I. Veille technologique, intelligence économique et analyse de l’information textuelle

Je travaille au CRRM^[2] qui est un laboratoire dont l’objet de recherche est la veille technologique. La veille technologique est une discipline orientée vers l’entreprise. Elle permet aux décideurs de mieux comprendre l’environnement scientifique et technique de façon à orienter leurs choix stratégiques (Dou, 1995 ).

La veille technologique fait partie d’une démarche plus globale d’observation de la concurrence, des marchées, de la législation, de la réglementation, des normes, des évolutions sociales, etc. On parle alors d’intelligence économique (Martinet, 1995 ).

Les informations sont collectées, analysées et synthétisées par des professionnels de la veille avant d’être transmises à la direction de l’entreprise (Jakobiak, 1998 ). Le veilleur s’intéresse aux informations formelles, comme aux informations informelles. Les premières regroupent les publications scientifiques, articles de presse, rapports, études, notices bibliographiques, rapports de dépôts de brevets, bases de données, etc. Les secondes regroupent les comptes rendus de visites dans les salons professionnels, les rumeurs, les informations obtenues auprès des fournisseurs ou clients, etc. Les informations collectées sont le plus souvent non confidentielles. Dans tous les cas, elles ont été obtenues légalement.

Pour l’information scientifique et technique, les sources d’informations utilisées sont pour l’essentiel présentes dans des bases de données. Les données en jeu sont très nombreuses, elles se prêtent donc particulièrement bien aux études globales. La veille technologique permet de déterminer quels sont les thèmes de recherche les plus en vogue, de connaître les domaines techniques dans lesquels les concurrents déposent leurs brevets, de réaliser des réseaux de co-auteurs, voire d’anticiper des tendances futures à partir de signaux faibles.

Les techniques utilisées sont issues de la bibliométrie. Dans cette discipline, il s’agit d’effectuer des mesures (dénombrements ou études statistiques) sur la science et les techniques à partir de publications. Le facteur d’impact (impact factor) que calcule l’ISI^[3] pour évaluer l’importance d’une revue dans sa discipline est un très bon exemple d’étude bibliométrique (Magri, 1997). Quand les études servent au pilotage de la politique de recherche on parle de scientométrie (Barré, 1995 ). Quand les études servent à optimiser le fonctionnement des bibliothèques, par exemple la souscription d’abonnement à des revues, on parle de bibliothéconomie.

La bibliométrie permet d’étudier les producteurs (chercheur, équipe, laboratoire, entreprise, pays, ...) ou les diffuseurs (éditeur, périodique, colloque,...) d’un point de vue quantitatif ou qualitatif. Elle permet aussi de cartographier un domaine de recherche. Des graphes de co-auteurs peuvent être réalisés, des mots clefs peuvent être identifiés.

L’étude que nous proposons sur les interactions entre les gènes fait bien partie du champ de la bibliométrie. Il s’agit d’exploiter des ressources bibliographiques existantes pour obtenir une vision synthétique d’un domaine de recherche donné. Il y a d’ailleurs une forte analogie entre les réseaux de co-auteurs et les réseaux de gènes en interactions. Dans les deux cas, il s’agit d’offrir une vision synthétique des collaborations qui interviennent entre différents acteurs dans la réalisation d’une certaine tâche.

Dans la plupart des cas, les études bibliométriques ne s’intéressent pas au champ résumé. Les champs utilisés sont les champs auteur, affiliation, date, source (nom du journal par exemple), mot clef, code de classement, etc. Ces champs sont appelés champs contrôlés. Ces champs contiennent une information de nature très différente de celle qui est contenue dans le champ résumé. Les modalités possibles pour les champs contrôlés sont assez limitées. Il s’agit d’un mot, d’un code, d’une date. En revanche le champ résumé contient du texte rédigé. Dans le domaine du traitement d’enquête, on appelle cela du texte libre : la personne interrogée rédige librement sa réponse. Cela correspond à une réponse à une question ouverte : que faites-vous ? Tandis que les champs de description du document correspondent chacun à une réponse à une question fermée : qui a participé à l’écriture du document ? Où a-t-il été publié ? Etc. Dans le domaine de l’intelligence artificielle on appelle le texte rédigé du langage naturel, par opposition aux langages informatiques qui manipulent des symboles, des nombres, des équations et des instructions.

La nature des champs est très différente ; les moyens d’analyse seront donc différents. Alors que pour le champ auteur, il suffit d’extraire les associations de noms présents pour obtenir un graphe de co-auteurs, il n’en va pas de même pour réaliser un graphe de co-citation des gènes. Cela demande des traitements préliminaires : reconnaître les noms de gènes en présence dans le texte et les associer au gène qu’il désigne (à travers un numéro unique propre à chaque gène). Ce problème, l’identification des gènes dans les textes, est assez complexe comme nous le verrons dans la partie Partie 2 Chapitre 1 I^[4]. Le traitement a nécessité l’utilisation d’un dictionnaire des gènes. Ce dictionnaire décrit la terminologie employée pour les gènes de la drosophile. Le traitement a aussi nécessité l’emploi d’une base de données relationnelle. Cette base était en effet indispensable pour organiser correctement le dictionnaire. Elle a aussi servi à mémoriser les annotations faites par l’expert et par le programme. Elle permet de faire toutes sortes de comparaisons entre les données, de façon à affiner la terminologie des gènes et à résoudre leurs identifications dans les textes.