Comment publier les données des musées dans le Linked Open Data ?

Cet article décrit le processus de publication des données de l’ensemble de la collection du Smithsonian American Art Museum  (SAAM), soit 41000 objets et 8000 artistes, dans le web des données liées et ouvertes.

Les chercheurs Pedro Szekely, Craig A. Knoblock, Fengyu Yang, Eleanor E. Fink, Shubham Gupta, Rachel Allen et Georgina Goodlander ont travaillé sur les problématiques suivantes :

  • Comment transformer la base de donnée  du SAAM en RDF ?

  • Comment lier le jeu de données du SAAM à d’autres hubs du LOD comme DBpedia et Getty vocabularies ?

  • Comment permettre au personnel du SAAM de vérifier que l’information est conforme aux standards du Smithsonian ?

Modéliser, Lier, Vérifier :

Les musées, à travers le monde, ont construit des bases de données avec des méta-données sur des millions d’objets, leur histoire, les personnes qui les ont créés et les entités qui les représentent, mais ces données sont stockées dans des bases de données propriétaires et ne sont pas immédiatement utilisables. Récemment, les musées ont adopté le web sémantique dans l’intention de rendre ces données accessibles.

Parmi les projets notables du Linked Open Data, on peut citer The Europeana project qui a publié les données de 1500 musées, librairies et archives en Europe, le musée d’Amsterdam qui a publié les données de 73000 objets et le LODAC museum qui a publié les données de 114 musées au Japon.

Mais l’expérience a montré que publier les données des musées dans le web des données liées et ouvertes était difficile : les bases de données sont larges et complexes, l’information est très variée d’un musée à l’autre et il s’avère difficile de les relier à d’autres jeux de données.

Publier les données d’un musée dans le web des données liées et ouvertes comporte trois étapes :

1/ Convertir les données en triplets RDF :

Structurer les métadonnées des œuvres d’art en RDF implique la sélection d’un vocabulaire pour modéliser le domaine. C’est un processus compliqué car beaucoup de musées ont des données très structurées et qui incluent souvent des attributs uniques ou spécifiques à un musée en particulier. Les données présentent également de nombreuses incohérences parce que des personnes différentes les ont maintenues à travers le temps.

La conversion des données en RDF étaient typiquement effectuée par des règles ou des programmes écrits manuellement.

a – Créer une ontologie pour les données du SAAM :

Pour créer une ontologie pour les données du SAAM, les chercheurs sont partis de l’European Data Model (EDM), le métamodel utilisé dans l’Europeana project pour représenter les données des institutions culturelles européennes.

“EDM est basé sur OWL qui réutilise la terminologie d’ontologies largement connues : SKOS pour la classification des œuvres d’arts, artistes et lieux, Dublin core pour les données des pierres tombales (tombstone) FOAF et RDA Group 2 Elements pour les informations biographiques, suivant l’exemple du Musée d’Amsterdam, ORE de l’Open Archives Initiative, utilisé par EDM pour agréger les données des objets.

L’ontolgie du SAAM prolonge EDM avec l’introduction de sous-classes et de sous-propriétés pour représenter les attributs spécifiques au SAAM (comme les ID des objets, par exemple) et inclus des classes et des propriétés de schema.org pour représenter les données géographiques (villes, états, pays), car les chercheurs ne trouvaient pas d’ontologie dans la communauté du patrimoine culturel pour représenter les données géographiques.

rdf.png

Figure 1 :

Les classes sont représentées dans les ovales et les littéraux sont dans les carrés verts, les arcs représentent les relations (les propriétés). Les carrés représentent le nombre d’instances générées dans les jeux de données de SAAM. Les superclasses sont en italique et toutes les propriétés de l’ontologie SAAM sont des sous-classes des classes des vocabulaires standards.

b – Karma pour automatiser le processus de transformation des données du SAAM en RDF :

L’outil Karma a été développé par les chercheurs dans un travail précédent pour transformer les données structurée en RDF selon l’ontologie que l’utilisateur choisit. Le but était de permettre à la personne qui manipule les données de contourner la complexité des technologies (SQL, SPRQL, graph patterns XSLT, Xpath…)

Karma automatise des parties signifiantes du processus en fournissant une interface graphique dans laquelle les utilisateurs visualisent la modélisation proposée par l’algorithme et peuvent l’ajuster si nécessaire.

