Les archéologues d'Internet reconstruisent des pages Web perdues

Internet est en train de disparaître. Et avec elle va une partie importante de notre histoire enregistrée. C'est la conclusion d'une étude que ce blog a examinée l'année dernière, qui mesurait le taux de disparition des liens partagés sur les plateformes de médias sociaux telles que Twitter.

La conclusion était que ces données sont perdues au taux de 11 pour cent en un an et de 27 pour cent en deux ans.

Aujourd'hui, les chercheurs à l'origine de ces travaux révèlent que tout n'est pas perdu. Hany SalahEldeen et Michael Nelson de l'Université Old Dominion à Norfolk, en Virginie, ont trouvé un moyen de reconstruire le matériel supprimé et disent que cela fonctionne raisonnablement bien.

Tout d'abord, un peu de contexte. Ces gars-là ont commencé leur travail en étudiant les milliers de tweets, articles de blog et autres ressources qui ont été publiés pendant les 18 jours de soulèvement de la révolution égyptienne en 2011. Ces ressources étaient importantes, disent-ils, car elles fournissent un enregistrement précieux d'une histoire historique. un événement.

Cependant, ils ont également découvert que certains de ces messages et d'autres sur le Web disparaissaient et ont commencé à mesurer la vitesse à laquelle ils disparaissaient. D'où les chiffres donnés ci-dessus.

Le nouveau travail est leur tentative de reconstruire ces messages et ressources manquants, au moins en partie, à partir des indices qu'ils laissent sur le Web.

SalahEldeen et Nelson ont commencé par tenter de confirmer les résultats précédents et cela a créé une surprise. Un phénomène intéressant s'est produit lorsque plusieurs des ressources précédemment déclarées manquantes sont redevenues disponibles, disent-ils.

C'est possible si la disparition initiale était le résultat d'un domaine ou d'une archive perturbée qui a été restaurée par la suite, ou d'un compte d'utilisateur qui avait été suspendu puis rétabli.

Alors SalahEldeen et Nelson se sont demandé comment il était possible de trouver ce matériel ressuscité, même s'il n'est plus dans son cyber-quartier d'origine. Ils soulignent que la plupart des ressources partagées laissent des traces ailleurs sur le Web, telles que des retweets, des hashtags, des commentaires, etc.

L'idée qu'ont eue SalahEldeen et Nelson était de tenter de reconstituer une ressource manquante en recherchant les traces laissées sur le web. Pour cela, ils ont utilisé le moteur de recherche Twitter Topsy, qui leur permet de saisir l'adresse d'une ressource manquante et renvoie les tweets qui y font référence. Il s'agit de la signature du tweet de la ressource.

Ils extraient ensuite les cinq termes les plus fréquents de cette signature et les utilisent comme requête de recherche dans Google. Le résultat est une liste de remplacements potentiels pour la ressource perdue.

Une question importante, bien sûr, est de savoir dans quelle mesure les candidats remplaçants correspondent à la ressource d'origine. Pour tester cela, SalahEldeen et Nelson ont effectué le même processus pour les ressources qui n'avaient pas disparu, puis ont comparé les candidats de remplacement avec les originaux. Ils disent que les remplacements avaient une similitude textuelle de 70 % avec la ressource d'origine environ 40 % du temps.

Pas parfait, bien sûr, mais mieux que rien. Et peut-être qu'avec le temps il deviendra possible de faire mieux.

Ce qui est intéressant, c'est que ce processus est une sorte d'archéologie Internet qui reconstruit une page Web historique à partir du contexte dans lequel elle s'est produite. C'est une nouvelle discipline fascinante.

Dans le monde réel, les archéologues et les anthropologues sont devenus hautement qualifiés pour reconstruire l'histoire naturelle de cette manière. Les conclusions que l'on peut tirer de la découverte et de l'analyse d'une seule dent, par exemple, sont vraiment étonnantes.

Il n'y a aucune raison pour que les archéologues d'Internet ne deviennent pas aussi compétents.

Réf : arxiv.org/abs/1309.2648 : Ressusciter ma révolution : utiliser le voisinage des liens sociaux pour apporter du contexte au Web en voie de disparition

cacher