Documenter Twitter : défis et méthodes pour la constitution de corpus de tweets

Abstract

La plateforme de micro-blogues Twitter a pris une place centrale dans le paysage médiatique des dernières années. L’archivage des messages (ou tweets) qui y sont publiés présente par conséquent une importance particulière, pour les chercheurs mais aussi pour la société. Cependant, pour être exploitable, leur enregistrement nécessite de prendre en compte un certain nombre de spécificités de la plateforme et des contenus qui y circulent. Dans cet article, nous revenons sur les méthodes de collecte existantes, afin de déterminer les types de données qu’elles permettent effectivement de capturer et ceux qui y échappent. Nous examinons par ailleurs l’évolution temporelle des tweets après leur publication et proposons des méthodes susceptibles de l’enregistrer. À travers la définition de ce processus de collecte, la nature documentaire des tweets et les freins à leur étude sont également interrogés.

Full text

DOCUMENTER TWITTER
Défis et méthodes pour la constitution
de corpus de tweets
Antonin Segault
Maître de conférences, Université Paris Nanterre, Laboratoire Dicen-IdF
antonin.segault@parisnanterre.fr
La plateforme de micro-blogues Twitter a pris une place centrale dans le
paysage médiatique des dernières années. L’archivage des messages (ou
tweets) qui y sont publiés présente par conséquent une importance particu-
lière, pour les chercheurs mais aussi pour la société. Cependant, pour être
exploitable, leur enregistrement nécessite de prendre en compte un certain
nombre de spécicités de la plateforme et des contenus qui y circulent.
Dans cet article, nous revenons sur les méthodes de collecte existantes, an
de déterminer les types de données qu’elles permettent eectivement de
capturer et ceux qui y échappent. Nous examinons par ailleurs l’évolution
temporelle des tweets après leur publication et proposons des méthodes
susceptibles de l’enregistrer. À travers la dénition de ce processus de col-
lecte, la nature documentaire des tweets et les freins à leur étude sont éga-
lement interrogés.
Mots-clés : twitter, collecte de données, archivage, document, médias sociaux
In the last few years, the micro-blogging platform Twitter took a central place
in the media space. Archiving the messages (or tweets) that are published on this
platform is therefore an important challenge for researchers but also for the so-
ciety itself. However, to be eective, this process needs to take into account some
of the specicities of the platform and its contents. In this article, we analyze
the existing data collection methods to assess what kind of data they do capture
and what kind they do not. We also investigate the temporal evolution of tweets
aer their publication and propose methods to record such changes. Through
the denition of this data collection process, we also question the documentary
nature of tweets and the obstacles that limit their study.
Keywords: twitter, data collection, archive, document, social media

Les objets nativement numériques : transformations et nouveaux enjeux documentaires ?
2
Figures emblématiques du web participatif qui naît au début des années 2000,
les médias sociaux peuvent être dénis comme des dispositifs numériques
dédiés à la création et au partage de « contenus générés par les utilisateurs »
[Kaplan & Haenlein, 2010]. Leur facilité d’utilisation a favorisé leur large
adoption, bien au-delà des cercles technophiles et des usages qui leur étaient
prescrits. Aujourd’hui, ces plateformes occupent une place centrale dans le
monde médiatique, la communication politique, les mouvements sociaux,
etc. Pour cette raison, l’étude des messages qui y circulent – en temps réel
mais surtout a posteriori – présente un grand intérêt, pour les chercheurs en
sciences sociales comme pour les membres de la société eux-mêmes. La sau-
vegarde des contenus publiés sur les médias sociaux s’inscrit dans la lignée
des multiples projets d’archivage du web mis en œuvre depuis le milieu des
années 1990 [Musiani, Paloque-Bergès, Schafer & Thierry, 2019 ; Rogers,
Brügger & Milligan, 2018]. Cependant, les spécicités de ces plateformes
nécessitent le développement de nouveaux outils et de nouvelles méthodes
adaptées.
Dans cet article, nous nous intéresserons plus spécialement à la plate-
forme Twitter et à la nature des contenus qui y sont publiés. Nous revien-
drons tout d’abord sur les caractéristiques de cette plateforme, ses usages
actuels et les projets d’archivage la concernant. Nous proposerons ensuite
une typologie des diérents éléments qui composent les tweets et présente-
rons des méthodes permettant d’en assurer un archivage aussi exhaustif que
possible. Nous nous intéresserons également à la problématique de l’évolu-
tion temporelle des contenus publiés sur Twitter, et examinerons diérentes
approches pour capturer ces changements à court et moyen terme. Sur la base
de ces réexions, nous proposerons de reconsidérer la nature documentaire
des tweets et, nalement, interrogerons le cadre légal de leur collecte.
ARCHIVER TWITTER
Twitter est une plateforme de micro-blogues créée en 2006, permettant la
publication en ligne de tweets, des messages textuels d’une longueur limi-
tée à 280 caractères. Les tweets peuvent cependant contenir des liens hyper-
textes, des images xes ou animées, des émoticônes graphiques, des men-
tions d’autres utilisateurs (leur pseudonyme précédé du caractère @) et des
mots-clefs (hashtags ou mot-dièses, précédés du caractère #) utilisés à des
ns d’indexation folksonomique [Potts, Seitzinger, Jones & Harrison, 2011].
Les tweets d’un utilisateur sont achés dans le l d’actualité (timeline) de
tous les utilisateurs qui se sont abonnés (following) à ses publications. Un uti-
lisateur peut également republier (retweet) ou aimer (like) la publication d’un

