à l'aide de scripts ou de robots d'exploration. La collecte de documents en ligne est une catégorie méthodologique plus large qui peut inclure le scraping mais englobe également la récupération manuelle, les téléchargements de bases de données et les appels d'API. La caractéristique déterminante de la collecte de documents en ligne est son approche intentionnelle et axée sur des critères pour construire un corpus de recherche ; le scraping est un outil au sein de ce processus.

Les publications sur les réseaux sociaux sont-elles des documents de recherche légitimes ?

Oui, dans de nombreux contextes de recherche, elles le sont. Les publications sur les réseaux sociaux sont des textes naturels qui expriment des opinions, des expériences et des interactions. Cependant, leur utilisation soulève des questions éthiques concernant le consentement éclairé et la vie privée individuelle, même lorsque le contenu est publiquement accessible. Les chercheurs doivent suivre les directives éthiques de leur institution et les normes disciplinaires, anonymiser les individus lorsque cela est approprié, et être transparents sur les procédures de collecte et d'analyse.

Comment gérer les documents qui disparaissent après la collecte ?

Enregistrez l'URL exacte et la date d'accès pour chaque document au moment de la collecte. Utilisez des outils d'archivage tels que la Wayback Machine de l'Internet Archive ou sauvegardez des copies locales au format PDF. Zotero et les gestionnaires de références similaires peuvent capturer des instantanés de page. Cet enregistrement de provenance est essentiel pour la précision de la citation et pour répondre aux examinateurs par les pairs qui ne peuvent pas localiser une source.

Ai-je besoin d'une approbation éthique pour la collecte de documents en ligne ?

Cela dépend de la source et du contenu. Les rapports institutionnels, les documents gouvernementaux et les textes organisationnels publiés sont généralement à faible risque. La collecte de contenu personnel identifiable à partir des réseaux sociaux ou des forums de santé nécessite généralement un examen éthique, en particulier dans la recherche médicale ou psychologique. Vérifiez toujours la politique d'éthique de la recherche de votre institution avant de commencer la collecte.

Combien de documents constituent un corpus adéquat ?

Il n'y a pas de minimum universel. L'adéquation est jugée par la saturation — le point auquel les documents supplémentaires n'apportent plus de nouveaux thèmes ou preuves pertinents pour la question de recherche — et par la représentativité du paysage des sources. Une étude ciblée sur les politiques pourrait être bien servie par 20 à 50 documents clés ; une grande étude sur le discours pourrait nécessiter des centaines. Définissez vos critères explicitement et rapportez la taille finale du corpus de manière transparente.

Méthodes associées

Sources

  1. Bowen, G. A. (2009). Document analysis as a qualitative research method. Qualitative Research Journal, 9(2), 27–40.

    Ouvrir la référence DOI
    Copié.
  2. Prior, L. (2003). Using Documents in Social Research. Sage Publications.

    ISBN : 978-0761965497
    Copié.