WEBVTT

NOTE
Subtitles for "Introduction to descriptive modelling of the World Wide Web.webm", a video by Renepick (own work, 23 November 2016),
licensed under the Creative Commons Attribution-Share Alike 3.0 Unported license: https://creativecommons.org/licenses/by-sa/3.0/deed.en
Video page on Wikimedia Commons: https://commons.wikimedia.org/wiki/File:Introduction_to_descriptive_modelling_of_the_World_Wide_Web.webm
ShareAlike (as stated on the Commons page): if you remix, transform, or build upon the material, you must distribute your contributions under the same or compatible license as the original. Changes made: subtitles added.
These subtitles are a translation made by AI and checked by a second AI agent. No human reviewed them.

00:00:00.390 --> 00:00:03.900
Dans cette unité, nous
allons voir notre premier

00:00:03.920 --> 00:00:06.450
modèle descriptif, vraiment
très petit, du World Wide Web.

00:00:07.100 --> 00:00:09.400
S'il est si petit, c'est que

00:00:09.420 --> 00:00:12.470
les modèles descriptifs sont
abordés dans la prochaine leçon

00:00:12.750 --> 00:00:16.160
de manière assez approfondie,
et nous voulons juste voir un

00:00:16.180 --> 00:00:18.670
modèle vraiment petit afin de voir

00:00:18.830 --> 00:00:20.710
ce qu'on peut faire avec
les modèles génératifs

00:00:20.920 --> 00:00:22.710
donc nous le gardons vraiment petit ici.

00:00:24.100 --> 00:00:27.760
Quand vous aurez terminé cette unité,
vous devriez être familiarisés avec

00:00:27.780 --> 00:00:30.720
deux modèles descriptifs simples du Web

00:00:30.740 --> 00:00:32.450
comme collection de documents texte

00:00:33.220 --> 00:00:34.920
et vous devriez savoir distinguer

00:00:34.940 --> 00:00:36.790
le modèle de la réalité.

00:00:37.740 --> 00:00:40.540
Vous devriez connaître le
concept de choix de modélisation.

00:00:40.560 --> 00:00:43.310
Nous vous en montrons
déjà un petit exemple

00:00:43.560 --> 00:00:47.230
et vous devriez donc pouvoir
critiquer votre modèle descriptif.

00:00:48.000 --> 00:00:50.340
Et enfin et surtout, nous vous donnerons

00:00:50.360 --> 00:00:53.210
six étapes importantes de
la modélisation descriptive.

00:00:54.930 --> 00:00:58.020
Construisons donc un modèle très
simpliste du World Wide Web.

00:00:58.040 --> 00:00:59.410
Nous prenons un crawl du Web,

00:00:59.860 --> 00:01:01.240
dans notre cas, seule une partie,

00:01:01.260 --> 00:01:02.890
à savoir la Simple English Wikipedia,

00:01:03.340 --> 00:01:05.560
mais évidemment nous aurions
pu explorer bien plus,

00:01:05.580 --> 00:01:07.370
enfin, tant que nous
avons des ordinateurs.

00:01:07.900 --> 00:01:10.830
Et nous utilisons le modèle de
collection de documents texte.

00:01:11.720 --> 00:01:14.800
Et notre objectif, comme avant,
est de mesurer la taille, parce que

00:01:14.820 --> 00:01:16.680
nous voulions savoir la
taille du World Wide Web,

00:01:16.700 --> 00:01:19.510
ou, dans notre cas, celle de
la Simple English Wikipedia.

00:01:20.740 --> 00:01:24.810
Et l'idée est que nous pourrions compter
les mots comme mesure de la taille.

00:01:25.000 --> 00:01:27.180
Et nous faisons ici
l'hypothèse selon laquelle

00:01:27.200 --> 00:01:30.310
tout ce qui se trouve entre
deux espaces successifs

00:01:30.620 --> 00:01:32.330
est considéré comme un mot.

00:01:33.320 --> 00:01:35.870
Nous avons un crawl du Web et
voulons connaître la taille,

00:01:36.330 --> 00:01:39.360
mais à partir du crawl,
on pourrait le voir comme

00:01:39.380 --> 00:01:40.520
une collection de documents

00:01:40.540 --> 00:01:42.020
et là, on pourrait compter les mots

00:01:42.040 --> 00:01:45.630
pour nous donner un
indicateur de la taille.