Documenter Twitter : défis et méthodes pour la constitution de corpus de tweets 3
autre an de la rendre visible par ses propres abonnés, permettant ainsi une
diusion virale des messages.
Créé en 2006, Twitter connaît un succès considérable, avec 330 millions
d’utilisateurs actifs (au cours du dernier mois) en 2017 [Molina, 2017], attei-
gnant le rang de onzième site le plus visité au monde en 2019 [Alexa Internet,
2019]. Cette plateforme a tout d’abord été remarquée lors de situations de
catastrophes, au cours desquels des citoyens l’ont utilisée pour partager rapi-
dement des informations vitales [Vieweg, Hughes, Starbird & Palen, 2010].
Avec l’élargissement de sa base d’utilisateurs, sont apparus des discours plus
critiques, notamment en raison des rumeurs et des informations inexactes
qui sont propagées dans les tweets [Starbird, Maddock, Orand, Achterman
&Mason, 2014 ; Vosoughi, Roy & Aral, 2018]. Cette tendance, restée forte
jusqu’à ce jour, n’a pas empêché le développement de la plateforme, y compris
dans la communication politique. Le style du président Trump témoigne de
l’émergence d’un « âge de Twitter », où la vérité et l’étiquette sont fréquem-
ment malmenées [Ott, 2017]. En France, cette plateforme et les discours qui
s’y déploient ont également occupé une place centrale dans les controverses
politiques et électorales des dernières années [Cervulle & Pailler, 2014 ;
Mercier, 2015]. Dans ce contexte, et à l’approche de plusieurs échéances élec-
torales majeures, Twitter a interdit n 2019 le recours aux tweets sponsorisés
(payants) à caractère politique [Durupt, 2019].
Au vu de la place occupée par Twitter dans la société contemporaine, l’ar-
chivage des tweets peut sembler d’une évidente nécessité pour les besoins
de la recherche mais aussi dans une perspective historique et patrimoniale
[Musiani & Schafer, 2016]. Néanmoins, la quantité de données que repré-
sentent les millions de tweets publiés chaque jour constitue un obstacle
considérable. Ainsi, en 2010, la Library of Congress, chargée du dépôt légal
aux États-Unis, a-t-elle dévoilé un projet d’archivage de tous les tweets. Elle
a reçu de la part de Twitter l’intégralité des messages publiés depuis 2006,
ainsi qu’un accès aux ux de messages publiés en temps réel. Néanmoins,
en 2017, la Library of Congress a mis n à cette collecte exhaustive, évo-
quant notamment des dicultés liées au volume des données, au prot d’une
collecte sélective, guidée par les événements d’intérêt national [Bruns, 2018 ;
Library of Congress, 2017]. On retrouve ces approches d’archivage ciblé dans
les collectes réalisées par l’Institut national de l’audiovisuel (INA) au titre du
dépôt légal du web : près de 15 000 comptes Twitter liés à l’audiovisuel fran-
çais ont été sélectionnés an que leurs publications soient archivées (INA,
2019 ; INA, s.d.).
La collecte sélective – limitée aux publications d’une courte liste d’uti-
lisateurs, aux messages contenant quelques mots-clefs ou provenant d’une

Les objets nativement numériques : transformations et nouveaux enjeux documentaires ?
4
zone géographique réduite – permet de restreindre la taille de corpus, et ainsi
d’éviter les écueils relatifs à l’enregistrement, au stockage et à la manipula-
tion de masses de données trop importantes. Cependant, certains problèmes
demeurent, qui ne sont pas liés au volume des données, mais à des caractéris-
tiques des tweets eux-mêmes : « les sources documentaires et données numé-
riques sont marquées par l’hétérogénéité et la multiplicité des couches d’in-
formation entre interface et machine […] Ces sources ne sont que très dicile-
ment lisibles et compréhensibles en dehors des dispositifs qui conditionnent
leur appréhension » [Paloque-Bergès, 2016]. An que les corpus constitués via
Twitter puissent être exploités, il s’agit donc de développer des méthodes de
collecte spéciques, adaptées à la nature des tweets.
LA NATURE DES TWEETS
Un document numérique peut être déni comme la combinaison d’une struc-
ture et de données numériques : « Un document numérique est un ensemble
de données organisées selon une structure stable associée à des règles de mise
en forme permettant une lisibilité partagée entre son constructeur et ses lec-
teurs » [Pédauque, 2006, p. 45]. Appliquer ce modèle aux tweets, sans pour
l’instant préjuger de leur statut de document, s’avère intéressant pour l’étude
des problématiques d’archivage. En eet, la sauvegarde d’un tweet consiste
alors en la collecte et la préservation des données qui le composent, mais éga-
lement des structures permettant sa re-présentation ultérieure.
À première vue, un tweet est un objet à la fois simple et de taille réduite.
Lorsqu’il s’affiche dans un fil d’activité, les données qui le constituent
semblent se limiter à un court texte, accompagné d’un nom d’utilisateur,
d’une image de prol et d’une date. Selon les cas, peuvent également appa-
raître des nombres de retweets et de likes, des réponses (reply) ainsi que des
aperçus des images ou des liens attachés au tweet. Sa structure, générée par
le navigateur web à partir d’instructions HTML, prend sur l’écran la forme
d’un rectangle compact, où le rôle des diérents éléments de contenu est rap-
pelé par de subtiles combinaisons de format, de position et de pictogrammes.
Diérentes modalités d’interactions, notamment par des liens cliquables et
des infobulles apparaissant au survol, enrichissent ces éléments et les relient
à d’autres.

