Utiliser Google pour des recherches juridiques

Une méthode de recherche fiable sur le Web

Jeudi 24 mai 2018, par Emmanuel Barthe // Logiciels, Internet, moteurs de recherche

Cet article est à la fois un guide détaillé et un tutoriel (grâce aux nombreux exemples donnés) pour pousser à fond les performances en recherche de Google, plus particulièrement dans le domaine juridique [1]. Mis en ligne en juillet 2013, il est est régulièrement mis à jour depuis.

Si vous êtes pressé, vous pouvez :

Sommaire

1. Comment fonctionne Google

1.1. Contenu et indexation

1.2. Les résultats de Google

2. Comment interroger Google

2.1. L'essentiel

2.2. Choisir ses mots-clés

2.3. Repérez dans les résultats les mots-clés que vous avez oubliés

2.4. Utilisez la recherche avancée pour mieux contrôler votre recherche (opérateurs booléens et filtres)

2.5. Rechercher sur une période

2.6. Ouvrir les résultats dans une nouvelle fenêtre ou un nouvel onglet

2.7. Les moteurs spécialisés de Google

2.8. Toujours rien ?

3. Cinq exemples de recherche futée ou experte dans Google

4. Pour aller plus loin

1. Comment fonctionne Google : quelques principes à retenir

1.1. Contenu et indexation

1.1.1. La plus grande base de données du Web

Google est un moteur de recherche sur le Web. C’est la plus grande base de données de pages web et de fichiers divers stockés sur le Web (PDF, Word, Excel etc.) [3].

En termes de taille de sa base de données, de richesse des fonctionnalités et surtout de pertinence des résultats, il n’a plus de rival global. Même Bing (Microsoft) a abandonné la compétition. En fait, ses principaux rivaux sont des moteurs spécialisés [4] :

  • locaux/nationaux, tel Baidu en Chine
  • spécialisés sur un secteur professionnel/une industrie, comme Amazon sur le commerce électronique
  • ou internes à un réseau social, comme le moteur de Facebook.

1.1.2. Tout n’est pas dans Google et tout n’est pas forcément bien référencé dans Google

Soyons clair : il y a infiniment plus de documents hors de Google que dans Google. N’utiliser que Google, c’est tentant. Mais c’est un piège.

  • Google n’indexe généralement pas les bases de données payantes et totalement fermées. En revanche, il indexe les titres d’articles payants, dès que ceux-ci sont affichés avec leur lien sur des pages gratuites ou bien un site payant si celui-ci a un fil RSS. Il peut même indexer non seulement le titre mais aussi les auteurs et les mots-clés (pas le texte intégral) lorsque l’éditeur laisse ses métadonnées disponibles librement et gratuitement pour le moissonnage OAI (exemple des articles de revues de LexisNexis, voir infra). Google indexe également les pages des sites payants dès lors qu’ils en affichent une partie gratuite (titre, chapeau, début du document ...), comme par exemple celles de Lextenso.
  • Google ne couvre pas tout le Web : ni le Web payant, ni la totalité du contenu de nombreuses bases de données gratuites [5], ni les sites qui lui interdisent l’accès à tout ou partie de leurs pages (le fameux fichier robots.txt) etc. Au total, on estime que Google n’indexe (i.e. ne reproduit le contenu et ne le place dans son index [6]), au mieux, que la moitié environ des pages web librement accessibles. Les pires estimations, sous-entendant certes une définition du Web très large puisqu’incluant le "deep web" et les darknets, donnent seulement 4% du Web comme indexé [7].
    Un exemple important de ces sites-bases de données non totalement indexés par Google sont les bases de données de Legifrance, à l’exception notable (et bien pratique ...) des textes consolidés (LEGI) et du JORF. On peut considérer que le Journal officiel Lois et décrets sur Legifrance est à 95% indexé par Google — et à 99,5% pour les textes publiés récemment. On peut également considérer que la majeure partie de la jurisprudence est également indexée — même si certaines questions fonctionneront mieux directement dans Legifrance (à fin avril 2017, Google indexait 8 800 000 documents de Legifrance, soit quasiment tout). Il faut donc selon les cas interroger Legifrance par les interfaces de recherche de chacune de ses bases de données (en savoir plus). C’est particulièrement vrai pour la jurisprudence.

1.1.3. Google et les variantes d’un mot

Google, si vous n’êtes pas en mode Mot à mot, cherche automatiquement les variantes d’un mot. Il prend sa racine et cherche :

  • son pluriel et si possible, son féminin. Exemples : bail cherchera aussi baux
  • le verbe, les adjectifs qualificatifs et les adverbes qui lui correspondent. Exemples : embauche cherchera embaucher.

C’est ce qu’on appelle une troncature automatique ou "autostem" en anglais.

1.1.4. Google et le traitement du langage naturel version machine learning. Ou la synonymie et la reformulation de la question automatiques

A noter que le machine learning [8] (apprentissage statistique automatique [9]) est utilisé [10] pour toutes les requêtes [11] Google depuis juin 2016. Cet algorithme de Google est appelé RankBrain.

Comme l’explique Olivier Duffez de WebRankInfo, « RankBrain est un système basé sur le machine learning permettant à Google de mieux comprendre les requêtes des internautes. Il peut s’agir de requêtes très longues et précises (très longue traîne) ou de requêtes n’ayant jamais été faites et peu similaires à d’autres plus connues. Grâce aux nouvelles méthodes d’intelligence artificielle dont Google est devenu un des plus grands spécialistes mondiaux, RankBrain parviendrait à mieux comprendre ces requêtes difficiles » [12].

En fait, RankBrain n’est qu’une implémentation de Word2vec, l’algorithme de traitement du langage naturel (natural language processing, NLP) par machine learning non supervisé [13] développé par une équipe de Google Research (il a d’ailleurs été mis par Google en open source en 2013). En prenant en compte le contexte (les mots voisins) de chaque mot dans les documents, RankBrain/Word2vec "apprend" que certains mots, dans un contexte donné, sont similaires [14]. Word2vec transforme ces contextes en vecteurs, donc en chiffres, ce qui permet de les comparer facilement.

C’est Word2vec qui permet par exemple à Google de deviner que si vous avez tapé compétition déloyale, vous vouliez en fait écrire concurrence déloyale ou de faire une synonymie automatique entre ouvrage et livre [15].

Pour autant, le type de requête que décrit O. Duffez (longues, beaucoup de mots peu ou moyennement utilisés [16]) — et qui est le propre des recherches juridiques pointues — ne réussit pas toujours dans Google. C’est probablement autant une limite du Web gratuit [17] que celle de Word2vec.


Word2vec : relations sémantiques dans un espace vectoriel

A noter également que, comme l’explique Sylvain Peyronnet, chief scientist du moteur Qwant (qui utilise largement l’index de Bing) et co-fondateur du laboratoire de recherche privé ix-labs [18], dans une interview au Journal du Net [19], il n’y a depuis longtemps plus un (le PageRank d’origine), ni deux, ni trois algorithmes qui font fonctionner le moteur de recherche de Google mais un grand nombre (peut-être 200 !) d’algorithmes et ils s’influencent les uns les autres tout en étant pondérés par des critères ... et fréquemment modifiés pour améliorer les résultats ou lutter contre les spécialistes du SEO trop habiles [20]. Cela signife que, si le machine learning transforme lentement la façon dont Google opère, le ML est loin d’être le seul composant de la recherche de Google [21].

Dernière innovation (potentielle) en date de Google Search, annoncée fin mai 2018 : comme l’explique Noël Nguessan (Arobase.net) [22], « Google vient de publier un document de recherche [23] qui traite d’une façon de reformuler les requêtes, puis de présenter ces requêtes à un moteur de classement. Les reformulations des requêtes et les dérivés sont déjà utilisés chez Google. C’est une autre forme de cette approche. Ce qui est nouveau, c’est qu’il s’agit d’un algorithme d’apprentissage automatique (machine learning) qui utilise l’approche d’apprentissage par renforcement ("reinforcement learning"). [...] Ce nouvel algorithme utilise un système d’apprentissage qui reformule la requête de l’utilisateur, en posant au moteur de classement de nombreuses questions, puis en choisissant les meilleures réponses parmi les multiples ensembles de réponses. »

Comme le montrent les exemples donnés en fin d’article, cette fonctionnalité ne devrait être utile qu’avec des requêtes plutôt mal formulées et où manque un mot-clé essentiel, oublié ou inconnu de l’utilisateur. Elle illustre toutefois parfaitement ce souci du moteur de recherche de deviner votre intention, de comprendre ce que vous sous-entendez et de corriger ainsi votre question.