L’approche de Karma inclut deux étapes entrelacées :

1 – Transformer les colonnes en classes en assignant des types d’entités aux colonnes de données :

Le mappage des colonnes dans l’ontologie est un défi parce que l’ontologie du SAAM contient 407 classes et 105 propriétés de données. Le choix est donc dur. Karma résout le problème en apprenant l’affectation de types sémantiques aux colonnes. (Machine learning)

figure 2.pngFigure 2  :

Les utilisateurs définissent les types d’entités pour les « constituentid » ( des personnes ou des institutions) et placent les colonnes dans l’une des tables du SAAM. L’image montre la situation dans laquelle Karma a appris plusieurs types d’entités. La partie de droite montre les suggestions pour “constituentid” et les objets.

Karma utilise le modèle «Conditional random field » (CRF), – un framework basé sur des calculs de probabilités utilisé pour l’étiquetage et la segmentation des données structurées-  pour apprendre l’affectation des types d’entités aux colonnes de données, suivant les spécifications données par l’utilisateur et pour suggérer automatiquement des types pour les colonnes de données non affectées. Lorsque le type d’entité désiré n’est pas dans les suggestions, l’utilisateur peut faire une recherche dans l’ontologie pour trouver le type approprié. Karma met à jour le CRF après chaque affectation manuelle.

2- Connecter les classes en spécifiant les relations entre les différents types d’entités :

Relier les classes est aussi un défi car il existe 229 propriétés d’objets dans l’ontologie.

figure3.png

Figure 3 :

Karma connecte automatiquement les types d’entités pour les colonnes tel que définit par les utilisateurs. Dans le premier écran, l’utilisateur affecte un type pour “consitutentid”. Dans le second écran, l’utilisateur affecte un type pour un lieu et Karma ajoute automatiquement au modèle la propriété associatedPlace pour connecter la nouvelle propriété SaamPlace à celle qui existe déjà SaamPerson. De la même façon lorsque l’utilisateur spécifie un type pour la colonne « ville », Karma ajoute automatiquement la propriété address. Chaque fois que l’utilisateur modélise le type d’une colonne, Karma le connecte au reste du modèle.

Une fois l’affectation des ontologies et des types terminée, Karma créé un graphe RDF qui définit l’espace de tous les mappages possibles entre les données et les ontologies. Les noeuds de ce graphe représentent les propritétés (les relations). Karma calcule alors l’arbre minimal qui connecte tous les types d’entités pour que ce soit le modèle le plus concis possible et qui tient en compte de toutes les colonnes des données source, ce qui représente un bon point de départ pour affiner le modèle.

Parfois plusieurs arbres minimaux sont générés mais la représentation correcte des données est définie par un arbre non-minimal. Dans ce cas, Karma permet à l’utilisateur, à travers l’interface, de sélectionner les relations qu’il souhaite voir dans son graphe et calcule un nouvel arbre minimal qui inclut les relations spécifiées par l’utilisateur.

Evaluation :

Les chercheurs ont évalué l’efficacité de Karma à modéliser 8 tables (29 colonnes) avec l’ontologie SAAM. Ils ont fait tourner l’algorithme une première fois, puis une seconde en utilisant les types sémantiques appris lors du 1er tour.

Alors même que le chercheur qui a effectué cette opération connaissait les propriétés et les classes à utiliser, lorsque Karma ne les suggérait pas, il a utilisé le moteur de recherche pour les trouver dans l’ontologie plutôt que de les saisir à la main. Cela a pris 18 minutes pour convertir toutes les tables en triplets RDF pour le premier tour et beaucoup moins de temps pour le second avec les suggestions automatiques. L’évaluation a montré que l’algorithme de Karma était très efficace pour affecter des relations entre classes : 85 % de taux de précision au tour 1 etet 91 % au second tour.