Documenter Twitter : défis et méthodes pour la constitution de corpus de tweets 5
Figure 1. Captures d’écran d’un même tweet sur les sites web (à gauche)
et mobiles (à droite) de Twitter : < https://twitter.com/ESA_Rosetta/sta-
tus/781818209842434048 >
Pourtant, cette représentation du tweet n’en est qu’une parmi les nom-
breuses possibles selon les terminaux et les logiciels utilisés [Clavert, 2018].
Outre son site web responsive (dont l’achage change selon les écrans),
Twitter propose également un site web mobile, une application iOS (avec des
interfaces diérentes pour les téléphones iPhone, les tablettes iPad et les lec-
teurs multimédias Apple TV), deux applications pour les systèmes Android
(téléphones et tablettes) et une application pour les systèmes Microsoft
(téléphones, tablettes, ordinateurs, mais aussi casques de réalité virtuelle
HoloLens). On trouve également de multiples applications tierces pour une
large gamme de plateformes, incluant notamment les montres connectées.
Ce sont donc autant de représentations graphiques diérentes, n’incluant pas
forcément les mêmes informations et associées à des interactions propres,
qui peuvent exister pour un tweet donné. Par exemple, le site web de Twitter
présente un compteur de réponses qui n’existe pas sur la version mobile, tan-
dis que ce dernier ache le nom de l’application qui a publié le tweet (voir
gure 1). S’y ajoutent enn des représentations informatiques, bien plus com-
plètes, généralement structurées dans le format JSON (voir tableau 1).

Les objets nativement numériques : transformations et nouveaux enjeux documentaires ?
6
Tableau 1. Extrait de la représentation informatique du tweet de la figure 1
{
'in_reply_to_screen_name':None,
'contributors':None,
'is_quote_status':False,
'id':781818209842434048,
'in_reply_to_user_id_str':None,
'retweet_count':512,
'in_reply_to_status_id_str':None,
'id_str':'781818209842434048',
'coordinates':None,
'lang':'fr',
[...]
'created_at':'Fri Sep 30 11:29:21 +0000 2016',
'place':None,
'text':'Mission accomplie #CometLanding https://t.co/82l9WBlISu'
}
En eet, un tweet se compose de beaucoup plus de données qu’on ne pour-
rait le penser au premier abord. Celles-ci relèvent de deux types : « les infor-
mations visibles à l’interface homme-machine ; les informations invisibles
de programmes qui traitent les informations » [Paloque-Bergès, 2016]. Ainsi,
les interfaces de programmation (API) mises à disposition des développeurs
d’applications tierces permettent d’accéder, pour chaque tweet, à une tren-
taine d’attributs souvent « invisibles » et de complexité variée, comprenant
notamment la langue du message, son origine géographique, ou encore l’ap-
plication qui l’a publié [Twitter, 2019e]. S’y ajoutent également une quinzaine
de métadonnées décrivant le prol de l’auteur (description, localisation, etc.).
Selon les besoins, on peut également considérer qu’il faut inclure dans la sau-
vegarde du tweet d’autres données de contexte, relatives aux tweets précé-
dents, aux hashtags, aux liens hypertextes ou encore aux autres comptes uti-
lisateurs mentionnés dans le message.
En reprenant la distinction précédemment évoquée entre données et
structures, on peut ainsi dresser une typologie des éléments constitutifs d’un
tweet dans ces deux domaines (voir tableau 2). Pour être complète, la collecte
de tweets doit permettre l’enregistrement de l’ensemble de ces éléments, et
leur reproduction ultérieure de manière dèle à l’original.

Documenter Twitter : défis et méthodes pour la constitution de corpus de tweets 7
Tableau 2. Typologie des éléments constitutifs d’un tweet
Données Structures
Contenus
affichés dans
l’interface
(visibles)
Métadonnées
relatives
au tweet
(invisibles)
Données
de contexte
(visibles ou
invisibles)
Présentation
graphique
(selon les
terminaux)
Éléments
interactifs
(selon les
terminaux)
Représentation
informatique
(JSON)
Ex. : text e
du tweet,
date, nom de
l’auteur, etc.
Ex. : langu e,
application,
identifiants,
entités, etc.
Ex. : profils
utilisateurs,
précédents
tweets, etc.
Ex. :
apparence
dans un
navigateur
Ex. : liens
cliquables,
infobulles,
vidéos, etc.
Ex. : donné es
fournies par
une API
CAPTURE DES TWEETS
Une grande variété de dispositifs de collecte des tweets a déjà été développée.
Leur fonctionnement peut être rattaché à trois principales modalités de col-
lecte de données : l’aspiration web, l’utilisation des API et la capture d’écran.
L’aspiration web consiste à télécharger une page web, ou une portion de page
web, dans le but de l’archiver. Il s’agit de sauvegarder le code HTML, mais éga-
lement l’ensemble des ressources nécessaires à son achage : feuilles de styles
CSS, images, scripts, polices de caractères, etc. Cette collecte peut se limiter
à une seule page, mais peut également être étendue, de manière récursive, à
l’ensemble des liens présents sur cette page. De nombreux aspirateurs de sites
web généralistes peuvent être exploités pour la collecte de tweets, à condition
de bien comprendre la structure des URL utilisées par Twitter [Blumenthal,
2019]. L’aspiration peut être eectuée à partir de pages contenant des séries de
tweets (l d’actualité, prol d’un utilisateur, page de résultats du moteur de
recherche, etc.), mais aussi de la page d’un tweet seul, qui présente davantage
d’informations de contexte (réponses, prols d’utilisateurs ayant retweeté ou
liké, etc.). L’utilisation d’une aspiration récursive (qui suit les liens) assure l’en-
registrement de toutes ces données ainsi que d’autres, telles que le prol de
l’auteur et les contenus multimédias, mais élargit et complexie fortement le
corpus résultant. Par ailleurs, le résultat de la collecte peut diérer légère-
ment de la présentation des tweets dans le navigateur, notamment parce que la
majorité des aspirateurs ne peuvent simuler certaines interactions utilisateur
(survol, délement) et donc capturer leur résultat.
D’autres outils s’appuient sur les API, permettant une collecte plus
exhaustive des données composant les tweets. Twitter propose tout un éco-
système d’API REST (pour Representational State Transfer) donnant accès à
une grande variété de données (tweets, prols, hashtags, lieux, etc.), fournies
dans le format JSON. La collecte de tweets peut être réalisée par mot-clef,