Autrement dit, c’est là que le ver peut rentrer dans le fruit. Car si l’algorithme devine mal, ce sera de peu, et vous ne le détecterez pas. En effet, en droit, le langage est d’un telle subtilité, les nuances de sens sont telles que la probabilité que la machine se méprenne à la marge est réelle. En tout cas, tant que les corpus payants des éditeurs juridiques n’auront pas alimenté l’apprentissage automatique du moteur.

1.1.5. Google et les documents très longs

Google peut aussi avoir des difficultés à faire remonter en haut du classement de ses résultats des documents très longs où l’information pertinente est noyée dans la masse. Ainsi, sur les PDF très longs (à partir de 30 à 40 pages environ), il indexera tout le document mais privilégiera très nettement dans son classement les mots-clés placés dans le titre, la balise title ou les premières pages du document. C’est particulièrement net si on ne restreint pas la recherche avec site: ou filetype:pdf Exemple : les références bibliographiques dans les fichiers PDF que constituent les trois parties des Notes de doctrine relatives aux arrêts de la CJUE et du TPI sur Curia. Contre-exemple : les références bibliographiques des revues de LexisNexis sur http://www.lexisnexis.fr/droit-document car chaque référence a sa propre page web.

1.1.6. Google est parfois en retard

Google peut être en retard sur les mises à jour des sites web les moins populaires ou mettre des jours ou des semaines à prendre en compte correctement un nouveau site web (voir infra), notamment parce que personne n’a encore fait un lien vers lui. Mais il indexe en temps réel les mises à jour des sites institutionnels, universitaires, de presse, des blogs populaires et de tout autre site populaire ou fiable [24].

1.1.7. Google Books, Google Scholar, Google et les catalogues de bibliothèques

Parce qu’il dépend du contenu d’Internet, Google ne couvre ni le papier ni la littérature grise — qui ne sont par définition pas en ligne.

Quoique ... Avec Google Books et surtout le partenariat de très grandes bibliothèques [25], Google indexe énormément d’ouvrages en anglais et un nombre certain en français.

Mais du fait de l’opposition des éditeurs français, le contenu en droit français est pour l’instant faible. Cela dit, ce n’est pas le cas en droit belge ni en droit européen ou international.


Google Books. La requête "droit de la propriété intellectuelle" sort des titres du groupe Lextenso, un des rares éditeurs juridiques français à être rentré dans le programme.

Google Scholar, de son côté, indexe les articles scientifiques (donc de nombreux articles juridiques) présents sur le Web sous forme de références bibliographiques ou, plus intéressant, en texte intégral gratuit. Cela dit, Google Scholar contient surtout des articles de droit international public, de droit public interne ou de droits de l’homme. Donc très peu d’articles en droit des affaires ou en droit privé. À ce titre, ses grands rivaux le Legal SSRN (racheté par Elsevier) et le très récent LawArXiv sont souvent plus intéressants.

Dans un style proche, une fonctionnalité de Google intègre les catalogues de bibliothèques dans ses résultats de recherche de livres numériques (ebooks). Pour en bénéficier, il faut activer la localisation [26]. D’après un utilisateur américain, les premiers résultats ne sont pas toujours satisfaisants, mais avec certains fournisseurs d’ebooks comme Overdrive, ça marche très bien [27].

Même sans localisation, le fait d’ajouter "bibliothèque" à une recherche Google ramène un certain nombre de pages web correspondant à des notices bibliographiques (des fiches de catalogue). Sur ce type de recherche, le catalogue de bibliothèque le plus représenté — et de loin — en droit français est celui de la BU Vauban (Lille). Mais — surprise ! — cet ajout fait aussi sortir des titres en PDF de la bibliothèque numérique Gallica de la BNF.

Quant à l’ajout du mot "livre", il permet de chercher sur les catalogues de librairies en ligne les plus connues, comme la LGDJ, la Fnac, Amazon, la librairie Dalloz, celle de LexisNexis ... Mais aussi, évidemment, Google Books car le moteur américain insère dans les résultats de l’onglet Web des résultats extraits de Google Books.

1.2. Les résultats de Google

1.2.1. Ranking : le classement par pertinence, ses avantages et ses défauts

- Les résultats sont classés par pertinence. Ce classement par pertinence s’appelle "ranking" en anglais. La "pertinence selon Google" tient compte [28] :

  • d’abord des liens pointant vers les pages web et de la qualité de ceux-ci (Google les considère comme autant de recommandations), c’est-à-dire en fait de la qualité de celles-ci (les pages vers lesquelles ils pointent) autant que de la qualité du site faisant les liens. Exemple paroxystique : un site universitaire (site de qualité quasiment par nature selon Google, voir infra) fait des liens vers des pages web du blog d’une spécialiste reconnue du sujet (site de qualité selon Google du fait des nombreux liens établis vers lui par d’autres spécialistes et par la communauté réunie autour de ce sujet, voir infra)
  • et ensuite des mots (et leurs synonymes) de la requête contenus dans la page web :
    • ceux du titre informatique de la page (balise title), du titre réel de celle-ci (balise H1 ou H2 sinon) et du nom du fichier HTML sont les plus importants
    • Google privilégie les expressions sur les termes isolés, et les termes exacts sur les synonymes
  • de la "qualité" (selon Google) de la page. Le nom de domaine est important ici : les sites universitaires (avec "univ" dans leur nom de domaine en France ou .edu aux USA) et gouvernementaux (.gouv.fr en France, .gov aux Etats-Unis) sont favorisés ; les sites personnels sont défavorisés, sauf s’ils ont leur propre nom de domaine et une forte réputation au sein de leur communauté
  • de la fraîcheur/fréquence de mise à jour de la page. Par exemple, un site personnel réputé dans une communauté, sur des requêtes Google sur lesquelles il possède des pages très pertinentes, va pourtant reculer en bas de la première page des résultats de Google s’il n’est pas mis à jour chaque semaine
  • du travail des "quality raters" cités plus haut par Sylvain Peyronnet [29]. Avant la sortie d’une nouvelle version de l’algorithme, et à l’aide d’un guide fourni par Google [30], ces personnes évaluent ses erreurs ou manques de pertinence, de manière à ce qu’ils soient corrigés (ou plus probablement à ce que la partie machine learning de l’algorithme "apprenne") avant sa "release" [31]
  • mais aussi des attentes supposées de l’utilisateur. L’utilisateur veut-il des documents simples, de niveau basique, pour non juriste, comme Droit-Finances.net ou des forums, ou bien des articles gratuits de revues juridiques et des rapports officiels ?. Pour tenter de deviner les attentes non exprimées de l’utilisateur, Google utilise :
    • les termes de la question. Ainsi, taper licenciement combien je touche ou licenciement calcul indemnité donne des résultats similaires (car la synonymie automatique dûe au machine learning joue) mais en même temps différents du fait des mots employés : la seconde formulation ramène plus de sites officiels, comme Service-Public.fr, du fait de l’emploi du mot "indemnité", mais aussi un simulateur de calcul d’indemnités, du fait du mot "calcul"
    • et l’historique de nos recherches :
      • soit celui stocké dans notre compte Google, dans le cas où l’internaute est connecté à son compte Google (par exemple parce qu’il consulte sa messagerie GMail ou qu’il interroge Google sur un smartphone Android)
      • soit celui de notre navigateur web, si l’internaute vient d’utiliser Google pour poser une autre question. Voir l’exemple très parlant à propos de stades de football et de zoos donné par le spécialiste SEO Kevin Rowe au point 4. de cet article précité [32].

- Cette pertinence est réelle : en règle générale, il suffit de consulter les 30, voire les 50 premiers résultats pour trouver sa réponse et avoir balayé l’essentiel des sites. En général ...
Ce qui veut dire qu’en cas de doute, il faut aller jusqu’au 100e résultat (c’est du vécu). C’est particulièrement net sur des sites mal structurés et mal indexés par Google comme les sites syndicaux.

