Comprendre ce que la recherche a réellement trouvé
L’OCR, ou reconnaissance optique de caractères, produit du texte à partir d’une image. L’Illinois Newspaper Project distingue explicitement ce texte de la photographie de la page dans ses collections de journaux. Il décrit des erreurs liées notamment à l’état du papier, à la qualité de la numérisation et aux mises en page complexes. Cette documentation porte sur ses archives ; elle ne fournit pas un taux d’erreur valable pour tous les rapports reçus par une rédaction.
Le résultat de recherche donne un endroit où regarder. Autour du mot trouvé, l’image permet de rétablir la phrase, son attribution et les limites du passage. Même si tous les caractères ont été reconnus, le document peut reproduire une information contestée. Deux questions restent donc à traiter : que lit-on sur cette page, et que permet-elle d’établir pour l’article ?
L’absence de résultat appelle une autre prudence. Si un nom n’apparaît pas dans la recherche, la rédaction peut parcourir les pages pertinentes, essayer une partie du nom ou examiner l’index du document. Elle évite ainsi de transformer une recherche infructueuse en affirmation selon laquelle le rapport ne mentionne jamais cette personne. La limite porte sur l’outil utilisé, tant que les pages n’ont pas été relues.
L’image d’origine reste le point de comparaison
Avant de corriger une extraction, le journaliste peut conserver le fichier reçu et travailler sur une copie identifiée. Les notes indiquent d’où vient le document, quand il a été obtenu et quelle page contient le passage utilisé. Si le PDF affiche une numérotation différente de celle imprimée, les deux repères évitent une recherche inutile au moment de la relecture.
Avec l’image ouverte à côté du texte, le journaliste suit la phrase qu’il veut reprendre et relit ce qui la précède et la suit. Le recadrage sur quelques mots aide à déchiffrer leur orthographe. Pour comprendre à qui ils sont attribués, il faudra parfois revenir à la page entière, à son intertitre ou à la colonne précédente. Les deux échelles de lecture ont leur utilité.
Prenons un exemple fictif : une rédaction prépare un article sur l’évolution d’une gare à partir d’anciens comptes rendus. Une ligne extraite semble annoncer une fermeture définitive. Sur la page, elle se trouve dans un encadré consacré à une proposition rejetée. La reconnaissance peut avoir bien lu tous les mots et néanmoins fourni un texte trompeur lorsqu’on le copie sans son environnement. Le contrôle doit donc porter aussi sur la position du passage.
Relire l’ordre des colonnes avant d’extraire une citation
La documentation de Tesseract sur la qualité de reconnaissance aborde l’orientation des pages, le bruit de l’image et la segmentation. Elle signale aussi les difficultés de reconnaissance des tableaux. Ce sont des pistes techniques pour améliorer une extraction, pas une promesse qu’un nouveau traitement rendra un document exact.
Dans un journal ancien à plusieurs colonnes, le texte de travail peut enchaîner des fragments qui ne se suivent pas sur la page. La rédaction doit retrouver le début et la fin de chaque passage utilisé. Un intertitre, une légende ou un renvoi vers une autre page peut expliquer une rupture que le texte brut avait effacée. Le lecteur ne verra pas ce travail, mais sa citation en dépend.
Avant de relancer une extraction, autant regarder ce qui gêne la lecture. Une page inclinée ou un contraste irrégulier peut justifier un traitement sur une copie, voire une meilleure numérisation. Le nouvel essai se juge sur les passages problématiques, comparés à l’original. Il peut être plus fluide tout en restant faux. Si une seule page lisible permet de vérifier la citation voulue, retraiter tout le fonds n’apporte pas nécessairement quelque chose à l’article.
Pour un tableau, la rédaction peut décider de saisir manuellement les quelques valeurs utiles, puis demander une seconde lecture de ces valeurs et de leurs en-têtes. Elle conserve le tableau complet pour que le collègue puisse comprendre les exclusions. Cette procédure proposée convient à un extrait limité ; une enquête fondée sur des milliers de lignes exige un contrôle adapté à son volume et à ses transformations.
Noms et nombres : les erreurs qui changent l’article
Tous les passages utilisés doivent être relus. Quand le document est long, commencer par les noms, les dates, les montants et les négations permet de traiter d’abord les erreurs susceptibles de changer le sens de l’article. Ce tri organise le travail ; il ne valide pas le reste par défaut. La citation retenue sera finalement comparée mot à mot à l’image, y compris dans ses formulations les plus ordinaires.
Pour un montant, le chiffre seul ne suffit pas. Le titre de colonne peut préciser une unité, une année ou un périmètre. Dans un exemple fictif, une valeur exprimée en milliers d’euros pourrait être reprise comme un montant en euros si l’en-tête disparaît de l’extraction. Il faut alors rapprocher la cellule, sa ligne et sa colonne, puis regarder si une note modifie l’interprétation. Le guide sur les chiffres dans les publications sociales prolonge cette vérification au moment du relais.