Les objets nativement numériques : transformations et nouveaux enjeux documentaires ?
8
par zone géographique, ou encore par utilisateur, a posteriori (avec certaines
limites, notamment pour la recherche par mot-clef, qui ne donne pas accès
à des publications datant de plus d’une semaine) mais aussi en temps réel, à
mesure qu’ils sont publiés. Si ces méthodes de collecte fournissent davantage
de métadonnées que l’aspiration web, leur portée peut également être étendue
par des requêtes récursives (portant par exemple sur les utilisateurs). Plusieurs
outils clés en main, adossés à ces API, permettent de les exploiter dans des
interfaces graphiques, à l’image de TCAT [Borra & Rieder, 2014], NodeXL et
son module d’import de données Twitter [Smith et al., 2010], Tweet Archivist,
ou encore l’extension TwitterStreamingImporter pour Gephi. Des systèmes
de collecte personnalisés peuvent également être mis en place à l’aide des
nombreuses librairies logicielles existant pour un large choix de langages
[Twitter, 2019f]. Enn, des corpus complets de tweets issus des API peuvent
être achetés, auprès de Twitter ou de fournisseurs tiers, notamment lorsque
les données recherchées sont trop anciennes ou trop volumineuses pour être
collectées directement.
La capture d’écran, enn, consiste à enregistrer, sous la forme d’une image,
ce qui est aché sur l’écran d’un terminal donné. Elle permet ainsi de conser-
ver une trace dèle de la représentation graphique des tweets, mais sans leur
dimension interactive. La capture peut être réalisée à partir des fonctionnalités
directement intégrées dans la plupart des systèmes d’exploitation. Cependant,
le processus peut être facilité par des outils en ligne tels que Screenshot Guru,
ou des extensions de navigateur comme Twitter Screenshot pour Google
Chrome, qui présentent notamment l’avantage de recadrer automatiquement
les images produites. Diérents outils en ligne de commande peuvent égale-
ment être employés pour automatiser la capture d’un grand nombre de tweets
à l’aide de scripts [Supriyo Biswas, 2018]. Le recours à des dispositifs tiers doit
néanmoins se faire avec prudence : certains outils, comme Screenshot a Tweet,
ne produisent pas de véritables screenshots, mais les construisent en intégrant
des données de l’API dans une image de tweet vierge. Si le modèle utilisé ne
correspond pas (ou plus) exactement à l’interface de Twitter au moment de la
capture, la capture perd alors son caractère de délité.

Documenter Twitter : défis et méthodes pour la constitution de corpus de tweets 9
Tableau 3. Éléments capturés par différentes modalités de collecte des tweets
Modalité
de collecte
Données Structure
Visibles Métadonnées Contexte Graphique Interaction Informatique
Capture
d’écran
Oui
(format
image)
Non Non
Oui
(pour un
terminal)
Non Non
Aspiration
web Oui Non
Oui
(seulement
visibles)
Oui
(pour un
terminal)
Oui
(pour un
terminal)
Non
Aspiration
web
récursive
Oui Non
Oui
(seulement
visibles)
Oui
(pour un
terminal)
Oui
(pour un
terminal)
Non
Requêtes
API
Oui
(images
exclues)
Oui Non Non Non Oui (JSON)
Requêtes
API
récursives
Oui Oui Oui Non Non Oui (JSON)
Comme on peut le constater dans le tableau 3, aucune des modalités de
collecte présentées ici ne permet de sauvegarder intégralement les données
et les structures qui constituent un tweet. La combinaison de plusieurs
méthodes (par exemple, capture d’écran et requêtes API récursives), appli-
quées sur plusieurs terminaux (par exemple, site web, application iOS et appli-
cation Android), est nécessaire pour se rapprocher de l’exhaustivité – mais
sans jamais pouvoir l’atteindre tant les terminaux, et donc les structures, sont
nombreux et variés.
ÉVOLUTIONS TEMPORELLES DES TWEETS
Si la collecte des tweets présente de nombreux écueils, la préservation des
corpus ainsi constitués s’avère tout aussi complexe. En eet, cet archivage
doit tenir compte de la nature changeante des tweets, dont les diérents com-
posants sont susceptibles de connaître plusieurs types d’évolution au cours
du temps.
Certaines des données qui composent le tweet, tout d’abord, changent au
gré des actions et des interactions des usagers. Le texte d’un tweet ne peut être
modié après sa publication, mais les retweets, les likes et les réponses peuvent
s’y ajouter indéniment, parfois des années plus tard. Les données relatives
aux prols utilisateurs (auteur ou mentionné), aux hashtags, aux aperçus de
liens hypertextes, évoluent également avec le contexte dans lequel s’inscrivait

