1
00:00:00,390 --> 00:00:03,900
Dans cette unité, nous
allons voir notre premier

2
00:00:03,920 --> 00:00:06,450
modèle descriptif, vraiment
très petit, du World Wide Web.

3
00:00:07,100 --> 00:00:09,400
S'il est si petit, c'est que

4
00:00:09,420 --> 00:00:12,470
les modèles descriptifs sont
abordés dans la prochaine leçon

5
00:00:12,750 --> 00:00:16,160
de manière assez approfondie,
et nous voulons juste voir un

6
00:00:16,180 --> 00:00:18,670
modèle vraiment petit afin de voir

7
00:00:18,830 --> 00:00:20,710
ce qu'on peut faire avec
les modèles génératifs

8
00:00:20,920 --> 00:00:22,710
donc nous le gardons vraiment petit ici.

9
00:00:24,100 --> 00:00:27,760
Quand vous aurez terminé cette unité,
vous devriez être familiarisés avec

10
00:00:27,780 --> 00:00:30,720
deux modèles descriptifs simples du Web

11
00:00:30,740 --> 00:00:32,450
comme collection de documents texte

12
00:00:33,220 --> 00:00:34,920
et vous devriez savoir distinguer

13
00:00:34,940 --> 00:00:36,790
le modèle de la réalité.

14
00:00:37,740 --> 00:00:40,540
Vous devriez connaître le
concept de choix de modélisation.

15
00:00:40,560 --> 00:00:43,310
Nous vous en montrons
déjà un petit exemple

16
00:00:43,560 --> 00:00:47,230
et vous devriez donc pouvoir
critiquer votre modèle descriptif.

17
00:00:48,000 --> 00:00:50,340
Et enfin et surtout, nous vous donnerons

18
00:00:50,360 --> 00:00:53,210
six étapes importantes de
la modélisation descriptive.

19
00:00:54,930 --> 00:00:58,020
Construisons donc un modèle très
simpliste du World Wide Web.

20
00:00:58,040 --> 00:00:59,410
Nous prenons un crawl du Web,

21
00:00:59,860 --> 00:01:01,240
dans notre cas, seule une partie,

22
00:01:01,260 --> 00:01:02,890
à savoir la Simple English Wikipedia,

23
00:01:03,340 --> 00:01:05,560
mais évidemment nous aurions
pu explorer bien plus,

24
00:01:05,580 --> 00:01:07,370
enfin, tant que nous
avons des ordinateurs.

25
00:01:07,900 --> 00:01:10,830
Et nous utilisons le modèle de
collection de documents texte.

26
00:01:11,720 --> 00:01:14,800
Et notre objectif, comme avant,
est de mesurer la taille, parce que

27
00:01:14,820 --> 00:01:16,680
nous voulions savoir la
taille du World Wide Web,

28
00:01:16,700 --> 00:01:19,510
ou, dans notre cas, celle de
la Simple English Wikipedia.

29
00:01:20,740 --> 00:01:24,810
Et l'idée est que nous pourrions compter
les mots comme mesure de la taille.

30
00:01:25,000 --> 00:01:27,180
Et nous faisons ici
l'hypothèse selon laquelle

31
00:01:27,200 --> 00:01:30,310
tout ce qui se trouve entre
deux espaces successifs

32
00:01:30,620 --> 00:01:32,330
est considéré comme un mot.

33
00:01:33,320 --> 00:01:35,870
Nous avons un crawl du Web et
voulons connaître la taille,

34
00:01:36,330 --> 00:01:39,360
mais à partir du crawl,
on pourrait le voir comme

35
00:01:39,380 --> 00:01:40,520
une collection de documents

36
00:01:40,540 --> 00:01:42,020
et là, on pourrait compter les mots

37
00:01:42,040 --> 00:01:45,630
pour nous donner un
indicateur de la taille.

38
00:01:46,300 --> 00:01:49,930
Et quand nous l'exécutons, comme nous le
verrons aussi dans la prochaine vidéo,

39
00:01:50,440 --> 00:01:53,910
le résultat est que nous avons
environ 1,2 million de mots,

40
00:01:54,480 --> 00:01:56,750
au moins dans ma version du crawl

41
00:01:57,240 --> 00:02:01,110
et il peut être différent de ce
que vous voyez dans les exercices,

42
00:02:01,640 --> 00:02:05,880
alors critiquons déjà notre modèle
et nos choix de modélisation.