00:01:46.300 --> 00:01:49.930
Et quand nous l'exécutons, comme nous le
verrons aussi dans la prochaine vidéo,

00:01:50.440 --> 00:01:53.910
le résultat est que nous avons
environ 1,2 million de mots,

00:01:54.480 --> 00:01:56.750
au moins dans ma version du crawl

00:01:57.240 --> 00:02:01.110
et il peut être différent de ce
que vous voyez dans les exercices,

00:02:01.640 --> 00:02:05.880
alors critiquons déjà notre modèle
et nos choix de modélisation.

00:02:05.900 --> 00:02:09.960
Je veux que vous y réfléchissiez
maintenant un instant,

00:02:09.980 --> 00:02:11.970
vous pouvez peut-être
mettre la vidéo en pause

00:02:12.260 --> 00:02:15.440
et réfléchir à quelque
chose qui aurait pu changer

00:02:15.460 --> 00:02:18.890
le résultat de 1,2 million de
mots que nous avons obtenu.

00:02:19.540 --> 00:02:21.970
Alors, allons-y, critiquons notre modèle.

00:02:22.080 --> 00:02:24.140
Je vous donne donc deux phrases

00:02:24.160 --> 00:02:27.050
et je vous demande combien
de mots elles contiennent.

00:02:28.520 --> 00:02:30.840
Les phrases sont « I live in Koblenz »,

00:02:30.860 --> 00:02:33.290
où se tient notre MOOC

00:02:33.700 --> 00:02:36.610
et l'autre est « I live
in San Francisco. »

00:02:37.160 --> 00:02:39.540
et, comme je l'ai déjà noté, la réponse

00:02:39.560 --> 00:02:41.140
dans le premier cas, quatre mots

00:02:41.160 --> 00:02:43.210
et dans le second cas, cinq mots.

00:02:43.820 --> 00:02:47.260
Et nous voyons que le
résultat varie beaucoup

00:02:47.280 --> 00:02:49.530
selon le choix implicite
que nous avons fait.

00:02:49.960 --> 00:02:52.090
Parce que certains pourraient soutenir que

00:02:52.320 --> 00:02:54.830
Koblenz et San Francisco
sont toutes deux des villes

00:02:55.160 --> 00:02:57.850
et que dans les deux cas,
cela devrait être un seul mot,

00:02:57.980 --> 00:03:00.310
de sorte que les deux phrases
n'ont que quatre mots.

00:03:00.960 --> 00:03:04.230
Alors quel était ce choix implicite
de modélisation que nous avons fait,

00:03:04.560 --> 00:03:08.300
qui était d'ailleurs le même choix
de modélisation que nous avons fait

00:03:08.320 --> 00:03:10.770
en comptant les mots de la
Simple English Wikipedia ?

00:03:11.600 --> 00:03:14.000
Et vous avez probablement
raison de réaliser que

00:03:14.020 --> 00:03:16.880
le choix de modélisation était
que tout ce qui se trouve entre

00:03:16.900 --> 00:03:20.510
deux espaces consécutifs doit
être considéré comme un seul mot,

00:03:20.600 --> 00:03:23.690
ce qui fait de San et
Francisco deux mots distincts.

00:03:24.260 --> 00:03:26.720
Une autre façon dont
nous aurions pu modéliser

00:03:26.740 --> 00:03:29.030
le World Wide Web ou la
Simple English Wikipedia

00:03:29.450 --> 00:03:32.710
est de modéliser des documents plutôt
que des mots pour mesurer sa taille.

00:03:33.080 --> 00:03:36.590
Nous aurions pu dire que chaque
URI correspond à un document

00:03:36.900 --> 00:03:38.820
puis simplement compter les URI

00:03:38.840 --> 00:03:41.170
ou compter les fichiers
que nous avons téléchargés.

00:03:41.940 --> 00:03:43.950
Mais qu'en est-il du contenu dupliqué ?

00:03:44.220 --> 00:03:48.070
Cela signifie que deux URI
ont le même fichier HTML.

00:03:49.080 --> 00:03:50.970
Et qu'en est-il du contenu web dynamique ?

00:03:51.400 --> 00:03:55.190
Il est facile d'avoir un nombre
infini d'URI sur un domaine,

00:03:55.680 --> 00:03:59.900
par exemple un serveur web ou un site
web qui représente des nombres premiers

00:03:59.920 --> 00:04:02.950
et a tous les nombres premiers
comme URL différentes.

00:04:04.200 --> 00:04:09.360
Vous voyez donc que
déjà un modèle simpliste

00:04:09.380 --> 00:04:12.170
où nous comptons simplement
le nombre de documents

00:04:12.660 --> 00:04:17.050
pourrait être assez difficile
à mener jusqu'au bout.