Les objets nativement numériques : transformations et nouveaux enjeux documentaires ?
10
le tweet : l’auteur met à jour son image de prol ou sa biographie, un utilisa-
teur mentionné change de pseudonyme, une page web citée voit son contenu
modié ou supprimé. Des tweets entiers (pouvant eux-mêmes être ou avoir des
retweets ou des réponses) peuvent en outre disparaître lorsqu’ils sont suppri-
més par leur auteur, que celui-ci ferme son compte ou le paramètre comme
« protégé » (dont les tweets ne sont visibles que par les utilisateurs autorisés). La
grande majorité de ces changements qui aectent les constituants des tweets
ne sont pas datés dans les systèmes d’information de Twitter.
Figure 2. Captures d’écran d’un même tweet tel qu’il apparaissait sur le site web
de Twitter à deux dates différentes (4 novembre 2015 à gauche et 17 mai 2019 à
droite) : < https://twitter.com/jkrums/status/1121915133 >
Les éléments de structure des tweets varient également au cours du temps,
au l des mises à jour de la plateforme Twitter. Depuis les débuts du site web,
en 2006, la représentation graphique des tweets et les interactions qui y sont
rattachées ont ainsi connu plusieurs changements majeurs (voir gure 2). On
peut notamment mentionner l’intégration croissante de contenus multimé-
dias (images, vidéos, aperçus des liens) et d’éléments cliquables (hashtags,
mentions, indices boursiers) dans le corps des tweets, mais aussi des modi-
cations dans leur ordre d’achage, avec l’apparition des tweets sponsorisés,
des systèmes non-chronologiques ou encore des ls (threads). Cette évolution
progressive du système, ou dri [Salganik, 2018], se produit également – mais
pas nécessairement de manière identique ou simultanée – dans les multiples
applications (ocielles ou développées par des tiers) permettant l’achage
de tweets sur divers terminaux. La représentation informatique des tweets
qui est donnée à voir à travers les API connaît elle-même des changements,
à mesure que des champs y sont ajoutés, renommés, dépréciés ou supprimés
[Twitter, 2019d].
L’apparence du tweet dépend également d’un écosystème d’outils en
constante évolution. Diérentes versions d’un navigateur web ou d’un sys-
tème d’exploitation (notamment pour les terminaux mobiles) peuvent aec-
ter sa représentation graphique : pictogrammes, polices, émoticônes, espa-
cements, etc. Par ailleurs, les contenus intégrés dans les tweets – images,

Documenter Twitter : défis et méthodes pour la constitution de corpus de tweets 11
vidéos, etc. – reposent souvent sur des services tiers, dont les fonctionnalités
peuvent changer ou disparaître au cours du temps. Par exemple, avant que
Twitter ne permette directement la mise en ligne d’images, celles-ci étaient
le plus souvent téléversées sur d’autres plateformes telles que TwittPic et
yfrog, puis leurs URL incluses dans le texte du tweet. Selon les terminaux et
les applications utilisés, un aperçu de l’image pouvait alors être automatique-
ment aché. Si, à la fermeture de TwittPic, un accord a pu être trouvé avec
Twitter pour que les images soient conservées [Twitpic, 2014], il n’en a pas
été de même pour yfrog : l’ensemble des images a disparu, ne laissant que des
liens morts dans quelques millions de tweets. De même, avant le déploiement
de t.co par Twitter en 2010, la réduction des URL était assurée par des ser-
vices tiers, TinyURL puis bit.ly. La validité de nombreux liens est par consé-
quent liée à la pérennité de ces services. Ainsi, la création de corpus de tweets
complets et durables nécessite d’« archiver tout un écosystème numérique »
[Clavert, 2018].
La variabilité temporelle des tweets se retrouve dans les documents numé-
riques. Néanmoins, l’ampleur et la fréquence des modications susceptibles
d’aecter l’ensemble de leurs composants constituent une exception : « un
document est déni par les éléments qui lui procurent une stabilité […] un
certain nombre d’invariants qui régissent sa cohérence au sein des diérentes
formes qu’il peut revêtir » [Pédauque, 2006, p. 113-114]. Les invariants d’un
tweet sont très limités : seuls le texte du tweet et certaines des métadonnées
relatives à ses modalités de publication (identiant unique, date et heure, lan-
gage, localisation, etc.) restent inchangés – tant que le tweet n’est pas sup-
primé. Tous les autres éléments doivent faire l’objet de procédures de collecte
spéciques an de prendre en compte leurs valeurs successives.
CAPTURER L’ÉVOLUTION
La méthode la plus fréquemment utilisée pour enregistrer l’évolution d’un
phénomène au cours du temps consiste à réaliser plusieurs collectes de don-
nées successives, qui pourront ensuite être comparées. Le projet Internet
Archive, visant à archiver le web, suit cette approche : ses robots visitent et
sauvegardent à intervalle régulier une grande quantité de pages web. Dans
le cas des tweets, pour être complète, cette technique doit tenir compte de la
nécessité – mentionnée précédemment – de combiner plusieurs méthodes de
collecte.
La fréquence d’archivage constitue l’une des principales problématiques
en matière de collecte récurrente. Une fréquence élevée permet de captu-
rer avec nesse la dynamique d’évolution du tweet, de savoir précisément

