Text: JG Ballard's manuscripts at the British Library

I love libraries, you won't be surprised to hear. I have often mentioned the BnF [fr-1, fr-2], but the British Library is another of my favorite pilgrimages, where I go religiously each time I happen to be in London (unfortunately not so frequently recently!). I read in the Guardian that it has just purchased the manuscripts of JG Ballard, mythical science-fiction author whose strange and post-apocalyptic work fascinated me when I was a teenager (The Drowned World, The Crystal World, The Drought, etc.) and even later, especially with Crash (1973) which marked a whole generation. It's rather moving to see the manuscripts for these hallucinated works for the first time and to discover how much Ballard's writing process was a tortured one, as can be seen from the first page of Crash, which looks as if it has gone through a few loop-the-loops and somersaults:

First page of Crash

This reminds me of a superb exhibition at the BnF on writers' drafts, I mentioned a long time ago [fr]:

Manuscript for Dolor, a poem by Victor Hugo

Word processing has killed manuscripts. The writing process is now silent: the toing and froing, doubts, wanderings, sudden and lightening finds are a thing of the past. More than the aesthetic loss, it's also a major loss for future historians and philologists. No one will ever know the tortured (or otherwise?) plume of Doris Lessing or J.M. Le Clézio...

Texte: Manuscrits de JG Ballard à la British Library

Je suis amoureux des bibliothèques, ça ne vous étonnera pas. Je vous ai souvent parlé de la BnF [1, 2], mais la British Library est un autre de mes lieux de pélerinage, où je me rends religieusement chaque fois que je traîne à Londres (ce qui est hélas moins fréquent ces derniers temps !). Je lis dans le Guardian qu'elle vient d'acquérir les manuscrits de JG Ballard, auteur mythique de science-fiction dont l'œuvre étrange et post-apocalyptique m'a fasciné quand j'étais adolescent (The Drowned World, The Crystal World, The Drought, etc.) et même après, notamment avec Crash (1973) qui a marqué toute une génération. C'est émouvant de voir pour la première fois les manuscrits de ces oeuvres hallucinées, et de découvrir à quel point le processus d'écriture de Ballard était torturé, comme en témoigne la première page de Crash, qui semble avoir subi elle aussi quelques loopings et quelques tonneaux :

Première page de Crash

Ceci me remet en mémoire une superbe exposition de la BnF sur les brouillons d'écrivains, dont je vous avais parlé il y a bien longtemps :

Manuscrit de Dolor, poème de Victor Hugo

Le traitement de texte a tué les manuscrits. Le processus d'écriture est devenu silencieux : ses aller-retours, ses doutes, ses errements, ses trouvailles soudaines et fulgurantes sont devenus inaccessibles à jamais. Au-delà de la perte esthétique, c'est une perte majeure pour les historiens et les philologues des temps futurs. Personne ne connaîtra jamais le parcours torturé (ou pas ?) de la plume de Doris Lessing ou J.M. Le Clézio...

Google: Trusted sites get pride of place

For a while now, webmasters have been sweating bullets at the sight of their morning statistics. On the forums (see for example  WebmasterWorld), desperate comments speak of falls of 30, 50 or even 90% of the traffic brought by Google. Several days ago, the affair hit the media when  Matt Cutts confirmed an update with the highly appropriate name of Mayday, which specifically affects long tail queries. This is only the cherry on the cake however: the upset started at the beginning of the year and does not seem to be finished. Google has manifestly declared war on opportunistic websites, who are placing themselves between users and sites displaying real content. Everyone has noticed that for some “competitive” searches (namely merchant), the search engine has become almost unusable: pages and pages of false comparators, doubtful forums and other parasitic sites ready to jump on the band wagon — which in the best cases land on pages full of Adsense and in the worst some absolute swindles. Everyone is putting forward hypotheses in the SEO forums about the modifications made to the algorithms. It’s quite a futile exercise; Google secrets are the best kept on the planet. One thing is certain: Google has called the end of play time.

Whatever these modifications, the result is rather paradoxical. While the Web is growing every day by thousands of sites and millions of pages, Google’s first-page results (roughly the only results that users click on) are showing fewer and fewer sites. Below is the result of a benchmark of 1500 searches (in French) that I regularly apply to follow changes in the search engine. In June 2008, these 1500 searches returned more than 5800 domains on the first page. In 2009, around 5100, i.e. 12% fewer. At the start of June 2010, only 4837 domains are returned, a fall of 17% compared to 2008.