Face à un nom inhabituel, le réflexe du correcteur peut être trompeur : le nom familier qu’il propose n’est pas une preuve. Le journaliste revient au document, puis cherche une autre pièce ou une confirmation si l’identité reste douteuse. Dans les notes partagées, la question doit rester visible comme telle. Une supposition devenue « correction » sans explication risque ensuite d’être reprise par un collègue qui la croit vérifiée.
Les additions peuvent aider à repérer une incohérence, mais elles ne prouvent pas quel nombre est erroné. Quand un total ne correspond pas aux lignes visibles, il faut examiner les exclusions et les notes avant de corriger une valeur. Une somme reconstituée par le journaliste doit être distinguée de celle imprimée dans le rapport. L’article peut expliquer le calcul si celui-ci soutient son constat.
Corriger la transcription sans réparer les propos de la source
Une confusion de caractères appartient au texte extrait. Une faute présente dans le document appartient à la source. Les traiter de la même façon risque de produire une citation que personne n’a écrite. Les notes de travail peuvent distinguer la transcription fidèle, la version reformulée pour l’article et les questions qui restent à résoudre.
Si le journaliste choisit de paraphraser, il doit pouvoir retrouver les éléments qui justifient sa phrase. S’il cite, les mots retenus doivent correspondre au passage vérifié. Un outil de reformulation peut proposer une syntaxe plus fluide tout en effaçant une réserve ou une hésitation du document. La méthode sur les citations d’entretiens et leurs relais traite cette fidélité ; avec l’OCR, la première étape reste de disposer d’un texte correctement lu.
Un passage illisible ne devient pas certain parce qu’un logiciel propose un mot cohérent. La rédaction peut demander un meilleur exemplaire, consulter une autre édition ou renoncer à cette citation. Lorsque l’incertitude elle-même compte pour le sujet, elle peut l’expliquer. Le lecteur doit alors comprendre ce qui est observable et ce qui n’a pas pu être établi, sans devoir deviner la réserve dans une note interne oubliée.
Un fichier partiellement relu avant son utilisation par IA
Sur un fichier de plusieurs centaines de pages, quelques passages contrôlés ne suffisent pas à valider toute l’extraction. La rédaction peut marquer ceux qu’elle a relus et conserver à part le texte brut. Un collègue qui reprend l’enquête retrouve ainsi les preuves déjà examinées, sans prendre le nettoyage partiel du fichier pour une vérification complète. Cette indication compte particulièrement lorsque le document circule entre l’auteur et la personne qui prépare la diffusion.
Si un assistant IA sert à explorer le document, ses réponses restent des pistes tant que les passages invoqués n’ont pas été retrouvés. La rédaction peut lui demander des repères de pages, puis les examiner elle-même. Un résumé convaincant ne résout ni une erreur de reconnaissance ni une confusion entre les colonnes. Le guide sur les sources proposées par une IA explique le contrôle des références ; ici, on vérifie en plus le texte auquel ces références renvoient.
Pour notre gare fictive, le journaliste peut transmettre au collègue chargé de la diffusion le paragraphe final et sa réserve, plutôt que l’ensemble des notes OCR. Le relais social part alors de l’article contrôlé. Si une nouvelle version change un montant, la correction doit atteindre les propositions déjà préparées avant leur envoi. Aucune fonction de reconnaissance de documents ou de certification des citations n’est présumée dans l’outil de diffusion.
Ce que le collègue doit pouvoir retrouver
Ce qu’il faut garder tient souvent dans une fiche courte : le document, la page et l’extrait retenu. Une observation supplémentaire est utile si la vérification a demandé un arbitrage, par exemple entre deux éditions portant des chiffres différents. Inutile de décrire tous les caractères correctement reconnus. En revanche, le prochain lecteur du dossier doit pouvoir comprendre pourquoi la rédaction a retenu cette version du passage.
Une seconde lecture apporte surtout quelque chose si le collègue voit la source, et pas seulement le texte nettoyé. On peut lui demander de vérifier la citation avec son attribution ou le chiffre avec son unité. S’il détecte un désaccord, la rédaction reprend le passage concerné et les phrases qui en dépendent. Elle ne se contente pas de corriger la copie de travail en laissant un ancien extrait dans le titre ou la légende.
Au moment de relire l’article final, le journaliste peut repartir de la référence conservée et retrouver le passage dans le document. Il compare alors la citation publiée à ce qu’il voit, sans passer par la copie nettoyée. Si un lecteur conteste ensuite la phrase, la rédaction dispose de la page précise et sait quelle vérification a été faite. Elle peut aussi constater les limites de cette vérification sans reconstruire tout le travail.
Sources officielles
Documents utilisés pour vérifier les points techniques de cet article.