Ressources numériques en sciences humaines et sociales OpenEdition Nos plateformes OpenEdition Books OpenEdition Journals Hypothèses Calenda Bibliothèques OpenEdition Freemium Suivez-nous

Étiquette : corpus

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.

ANGD 2011 : de retour d’Aussois.

J’ai participé à la formation,  intitulée Gestion numérique des sources de la recherche en sciences humaines et sociales organisée par le TGE Adonis, qui s’est tenue au Centre Paul Langevin d’Aussois,  du 10 au 14 Octobre 2011.
Une semaine de formation intensive et intense, dont j’aimerais faire le compte-rendu exhaustif.  Mais ce serait trop long. Je me contenterai donc de restituer les grandes lignes ce cette formation, que les organisateurs ont intitulée avec des verbes d’action, les six verbes d’un projet de gestion numérique des sources en SHS : décider, organiser, numériser, structurer, exploiter, diffuser.
Pour commencer, revenons aux fondamentaux. Qu’est-ce qu’une source de la recherche en SHS ? Ce peut être une infinité de choses : un manuscrit, une charte, un tract, une photographie, un dessin d’enfant, une carte géographique, un entretien filmé, une voix enregistrée, un agenda, une lettre, un carnet de terrain, un conte de fées. Toutes ces choses, précieuses ou triviales, constituent autant de matériaux, de données brutes de la recherche en SHS. Oui, mais qu’est-ce qu’on en fait ?  Comment exploiter ces sources dans le cadre d’un projet scientifique ? Comment les mettre à disposition, en ligne, pour que des chercheurs travaillent ces matériaux, à la source de publications nouvelles ? Et comment mettre en regard ces publications nouvelles avec les sources qui les ont constituées en leur fondement scientifique ? Ce sont ces questions que les humanités numériques, les digital humanities explorent, en produisant de nouveaux types de publications numériques, où les sources, les matériaux primaires, secondaires ou tertiaires sont reliées, hyperliées, aux oeuvres scientifiques, fidèle à l’exigence première d’administration directe de la preuve. Le tableau qu’a brossé Marin Dacos de ces nouveaux types d’édition en ligne, au cœur des digital humanities, donne une idée océanique des possibilités qui s’offrent pour les nouveaux passeurs de savoir en ligne. Le Centre pour l’édition électronique ouverte qu’il dirige se situe à la croisée de ces chemins. Ce stage, dans son ensemble, nous a permis de construire, en une semaine, un projet de gestion numérique des sources de la recherche, à partir d’un cas d’école. Lequel ? Je ne peux pas le dire, mais il vous suffira d’imaginer un exemple concret de sources à exploiter. A partir de là, il nous faut décider quel projet numérique et scientifique mettre en place à partir de ces sources. Décider, c’est trancher, orchestrer, se donner des objectifs, des délais, des moyens, travailler en mode projet, coordonner une équipe, accepter de prendre des risques, se lancer dans une aventure collective pour aboutir à la réalisation du projet, au delà de la mise en ligne, vers une exploitation scientifique des sources numérisées, comme Richard Walter l’a montré dans sa présentation.
Tout cela est possible si on s’organise, délègue, planifie les étapes. Le maître d’ouvrages (MOA) peut faire appel au maître d’oeuvre (MOE). Diverses méthodes d’organisation, pour veiller à la réalisation des tâches à accomplir dans les meilleurs délais, ont été approchées, comme autant de balises et de méthodes pour réussir son projet.
Puis vient le temps de numériser. La présentation de Michel Jacobson des archives de France a apporté un éclairage nouveau sur la numérisation des sons. On est passé ensuite à la pratique en numérisant les supports papier de nos sources.
L’analyse de la structuration du contenu est nécessaire pour transformer la source en matériau de la recherche. L’introduction à la Text Encoding for Interchange (TEI) a été présentée par Lou Burnard himself qui a cofondé ce format de balisage en XML en 1987 pour “faciliter l’échange, la création et l’intégration de ressources informatisées”. La TEI, c’est un outil du chercheur, qui lui permettra d’analyser un texte selon ses problématiques d’étude. Si l’encodage d’un texte nécessite la connaissance des balises du format XML, on aurait tord de confier cette tâche à un informaticien extérieur au projet de recherche, car la structuration du contenu fait parti intégrante de l’analyse. Après cette introduction, ce fut à nous stagiaires de dégager la structure de nos sources, afin d’en baliser l’analyse.
Une fois la source balisée, il faut être capable de l’exploiter, de l’interroger, de “faire parler les données du corpus”, d’en extraire du sens. Les outils d’interrogation du balisage XML ont été présentés avec clarté par Denise Ogilvie, des Archives Nationales, et Anaïs Wion, du CEMAf, un laboratoire du CNRS.
Pour en citer quelques uns, les plus utilisés, Xpath, un langage pour formuler des questions en interrogeant l’arborescence d’un document formaté en XML; XSLT, pour transformer les arborescences XML dans un autre langage, HTML par exemple, et exprimer des requêtes; Xquery enfin, le langage d’interrogation des documents structurés en XML défini par le W3C, pour extraire des information des documents XML.
Une fois que nos sources ont été numérisées, structurées, exploitées, reste à les diffuser en ligne et assurer la promotion du projet scientifique qu’elles desservent. Il faut alors penser en terme d’écologie numérique au service de la science : Accessibilité, ergonomie, pérennité, citabilité, interopérabilité sont les cinq mots du web pour Jean-François Rivière. Mettre en ligne, oui, à condition de respecter les droits d’auteur. La présentation des questions juridiques liées aux bibliothèques numérique et aux corpus en ligne de Lionel Morel de la BNF a comblé l’assistance qui ne tarissait pas de questions. Gaëlle Hallair, une autre stagiaire, a écrit un billet sur son intervention.
Cet ANGD 2011, oui j’ai oublié de dire qu’il s’agissait d’une Action Nationale à Gestion Déconcentrée, mais l’année prochaine, ce sera une Action Nationale de Formation, nous a permis de bénéficier aussi des retours d’expériences des stagiaires. J’ai pu y présenter notre projet de site Internet sur les carnets géologiques de Philippe Glangeaud.
Et rien de tel qu’une randonnée à mi-stage pour prendre de la hauteur.

Montagne pelée Flickr licence Attribution 2.0 Generic (CC BY 2.0) par Jean et Nathalie

Ah ! Et puis, non, je ne peux pas conclure ce billet sans parler des rencontres, de la convivialité, de toutes ces professionnels rencontrés porteurs de projets passionnants.