2/ Lier les données à des sources externes :

Une fois la structuration des données en RDF effectuée, l’étape suivante est de faire des liens à partir de ces données à d’autres repositories comme Dbpedia ou GeoName.

Dans les précédents travaux, les développeurs définissaient les règles pour le mappage. Et parce que c’est une tâche difficile, le nombre de liens était très modeste par rapport au total des données publiées. Or, les données RDF ne sont bénéfiques au SAAM et à la communauté que si elles sont liées à d’autres jeux de données utiles.

Les chercheurs se sont focalisés sur la connexion de la base SAAM artists à Dbpedia parce que ça ouvrait une porte à d’autres sources de données liées et permettait de faire des applications innovantes. Ils ont également relier SAAM artists au Getty List of Artist Names (ULAN ) et au jeu de données «artistes» du Rijksmuseum d’Amesterdam.

Le personnel du SAAM a manuellement verifié tous les liens proposés avant de les intégrer dans le jeu de données.

Pour faciliter le processus de vérification, les chercheurs ont mis au point des algorithmes très précis qui croisent les noms des personnes, y compris dans leurs variantes, avec leurs dates de naissance et de mort. Ce qui représentait un défi car les noms des personnes sont souvent enregistrés de façon différentes, beaucoup de personnes peuvent avoir un même nom et les dates de naissance et de mort sont parfois manquantes ou incorrectes.

L’approche repose sur un l’utilisation d’une méthode de mesure de similarité : la distance de Jaro-Winkler, utilisée dans la détection de doublons et particulièrement adaptée au traitement de chaînes courtes comme des noms ou des mots de passe.

Plus la mesure de Jaro-Winkler entre deux chaînes est proche de 1, plus elles sont similaires. Le résultat  est normalisé de façon à avoir une mesure entre 0 et 1, le zéro représentant l’absence de similarité.

Evaluation :

Pour évaluer leur algorithme, les chercheurs ont choisi un échantillon de 535 personnes dans la base de données du SAAM (ceux dont les noms commencent par A). Ils ont effectué une recherche manuelle dans Wikipedia en utilisant toutes les variantes des noms et ont vérifié la correspondance entre le texte de l’article et tous les champs du SAAM, incluant la biographie. Les 176 correspondances trouvées dans Dbpedia ont été utilisées comme échantillon d’évaluation, le perfect mapping qui leur a servit de référence.

La méthode d’évaluation a pris en compte les notions de rappel, de précision et le f-score.

Le rappel est le nombre de correspondances correctement trouvées divisé par le nombre de correspondances correctes du perfect mapping. Le taux de rappel sera élevé si le nombre de correspondances trouvées est proche du nombre de correspondances présentes dans le perfect mapping.

La précision est  le nombre de correspondances correctes divisé par le nombre de toutes les correspondances trouvées. Elle est élevée lorsque peu de correspondances inutiles sont proposées par le système. Ce dernier peut être donc considéré comme “précis”.

La f-mesure ou f-score est la pondération des deux mesures précédentes.

figure4.png

Figure 4  :

Les résultats de l’évaluation :  le F-score le plus élevé .96 a une précision de .99 et un rappel de .94 (166 résultats corrects et 1 résultat incorret). Plus le score de correspondance décroit, plus la précision en pâtit (plus de résultats incorrects), mais le rappel s’améliore (plus de liens identifés).

Les chercheurs ont lié l’ensemble du jeu de donnée en utilisant un score de correspondance de 0,9995. La perte de précision est relativement faible et l’étape de curation va permettre d’identifier aisément le petit nombre d’erreur et les corriger. Ce processus a permis d’identifier 2807 liens à Dbpedia, 1759 liens vers Getty ULAN et 321 liens vers Rijksmuseum.

3/ La curation des données liées :

Cette étape permet de s’assurer que les informations publiées et les liens faits vers d’autres sources de données dans le LOD sont précis.

Parce que la curation est un travail laborieux, cette étape a était largement ignorée dans les travaux précédents et le résultat est que, souvent, les liens sont imprécis, faux.