- Parfois, cette pertinence a de graves défauts :

  • la volonté de fournir des réponses plus que des documents amène Google à tenter de répondre à la place des sites web, avec les "featured snippets" (extraits optimisés) [33], ce qui n’a le plus souvent aucun intérêt pour les professionnels de l’information et du droit, qui recherchent inversement détails, nuances et exhaustivité
  • pire, interprétant les attentes de l’utilisateur et en voulant à tout prix lui donner une *réponse* — et non des interrogations ou d’autres pistes — et lui mâcher le travail, Google suppose que l’utilisateur n’a pas besoin de la totalité des résultats disponibles dans son index et, depuis octobre 2017, ne permet plus d’interroger directement les différentes versions "locales" (i.e. nationales) de son moteur [34]. Cette attitude du moteur peut également être dûe à son refus de laisser consultants en référencement (SEO) et autres abuser de son index. Au final, comme l’écrit Carole Tisserand-Barthole sur le blog de FLA Consultants, « quelle que soit la requête, Google, Bing et les autres n’affichent pas l’intégralité des pages correspondants à la requête. Ils opèrent une sélection des pages présentes dans leurs index » [35]. Par exemple, pour reprendre un des exemples de recherches cités supra, licenciement calcul indemnité n’affichait le 27 février 2018 sur Google.fr que 210 résultats sur les 375 000 théoriques annoncés et, si on pensait à faire sauter la limitation pour similitude [36], 560 résultats.
    Les deux principaux moyens de forcer le moteur à fournir plus de résultats ou des résultats vraiment différents sont [37] :
    • d’abord, de préciser, de taper exactement, d’ex-pli-ci-ter ce qu’on cherche. Exemple : si vous cherchez une bibliographie d’un auteur, ne vous contentez pas de taper le nom de l’auteur. Ajoutez bibliographie. Et comme le TAL à la sauce ML de Google ne fait pas bien la synonymie sur ce terme, essayez aussi avec publications
    • d’affiner la recherche en utilisant un filtre comme site: ou filetype:pdf (voir infra). Mais même dans ce cas, Google ne fournira pas tous les résultats. Ainsi, licenciement calcul indemnité site:legifrance.gouv.fr annonçait 31 500 résultats mais n’en affichait réellement que 530.


Les 5 premiers critères de pertinence pour Google selon l’étude SEO Factors 2016. Source image : SEO Factors

1.2.2. La pollution des résultats par le spamdexing

Cependant les résultats de Google sont de temps à autre — ça vient par vagues — pollués par les résultats de sites publicitaires quasiment vides de contenu juridique, comme les sites faisant de la publicité pour des livres de droit du licenciement destinés aux particuliers. C’est ce qu’on appelle du "spamdexing" [38]. Une fois les sites spammeurs identifiés, Google les "bannit" de son index, mais le problème revient de temps à autre. Par exemple, fin décembre 2017, sur des questions de nuisances sonores (troubles de voisinage), j’ai vu le site gralon.net, dont les articles sont très vagues, à la limite de l’insignifiant, mais bourrés de publicités, réapparaître sur mon radar.

Le spamdexing de Google a toutefois beaucoup reculé depuis 2014 du fait de l’implémentation de l’algorithme RankBrain avec ses capacités de traitement du langage naturel (NLP) (voir A. le contenu de Google supra).

Ce qu’on trouve en revanche, ce sont des sites payants du type cours-de-droit.net dont le référencement (SEO) très efficace les positionne souvent dans les cinq premiers résultats de Google, alors même que seule l’introduction des dissertations qu’ils vendent est disponible gratuitement [39].

1.2.3. La fraîcheur des résultats

Les résultats sont en général très "frais" :

  • Google indexe très régulièrement les sites importants (exemples : Assemblée nationale, Sénat, etc.)
  • Google privilégie les sites à mise à jour très fréquente, tels les sites de presse (lemonde.fr, liberation.fr, etc.) et les blogs, en les réindexant de une à une dizaine de fois par jour. Google s’adapte à la fréquence de mise à jour du site
  • néanmoins et de manière logique vu sa préférence pour les liens hypertextes et pour les sites à mise à jour fréquente, Google peut avoir quelques jours de retard sur certaines rubriques peu consultées de sites très vastes et jusqu’à une semaine de retard — en général, plutôt quelques jours — sur l’actualité des sites web les moins importants, qui eux-mêmes sont rarement mis à jour. De même, Google peut mettre jusqu’à plusieurs semaines pour indexer correctement un nouveau site web, c’est-à-dire indexer la totalité de ses pages et les faire monter en tête des résultats sur les questions pertinentes [40].

2. Comment interroger Google

2.1. L’essentiel

  • laisser un espace revient à utiliser l’opérateur logique ET implicite. Autrement dit : chaque fois que vous tapez un mot de plus, vous ajoutez un critère, une condition à votre recherche. Exemple : responsabilité pénale du dirigeant trouvera moins de résultats que responsabilité
  • cherchez à utiliser des expressions plutôt que des suites de mots. Google "accroche" mieux là dessus (voir explication détaillée infra).

2.2. Choisir ses mots-clés

Prenez 30 secondes pour réfléchir aux mots-clés que vous allez utiliser. Car, même avec Google, cela peut faire la différence entre trouver et ne pas trouver.

Voici les "trucs" essentiels pour choisir ses mots-clés :

  • ne vous laissez pas influencer par les suggestions de Google [41]
  • pensez aux synonymes et quasi-synonymes. Voir aussi infra l’opérateur (tilde).
    Exemple : bail, baux, loyer, loyers, location. Un synonyme, ça peut être aussi un numéro d’article de Code, particulièrement en droit fiscal avec le CGI. Exemple (en recherche de jurisprudence) : 1240, 1382 et faute sont des quasi-synonymes de responsabilité civile
  • si vous cherchez la version officielle d’un texte, d’un arrêt ou d’un rapport, utilisez  :
    • les termes juridiques officiels, c’est-à-dire ceux utilisés dans les codes et les lois (notamment dans les titres des lois).
      Exemple : redressement et liquidation judiciaires
    • la date complète.
      Exemple : 25 janvier 1985
    • ou éventuellement le numéro.
      Exemple : 85-98 (ce qui évite de trouver aussi la loi n° 85-99 sur les administrateurs judiciaires)
  • si en revanche vous cherchez des commentaires ou de la doctrine (pour autant qu’il y en ait gratuits sur le Web sur votre sujet) :
    • utilisez les noms juridiques usuels.
      Exemples : procédures collectives ou redressement judiciaire ou liquidation judiciaire ou difficultés des entreprises en difficulté ou défaillances d’entreprises (pas faillite, qui n’est plus le terme juridique approprié)
    • si vous cherchez des commentaires sur une réforme ancienne, précisez l’année.
      Exemple : 1985 (réforme des procédures collectives)
  • si vous cherchez de l’actualité non juridique ou des articles de presse, utilisez les termes économiques et/ou les expressions du langage courant.
    Exemple : faillite, faillites, fermetures d’entreprises, plans sociaux
  • plus généralement, si vous êtes compétent sur le(s) domaine(s) juridique(s) concerné(s) par votre recherche, tapez les mots et expressions qui devraient se trouver dans les documents que vous recherchez, et surtout dans leur titre et leurs premiers paragraphes. Autrement dit : essayez de deviner comment les titres de documents sur le sujet sont écrits.
    En revanche, si vous n’êtes pas spécialiste de ce domaine et a fortiori si vous n’êtes pas juriste ou étudiant en droit, évitez d’utiliser cette dernière technique.


Ne vous laissez pas influencer par les suggestions de Google. Par exemple, ici, l’expression "responsabilité civile contractuelle" ne fait pas partie du vocabulaire des juristes : on parle simplement de "responsabilité contractuelle"

2.3. Repérez dans les résultats les mots-clés que vous avez oubliés :

  • dans les extraits qui composent les résultats de Google, si des mots vous semblent pertinents, réutilisez les dans votre question
  • dans les documents qui répondent le mieux à votre question, repérez les mots qui font partie de votre sujet mais que vous avez oubliés pour modifier votre question.

C’est un "truc" capital : modifier sa question initiale, oui, mais avec des mots qui marchent.