Number of domains on the first page out of a set of 1500 queries

Another interesting phenomenon: the presence of Wikipedia in the results. In June 2008, Google returned 8.2% of first-page results in the encyclopedia, and 24.5% as a first link (after reaching a record of 27% [fr] in 2007). The encyclopedia marked a significant drop in results last year, as its presence fell back to 4.5% in all first page results and 14.5% as first link. It’s up again, with 6.9% of results and 24.8% first links.

Presence of Wikipedia in the results.

These data clearly show that Google is narrowing results to sites it trusts, usually major established sites (in France: linternaute.com, aufeminin.com, doctissimo.fr, lemonde.fr, etc. -- and of course wikipedia.org).  This notoriety bias does give rise to some collateral damage. It is increasingly difficult for small, newly created sites, which are perfectly legitimate, to appear in the first page of results, not to speak of the famous first place. At a time when whole parts of the economy depend on a presence on Google, this is a worrying phenomenon.

It remains to be proven whether major sites that have the trust of Google can provide pertinent answers to surfers’ searches. Like me, you have most likely been alarmed by the emptiness of certain forums that obstinately turn up in many of your searches...

Google: La reconnaiffance de caractères eft une fcience affez fûre!

... mais pas sur les textes du XVIIe siècle ! Je cherchais à relire hier soir L'Homme de Cour de Baltasar Gracián y Morales, philosophe jésuite espagnol assez peu connu du public, mais dont les oeuvres (presque immédiatement traduites en français) ont inspiré La Rochefoucauld, Voltaire, Schopenhauer, Nietzche, Lacan et Guy Debord. Le personnage, rebelle et assez cynique, n'est pas sans rappeler Machiavel — à la différence que son analyse désenchantée du pouvoir, des apparences et de la comédie sociale ne s'adresse pas au Prince mais à l'homme du commun...

Bref, je farfouille dans Google. Pure paresse, j'en conviens (j'aurais pu chercher sur Gallica, dont je suis un grand fan [1, 2], mais la lourdeur et la lenteur de l'interface ont fini par avoir raison de ma bonne volonté...). Voici donc le document qui apparaît — la numérisation d'un volume de l'Université du Michigan :

Superbe. J'étais prêt à me replonger dans les aphorismes du vieux jésuite, mais un nuage de tags assez extraordinaire m'a accroché l'œil :

Google numérise en mode texte les livres anciens ! Voilà qui est nouveau. Ou peut-être pas, mais en tout cas j'avais raté cet épisode. Cela m'a surpris parce que jusqu'ici la reconnaissance de caractères sur de tels textes posait des difficultés à peu près insurmontables (c'est pour ça que Gallica ne propose quasiment que des images pour les fonds anciens). Vous imaginez que ça a titillé quelque peu ma curiosité !

Feulement, foilà... il y a un petit problème ! Le tag cloud semble avoir été réécrit par Sylvestre (je ne parle pas d'un traducteur jésuite du XVIIe siècle, je parle du Gros minet, frapriffti fauffife !) :

Fage, feulement, favoir, fouvent, chofes, fcience... Le tag cloud est affez maffacré ! Le principal problème provient du s long : les textes de cette époque utilisaient pour le s interne aux mots une forme voisine du f. Le s que nous connaissons de nos jours n'était utilisé qu'en position finale. Cela rend la lecture malaisée pour le profane, mais avec un peu d'habitude on n'y fait plus attention.

Visiblement l'OCR n'aime pas — ce dont je me doutais ! Mais le plus étonnant est tout de même que Google ne s'en aperçoive pas, ou ignore volontairement le maffacre... Car l'utilisation qui est faite de ces numérisations en mode texte maffacré semble maffive ! Le texte ainsi maltraité est indexé tel quel dans le moteur et l'index est pollué de façon majeure. Pour avoir une idée de l'ampleur des dégâts, tapez par exemple la requête +feulement +favoir (le + force le mot dans sa forme exacte sans correction orthographique). Vous tombez sur l'Encyclopédie de Diderot et d'Alembert et 272 000 résultats au total :

Voilà qui m'épate tout de même ! Apparemment des dizaines de milliers d'ouvrages anciens ont déjà été numérisés avec ce bug. Personne ne regarde le résultat chez Google ? Je conviens que la numérisation des documents anciens en mode texte est difficile (je ne la pensais même pas possible). Mais sur ce cas d'espèce il suffirait déjà de redresser tous les mots qui n'apparaissent pas dans le dictionnaire (comme fcience ou jurifprudence), mais se rapprochent d'un mot existant en substituant un s au f pour résoudre la moitié des problèmes. Une approche légèrement plus ambitieuse basée sur la probabilité des bigrammes ou trigrammes de mots résoudrait la plupart des autres cas, comme feulement, qui est aussi un mot du français (le feulement des fauves)...