Le premier aspect de la curation de donnée est de s’assurer de la validité du RDF. Cela peut être fait par le personnel du musée mais nécessite de comprendre les relations entre le vocabulaire RDF et les bases de données sous-jacentes.

Karma aide le personnel du musée à comprendre schématiquement ces relations en montrant graphiquement comment les colonnes de la base de donnée sont transformées en classes et en propriétés dans l’ontologie (Figure 2 et 3 ). Le but des chercheurs est de permettre aux employés du SAAM d’utiliser seuls Karma pour affiner le mappage.

Karma permet à l’utilisateur de cliquer dans une cellule pour inspecter le RDF qui a été généré et de saisir les relations au niveau des données. Ces représentations graphiques permettent également au personnel du SAAM et aux chercheurs dans le domaine du web sémantique de communiquer effectivement lorsqu’ils affinent l’ontologie et le mappage des données.

Le second aspect du processus de curation est de s’assurer que les liens vers les sources externes sont corrects. Le système enregistre la provenance de chaque lien pour que les utilisateurs et les machines puissent les vérifier lorsque la source des données ou l’algorithme change. Les chercheurs utilisent PROV ontology pour représenter la provenance des données pour chaque lien incluant les révisions, les scores de correspondance, la date de création et les auteurs ( humains ou pas ) et les versions.

Les utilisateurs peuvent effectuer ces opérations à partir de l’interface de Karma qui leur permet de visualiser et d’éditer le RDF.

figure5.png

Figure 5 :

Chaque rangée représente un lien. La première cellule montre l’enregistrement du SAAM et la partie inférieure montre les liens vers les informations pour les sources externes. La colonne suivante montre la valeur de la donnée qui a été utilisée pour créer le lien et l’historique de toutes les révisions. La dernière colonne comporte des boutons qui vont permettre à l’utilisateur de reviser les liens et fournir des commentaires.

 Le personnel du SAAM a utilisé cette interface pour vérifier l’ensemble des 2807 liens vers Dbpedia pour 17 millions items de 1500 institutions culturelles.

 

Conclusion :

Dans ce travail, les chercheurs sont allés encore plus loin de ce qu’ils avaient prévus. Ils ont développé une approche qui permet le mappage de sources complexes (bases de données relationnelles et hiérachiques) dans des ontologies riches. Une approche qui a permis de sauvegarder toute la richesse des données originales. Grâce au système de correspondance qu’ils ont mis en place, ils ont réussi à lier plus de données que ce qu’il savaient prévus. L’outil de curation qu’ils ont mis en place permet à un expert du musée de réviser, valider ou rejeter un lien produit automatiquement.

 Les gains pour les musées  ?

Permettre l’accès à de l’information qui n’était pas accessible avant, publier les données du musées dans le web des données et fournir un outil permettant aux personnels des musées de faire ce travail eux-même, ce qui simplifie grandement le problème de la transformation des données brutes en RDF de bonne qualité.

 Les chercheurs planifient aussi d’explorer des nouvelles voies permettant d’utiliser le web des données liées et ouvertes pour créer des applications comme EveythingIs Connected qui ont beaucoup de potentiel pour les musées, les étudiants, les chercheurs mais aussi pour chacun.

Traduit de l’anglais par Monia Zergane

TEI et textes académiques

Présentation de la TEI

La TEI comme réponse à un besoin de standardisation des données textuelles

Le balisage de texte est né avec la technologie de texte. Et comme toutes les technologies rapidement popularisées, elle a subi, à ses prémisses, des variations personnelles et multiples. Et d’autres termes, au début du balisage de texte, chacun faisait comme il le souhaitait. Si cette méthode offrait une multiplicité d’idées qui ont sans doute fait émerger de nouveaux principes aujourd’hui utilisés, elle présentait un fort désavantage : des projets d’auteurs différents n’avaient aucune interopérabilité, car ils n’étaient pas découpés de la même façon. Alors, comment relier, classer, utiliser les textes digitaux ?