2.4. Utilisez la recherche avancée pour mieux contrôler votre recherche (opérateurs booléens et filtres

Deux possibilités :

  • utilisez la page Recherche avancée de Google. Et alors pas besoin de savoir comment écrire les opérateurs et filtres de Google
  • ou — mieux — apprenez les opérateurs et filtres de Google et utilisez-les sur la page d’accueil du moteur. Mais il faut alors connaître les noms des opérateurs et des champs/filtres et leur syntaxe.

Vous pourrez alors utiliser les opérateurs de recherche ET (AND ou espace), OU (OR), SAUF (-), expression (" ") et de proximité (AROUND). On les appelle opérateurs booléens ou opérateurs logiques.

Rappel : en allant sur la page Recherche avancée, vous n’aurez pas à mémoriser leur syntaxe. Toutefois, sur cette page, les opérateurs de proximité comme AROUND ne sont pas proposés.

Le haut de la page Recherche avancée de Google Search
Le haut de la page Recherche avancée de Google Search

Les opérateurs de recherche permettent de "pousser le moteur dans ses retranchements". Exemples : on veut des documents relativement simples et à jour pour créer une EURL :
créer OR création eurl OR "entreprise unipersonnelle" (on peut aussi ajouter : filetype:pdf).

Voici maintenant des précisions, à propos des opérateurs logiques dans Google, qui ont leur importance.

2.4.1. [AND] : le ET implicite, l’expression implicite et le mode Mot à mot

Rappel : tout espace non placé entre des guillemets est pour Google un ET logique. Mais parfois aussi une incitation à interpréter la requête comme une expression : dans ce cas, si cette tendance de Google à tout transformer en expression vous gêne, utilisez le mode Mot à mot (en anglais Verbatim) (Outils > Tous les résultats > Mot à mot : disponible par défaut sur ordinateur, sous smartphone il faut afficher la page en "version ordinateur") [42] ou écrivez en majuscules le AND [43].


Le mode Mot à mot de Google une fois activé

2.4.2. OR : prévoir les synonymes : ne pas abuser

Attention : Google ne "comprend" pas les parenthèses [44] et le OR ne joue que sur les mots immédiatement adjacents à lui. Ce qui implique de mettre les mots d’une expression entre guillemets (contrairement à ce qui est recommandé plus haut pour les cas "normaux") si la notion faut partie d’une suite de synonymes. De plus, le premier mot qui commence une suite de OR est le plus important pour l’algorithme [45].

Il faut toutefois bien comprendre que multiplier les synonymes (reliés par OR) n’apporte pas grand’ chose en terme de pertinence des résultats. Un synonyme voire deux (pas plus, soit trois mots ou expressions maximum) aide lorsqu’on est dans du vocabulaire juridique un peu spécialisé et/ou peu présent sur le Web, mais le plus efficace en dehors de ces cas reste :

Voici un bon exemple à la fois du peu d’intérêt d’utiliser le OR, et en même temps de son intérêt en droit si on veut un maximum de fiabilité et creuser à fond la recherche : comparez les 100 premiers résultats de "responsabilité civile" accident automobile et "responsabilité civile" OR 1382 OR 1240 accident automobile. Seuls une petite dizaine de résultats diffèrent, la plupart (mais pas tous ...) sans intérêt majeur. Toutefois, certains résultats sortis seulement avec le OR peuvent venir de sites particulièrement fiables et avoir de la valeur si on ne veut rien rater. L’exemple utilisé ici est très net : Accident de la circulation et responsabilité civile des parents, Dalloz Etudiant est en effet le seul résultat venant d’un éditeur juridique et le seul à citer de la jurisprudence ...

2.4.3. SAUF : exclure des mots des résultats : en dernier recours

Uilisez l’opérateur - (SAUF) [48] pour exclure des termes qui faussent les résultats/les "polluent" : le - (moins) fonctionne. La règle générale d’utilisation de l’opérateur SAUF s’applique : on n’utilise le SAUF qu’en dernier recours.

NB : le - peut être utilisé devant un opérateur, même si en pratique, c’est rarement utile.

2.4.4. Les opérateurs de proximité : avec modération

2.4.4.1. AROUND

Signalé en 2010, probablement apparu 5 ou 6 ans auparavant, mais non documenté par Google, l’opérateur de proximité AROUND(n) (où n est un nombre de mots qu’on fixera en pratique à 2 ou 5) est efficace en anglais et, alorsqu’il ne l’était pas, est devenu efficace en français en 2017 [49].

Toutefois, avant d’utiliser cet opérateur, il est recommandé de saisir sa requête sans, car, le 2e terme peut être au-delà de n mots du premier et pourtant être pertinent (c’est vrai surtout si le mode Mot à mot n’est pas activé, autrement dit, si la synonymie automatique de Google est en fonction).

Exemple : comparez télévision "abus de position dominante" et télévision AROUND(5) "abus de position dominante" : la 1ère formulation trouve des pages non trouvées par l’emploi d’AROUND, tout en amenant des résultats non pertinents, parfois dès le 10e résultat. La 2e formulation, avec AROUND, permet d’amener des résultats complémentaires.

2.4.4.2. L’étoile remplace un ou des mot(s) : inutile

L’opérateur * ("wildcard") est censé remplacer un (au moins) ou plusieurs mots, je constate son efficacité dans une certaine mesure mais je n’arrive pas à la prouver par A + B.

De toute façon, la bonne expression (sans guillemets, en général) pourra être tout aussi efficace, voire plus. Disons qu’au minimum, elle obtiendra des résultats différents (donc complémentaires) [50].

2.4.4.3. Les guillemets : expression : efficace

Chercher par expression (ou proximité d’1 mot) rend les résultats plus précis/moins nombreux et dans certains cas, évite les résultats hors sujet. Hors de l’interface Recherche avancée, utilisez les classiques guillemets (" "). Important : pour que les guillemets soient pris en compte à 100% par Google, il est nécessaire de passer en mode Mot à mot (Outils > Tous les résultats > Mot à mot) [51].

L’utilisation des guillemets est devenue plus souvent nécessaire, face à l’élargissement des recherches pratiqué par Google [52]. Toutefois, ne l’utilisez qu’après avoir testé l’expression sans guillemets, pour les raisons exposées ci-après.

N’abusez pas des guillemets. On dit souvent dans les cours de recherche sur bases de données ou sur le web qu’encadrer une expression avec des guillemets garantit des résultats moins nombreux et pertinents. Mon expérience, c’est qu’en réalité, les guillemets sur Google n’améliorent souvent pas grand’ chose voire parfois empêchent de trouver les principaux sites web sur un sujet. D’ailleurs Google ne les recommande pas trop fort. Cela dit, c’est vrai que si on veut vraiment *tous* les sites sur une expression, alors il faut utiliser le moteur à la fois *avec* les guillemets mais *aussi sans*, car, du moins si l’on s’en tient aux 30 premiers résultats, certains sites pertinents apparaissent uniquement avec les guillemets et d’autres uniquement sans [53]. En effet, l’algorithme de Google détecte souvent tout seul l’expression et la privilégie dans le classement des résultats. De surcroît, mettre les guillemets, en pratique, réduit souvent — mais pas toujours — un peu la pertinence par rapport à sans les guillemets car ceux-ci éliminent des résultats où l’expression n’est pas totalement identique, voire certaines pages où pourtant celle-ci apparaît clairement ...

2.4.5. Ordre des mots : utile

Si votre requête comporte au moins 7 ou 8 mots-clés, mettre en premier le mot le plus important de votre question : il aura alors un poids plus important que les autres dans les résultats, en faisant par exemple remonter dans les premières réponses les pages web où ce mot est dans le titre de la page.

Ce point — non précisé dans l’aide officielle de Google et la plupart des guides de recherche en ligne — peut avoir un effet sur le tri des résultats par Google, en amenant dans les 10 ou 20 premières réponses une page web jusque là "perdue" au delà des trente premières réponses

2.4.6. Langue des résultats : parfois nécessaire

Choisir la langue des résultats. Pas toujours intéressant : la langue des mots-clés utilisés conditionne souvent celle des résultats et donc le droit national en cause.

