À propos des étiquettes sur le site LinuxFr.org

Il existe déjà des statistiques sur les étiquettes sur le site LinuxFr.org (commentée dans chaque rétrospective annuelle) ; à l’exception de la prochaine phrase, je vais m’efforcer de ne parler que de choses qui n’y figurent pas déjà. La base de données contient actuellement environ 13 500 étiquettes, dont environ 11 600 étiquettes publiques, pour un total d’environ 123 000 étiquetages sur des contenus publiés.

Citation sans rapport : Il a d’ailleurs écrit lui-même qu’aucune étiquette ayant cours dans le monde occidental ne saurait lui convenir. (source)

Commençons par quelques informations en vrac :

• les étiquettes sont assez peu visibles sur le site si vous utilisez un navigateur sur mobile. Cela pourrait être un problème pour leur évolution.
• La capacité à bloquer l’étiquetage n’est pas encore codée et c’est bien dommage vu certains comportements (injures en étiquettes, étiquettes problématiques, etc.).
• Les étiquettes dites « sémantiques » ne sont pas encore en place.
• Concernant l’accentuation impôts et impots sont une seule et même étiquette, et la forme affichée est celle saisie au premier étiquetage (hors intervention en base de données pour corriger donc).
• La taille d’une étiquette est limitée à 64 caractères.
• Les tirets sont à utiliser pour les mots composés comme auto-hébergement ou parce que cela fait partie d’un nom comme COVID-19.
• Les soulignés sont à utiliser pour remplacer les espaces et associer des mots, par exemple les noms de personnes comme linus_torvalds ou les concepts comme réseau_social ou jeu_libre.
• Une modération de l’étiquetage est faite par l’équipe du site, notamment pour bien choisir les étiquettes, supprimer les doublons, regrouper les concepts, etc. Citation sans rapport : Sous des étiquettes opposées, sache reconnaître la même pensée, et sous des étiquettes semblables des conduites opposées. (source). Un des premiers choix à faire est singulier ou pluriel (jeu ou jeux ?), le choix par défaut étant le singulier. Mais d’autres questions peuvent se poser : genre, traduction ou franglais, acronyme, mettre ou non le second prénom d’une personne, mot régional ou national, etc.
• Il existe un script tag_me.sh qui permet d’étiqueter massivement (mais manuellement) en donnant une étiquette et une recherche associée (par exemple étiquette lennart_poettering et toutes les combinaisons justes ou erronées qui ont pu être saisies sur le prénom, le nom ou les deux).
• Le recours à ce script se fait dans des situations variées : nécrologies pour retrouver les mentions de la personne disparue (ou l’événement ou le projet disparu), version majeure d’un logiciel, recherche sur un projet qui donne de maigres résultats alors que l’on sait qu’il existe plein de contenus sur le sujet, modération suite à un signalement de doublon ou de faute, constat qu’un événement a été étiqueté en 2020 et en 2022 mais pas en 2021, etc.
• En bas de page, on trouve un affichage des « étiquettes (tags) populaires » (en ce moment libreoffice, fosdem, lennart_poettering, onlyoffice, wallabag, police_de_caractères, académie_française, police_institution, ada, complotisme, agenda_du_libre, rust), influencé un peu par les étiquetages des visiteurs et beaucoup par les étiquetages massifs.

Sommaire

• Sur le nombre d’étiquetages
• Sur l’ancienneté des étiquettes ayant un seul étiquetage
• Sur les personnes qui étiquettent
• Un nuage d’étiquettes entièrement en Markdown

Rajoutons quelques statistiques pour faire bon poids.

Sur le nombre d’étiquetages

Étiquetages pour une étiquette donnée	Nombre d’étiquettes publiques concernées
entre 1 et 9	9919
entre 10 et 99	1524
entre 100 et 999	171
1000 et plus	4

L’échelle en semi-log décimal montre que c’est tout de même bien tassé. Les quatre plus fréquemment utilisées sont des cas très particuliers (il s’agit de l’ajout initial lors de la mise en place des étiquettes en 2011, vu que l’on parle de noms de sections comme l'étiquette info_locales qui comprend notamment l'ancienne section lug, l'étiquette logiciel associée aux sorties de versions, l'étiquette sécurité initialement basée sur la section sécurité, et l'étiquette linux basée notamment sur la section noyau.

Avec une échelle en puissance de deux pour mieux distinguer :

Étiquetages pour une étiquette donnée	Nombre d’étiquettes publiques concernées
2048 et plus	2
entre 1024 et 2047	1
entre 512 et 1023	16
entre 256 et 511	34
entre 128 et 255	78
entre 64 et 127	155
entre 32 et 63	332
entre 16 et 31	505
entre 8 et 15	926
entre 4 et 7	1539
entre 2 et 3	2697
1	5333

Le groupe « un seul étiquetage » où 5333 étiquettes n’ont été utilisées qu’une seule fois est composé soit des étiquettes vraiment peu utiles, soit des étiquettes à usage très ponctuel, comme un identifiant de faille CVE par exemple, soit des fautes de frappe qui auraient échappé à notre vigilance.