Corbis-42-17171153.jpg
Crédits de l’image : Colorblind

De cette question est née une nécessité d’un balisage générique, qui permettrait d’avoir une information accessible par tous, et surtout reconnaissable par la machine. La TEI, à l’origine un projet d’humanités numériques, a donc vu le jour en 1987, au cours d’un meeting au Vassar College de New York. Il s’agissait de mettre en place ses principes intellectuels pour la première fois. Depuis, la TEI a subi des évolutions régulières en fonction des besoins exprimés par ses utilisateurs.

Le but premier de la TEI n’est pas de donner un système de découpage strict des textes digitaux. C’est plutôt un ensemble de recommandations pour définir un format de texte qui permette l’échange de données et leur analyse. La TEI est indépendante du matériel comme des logiciels, rigoureuse dans sa définition des objets textuels, et compatible avec les standards qui ont existé avant elle.

La TEI comme un intermédiaire entre l’homme et la machine

Un document numérique n’est pas qu’une suite de caractères encodés. Il n’est pas non plus uniquement une séquence de formes lexicales. Un texte numérique a une structure et une signification, un contenu que l’auteur a voulu transmettre à l’autre. Il peut par conséquence avec plusieurs lectures différentes, être enrichi par des annotations, ou partagé à ses pairs. Le balisage et l’encodage d’un document en explicite la lecture. Si un texte brut est interprétable par l’homme, la machine en revanche ne pourra pas en traiter le sens.

La TEI vise à définir un ensemble de recommandations, de conseils et d’exemples qui servent à encoder un texte virtuel. En d’autres termes, elle sert à donner un sens interprétable par la machine comme pour l’homme, en passant par le balisage.

Corbis-42-63911973.jpg
Crédits de l’image : Emma Tunbridge 

L’un des plus gros bénéfices de l’application de ce balisage dans le cadre de la recherche a été mise en exergue par le projet de l’édition digitale des lettres de Van Gogh. L’application réalisée permet aux utilisateurs de chercher les lettres sur des critères de contenu : les personnes ou les scènes s’y trouvant. Sans la TEI, qui introduit un balisage précis des textes concernés, ce type de critères de recherche sophistiqué aurait été impossible à appliquer.

La TEI fournit dans ce cas une manière nouvelle de s’approprier les textes, et une nouvelle manière d’utiliser les capacités technologiques pour la lecture.

Les conditions d’un balisage TEI

Le balisage a été défini comme “n’importe quel moyen de rendre explicite l’interprétation d’un texte.” Il sert, en règle générale, à marquer des morceaux de texte pour leur donner un sens lors de leur lecture par la machine. Le nom explicite des balises utilisées dans la TEI donne un sens compréhensible par l’homme lors de la récupération des informations qu’elles contiennent.

Le seul élément obligatoire pour qu’un texte respecte la TEI, c’est le TEIHEader, suivi d’un texte, ou d’un groupe de texte.

Le rôle du header est de fournir les informations descriptive du texte pour créer un entête électronique. C’est un peu comme la couverture et la quatrième de couverture d’un livre, applicable à n’importe quel document numérique. En utilisant le découpage TEI, ces informations deviennent lisibles et interprétables à la fois pour l’homme et pour la machine.

Exemples de header TEI d’un document

Utiliser la TEI pour les textes académiques

Qu’est-ce qu’un texte digital académique ?

Un texte académique digital est une modélisation de données utilisables pour la recherche grâce au balisage. Le découpage TEI appliqué à ces textes sert à illustrer la compréhension qui est faite de ce texte. En règle générale, on considère que les textes académiques digitaux se basent sur des données issues des humanités numériques. Pour autant, il ne suffit pas de digitaliser un texte pour en faire un document d’humanités numériques, utilisable et utile pour la recherche.

Un des exemples de cette distinction est le projet Gutenberg, réalisé en 1971. Le but de ce projet était d’encourager la création et la distribution de eBooks. Cette notion de partage en fait d’ailleurs l’un des premiers projets collaboratifs digitaux. La digitalisation des textes a posé problème à cause de l’absence de garanties sur l’exactitude de ceux-ci. Sans source fiable et identifiée, ces textes numériques ne pouvaient pas être utilisés pour la recherche.