43
00:02:05,900 --> 00:02:09,960
Je veux que vous y réfléchissiez
maintenant un instant,

44
00:02:09,980 --> 00:02:11,970
vous pouvez peut-être
mettre la vidéo en pause

45
00:02:12,260 --> 00:02:15,440
et réfléchir à quelque
chose qui aurait pu changer

46
00:02:15,460 --> 00:02:18,890
le résultat de 1,2 million de
mots que nous avons obtenu.

47
00:02:19,540 --> 00:02:21,970
Alors, allons-y, critiquons notre modèle.

48
00:02:22,080 --> 00:02:24,140
Je vous donne donc deux phrases

49
00:02:24,160 --> 00:02:27,050
et je vous demande combien
de mots elles contiennent.

50
00:02:28,520 --> 00:02:30,840
Les phrases sont « I live in Koblenz »,

51
00:02:30,860 --> 00:02:33,290
où se tient notre MOOC

52
00:02:33,700 --> 00:02:36,610
et l'autre est « I live
in San Francisco. »

53
00:02:37,160 --> 00:02:39,540
et, comme je l'ai déjà noté, la réponse

54
00:02:39,560 --> 00:02:41,140
dans le premier cas, quatre mots

55
00:02:41,160 --> 00:02:43,210
et dans le second cas, cinq mots.

56
00:02:43,820 --> 00:02:47,260
Et nous voyons que le
résultat varie beaucoup

57
00:02:47,280 --> 00:02:49,530
selon le choix implicite
que nous avons fait.

58
00:02:49,960 --> 00:02:52,090
Parce que certains pourraient soutenir que

59
00:02:52,320 --> 00:02:54,830
Koblenz et San Francisco
sont toutes deux des villes

60
00:02:55,160 --> 00:02:57,850
et que dans les deux cas,
cela devrait être un seul mot,

61
00:02:57,980 --> 00:03:00,310
de sorte que les deux phrases
n'ont que quatre mots.

62
00:03:00,960 --> 00:03:04,230
Alors quel était ce choix implicite
de modélisation que nous avons fait,

63
00:03:04,560 --> 00:03:08,300
qui était d'ailleurs le même choix
de modélisation que nous avons fait

64
00:03:08,320 --> 00:03:10,770
en comptant les mots de la
Simple English Wikipedia ?

65
00:03:11,600 --> 00:03:14,000
Et vous avez probablement
raison de réaliser que

66
00:03:14,020 --> 00:03:16,880
le choix de modélisation était
que tout ce qui se trouve entre

67
00:03:16,900 --> 00:03:20,510
deux espaces consécutifs doit
être considéré comme un seul mot,

68
00:03:20,600 --> 00:03:23,690
ce qui fait de San et
Francisco deux mots distincts.

69
00:03:24,260 --> 00:03:26,720
Une autre façon dont
nous aurions pu modéliser

70
00:03:26,740 --> 00:03:29,030
le World Wide Web ou la
Simple English Wikipedia

71
00:03:29,450 --> 00:03:32,710
est de modéliser des documents plutôt
que des mots pour mesurer sa taille.

72
00:03:33,080 --> 00:03:36,590
Nous aurions pu dire que chaque
URI correspond à un document

73
00:03:36,900 --> 00:03:38,820
puis simplement compter les URI

74
00:03:38,840 --> 00:03:41,170
ou compter les fichiers
que nous avons téléchargés.

75
00:03:41,940 --> 00:03:43,950
Mais qu'en est-il du contenu dupliqué ?

76
00:03:44,220 --> 00:03:48,070
Cela signifie que deux URI
ont le même fichier HTML.

77
00:03:49,080 --> 00:03:50,970
Et qu'en est-il du contenu web dynamique ?

78
00:03:51,400 --> 00:03:55,190
Il est facile d'avoir un nombre
infini d'URI sur un domaine,

79
00:03:55,680 --> 00:03:59,900
par exemple un serveur web ou un site
web qui représente des nombres premiers

80
00:03:59,920 --> 00:04:02,950
et a tous les nombres premiers
comme URL différentes.

81
00:04:04,200 --> 00:04:09,360
Vous voyez donc que
déjà un modèle simpliste

82
00:04:09,380 --> 00:04:12,170
où nous comptons simplement
le nombre de documents

83
00:04:12,660 --> 00:04:17,050
pourrait être assez difficile
à mener jusqu'au bout.

84
00:04:17,420 --> 00:04:20,290
Dans la Simple English Wikipedia,
je suppose que la réponse serait

85
00:04:20,700 --> 00:04:23,710
quelque chose comme cent mille documents.