Mais pas toujours, comme l’explique le journaliste geek Martin Brinkmann sur son site d’actualité IT Ghacks [54]. La solution est alors :

  • soit on accepte de rester connecté à son compte Google (ce que je ne recommande pas, voir infra) et on va alors dans les paramètres de votre compte Google (pas ceux de Google Search, qui ne règlent que le pays, pas la langue) : se connecter > Mon compte > Préférences de compte > Langue
  • soit (recommandé), on utilise alors le champ Langue de la version avancée de Google Search, bien pratique dans un cas comme ça.

Google Recherche avancée : choisir la langue
Google Recherche avancée : choisir la langue

2.4.7. Limiter les résultats à un pays : pas mal, sans plus

imiter les résultats à la France (sites français et non francophones) permet d’éviter à 95% les résultats provenant de sites québécois, belges et d’Afrique du Nord (Maroc, Tunisie, Algérie) et donc de se restreindre au droit français. Voilà une fonctionnalité intéressante, mais devenue moins utile depuis que Google a progressé dans la reconnaissance de la nationalité de l’internaute.

Elle n’est d’ailleurs plus disponible que dans l’interface Recherche avancée (champ "région"). Elle peut encore servir à trouver des résultats de droit canadien ou belge quand on interroge Google depuis la France

2.4.8. filetype:suffixe (format de fichier) : très efficace

Choisir le format de fichier : Rich Text Format .rtf, Word .doc, Acrobat .pdf, Excel .xls, .PowerPoint .ppt, Access .mdb. Restreindre la recherche aux fichiers PDF permet de ne trouver que des documents sérieux et fiables (mais pas systématiquement pertinents, car ce n’est pas le but direct de cette fonctionnalité).

En effet, très souvent, les documents officiels (textes juridiques, rapports, livres blancs) et les articles de revues scientifiques sont au format PDF tandis que les sites perso, ceux tournés vers le marketing et les forums utilisent uniquement le HTML. Hors de l’interface Recherche avancée (autrement dit à partir de la page d’accueil de Gogle), écrivez filetype:[type_de_fichier] à la fin de votre requête.

Exemple : rapport open data justice filetype:pdf

2.4.9. site: : très efficace

Le filtre site: restreint la recherche à un site. Plus précisément à son nom de domaine (exemple : conseilconstitutionnel.fr est le nom de domaine du site web du Conseil constitutionnel). Ca marche aussi sur les sous-domaines.

Ainsi utilisé, Google est presque toujours plus efficace que le moteur interne du site, sauf sur des documents extrêmement récents, peu connus ou "enfouis" dans le site. Ce mode de recherche est particulièrement utile sur les plus vastes sites juridiques : le site du Premier ministre, les deux sites parlementaires (Assemblée nationale, Sénat), Europa, EUR-Lex. Hors de l’interface Recherche avancée, écrivez site:[domaine] Le "domaine" ici peut comprendre un sous-domaine.

Exemple : site:justice.gouv.fr (ici, le nom de domaine est gouv.fr, et justice un sous-domaine).

2.4.10. inurl: : efficace

Voilà un truc de recherche utile pour fouiller une rubrique ou sous-rubrique d’un site web très vaste.

Exigez la présence d’un terme dans l’adresse web (URL) : dans Google (non avancé) écrivez : inurl:[chaîne_de_caractères] Précisions : derrière inurl: on doit mettre la chaîne de caractère *complète* présente *entre deux barres obliques* dans l’URL. Et rien d’autre.

Exemple : si on veut chercher sur les décisions "merger" de la DG Concurrence et que leur adresse est ec.europa.eu/competition/mergers/cases/decisions/xxxxxxxx.pdf, on écrira donc : inurl:competition inurl:mergers. inurl:comp ou inurl:merg ne marcheraient pas

2.4.11. intitle: : efficace, mais à utiliser avec modération

Restreindre la recherche au "titre" (la balise HTML title, plus précisément) des pages web avec le champ intitle:[un_seul_mot] ou — encore plus efficace — allintitle:[tous_les_mots_qui_suivent].

A utiliser pour trier, pour ramener les pages les plus centrées sur la question lorsque la requête "normale" produit beaucoup trop de positifs. Mais, collègues bibliothécaires documentalistes, attention : le champ TITRE d’une base de données classique ou d’un catalogue n’a rien à voir avec le filtre title:. Ce dernier n’obéit à aucune norme et, marqué par les exigences du marketing, de la communication et du référencement web, manque singulièrement de rigueur.

2.4.12. inanchor: : inefficace

Le filtre inanchor: (mots dans les liens hypertextes renvoyant vers la page résultat) et son frère allinanchor : sont très peu efficaces en droit français.

Exemple : comparez allinanchor:télévision "abus de position dominante" avec télévision "abus de position dominante". Dès le 3e résultat, la requête utilisant allinanchor: perd sa pertinence On peut oublier inanchor : sans problème.

2.4.13. Affichez 50 résultats

Si vous êtes connecté (non recommandé) à votre compte Google, réglez le nombre de résultats par page à 30 voire 50 (au-delà, en général, très peu de résultats sont pertinents [55]). Ca permet de consulter plus facilement et plus rapidement les résultats pertinents.

Mais cela implique d’être connecté à votre compte Google, ce qui personnalise (i.e. biaise) les résultats en fonction de votre historique de recherche que Google a mémorisé.

Toutefois, selon CNBC, « actuellement, il y a très peu de personnalisation de la recherche et ce qui existe est centré sur la localisation d’un utilisateur ou les termes et les choix de résultats d’une recherche précédente.
Mais après beaucoup d’efforts pour tester la personnalisation, Google a trouvé qu’il améliore rarement réellement les résultats de recherche.
En ne personnalisant pas les résultats de recherche, Google a été en mesure d’échapper à beaucoup de critiques que Facebook et Twitter ont reçues pour avoir créé des “bulles de filtres”, où les gens ne voient que les informations qu’ils étaient déjà prédisposés à croire ou à aimer.
NB : Le produit vidéo de Google, YouTube, n’a pas été en mesure d’éviter cette critique, en particulier dans la façon dont il recommande des vidéos connexes. Les deux algorithmes sont totalement distincts et ne sont pas créés ou entretenus par la même équipe. » [56]

2.4.14. Empêchez Google d’interpréter votre requête

Empêchez le plus possible Google d’interpréter votre requête (sauf par la langue du système d’exploitation de votre ordinateur) en choisissant dans Outils de recherche > Tous les résultats > Mot à mot [57], sans oublier de vous déconnecter de votre compte Google [58], d’indiquer à Google de ne pas non plus mémoriser votre historique de recherche lorsque vous n’êtes *pas*, cette fois-ci, connecté à votre compte Google ... et de vider vos cookies et l’historique de navigation de votre navigateur web avant de lancer une recherche, voire de lancer dans votre navigateur une session de navigation privée [59]

2.5. Rechercher sur une période

Restreignez si nécessaire les résultats à une période de temps. C’est très utile quand on cherche des articles de presse. Ou lorsqu’on veut se situer avant ou après une réforme législative ou une jurisprudence marquante.

Pour utiliser à fond cette fonctionnalité, il faut passer par l’interface simple de Google (la recherche avancée n’offre pas la possibilité de spécifier l’intervalle de temps exact que l’on désire) et cliquer sur Outils de recherche > Date indifférente > Période personnalisée [60] [61].

2.6. Ouvrir les résultats dans une nouvelle fenêtre ou un nouvel onglet

Ouvrez les résultats dans une nouvelle fenêtre ou un nouvel onglet, de manière à garder sous la main la liste des résultats. Pour cela : faites un clic droit sur le lien qui vous intéresse, puis un clic gauche sur "Ouvrir dans une nouvelle fenêtre/onglet".

2.7. Les moteurs spécialisés de Google

S’il n’y a pas de résultat intéressant dans l’onglet Web de Google, regardez :

2.8. Toujours rien ?

Pour creuser sur Google, voyez Pour aller plus loin à la fin de cet article.

Mais souvenez-vous : comme expliqué supra (voir 1.1.2.), tout n’est pas sur le Web/dans Google. Loin de là. Il y a aussi les bases de données payantes, les journaux, les ouvrages disponibles dans les bibliothèques et centres de documentation (à commencer par votre bibliothèque municipale), les bibliothécaires documentalistes, votre mémoire, votre capacité de raisonnement/votre logique à vous, vos collègues et relations professionnelles (par téléphone, email etc.) ...