Pour qu’un texte numérique soit considéré comme utile à la recherche, il doit respecter trois critères :

– Offrir la données essentielle dont on a besoin, comme les informations bibliographiques.

– Décrire les décisions éditoriales et la méthode de travail

– Utiliser des technologies et programmes Open Source, pour ne pas devenir obsolètes et pouvoir être transformés en d’autres formats. Cela le rend ainsi accessible au plus grand nombre.

Corbis-42-52974962.jpg
Crédits de l’image : Colin Anderson

Pour qu’il soit utilisable dans le cadre des humanités numériques, il doit  également  :

– Déclarer explicitement la théorie éditorale ou l’interprétation qui est soutenue, comme elle a été exprimée dans l’écriture du texte.

– Démontrer ou activer des recherches qui n’auraient pas pu voir le jour autrement. Par exemple, en explorant des interrogations anciennes d’une nouvelle manière et en faisant naître de nouvelles questions.

– Interagir avec d’autres textes digitaux et écosystèmes digitaux, comme des infrastructures de recherches.

Ce qu’apporte la TEI à ces textes

La TEI est devenue très influente dans le domaine des textes de recherche car elle permet – et même exige – que les projets humains soient lisibles par la machine. Dans son processus d’explicitation de chacun de ses critères, la TEI permet l’échange et l’accessibilité de nombreuses connaissances académiques.

Les limites de la TEI

Comme tout processus d’encodage, la TEI a quelques inconvénients. En l’occurence, il s’agit plutôt de limites, dûes au facteur humain.

La limite de temps disponible

Lors de l’encodage d’un texte académique en TEI, tout ne peut pas être automatisé. Il existe sans doute des éditeurs automatiques de TEI, mais la plupart des informations doivent être remplies au préalable par la main humaine. C’est un processus de création particulièrement chronophage, considérant que l’encodage d’un document est assi important que le texte qu’il contient. Il ne faut rien laisser au hasard, et la TEI étant codifiée de manière plutôt précise, numériser un ensemble de textes est une tâche fastidieuse et très longue.

Corbis-42-17218303.jpg
Crédits de l’image : Fusion Pix

La limite du support

Les documents papier dont on se sert pour les recherches ont parfois des déchirures, des coupures, des tâches, des marques qui sont ancrées dans leur histoire. Ces éléments scannables visuellement sont plus difficiles à représenter en TEI. Il existe la possibilité d’attribuer des balises spécifiques qui mentionnent des corrections, des modifications, des ajouts ou des suppressions, mais le document en devient rapidement illisible par l’homme, et traitable uniquement par la machine. La TEI pour la recherche est donc plutôt réservée aux textes “propres” qu’aux documents historiques.

Les dataviz : une “révolution dans la méthode” ?

Billet rédigé par Dorian SEILLIER, à partir de l’article collectif de Stéfan Sinclair, Stan Ruecker et Milena Radzikowska : « Information Visualization for Humanities Scholars », MLA Commons.

 

hashtags-datavizL’intérêt des “dataviz” ou “data visualization” est suffisamment reconnu aujourd’hui dans le milieu entrepreneurial, dans le cadre notamment de l’Informatique décisionnelle (Business Intelligence en anglais) qui consiste en la collecte et consolidation de données d’une entreprise en vue d’offrir une aide à la décision et une meilleure vision d’ensemble de l’activité traitée. En effet, face à la croissance exponentielle du nombre de données produites par les entreprises à l’ère du Big Data, les visualisations de données assurent un gain de productivité en rendant celles-ci intelligibles, et donc utiles à la prise de décision. Mais qu’en est-il pour le milieu académique, et notamment dans le domaine des sciences humaines et sociales ? Les dataviz ont-elles le même potentiel quand il s’agit de projets de recherche ? C’est ce que tentent de démontrer les auteurs de l’article « Information Visualization for Humanities Scholars ».