Les objets nativement numériques : transformations et nouveaux enjeux documentaires ?
12
quand une image a été modiée, un like ajouté ou une réponse supprimée.
Cependant, les opérations de collecte sont alors démultipliées, ainsi que les
ressources nécessaires : temps de calcul, trac réseau, espace de stockage. La
fréquence d’archivage est alors un compromis à trouver entre la résolution
temporelle souhaitée et les ressources disponibles. Des stratégies de collecte
non-régulières peuvent constituer des solutions alternatives : la fréquence
d’archivage d’un tweet donné peut être décroissante dans le temps, dans la
mesure où une part importante des interactions (like, retweet, réponse, etc.)
se produisent peu après la publication ; elle peut également être modulée en
temps réel, en fonction des changements identiés à chaque collecte [Saad
& Gançarski, 2010]. Un stockage diérentiel, n’enregistrant que les données
ayant réellement changé d’une version à l’autre, peut également réduire le
volume des corpus ainsi constitués.
Le processus de collecte lui-même peut également être aecté par certaines
évolutions de la plateforme au cours du temps, notamment si elles concernent
la structure des tweets. Lorsque de nouveaux éléments y sont ajoutés, reti-
rés, renommés ou réorganisés, la représentation du tweet change, dans les
pages HTML ou dans les données JSON fournies par les API. Les systèmes
de capture doivent alors être adaptés de manière à continuer d’enregistrer
l’ensemble des métadonnées disponibles. Par exemple, l’extension de la lon-
gueur des tweets de 140 à 280 caractères, en novembre 2017, a abouti à l’ajout
de plusieurs nouveaux champs dans l’API [Twitter, 2019b], qui doivent à leur
tour être intégrés dans les outils d’archivage. De même, des évolutions dans
le fonctionnement profond de la plateforme, telles que les méthodes d’authen-
tication ou les limites des API, peuvent avoir d’importants impacts sur le
fonctionnement des outils. Il apparaît ainsi que l’instabilité des tweets dans le
temps est susamment importante pour entraîner une instabilité du proces-
sus de collecte. Dès lors que l’on souhaite enregistrer l’évolution d’un corpus
sur une période dépassant quelques semaines, il devient nécessaire d’assurer
une veille technologique an d’anticiper la survenue de ces changements et
d’éviter des pertes de données ou une interruption pure et simple de la collecte.
Enn, il apparaît essentiel de documenter ces évolutions de la plateforme
pour guider l’analyse ultérieure des corpus qui auront été constitués. En eet,
certains changements sont à l’origine de discontinuités dans les usages, qui ne
pourraient être interprétées en l’absence d’ information sur la date, la nature et
l’impact des changements eectués. Ainsi, le 3 novembre 2015, Twitter rem-
plaçait son bouton « mettre en favori » (favorite dans la version anglophone),
associé à une étoile, par un bouton « j’aime » (like), en forme de cœur – qui
n’est pas sans rappeler la fonction équivalente de Facebook [Twitter, 2015].
Ce nouveau bouton, à la sémantique très diérente, ne recouvre que partiel-

Documenter Twitter : défis et méthodes pour la constitution de corpus de tweets 13
lement les multiples usages qui s’étaient développés autour des favoris [Meier,
Elsweiler & Wilson, 2014]. Pourtant, dans les métadonnées du tweet, les deux
actions sont stockées dans un seul et même champ, comme si les « favoris »
antérieurs à novembre 2015 avaient été transformés en « j’aime ». Si un tweet
publié avant cette date présente un nombre donné de « j’aime », seule une cap-
ture de ce tweet réalisée précisément le 3 novembre 2015 permet de déter-
miner combien d’entre eux sont en réalité des « favoris », et de les analyser
comme tels – à défaut, des estimations peuvent être eectuées sur la base des
captures les plus proches de cette date. De la même manière, on pourrait sou-
haiter prendre en compte l’impact de l’évolution des aordances qui accom-
pagnent les changements dans les interfaces graphiques – tels que le passage
de l’injonction “What are you doing” à “What is happening” [Twitter, 2009].
Il apparaît ainsi que la mise en place d’une collecte de tweets capturant
leur évolution au cours du temps est bien plus ardue que l’archivage pério-
dique de pages web. La nature complexe des tweets et leur enchâssement
dans la plateforme qui les héberge nécessitent un archivage plus n et, par
conséquent, moins robuste.
CONCLUSIONS ET DISCUSSIONS
Cet article a montré que la création d’archives des tweets est un dé majeur,
pour les chercheurs qui étudient les usages des médias sociaux, mais aussi
pour la société dans laquelle ils occupent une place centrale. Il apparaît néan-
moins que les tweets, aussi simples qu’ils puissent sembler, sont caractérisés
par la complexité et l’intrication des éléments qui les composent, ainsi que
par des évolutions temporelles rapides, variées et parfois profondes. An de
capturer l’ensemble des données permettant la reconstitution de ces éléments
et de leurs formes successives, un processus de collecte complexe doit être mis
en œuvre. Il s’agit notamment de combiner plusieurs méthodes de capture sur
plusieurs terminaux, de manière répétée et à une fréquence adaptée, tout en
documentant attentivement les changements susceptibles d’aecter la qua-
lité, la complétude et l’interprétation des données. Lorsque les contraintes
techniques, humaines ou économiques qui s’imposent à tout projet de col-
lecte font obstacle à la mise en œuvre de l’intégralité de ce processus, des
concessions (en termes de fréquence de capture, d’exhaustivité ou encore de
plage temporelle) doivent être dénies selon les usages prévus ou prévisibles
des données. Les corpus constitués de cette manière sont nécessairement
massifs et complexes, agrégeant des données textuelles et multimédias, dans
des structures susceptibles de présenter des défauts et des discontinuités
temporelles. Leur exploitation nécessite par conséquent le développement