3. Cinq exemples de recherche futée ou experte dans Google

1er exemple

Ici, nous allons chercher des articles en matière de cookies parus dans la revue Expertises, une revue de droit de l’informatique et d’Internet [62].

Cette revue a un site web (expertises.info) et les sommaires y sont présents en accès gratuit. Ce qui signifie que Google indexe les titres de ces articles.

Voici comment interroger rapidement les sommaires de la revue Expertises sur le site de la revue :
- 1. réfléchissez aux mots-clés à utiliser pour votre recherche : les juristes s’expriment en général en bon français. C’est ce que j’appelle "l’étape zéro" dans une méthode de recherche
Ici, un dictionnaire de traduction peut être utile — le Larousse anglais-français par exemple — mais il faudra le compléter par le site de la CNIL. Cookie en français se dit donc mouchard ou traceur
- 2. déconnectez-vous de votre compte Google (si vous en avez un). En effet, Google biaise ses résultats en fonction de vos recherches passées
- 3. allez sur la page d’accueil de Google en français
- 4. tapez les mots-clés en reliant les synonymes par OR (en majuscules) : cookies OR mouchards OR traceurs
- 5. limitez la recherche au site www.expertises.info (NB : Google ne prend en compte que des noms de domaine, pas des pages profondes) en tapant : site:expertises.info
- 6. votre recherche doit ressembler à ceci : cookies OR traceurs OR mouchards site:expertises.info
- 7. lancez la recherche
- 8. lisez les résultats. Regardez bien les caractères verts : ils vous indiquent le site d’où vient chaque résultat. Si c’est un site universitaire (univ-) ou officiel (.gouv.fr), c’est un gage de qualité
- 9. pour ceux qui vous intéressent : clic droit > Ouvrir le lien dans un nouvel onglet. Comme ça, vous ne perdez pas votre liste de résultats et votre recherche.

2e exemple

Vous devez réunir des documents sur le travail le dimanche.

Suivez les étapes 1 à 9 supra.

Cela devrait donner ceci : "travail le dimanche" OR "travail du dimanche" OR "travail dominical" OR "dérogation au repos dominical" OR 3132

Complétez ces résultats avec des documents en PDF : "travail le dimanche" OR "travail du dimanche" OR "travail dominical" OR "dérogation au repos dominical" OR 3132 filetype:pdf

NB : l’efficacité de la synonymie automatique de Google est telle que travail le dimanche tout court suffit presque. Surtout avec filetype:pdf.

3e exemple

C’est l’employeur qui préside le comité d’entreprise. Peut-il y venir accompagné de trois collaborateurs au lieu de deux comme le prévoit le Code du travail ?

Vérifier d’abord l’article pertinent du Code. C’est le L. 2325-1. Il faut vérifier les termes qu’il emploie, qui sont très certainement ceux qu’emploieront des commentaires bien juridiques. Le truc consiste à ne pas reprendre le mot "deux" car ici c’est "trois" que l’on cherche.
Taper dans Google :
comité d’entreprise employeur trois collaborateurs

La première réponse est la bonne. Elle vient d’une page en libre accès du Lamy Droit du comité d’entreprise disponible sur le site WK-RH.

4e exemple

Chercher des documents de tout type sur la position dominante sur le site de la Commission européenne.

position dominante site:ec.europa.eu inurl:competition filetype:pdf

5e exemple

Trouver la bibliographie complète de Peter Tomka, juge à la Cour internationale de Justice (CIJ/ICJ) de la Haye.

Pour arriver à coup sûr sur une liste quasi-exhaustive des publications de P. Tomka, il faut :

  • être précis et choisir le bon mot. Ici, ce n’est pas bibliographie mais publications
  • deviner dans quel type de document cette bibliographie devrait se trouver et quel sera le format de fichier de ce documents. Ici, en fait, nous cherchons des biographies, mais d’une certaine longueur et à caractère officiel, donc au format PDF. En effet, souvent, à la fin d’une biographie se trouve la liste des publications :
    Peter Tomka publications filetype:pdf.

Ce qui donne en premier résultat la biographie en PDF du juge sur le site de la CIJ et , en bas de cette biographie, on trouve une véritable liste des publications de P. Tomka – qui plus est probablement exhaustive ou presque.

4. Pour aller plus loin

- Sur le Blog du Modérateur :

- Des aides et tutoriels venant de Google :

- Selected Google Commands, par Karen Blakeman, mis à jour en janvier 2018 [63]

- Blog de FLA Consultants : mettez vous à jour avec leurs tout derniers billets sur Google.

- Utilisez d’autres moteurs, principalement Bing (le concurrent de chez Microsoft [64]) et Exalead (pour les sites français et francophones) [65], voire StartPage (ex-Ixquick) [66] et les métamoteurs de recherche de personnes. Pour information, DuckDuckGo, dont on parle beaucoup, respecte certes votre vie privée, mais ses performances sont très limitées sur les pages web en langue française. Quant à Qwant, les résultats de ce moteur franco-allemand proviennent d’abord de Bing [67] et de Wikipedia. Toutefois, tout comme DuckDuckGo, il ne garde aucune trace de vos recherches, et ses résultats en langue française sont bien meilleurs que ceux de DuckDuckGo.

- Voyez nos articles Utiliser Google à 100%, surtout la bibliographie à la fin parce qu’il commence à dater (2006), et Recherche sur Internet : une méthode (un peu) simplifiée et quelques "philosophies", notamment la méthode des "autorités". Allez (entre autres) voir ailleurs sur le Web (annuaires thématiques de sites, Legifrance, Servicepublic.fr, bases de données payantes, Isidore, Cairn, Revues.org, Theses.fr etc.), réfléchissez une deuxième fois à vos mots-clés ou passez à un autre media (prenez votre téléphone ou votre logiciel de messagerie, par exemple, pour appeler un collègue ou demander conseil à un expert) ...

Emmanuel Barthe
documentaliste juridique, veilleur, webmestre, formateur à la recherche en ligne

Notes de bas de page

[1Ce qui implique que nous ne traiterons pas ici de nombreuses fonctionnalités de Google n’ayant que peu ou pas d’utilité en droit, telles la recherche d’images similaires qui ne servira guère qu’aux recherches en contrefaçon. Sur les fonctions de cloud de Google, voir nos articles : Mettre ses fichiers ou ceux d’un groupe dans le cloud : quelle application choisir ? et Drive, GMail, etc. : les problèmes d’utilisabilité du cloud Google.

[2Too long = don’t read.

[3Google fut aussi un un annuaire de sites web, copié en toute légalité sur l’original DMOZ, le plus grand répertoire de sites web classés par sujet entre 1995 et 2005. L’annuaire de Google a été discrètement supprimé à l’été 2011. Logique, car DMOZ n’est globalement plus tenu à jour.

[4The Web began dying in 2014, here’s how, par André Stalz, un développeur open source reconnu, Stalz.com, 30 octobre 2017. Stalz montre très clairement la rivalité entre Google, Facebook et Amazon, leur façon, indirectement, de se répartir le marché des internautes et de leur trafic et l’oligopole qu’ils forment de facto.

[5Même s’il sait aujourd’hui interroger une base de données en ligne ... à coup de mots-clés "standards". Ces mots-clés sont injectés dans le formulaire de recherche, si Google estime que les pages ramenées sont intéressantes, il les indexe avec leur URL. Fin avril 2017, Google indexait 8 800 000 documents de Legifrance, soit quasiment tout.

[6En fait, il faut distinguer au moins quatre états pour une page web vis-à-vis de Google Search : inconnue de Google, connue de Google, indexée par Google et "cherchable"/présente dans les résultats de Google quand on tape un mot-clé.

