Gérer les données de la recherche, de la création à l’interopérabilité. Compte-rendu de la formation ANF d’Huma-Num, 21-25 septembre, Fréjus

Organisée par la TGIR Huma-Num, cette formation avait pour objectif de permettre aux porteurs de projets de recherche en SHS, d’anticiper et de prendre en compte la gestion des données numérisées, qu’il s’agisse du stockage, de l’archivage, de la description, de la diffusion, de l’éditorialisation des corpus de données, dans un souci constant d’interopérabilité, afin de rendre possible leur partage et leur réutilisation.

La formation a naturellement commencé par une présentation de la Très Grande Infrastructrure Huma-Num, qui a pour objectif de proposer à la communauté scientifique de l’ESR en SHS des outils, comme le moteur de recherche en SHS Isidore ou la plate-forme Nakala pour déposer, documenter et diffuser les données de la recherche, mais aussi des formations, et des conseils pour gérer et valoriser les corpus de données, à travers ses 11 consortiums thématiques.

Frédéric Glorieux #interop2015 de retour à mon scanner, Fréjus, Villa Clythia, chambre 803, le matin  https://twitter.com/GlorieuxF/status/647543112018083841
Frédéric Glorieux
#interop2015 de retour à mon scanner, Fréjus, Villa Clythia, chambre 803, le matin
https://twitter.com/GlorieuxF/status/647543112018083841

La conférence inaugurale de Valérie Tesnière, directrice de la BDIC, a fait ressurgir l’impératif de l’interopérabilité en brossant l’évolution des acteurs impliqués dans la gestion des données, qu’il s’agisse de chercheurs, de bibliothécaires, d’informaticiens, ou d’archivistes. S’ils sont issus de cultures professionnelles différentes, ayant un rapport distinct au document, à la norme, et aux publics, force est de constater qu’aujourd’hui un langage commun est en train de se construire au croisement de plusieurs révolutions, le temps du numérique et le temps du web de données. Au cœur de ce dispositif, le W3C, qui favorise la publication de données structurées, impose aux professionnels de recueillir les données, les lier, et les structurer, pour permettre le dialogue et l’interopérabilité entre des objets hétérogènes.

Au deuxième jour de cette formation, nous avons bénéficié en matinée d’un rappel générique sur les métadonnées par Catherine Morel-Pair. Après une typologie fonctionnelle, nous avons passé en revue les standards (DC, MODS, LOM, IPTC, RDF…) et les usages variés des métadonnées pour garantir l’interopérabilité via les moissonnage OAI-PMH ou la transformation des données d’un format à l’autre via XSLT. L’après-midi a été consacré aux retours d’expériences. La démonstration de la version mobile d’Isidore par Adrien Desseigne nous a permis de comprendre les fonctionnalités heuristiques du web sémantique permettant une recherche et une lecture augmentée des données avec plusieurs points de vue sur un concept, un auteur, une discipline ou une collection_ pluralité des points de vue rendue possible par des croisements de graphes de données passant d’Isidore à ceux de DBPedia ou de la BNF pour obtenir autant d’enrichissements sémantiques.

Le retour d’expériences de Vincent Jolivet du labex OBVIL nous a donné un aperçu des problématiques posées par l’encodage TEI des textes en termes d’interopérabilité et de qualité des métadonnées. Si la diversité des usages et des logiciels utilisés pour l’encodage peut rendre caduque l’homogénéité des métadonnées, le cadre du consortium CAHIER a permis d’établir de bonnes pratiques pour envoyer des notices normalisées au moteur de recherche Isidore à partir de métadonnées TEI. La mise en correspondance des balises TEI et des 15 champs du Dublin Core a ainsi permis, au sein du consortium, une meilleure définition des pratiques éditoriales et une meilleure structuration des données.

Auteur de l’application Web-OAI, Frédéric Glorieux du labex OBVIL a mis en perspective les données de data.bnf pour établir une « coupe du relief de la chronologie » des auteurs à partir des données démographiques fournies par les notices de la BNF : une mine d’informations sur la vie littéraire à explorer sur son carnet de recherche.