Tiens, je vais leur proposer mes services !

En attendant, si vous voulez une version plus lisible, en orthographe et typographie moderne, de cet Homme de cour, j'en ai trouvé une ici.

Google: Prime de plus en plus forte aux sites de confiance

Depuis quelque temps, les webmasters attrapent des sueurs froides le matin en regardant leurs statistiques. Sur les forums (voir par exemple WebmasterWorld), des témoignages désespérés parlent de chutes de 30, 50 voire 90% du trafic amené par Google. L'affaire a été médiatisée il y a quelques jours, quand Matt Cutts a confirmé une mise à jour du nom très approprié de Mayday, qui affecte particulièrement les requêtes de la longue traîne. Mais ce n'est qu'une cerise sur le gâteau : le chamboulement a commencé au début de l'année et ne semble pas encore terminé. Google a manifestement déclaré la guerre aux sites opportunistes, qui viennent s'intercaler entre les utilisateurs et les sites producteurs de véritable contenu. Tout le monde a remarqué que sur certaines requêtes "compétitives" (marchandes en particulier) le moteur devenait quasiment inutilisable : des pages et des pages de comparateurs bidon, de forums douteux, et autres sites parasites prêts à harponner le gogo — qui dans le meilleur des cas atterrit sur des pages bourrées d'Adsense et dans le pire sur de jolies arnaques. Chacun y va de son hypothèse dans les forums SEO sur les modifications apportées dans les algorithmes. L'exercice est un peu vain ; les secrets de Google sont les mieux gardés de la planète. Mais une chose est certaine : Google a sifflé la fin de la récréation.

Quelles que soient ces modifications, leur résultat est assez paradoxal. Alors que le Web s'agrandit chaque jour de milliers de sites et de millions de pages, les résultats en première page de Google (qui est grosso modo la seule sur laquelle les utilisateurs cliquent) font apparaître de moins en moins de sites. Je vous montre ci-dessous le résultat d'un benchmark de 1500 requêtes (en français) que j'applique régulièrement pour suivre l'évolution du moteur. En juin 2008, ces 1500 requêtes retournaient plus de 5800 domaines en première page. En 2009, environ 5100, c'est-à-dire 12% de moins. Début juin 2010, ce ne sont plus que 4837 domaines qui sont retournés, soit une chute de 17% par rapport à 2008.

Nombre de domaines en première page sur un ensemble de 1500 requêtes

Autre phénomène intéressant : la présence de Wikipedia dans les résultats. En juin 2008, Google retournait 8,2% des résultats de première page dans l'encyclopédie, et 24,5% en tout premier lien (après avoir atteint le record de 27% en 2007). L'encyclopédie avait marqué un net recul dans les résultats l'année dernière, puisque sa présence avait été ramenée à 4,5% dans l'ensemble des résultats de première page et 14,5% en premier lien. Elle refait surface à nouveau, avec 6,9% des résultats et 24,8% en premier lien.

Présence de Wikipedia dans les résultats

Ces données montrent clairement que Google resserre ses résultats sur les sites dans lesquels il a confiance, généralement de gros sites établis (linternaute.com, aufeminin.com, doctissimo.fr, lemonde.fr, etc. -- et bien sûr wikipedia.org).  Ce biais à la notoriété ne va pas sans dommages collatéraux. Il devient de plus en plus difficile pour de petits sites nouvellement créés et pourtant parfaitement légitimes, d'apparaître en première page des résultats, sans parler même de la fameuse première place. A une époque où des pans entiers de l'économie dépendent d'une présence sur Google, le phénomène est inquiétant.

Il reste par ailleurs à démontrer que les gros sites qui reçoivent ainsi la confiance de Google apportent tous des réponses pertinentes aux requêtes des internautes. Vous avez sans doute été consternés comme moi par la vacuité de certains forums qui s'obstinent à apparaître sur bon nombre de vos requêtes...