Les objets nativement numériques : transformations et nouveaux enjeux documentaires ?
14
de méthodes et d’outils d’analyse adaptés, permettant la re-présentation des
tweets, mais aussi de leur contexte et de leur évolution temporelle.
Par ailleurs, il apparaît en plusieurs points de cet article que la collecte
des tweets gagne à prendre en compte les points communs de ces derniers
avec les documents numériques. Comme eux, les tweets peuvent être décrits
comme la combinaison de données et de structures, n’existent que dans un
environnement technique précis, voient leurs représentations se recon-
gurer selon les supports, et connaissent une évolution temporelle. Ils ne se
démarquent que par le degré extrême qu’atteignent ces diérentes caracté-
ristiques : les tweets sont particulièrement instables dans le temps, particu-
lièrement dépendants de leur plateforme et des terminaux d’achage, et se
constituent d’un enchevêtrement particulièrement complexe de données et
de structures. Il semble par conséquent pertinent de considérer les tweets
comme un type de documents numériques, possédant certes des spécicités,
mais également de nombreuses similarités avec les autres. En particulier, leur
archivage est guidé par le même impératif de re-présentation et de remise en
contexte : « Il s’agit alors d’apporter toutes les métadonnées indispensables à
la reconstruction à la volée de documents et toute la traçabilité de son cycle »
[Salaün, 2007]. À ce titre, le processus de collecte des tweets décrit ici consti-
tue une forme de redocumentarisation.
Enfin, plusieurs éléments doivent être relevés quant à la conformité
des techniques de collecte présentées avec les conditions d’utilisation
« Développeurs » de Twitter. En premier lieu, la redistribution des corpus col-
lectés sur la plateforme est strictement encadrée [Twitter, 2019c]. L’envoi de
données complètes (telles que fournies par les API) est limité à 50 000 tweets
par jour et par destinataire, et exclut la possibilité de mettre ces données à
disposition par téléchargement. Pour l’échange de corpus plus importants,
Twitter recommande de n’envoyer que les identiants des tweets – une limite
de 1 500 000 identiants tous les 30 jours est dénie, mais les chercheurs
peuvent en être exemptés – laissant le soin au destinataire de collecter à nou-
veau les données associées. Cette restriction fait obstacle à tout eort de
collecte tenant compte de l’évolution des tweets au cours du temps, puisque
seule une version récente du tweet pourrait être partagée. Par ailleurs, les
conditions d’utilisation indiquent clairement que les tweets ultérieurement
supprimés, modiés ou protégés devraient être rapidement retirés des jeux de
donnés [Twitter, 2019a]. Cette mesure, bien compréhensible du point de vue
des utilisateurs, s’avère dicile à mettre en œuvre et, à nouveau, incompatible
avec l’étude de l’évolution des tweets au cours du temps. Les entraves légales
que constituent ces textes contractuels – au même titre que les contraintes
techniques relatives à l’accès aux API [Rieder, 2018]–doivent faire l’objet

Documenter Twitter : défis et méthodes pour la constitution de corpus de tweets 15
d’une réexion critique. Il s’agit de questionner la capacité qu’ont et devraient
avoir les chercheurs – mais aussi la société – à documenter et étudier des dis-
positifs aussi importants que les médias sociaux.
BIBLIOGRAPHIE
Alexa Internet. (2019). Twitter Competitive Analysis, Marketing Mix and Trac.
< https://www.alexa.com/siteinfo/twitter.com >.
Blumenthal, K.-R. (2019). Archiving Twitter feeds. < https://support.archive-it.org/hc/
en-us/articles/208333743-Archiving-Twitter-feeds >.
Borra,E., & Rieder, B.(2014). Programmed Method : Developing a Toolset for
Capturing and Analyzing Tweets. Aslib Journal of Information Management, 66 (3), 262-
278.
Bruns, A. (2018). The Library of Congress Twitter Archive : A Failure of Historic
Proportions. < https://medium.com/dmrc-at-large/the-library-of-congress-twitter-
archive-a-failure-of-historic-proportions-6dc1c3bc9e2c >.
Cervulle,M., & Pailler, F.(2014). #mariagepourtous : Twitter et la politique aective
des hashtags. Revue française des sciences de l’information et de la communication, (4).
< http://journals.openedition.org/rfsic/717 >.
Clavert, F.(2018). Sources en ux. Collecter, analyser, archiver, pérenniser. In A.
Francois, A. Roekens, V.Fillieux, & C.Derauw, Pérenniser l’éphémère. Archivage et
médias sociaux. Louvain-la-Neuve, Belgique : Academia, p. 23-44.
Durupt, F.(2019). Pourquoi Twitter bannit-il les « publicités politiques » ?
<https://www.liberation.fr/evenements-libe/2019/10/31/pourquoi-twitter-bannit-il-les-
publicites-politiques_1760777 >.
INA. (2019). Comptes Twitter liés à l’audiovisuel français. < https://www.data.gouv.fr/
fr/datasets/comptes-twitter-lies-a-laudiovisuel-français/ >.
INA. (s.d.). Dépôt légal radio, télé et web. < https://institut.ina.fr/institut/statut-missions/
depot-legal-radio-tele-et-web >.
Kaplan, A.M., & Haenlein, M. (2010). Users of the world, unite ! The challenges and
opportunities of Social Media. Business horizons, 53 (1), 59-68.
Library of Congress. (2017). Update on the Twitter Archive at the Library of
Congress. < https://blogs.loc.gov/loc/les/2017/12/2017dec_twitter_white-paper.pdf >.
Meier,F., Elsweiler, D.C., & Wilson, M.L. (2014). More than liking and
bookmarking Towards understanding twitter favouriting behaviour. Eighth
International AAAI Conference on Weblogs and Social Media.
Mercier, A. (2015). Twitter, espace politique, espace polémique. Les cahiers du
numérique, 11 (4), 145-168.
Molina, B.(2017). Twitter overcounted active users since 2014, shares surge on prot
hopes. USA Today. < https://eu.usatoday.com/story/tech/news/2017/10/26/twitter-
overcounted-active-users-since-2014-shares-surge/801968001/ >.