 

La visualisation change la donn(é)e

On constate à l’heure actuelle un véritable engouement pour les visualisations de données dans le milieu universitaire : les dataviz sont présentes partout, que ce soit dans le domaine des sciences naturelles (biologie, météorologie) ou dans les sciences humaines et sociales (géographie, media studies, digital humanities). Comment définir ce qu’est une “dataviz” ? Si on se réfère à l’ouvrage collectif écrit par S. Card, J. Mackinlay et B. Schneiderman (1999), on peut l’appréhender comme “the use of computer-supported, interactive, visual representations of abstract data to amplify cognition“.  Autrement dit, les dataviz utilisent les moyens du numérique pour améliorer notre compréhension d’informations, de données, qui manqueraient d’intelligibilité à première vue. L’accent mis sur l’aspect interactif de ces visualisations est important, et il est repris par les auteurs de l’article dont il est question ici : l’interactivité permet d’élargir le champ d’exploration et d’interprétation des données, contrairement aux visualisations dites “statiques”, de type diagramme circulaire. Elle donne au chercheur la possibilité de faire évoluer sa visualisation, en ajoutant des données ou en décidant de restreindre l’échantillon pour avoir une vue plus précise d’un phénomène en particulier.

 

Visualisation du prix de l'immobilier à Paris en fonction des lignes de métro.
Visualisation du prix de l’immobilier à Paris en fonction des lignes de métro.

 

Si l’efficacité cognitive des dataviz dans le domaine des sciences dures est suffisamment avérée, en ce qu’elles font majoritairement usage de données quantitatives qui se prêtent facilement aux représentations visuelles, on peut être amené à se poser la question pour les SHS et les humanités en général. Les auteurs récusent cette idée. La différence d’un point de vue épistémologique entre les deux domaines favoriserait davantage le second concernant les possibilités de dataviz, car les sciences humaines et sociales ont ceci de spécifique qu’elles ne réduisent pas, ou du moins rarement, leur objet à une seule interprétation. Au contraire, la pluralité des mises en lumière, des hypothèses, des prismes d’étude, est une dimension essentielle des SHS, et de ce point de vue les dataviz constituent une ressource très riche pour l’exploration. Elles favorisent ainsi la sérendipité, en éclairant de manière nouvelle les données sous un angle auquel le chercheur n’avait peut-être pas encore pensé. Et ces visualisations ne concernent pas que les données chiffrées : les données textuelles, qualitatives, ont toute leur place dans ce processus.

 

Une autre vision des choses et des mots…

L’analyse textuelle peut en effet s’appuyer sur les outils numériques qui offrent de nouvelles méthodes exploratoires. Ceci est permis en grande partie par la numérisation croissante des documents : que ce soit à l’intérieur d’un même texte ou entre plusieurs textes que l’on souhaite comparer, les dataviz deviennent des alliées puissantes pour les chercheurs quand il devient impossible d’appliquer les techniques traditionnelles d’exploration automatique de grandes quantités de données pour extraire des “patterns”. Un outil comme TextArc propose une manière radicalement nouvelle de représenter une oeuvre littéraire : une galaxie de mots qui deviennent des astres et qui gravitent autour de ceux dont la fréquence est la plus importante dans le texte.

 

La double spirale sur le contour contient tous les mots de l'oeuvre de Lewis Caroll, Alice au pays des merveilles. L'intérieur est peuplé des mots les fréquemment employés.
La double spirale sur le contour contient tous les mots de l’oeuvre de Lewis Caroll, Alice au pays des merveilles. L’intérieur est peuplé des mots les plus fréquemment employés.

 

Ici, le contrat de lecture “classique”, traditionnel, est complètement bousculé.  Les méthodes de construction de la connaissance semblent connaître une quasi révolution dans laquelle les dataviz jouent un rôle de plus en plus important. Kant parlait de “révolution dans la méthode” pour souligner le changement d’ère qu’amenèrent les travaux de Copernic et qui fondèrent, pour le philosophe, la physique moderne, en ce qu’ils ont recentré l’acte de connaissance non plus sur l’objet, mais sur le sujet pensant. Le numérique et les outils qu’il propose sont-ils en passe de provoquer eux aussi une “révolution” dans l’élaboration du savoir ?  S’il ne va pas jusqu’à utiliser ce terme, B. Stiegler souligne en revanche la “rupture  épistémique et épistémologique” qu’a pu causer l’émergence du numérique. Le parallèle est proche.