86
00:04:24,140 --> 00:04:26,930
Ce qu'il est important de
garder à l'esprit, c'est que

87
00:04:27,440 --> 00:04:31,270
le modèle instancié reflète une
situation particulière du monde

88
00:04:31,730 --> 00:04:33,760
quand nous prenons une
collection de pages web

89
00:04:33,780 --> 00:04:36,090
pour construire un modèle de texte,

90
00:04:36,470 --> 00:04:40,370
notre modèle caractérise comment le
monde pourrait fonctionner en général,

91
00:04:40,860 --> 00:04:42,580
mais les modèles que nous étudions n'ont

92
00:04:42,600 --> 00:04:45,190
qu'un instantané spécial
d'une situation spéciale.

93
00:04:45,340 --> 00:04:48,710
Si nous prenons le crawl
deux heures plus tard,

94
00:04:48,920 --> 00:04:51,160
les résultats pourraient
déjà varier un peu.

95
00:04:51,180 --> 00:04:52,840
Il est aussi important de comprendre

96
00:04:52,860 --> 00:04:54,920
que le Web est un
environnement très dynamique,

97
00:04:54,940 --> 00:04:59,730
donc il est de toute façon très difficile
de le modéliser avec un instantané du Web.

98
00:05:01,360 --> 00:05:03,400
Gardez à l'esprit six étapes importantes

99
00:05:03,420 --> 00:05:06,450
pour étudier des objets
à l'aide de modèles.

100
00:05:07,060 --> 00:05:09,560
Ce que vous devriez faire d'abord, c'est

101
00:05:09,580 --> 00:05:11,540
choisir un objet d'étude.

102
00:05:11,560 --> 00:05:13,660
Dans notre cas, on peut
choisir le World Wide Web

103
00:05:13,680 --> 00:05:15,170
ou la Simple English Wikipedia.

104
00:05:16,280 --> 00:05:19,680
Et ensuite, si c'est trop difficile,

105
00:05:19,700 --> 00:05:22,130
par exemple le World Wide
Web est peut-être trop grand,

106
00:05:22,500 --> 00:05:24,390
vous pourriez choisir un exemple jouet,

107
00:05:25,000 --> 00:05:27,930
peut-être un certain crawl du Web
ou la Simple English Wikipedia.

108
00:05:29,080 --> 00:05:32,700
Et ensuite, vous devez choisir une
perspective pour regarder cet objet.

109
00:05:32,720 --> 00:05:34,840
Dans notre cas, quand
nous regardons le Web,

110
00:05:34,860 --> 00:05:37,180
vous pourriez dire :
eh bien, voyons le Web

111
00:05:37,200 --> 00:05:38,930
comme une collection de documents texte

112
00:05:39,690 --> 00:05:41,840
et ensuite vous choisissez
une façon de modéliser,

113
00:05:41,860 --> 00:05:44,690
donc descriptive,
générative ou prédictive,

114
00:05:45,490 --> 00:05:47,060
puis vous posez les hypothèses du modèle,

115
00:05:47,080 --> 00:05:50,450
donc dans notre cas comment
nous avons défini un mot.

116
00:05:50,700 --> 00:05:53,260
Et le mieux est même
d'écrire explicitement

117
00:05:53,280 --> 00:05:54,680
vos hypothèses de modèle,

118
00:05:54,700 --> 00:05:57,010
surtout si plus tard vous
voulez écrire un article

119
00:05:57,220 --> 00:05:59,510
pour que d'autres comprennent
ce que vous avez vraiment fait.

120
00:05:59,840 --> 00:06:02,060
Et il est toujours
important d'être conscients

121
00:06:02,080 --> 00:06:05,160
de toutes les sélections,
choix et hypothèses

122
00:06:05,180 --> 00:06:09,080
que vous avez faits afin de pouvoir
en discuter de façon critique

123
00:06:09,100 --> 00:06:11,050
ou discuter votre modèle
de façon critique.

124
00:06:11,260 --> 00:06:14,230
Je veux dire, c'est la partie vraiment
scientifique qui vient à l'esprit.

125
00:06:14,580 --> 00:06:17,410
Nous verrons plus d'exemples
de cela pendant ce cours

126
00:06:18,120 --> 00:06:20,740
et j'espère que ces
informations vous ont été utiles

127
00:06:20,760 --> 00:06:22,600
et vous apprécierez la
suite du Web Science MOOC.

128
00:06:22,620 --> 00:06:23,670
Rene Pickhardt vous parle.