00:04:17.420 --> 00:04:20.290
Dans la Simple English Wikipedia,
je suppose que la réponse serait

00:04:20.700 --> 00:04:23.710
quelque chose comme cent mille documents.

00:04:24.140 --> 00:04:26.930
Ce qu'il est important de
garder à l'esprit, c'est que

00:04:27.440 --> 00:04:31.270
le modèle instancié reflète une
situation particulière du monde

00:04:31.730 --> 00:04:33.760
quand nous prenons une
collection de pages web

00:04:33.780 --> 00:04:36.090
pour construire un modèle de texte,

00:04:36.470 --> 00:04:40.370
notre modèle caractérise comment le
monde pourrait fonctionner en général,

00:04:40.860 --> 00:04:42.580
mais les modèles que nous étudions n'ont

00:04:42.600 --> 00:04:45.190
qu'un instantané spécial
d'une situation spéciale.

00:04:45.340 --> 00:04:48.710
Si nous prenons le crawl
deux heures plus tard,

00:04:48.920 --> 00:04:51.160
les résultats pourraient
déjà varier un peu.

00:04:51.180 --> 00:04:52.840
Il est aussi important de comprendre

00:04:52.860 --> 00:04:54.920
que le Web est un
environnement très dynamique,

00:04:54.940 --> 00:04:59.730
donc il est de toute façon très difficile
de le modéliser avec un instantané du Web.

00:05:01.360 --> 00:05:03.400
Gardez à l'esprit six étapes importantes

00:05:03.420 --> 00:05:06.450
pour étudier des objets
à l'aide de modèles.

00:05:07.060 --> 00:05:09.560
Ce que vous devriez faire d'abord, c'est

00:05:09.580 --> 00:05:11.540
choisir un objet d'étude.

00:05:11.560 --> 00:05:13.660
Dans notre cas, on peut
choisir le World Wide Web

00:05:13.680 --> 00:05:15.170
ou la Simple English Wikipedia.

00:05:16.280 --> 00:05:19.680
Et ensuite, si c'est trop difficile,

00:05:19.700 --> 00:05:22.130
par exemple le World Wide
Web est peut-être trop grand,

00:05:22.500 --> 00:05:24.390
vous pourriez choisir un exemple jouet,

00:05:25.000 --> 00:05:27.930
peut-être un certain crawl du Web
ou la Simple English Wikipedia.

00:05:29.080 --> 00:05:32.700
Et ensuite, vous devez choisir une
perspective pour regarder cet objet.

00:05:32.720 --> 00:05:34.840
Dans notre cas, quand
nous regardons le Web,

00:05:34.860 --> 00:05:37.180
vous pourriez dire :
eh bien, voyons le Web

00:05:37.200 --> 00:05:38.930
comme une collection de documents texte

00:05:39.690 --> 00:05:41.840
et ensuite vous choisissez
une façon de modéliser,

00:05:41.860 --> 00:05:44.690
donc descriptive,
générative ou prédictive,

00:05:45.490 --> 00:05:47.060
puis vous posez les hypothèses du modèle,

00:05:47.080 --> 00:05:50.450
donc dans notre cas comment
nous avons défini un mot.

00:05:50.700 --> 00:05:53.260
Et le mieux est même
d'écrire explicitement

00:05:53.280 --> 00:05:54.680
vos hypothèses de modèle,

00:05:54.700 --> 00:05:57.010
surtout si plus tard vous
voulez écrire un article

00:05:57.220 --> 00:05:59.510
pour que d'autres comprennent
ce que vous avez vraiment fait.

00:05:59.840 --> 00:06:02.060
Et il est toujours
important d'être conscients

00:06:02.080 --> 00:06:05.160
de toutes les sélections,
choix et hypothèses

00:06:05.180 --> 00:06:09.080
que vous avez faits afin de pouvoir
en discuter de façon critique

00:06:09.100 --> 00:06:11.050
ou discuter votre modèle
de façon critique.

00:06:11.260 --> 00:06:14.230
Je veux dire, c'est la partie vraiment
scientifique qui vient à l'esprit.

00:06:14.580 --> 00:06:17.410
Nous verrons plus d'exemples
de cela pendant ce cours

00:06:18.120 --> 00:06:20.740
et j'espère que ces
informations vous ont été utiles

00:06:20.760 --> 00:06:22.600
et vous apprécierez la
suite du Web Science MOOC.

00:06:22.620 --> 00:06:23.670
Rene Pickhardt vous parle.