Enfin, Véronique Ginouvès de la phonothèque de la MMSH est retournée sur les choix qu’elle a mis en œuvre pour rendre de plus en plus accessibles et interopérables avec d’autres fonds d’archives sonores les enregistrements de son institution, d’abord sur le portail du patrimoine oral, puis sur Isidore, sur Calames, et enfin sur Europeana Sounds.

Le mercredi au matin, Alexandre Granier du CINES nous a présenté les formats requis pour l’interopérabilité. Si le Référentiel Général d’Interopérabilité donne des préconisations en matière de protocoles, formats et sémantique, il nous est rappelé qu’un format de données est interopérable, si sa spécification est ouverte et accessible, s’il est indépendant, largement diffusé, si plusieurs logiciels permettent de le lire, et enfin, si sa migration vers d’autres formats est envisageable. L’exigence première, pour ne pas perdre de données, est donc d’identifier et de bien valider ses formats de données au niveau de la syntaxe et de la sémantique. Plusieurs outils, comme DROID, JHOVE, Mkvalidator ou FACILE sont utilisés à cette fin.

La projection du film intitulé L’usine en perspective en fin d’après-midi nous a permis de réaliser à quel point l’interopérabilité des formats et des données était requise lors de l’élaboration d’un projet de recherche comme celui d’Usines 3D.

Le jeudi, l’intervention de Thomas Francart de la société SPARNA sur les technologies de l’interopérabilité pour le partage et l’échange de données nous a permis d’entrer dans le fonctionnement concret du protocole OAI-PMH et du web de données, qui sont les sésames de l’interopérabilité. Nous avons pu expérimenter la grammaire du protocole OAI-PMH avec les six verbes permettant de moissonner les données d’un flux OAI.

Nous avons pu ainsi comprendre concrètement quel est le fonctionnement des outils d’Huma-Num. Nakala expose les données, Isidore les moissonne, reste à les éditorialiser. C’est ce que permet notamment un CMS comme Omeka. L’intuition d’Huma-Num consiste à articuler ces outils. A cette fin, nous avons bénéficié en avant-première de la démonstration du pack Nakalomeka, qui utilise la puissance d’Omeka pour éditorialiser les données contenues dans Nakala. Il fallait y penser. Huma-Num l’a fait. Et Omeka communique en OAI-PMH avec Isidore. Les données sont stockées, documentées, éditorialisées, et moissonnées. La boucle est bouclée.

Revenons au web sémantique, qui repose sur la grammaire intangible « sujet-verbe-complément », dont l’enjeu est de faire s’exprimer les données de façon non-ambiguëe. Inscrit dans le corps des pages web, ce langage pour humains et machines structure l’information et permet autant d’enrichissements sémantiques. Il est ainsi possible de relier des sources différentes dans une même application, ce qui fait toute la valeur ajoutée du web de données. Faire communiquer des URIs avec le langage RDF permet ainsi d’exploiter pleinement les données et d’en faire surgir des gisements d’informations structurées, mais aussi de mieux hiérarchiser l’information en bâtissant des ponts entre différents domaines de connaissance, comme le permet notamment le modèle de données SKOS (Simple Knowledge Organisation System) utilisé pour publier des systèmes d’organisation de connaissances sur le web de données. Tout un système de règles pour ne pas mélanger les concepts, et atteindre la plus grande précision dans le vocabulaire de description des données. Les concepts de thesaurus, réutilisés pour l’indexation, la recherche, la réalisation de graphes de connaissances, sont ainsi devenus des biens communs rendus, par l’interopérabilité, réutilisables par tous.

Au terme de la formation, nous sommes à même de préserver, indexer, diffuser et rééditorialiser les données. Nous avons toutes les clés pour construire ensemble l’interopérabilité des données en SHS.

Je stocke, tu archives, nous indexons : numérisation, nouveau(x) chantier(s)

Résumons-nous : la numérisation, c’est lancé. La mise en ligne, ça fonctionne – d’ailleurs la BCU est dans Europeana depuis deux semaines ! – avec deux sites web de corpus numériques, qu’on peut voir ici. La gestion de projet, notamment en amont, ça se met en place – merci au projet d’histoire du droit sur les factums (id est mémoires judiciaires) de nous permettre de formaliser tout ça.