[7En juin 2013, Google avait connaissance de l’existence de 30 000 milliards de pages web. Mais seule une faible part de ces 30 000 milliards, soit pour le Web en anglais, allemand, français et espagnol 45 milliards (je n’ai pas trouvé d’estimation pour les autres langues), était "cherchable" dans le moteur, autrement dit arrivait dans les pages de résultats (SERP). La différence s’explique : Google peut connaître un lien mais ne rien savoir d’autre de la page web disponible à cette adresse, par exemple parce qu’il estime que cette page est inintéressante, qu’il s’agit d’un duplicata d’une autre page (cas extrêmement fréquent : selon Google, 60% du Web est dupliqué), que la page est protégée par des codes d’accès (site payant), que le site refuse d’être indexé par des moteurs de recherche (fichier robots.txt) ou encore que les pages du site ne peuvent être découvertes qu’en remplissant un formulaire (base de données en ligne) et que l’URL a changé, etc. Il faut ajouter que certains sites ne sont carrément pas "connaissables" par les moteurs de recherche web, notamment lorsque aucun lien ne pointe vers eux. Pour plus de détails sur ces raisons, voir les articles Web profond et darknet de Wikipedia.

[8Machine Learning contre statistiques « classiques » : qui remportera le match ? (tribune de Nicolas Glady, professeur à l’Essec), Silicon.fr 30 mars 2015. Le « machine learning » – quand les données remplacent les algorithmes, chronique de Pirmin Lemberger (data scientist), JDN 28 mars 2014.

[9Apprentissage automatique (Machine Learning), par Philippe Beraud, Microsoft France, Blog MSDN 24 avril 2013. Article de Wikipedia.fr sur le machine learning.

[10How Search Engines Use Machine Learning : 9 Things We Know for Sure, par Kevin Rowe, Search Engine Journal, 23 février 2018.

[11Une requête, ce sont les mots qu’on tape dans un moteur de recherche ou une base de données. Comme je le dis et l’écris souvent : à un être humain on pose une question (autrement dit on fait des phrases avec sujet verbe complément), sur une base de données on tape une requête (avec des mots-clés choisis soigneusement, des opérateurs de recherche (dits aussi opérateurs logiques ou booléens) et des filtres (dits aussi champs). Une question de vocabulaire pas si innocente que ça.

[12RankBrain : le machine learning est utilisé pour toutes les requêtes Google / Olivier Duffez, Web Rank Info 24 juin 2016. Voir aussi ce Twitter moment réuni par Serge Courier sur RankBrain.

[13Your Keywords Are Not What You Think They Are : How Google transforms search queries and what it means for SEO, par Aleh Barysevich, Link-assistant.com (blog de SEO Power Suite) 28 février 2017. Descendre dans le billet et lire la partie intitulée Word2vec.

[14Des synonymes documentaires, dirait un documentaliste.

[15Toutefois, si le NLP à base de machine learning détecte — indirectement et implicitement — le sens des mots, il ne sait pas en détecter la logique.

[16NB : Google accepte au maximum 32 "entités", que ce soient des mots, des caractères ou des nombres.

[17Voir notre billet Le Web est vide.

[18ix-labs a pour activité la conception d’algorithmes pour l’analyse des données et la prise de décision. Les applications de ses réalisations se trouvent dans le secteur des moteurs de recherche, de la banque, dans l’e-commerce, le marketing en ligne et le SEO. Sylvain Peyronnet est par ailleurs co-fondateur et président de The Machine In The Middle (régie publicitaire "algorithmique") et en disponibilité d’un poste de professeur à l’Université de Caen Basse-Normandie.

[20Je cite S. Peyronnet :
« Si je comprends bien, il y a maintenant Hummingbird [apparu en 2013], qui est au plus haut niveau, et RankBrain, une brique en dessous. Il faut bien se rendre compte que ce que certains appellent l’algorithme de Google, est en fait composé de différents algorithmes, comme le PageRank qui permet de classer la popularité des pages. Il y a aussi celui qui permet de comprendre une requête et d’évaluer la pertinence des résultats face à cette requête. Il y a souvent des scores : d’adéquation, ou de pertinence, mais aussi de popularité, de confiance…. Chaque score doit être pondéré, et une formule figée avait été déterminée pour que les scores agrégés donnent un score final permettant de classer les résultats. Avant RankBrain, cette formule était stable, désormais, avec RankBrain, je pense que cette formule évolue, et c’est le machine learning qui va apprendre à pondérer le mieux possible chacun des critères et des notes.
Je pense que le machine learning de RankBrain agit sur plusieurs critères de l’algorithme. C’est pour cela que l’on ne peut plus bien le comprendre ! Même les ingénieurs de Google ne peuvent plus comprendre le fonctionnement du moteur en détail. Tous les algorithmes se retrouvent gérés par RankBrain. Il y a donc une possibilité pour que RankBrain efface Panda ou Penguin.
Il y a une autre conséquence directe observable de RankBrain. Les données provenant des quelques 10 000 "quality raters" [personnes physiques notant la qualité des sites trouvés en tant que pertinence des résultats de Google par rapport à la requête/question, voir infra] alimentent l’apprentissage automatique, et elles sont souvent intégrées d’un seul coup dans le système : c’est pour cela qu’il peut y avoir des soubresauts bien visibles dans les résultats, exactement comme ceux observés au début du mois de septembre 2016.
Les liens ont un sens fort sur le Web, et ce n’est pas pour rien qu’ils ont pris un poids considérable aux yeux du moteur. Or, souvent, le machine learning, qui automatise en fait des décisions, va avoir tendance à renforcer les biais des décisions des êtres humains. Et je parle en connaissance de cause. Pas impossible, donc, que RankBrain ait plutôt renforcé l’importance des liens dans l’algorithme… »

[21Voir aussi le point 3. It’s Weighted as a Small Portion de l’article How Search Engines Use Machine Learning : 9 Things We Know for Sure de Kevin Rowe dans Search Engine Journal du 23 février 2018. Extrait (traduit par nos soins) : « Toutefois, bien que l’apprentissage statistique automatique transforme lentement la façon dont les moteurs de recherche trouvent et classent les sites web, cela ne veut pas dire qu’il a un impact majeur, significatif (pour l’instant) sur les résultats. Dans la même interview, Illyes dit que c’est juste une part de leur plateforme de classement de signaux, et que ça se mesure comme une petite part de l’algorithme global. » Voici l’interview dont il est question : How Google uses machine learning in its search algorithms, transcription de l’interview de Gary Illyes, webmaster trends analyst chez Google, par Barry Schwartz et Danny Sullivan, Search Engine Land, 18 octobre 2016.

[22Google publie un nouvel algorithme de recherche, par Noël Nguessan, Arobase.net, 23 mai 2018.

[23Ask the right questions : Active question reformulation with reinforcement learning, par Christian Buck, Jannis Bulian, Massimiliano Ciaramita, Wojciech Gajewski, Andrea Gesmundo, Neil Houlsby et Wei Wang (tous employés de Google), communication donnée à la conférence ICLR 2018.

[24Le temps qu’il faut à Google pour prendre en compte les nouveaux liens, par Yassine Assaoui, Ya-Graphic 6 octobre 2016.

[25Comme les bibliothèques universitaires anglo-saxonnes de Cornell, Princeton, Stanford ou Oxford — dotées d’un très important contenu en français — mais aussi, francophones, la Bibliothèque municipale de Lyon, première et seule bibliothèque française à avoir signé, et les bibliothèques universitaires suisses de Gand et Lausanne.

[26Google intègre les catalogues de bibliothèques dans ses résultats de recherche, par Thomas Fourmeux, Biblio Numericus, 19 septembre 2017.

[27Your local library’s eBooks now appear in Google Search, par Ryne Hager, 18 septembre 2017.

[28SEO Factors 2016 : les critères de pertinence de Google passés à la loupe, par Olivier Andrieu, Abondance.com, 31 mai 2016..

[29Google Raters – Who Are They ?, par Jennifer, PotPieGirl.com, ca. 6 décembre 2011.

[30Latest Google Search Quality Rater’s Guide : Mobile Rewrite, par Jennifer Slegg, The SEM Post, 16 novembre 2015.

[31Soyons bien clair : ces personnes physiques notent la qualité des sites en tant que pertinence des résultats de Google par rapport à la requête/question, ils ne modifient pas directement le ranking d’une URL. C’est ce que confirme Matt Couts de Google.

[32Point 4. Custom Signals Based on Specific Query de How Search Engines Use Machine Learning : 9 Things We Know for Sure, par Kevin Rowe, Search Engine Journal, 23 février 2018.