Les objets nativement numériques : transformations et nouveaux enjeux documentaires ?
16
Musiani, F., Paloque-Bergès, C., Schafer, V., & Thierry, B.G. (2019). Qu’est-ce qu’une
archive du web? Marseille, France : OpenEdition Press.
Musiani, F., & Schafer, V. (2016). Patrimoine et patrimonialisation numériques.
RESET. Recherches en sciences sociales sur Internet, (6).
Ott, B.L. (2017). The age of Twitter : Donald J. Trump and the politics of debasement.
Critical studies in media communication, 34 (1), 59-68.
Paloque-Bergès, C. (2016). Les sources nativement numériques pour les sciences
humaines et sociales. Histoire@Politique, 30 (3), 221-244.
Pédauque, R.T. (2006). Le Document à la lumière du numérique : forme, texte, médium :
comprendre le rôle du document numérique dans l’émergence d’une nouvelle modernité.
Caen, France : C & F Éditions.
Potts, L., Seitzinger, J., Jones, D., & Harrison, A. (2011). Tweeting disaster : Hashtag
constructions and collisions. Proceedings of the 29th ACM international conference on
Design of communication, 235-240. ACM.
Rieder, B.(2018). Facebook’s app review and how independent research just got a lot
harder. < http://thepoliticsofsystems.net/2018/08/facebooks-app-review-and-how-
independent-research-just-got-a-lot-harder/ >.
Rogers, R., Brügger, N., & Milligan, I. (2018). Periodizing web archiving : Biographical,
event-based, national and autobiographical traditions. In The SAGE Handbook of Web
History (p.42).
Saad, M.B., & Gançarski, S. (2010). Using visual pages analysis for optimizing web
archiving. Proceedings of the 2010 EDBT/ICDT Workshops, 43. ACM.
Salaün, J.-M. (2007). La redocumentarisation, un dé pour les sciences de
l’information. Études de communication. Langages, information, médiations, (30), 13-23.
Salganik, M. (2018). Bit by Bit, Social reseach in the digital age. Princeton, États-Unis :
Princeton University Press.
Smith, M., Milic-Frayling, N., Shneiderman, B., Mendes Rodrigues, E., Leskovec, J.,
& Dunne, C. (2010). NodeXL : a free and open network overview, discovery and exploration
add-in for Excel 2007/2010. Social Media Research Foundation.
Starbird, K., Maddock, J., Orand, M., Achterman, P., & Mason, R.M. (2014). Rumors,
false ags, and digital vigilantes : Misinformation on twitter aer the 2013 Boston
marathon bombing. iConference 2014 Proceedings, 654-662.
Supriyo Biswas. (2018). How to Take Screenshots of Webpages from the Command
Line. < https://www.booleanworld.com/take-screenshots-webpages-command-line/ >.
Twitpic. (2014). Twitpic’s Future. < https://web.archive.org/web/20141027024335/http://
blog.twitpic.com/2014/10/twitpics-future/ >.
Twitter. (2009). What’s Happening? <https://blog.twitter.com/en_us/a/2009/whats-
happening.html >.
Twitter. (2015). Hearts on Twitter. < https://blog.twitter.com/ocial/en_us/a/2015/
hearts-on-twitter.html >.

Documenter Twitter : défis et méthodes pour la constitution de corpus de tweets 17
Twitter. (2019a). Developer Policy. < https://developer.twitter.com/en/developer-terms/
policy#c-respect-users-control-and-privacy >.
Twitter. (2019b). Extended Tweets. < https://developer.twitter.com/en/docs/tweets/
data-dictionary/overview/intro-to-tweet-json#extendedtweet >.
Twitter. (2019c). More about restricted uses of the Twitter APIs. < https://developer.
twitter.com/en/developer-terms/more-on-restricted-use-cases >.
Twitter. (2019d). Tweet metadata timeline. < https://developer.twitter.com/en/docs/
tweets/data-dictionary/guides/tweet-timeline >.
Twitter. (2019e). Tweet Objects. < https://developer.twitter.com/en/docs/tweets/data-
dictionary/overview/tweet-object >.
Twitter. (2019f). Twitter Libraries. < https://developer.twitter.com/en/docs/developer-
utilities/twitter-libraries.html >.
Vieweg, S., Hughes, A.L., Starbird, K., & Palen, L. (2010). Microblogging during
two natural hazards events : What twitter may contribute to situational awareness.
Proceedings of the SIGCHI conference on human factors in computing systems, 1079-1088.
ACM.