Bon, qu’est-ce qu’il reste encore ? L’élaboration et la mise en place d’un système intégrant d’une part un stockage sécurisé, d’autre part une perspective d’archivage pérenne. Le tout enrobé d’une mise en forme et en application d’un modèle de métadonnées plus rigoureux.

Containers in North Harbour, Copenhagen, Denmark
By Mvejerslev, BY-NC-SA, Flickr

Quel est l’état des lieux ? Pour le moment, les copies de fichiers issus de la numérisation sont stockées sur un disque dur externe, qui devait être un support temporaire. Mea culpa. Pas très brillant, je l’avoue, et pas très sécurisé surtout.

En même temps, le téraoctet n’est pas encore dépassé – c’est prévu pour mi-2013 si la numérisation continue au même rythme. Donc, il n’est pas très légitime de réclamer un budget à investir dans une structure – interne ou extérieure – prenant en charge le stockage et/ou l’archivage.

Lors du dernier conseil de la documentation du PRES, la question de l’archivage et de l’importance que les universités doivent y accorder ont suscité un débat et une prise de conscience qui semblent un bon début. Mais qui n’est pas suffisant.

 Qu’est-il possible d’envisager dans un tel contexte ? Le CRRI, alias Centre régional de ressources informatiques, service informatique desservant tout le PRES, a sollicité la BCU pour un hébergement sur un second site de ses propres données. La bibnum saute sur l’occasion pour proposer une réciprocité des copies de fichiers, afin que le CRRI à son tour prenne en charge ceux de la BCU – et en particulier la production numérique. C’est un premier pas, celui du stockage sécurisé, assez urgent à accomplir.

 Dans le même temps, il faut commencer à réfléchir sur la pérennité que l’on souhaite donner aux différents projets de corpus numériques. Car cela coûte cher, demande du temps, du matériel et des compétences – ou plus d’argent si l’archivage est opéré à l’extérieur (voir le CINES). Mais surtout, il semble évident pour tous que le numérique permet de produire plus et conserver tout. Faux. Il faut, comme pour le papier, savoir opérer une sélection, désherber AUSSI la production numérique. D’où la nécessité d’ouvrir le débat non plus au sein des bibliothèques mais des institutions dont elles dépendent, car l’enjeu se focalise sur les critères de cette sélection : que va-ton garder ? Pourquoi ? Quelle est la légitimité de tel ou tel projet dans le long terme ? Sa pertinence, l’ouverture de son corpus, le niveau de développement des outils qui permettent de travailler dessus ?

By Tsahi Levent-Levi CC BY 2.0, Flickr

Ces cogitations laissent le temps pour se pencher sur une indexation rigoureuse, entre autres en vue du stockage et de l’archivage – mais qui puisse également répondre aux besoins de mise en ligne et d’utilisation des corpus. Là, c’est encore le projet sur l’histoire du droit et le corpus des factums qui permet d’aider à formaliser les choses. Côté format, on a besoin de définir un schéma METS clair et simple, à partir des expériences des autres bibliothèques. Pas simple car aucun modèle ne domine. On va se fonder sur celui de la BnF et de Cujas notamment. Les deux institutions l’utilisent uniquement en tant qu’archivage, mais la première nous a précisé qu’il était très utile pour la présentation des métadonnées en ligne.

En même temps, il s’agit de débroussailler le contenu desdites métadonnées. Quand bien même la question demeure ouverte, entre indexation libre et normalisation thésauruesque, il est important de se créer une ligne de conduite et de la tenir. Si pour le moment l’indexation par les scientifiques, avec contrôle de la bibliothèque (du Laboratoire Magmas et Volcans et de la bibnum pour Glangeaud, de la bibnum et de la BU Lettres pour EVE), a été choisie, les différents retours de bibliothèques et de la communauté de chercheurs tendent vers une indexation à partir d’un vocabulaire prédéterminé, élaboré par les acteurs scientifiques constitutifs du projet, avec contrôle des métadonnées rentrées, doublée d’une auto-complétion permettant d’aiguiller la recherche.

C’est le cas de Viatimages, la base de données du projet Viaticalpes, ou encore de la bibliothèque numérique de la BIU Cujas.

 Rendez-vous dans quelques mois, après rencontre avec le CRRI, expérimentation de METS et avancement des nouveaux projets de numérisation comme les factums.