[33"Featured snippets" et "intelligent answers" : Google et Bing vont-ils vraiment répondre à tout ?, par Carole Tisserand-Barthole, blog de FLA Consultants, 9 février 2018.

[34Comment bien interroger Google en 2018 ?, par Carole Tisserand-Barthole, blog de FLA Consultants, 1er mars 2018. Comme l’écrit C. Tisserand-Barthole, « avant, si vous souhaitiez obtenir des résultats issus principalement de sites britanniques, il suffisait d’aller sur google.co.uk. Désormais, les résultats dépendent entièrement de votre localisation réelle. Pour contourner cette limite, on peut toujours aller changer sa zone géographique dans les paramètres du moteur ou utiliser un VPN. »

[35Google évolue : les documentalistes plus utiles que jamais ?, par Carole Tisserand-Barthole, blog de FLA Consultants, 16 février 2018.

[36A la dernière page de résultats, Googler affiche : « Afin d’afficher les résultats les plus pertinents, nous avons omis quelques entrées qui sont très similaires aux 210 entrées actuelles. Si vous le souhaitez, vous pouvez relancer la recherche pour inclure les résultats omis. »

[37Lire Comment bien interroger Google en 2018 ?, par Carole Tisserand-Barthole, blog de FLA Consultants, 1er mars 2018.

[38Autrefois, c’était carrément de faux sites, notamment des faux sites personnels et des faux annuaires, qui polluaient Google. Montés de toutes pièces, bourrés de mots-clés artificiels "attrappe-tout", ce type de site était de surcroît doté de pages "satellites" tout aussi artificielles. Google a d’abord réagi par de nouvelles règles de classement des résultats, puis avec la mise en place de filtres, mais les techniques du "spamdexing" (contraction de "spam indexing") évoluent et ces modifications peuvent faire reculer le classement de sites non spammeurs. Sur le problème du spamdexing, lire Google victime de son filtre bayésien anti spam ?, par Yves Grandmontagne, Silicon.fr, 3 mars 2003. Le spamdexing de Google est beaucoup moins présent maintenant dans les résultats mais vers 2014 on en trouvait encore des exemples très "réussis" hélas, comme le site velodappartement[point]net soi-disant consacré au vélo d’appartement mais dont le contenu textuel ne donne aucun conseil pratique ni d’achat, juste des généralités. Du style : « Comme nous le savons déjà, les vélos d’appartement sont un très bon moyen pour se remettre en forme, améliorer le système cardiovasculaire, faire disparaître la graisse et se sculpter le corps de ses rêves. En plus c’est un appareil qui est accessible à tout le monde et très facile à utiliser ». Etc., etc. Il ne sert en fait qu’à porter des publicités pour, certes, des sites de vente de vélos d’appartement. Ca ne l’empêchait pas d’arriver en 2e position dans Google sur l’expression "vélo d’appartement". Ce cas particulier de spamdexing a depuis été résolu par Google.

[39Par exemple, début décembre 2017, cours-de-droit place deux de ses pages en 4e et 5e position de la requête droit de la concurrence. C’est du référencement habile mais on est aussi à la limite du spamdexing.

[40Un exemple : début 2005, les Editions juridiques associées (EJA : LGDJ, Monchrestien, Defrénois, Gualino, ...) ferment leur site lgdj.fr et transfèrent son contenu sur eja.fr. Pourtant, le 26 février 2005, lorsqu’on tape "eja.fr" sur Google, sa première réponse renvoie vers le site lgdj.fr, dont seule la page d’accueil est encore active (certes, cette page d’accueil renvoie vers eja.fr). Le site eja.fr n’apparaît, lui, qu’en 17e place. En fait, le "poids" des liens qui pointent encore vers lgdj.fr — ils n’ont pas encore été mis à jour vu le caractère récent du transfert — induit très probablement Google en erreur.

[41Les expressions suggérées (auto-complétion) par Google Search sont utiles au particulier dans une recherche basique. Très peu ou pas du tout au juriste. Idéalement, désactivez l’auto-complétion des requêtes.

[42Google Mot à mot (Google Verbatim) disponible en français, NetPublic 11 décembre 2011. Le mode Mot à mot désactive la majeure partie des "interprétations" de votre requête par Google. Il a remplacé — en mieux — l’opérateur +.

[43Source du truc consistant à écrire le AND : 30 opérateurs Google pour affiner ses recherches / Thomas Coëffé, Le Blog du Modérateur 23 juillet 2013.

[44Sauf dans le cas suivant où le OR est remplacé par le signe |. Exemple : ("tribunal de grande instance"|tgi).

[45Ces "trucs" de valeur sont rappelés par Béatrice Foenix-Riou dans la revue Netsources de FLA consultants (deux articles en ligne gratuits à signaler : sur la recherche de données de marché et sur les opérateurs finassiers des moteurs comme intitle) et lors des formations qu’elle donne.

[46More on OR : the Google Boolean Dilemma, par Irina Shamaeva, Boolean Strings, 17 avril 2017. Rappel historique : si l’opérateur (tilde) de Google, censé rechercher les synonymes du mot placé juste (collé) derrière, et supprimé au printemps 2013, marchait bien en anglais, il marchait moins bien en français. C’est ainsi que si droit cherchait aussi loi, en revanche, loi cherchait aussi réglementation mais pas droit. C’est justement ce type de lacune que le NLP à la sauce ML permet d’éviter. La preuve : en 2017, abus de la loi sur Google.fr cherche aussi abus de droit.

[47Peut-on trouver des études de marché gratuites sur le Web ?, par Carole Tisserand -Barthole, blog de FLA Consultants, 24 mai 2018.

[49AROUND peut aussi s’écrire ainsi : AROUND n. AROUND ne fonctionne pas dans Google Scholar, ce qui est bien dommage.

[50Comparez droit publicité, droit de la publicité, "droit de la publicité", tous trois assez similaires, et droit AROUND(5) publicité. Dans cette dernière requête, des sites différents et pertinents apparaissent dès les 10 premiers résultats. Pour autant, au vu des 10 premiers résultats, elle rate certaines pages intéressantes trouvées avec l’expression.

[51Le mode Mot à mot est disponible sur la version mobile de Google, mais seulement depuis début 2018. Sous smartphone, le menu Outils, appelé Outils de recherche, est caché : il faut faire défiler les rubriques sous la fenêtre de recherche.

[52Le +, qui servait à forcer l’apparition tel quel d’un terme dans les résultats, ne fonctionne plus depuis la rentrée 2011.

[53Et c’est là que je conseille en général de laisser tomber les moteurs de recherche, Google compris, et de chercher un annuaire de sites web, comme DMOZ par exemple, ou mieux, un annuaire spécialisé, donc ici un annuaire de sites juridiques. Comme celui sur notre site : Internet juridique : les sites web incontournables, hélas plus très à jour.

[54How to get Google Search results in a different language, par Martin Brinkmann, Ghacks, 16 mars 2018.

[55Cela dit, comme nous l’avons vu supra, dans quelques cas (sites mal structurés, documents non HTML), il faut aller jusqu’au 100e résultat.

[56Comment Google gère son algorithme de recherche, par Noel Nguessan, Arobase.net 19 septembre 2018.

[57Non disponible sur la version mobile de Google Search.

[58Vous pouvez désactiver l’historique de recherche Google dans le "dashboard" (panneau de contrôle des toutes les applications Google que vous utilisez).

[60La recherche par période n’est disponible sur la version mobile de Google Search que depuis début 2018.

[61Autrefois déficiente, comme Béatrice Foenix-Riou l’avait démontré dans la revue Netsources, la recherche par date dans Google est désormais pertinente dans 95% des cas. Cf cet exemple de recherche conçu exprès pour détecter une erreur.

[62Son titre complet est : Expertises des systèmes d’information.

[63Merci à la consultante et chasseuse de tête Irina Shamaeva et son blog Boolean Strings, notamment ce billet du 23 avril 2018 : Should You Trust All Google Tip Sheets ?

[66StartPage est en fait un moteur qui réutilise les résultats de Google mais sans chercher à vous "profiler" comme le fait Google. Les résultats sont identiques à environ 80% si on se base sur les 30 premiers.

[67Les liens du moteur Qwant avec Microsoft Bing, par Marc Rees, NextInpact,‎ 13 mars 2017.

Répondre à cet article