Sur l’ancienneté des étiquettes ayant un seul étiquetage

Année de création d’une étiquette publique à un seul étiquetage	Étiquetages
2011	361
2012	625
2013	505
2014	545
2015	456
2016	432
2017	416
2018	468
2019	410
2020	578
2021	463
2022	74

On génère à peu près régulièrement des étiquettes publiques à un seul étiquetage. Cela n’est pas forcément bien ou mal d’avoir des étiquettes à un seul étiquetage (bref ça dépend des cas), mais en tout cas c’est plus ou moins régulier.

Sur les personnes qui étiquettent

Poser une étiquette nécessite d’avoir un compte sur le site.

Nombre de comptes concernés	Étiquetages	Commentaire
1	plus de 16384	ne cherchez pas c’est moi
2	entre 8192 et 16383	dont le cas spécial anonyme
0	entre 4096 et 8191
2	entre 2048 et 4095
4	entre 1024 et 2047
11	entre 512 et 1023
20	entre 256 et 511
53	entre 128 et 255
94	entre 64 et 127
177	entre 32 et 63
307	entre 16 et 31
538	entre 8 et 15
1053	entre 4 et 7
963	entre 2 et 3
653	1

Un nuage d’étiquettes entièrement en Markdown

sécurité · CINÉMA · KERNEL · windows · OPEN_SOURCE · PYTHON · eucd · vidéo · licence · réseau · sauvegarde · edward_snowden · HUMEUR · linux · kde · fedora · virtualisation · javascript · réseau_social · LIBRE · systemd · logiciel_libre · conférence · jeu_libre · BRONSONISATION · DISTRIBUTION · tutoriel · suse · XMPP · richard_stallman · SCO · red_hat · CLOUD · presse · photo · code · test · LINUXFR · open_hardware · TROLL · · MICROSOFT · OPENSUSE · dmca · raspberry_pi · smartphone · WEB · sortie_version · gimp · FOSDEM · ANDROID · LIVRE · COVID-19 · apple · PHP · GNOME · LINUS_TORVALDS · rtfm · FIREFOX · SPAM · diy · WIKIPEDIA · INFOS_LOCALES · openstreetmap · MOZILLA · java · REVUE_DE_PRESSE · git · ÉTHIQUE · VIE_PRIVÉE · sciences · GOOGLE · HADOPI · shell · éducation · FRANGLAIS · NOYAU_LINUX · XFCE · LOGICIEL · internet · musique · POLITIQUE · debian · programmation · DÉVELOPPEUR · AGENDA_DU_LIBRE · BSD · vote_électronique · brevets · auto-hébergement · JEU · podcast · rmll · JEU_VIDÉO · DADVSI · libreoffice · JEUX_LINUX · UBUNTU · blender · INTERVIEW

Un tel nuage montre un peu ses limites actuelles :

• le poids de l’étiquetage initial basé sur les sections de l’époque (2011 en l'occurrence) est fort,
• les ré-étiquetages massifs influencent beaucoup les résultats, et ne sont pas forcément représentatifs des publications sur le site (sauf à tout ré-étiqueter massivement),
• kernel ne devrait pas apparaître (mais cela représente un très gros ré-étiquetage) :

$ bin/tag_me.sh noyau_linux kernel
Searching for contents containing “kernel” with tag.id 6082

https://linuxfr.org/users/trs80/journaux/ouverture-de-mon-journal
   (… 1285 autres liens vers des journaux)
https://linuxfr.org/wiki/linuxfr-org
   (… 8 autres liens vers des pages wiki)
https://linuxfr.org/suivi/archives
   (… 8 autres liens vers des entrées du suivi)
https://linuxfr.org/forums/linux-general/posts/passage-a-cooker-maj-kernel
   (… 1796 autres liens vers des entrées de forum)
https://linuxfr.org/sondages/le-kernel-26
   (… 8 autres liens vers des sondages)
https://linuxfr.org/news/kernel-cousin-pour-la-liste-debian-devel
   (… 692 autres liens vers des dépêches)

donc potentiellement 3800 étiquetages de plus pour noyau_linux,

• les ré-étiquetages massifs sont aussi influencés par leur difficulté : trouver les variantes de Poettering pour l’étiquette lennart_poettering ou de Torvalds pour l’étiquette linus_torvalds est « facile ». Rechercher des occurrences de « C » dans du français pour le langage C, c’est très pénible. Ou séparer Linux, le noyau, de « Linux » le système d’exploitation par exemple.