 

… qu’il ne faut pas idéaliser

Les avantages de la dataviz pour la recherche universitaire sont nombreux. Ils le sont également pour la société civile, puisque celles qu’on peut trouver un peu partout sur le net placent l’usager lambda dans un rôle actif face au jeu de données qui lui sont offertes et qu’il peut explorer, manipuler à sa guise. Le chercheur et co-leader de la plateforme 4Humanities A. Liu parle même d’une “incursion constante” dans les bases de données pour souligner le changement d’expérience numérique chez les internautes d’aujourd’hui.

Néanmoins, cette affection récente pour les dataviz dans le milieu académique soulève plusieurs questions. Il y a d’abord le risque d’une certaine forme de réification de la donnée qui n’est pourtant qu’un matériau de l’esprit, une ressource abstraite, pensée et conçue par un individu (ou une institution). Il faut sortir du mythe de la donnée brute pour les dataviz qui sont forcément une manière de manipuler et d’interpréter un jeu de données. Elles résultent d’un choix a priori. Par ailleurs, les dataviz peuvent entrer en collision avec certains impératifs méthodologiques propres à la recherche universitaire. En effet, il peut y avoir conflit entre d’un côté le réalisme scientifique et de l’autre les exigences esthétiques d’une visualisation. La difficulté réside donc dans le maintien d’un bon équilibre entre rationalité scientifique, efficacité visuelle et accessibilité. Car les dataviz utilisent des méthodes empruntées à des branches comme la psychologie cognitive ou le design émotionnelle pour générer l’adhésion de l’utilisateur. Or, la démarche scientifique, y compris en SHS, repose en grande partie sur le raisonnement analytique. Si la liaison entre les deux semble possible, voire souhaitable, il serait illusoire de penser qu’elle va de soi. Enfin, c’est la question de la crédibilité du discours scientifique qui se pose à travers l’utilisation des dataviz, le risque étant de tomber dans ce que le monde de l’entreprise appelle les “data-stories” : les humanités n’existent pas pour faire du story-telling ; elles ont pour but d’éclairer notre perception des phénomènes sociaux et des oeuvres de l’esprit ; elles doivent contribuer à l’accroissement de nos connaissances, et non nous raconter des histoires. La puissance évocatrice des visualisations mise au service de la raison, de là dépend l’évolution future des humanités.

 

Pour aller plus loin :

Les sciences de l’information historique : l’apport des technologies sémantiques

Ce billet évoque de l’article “Semantic Technologies for Historical Research: A Survey” écrit par Meroño-Peñuela, A., van Erp, M., Breure, L., Scharnhorst, A., Schlobach, S., & van Harmelen, F. (submitted). Il a été publié en en 2012 dans IOS Press.

Les défis sémantiques dans les sciences de l’information historiques concernent principalement les problèmes de sources, de leurs relations, de l’analyse, de la présentation des données mais aussi de leurs visualisations.

Ainsi pour faire  face à ses défis sémantiques avec lesquels les sciences de l’information historique sont confrontées lors du traitement, du stockage et de la diffusion des données. Les technologies sémantiques  qui sont considérées un ensemble de technologies développé par le W3C (l’un des principaux organismes de normalisation du Web) visant à faciliter l’exploitation des données structurées, notamment en permettant leur interprétation par des machines tentent d’y apporter des solutions.

C’est dans cette perspective qu’on se demande qu’apportent les technologies du web dans la sémantisation des données en histoire? Quelles sont les technologies qui peuvent apporter des solutions aux défis sémantiques des sciences de l’information historiques?

Les outils technologiques du web sémantiques permettent de pallier au manque de connexions entre les données en histoire en les reliant les uns contre les autres par l’utilisation des langages normalisés et une bonne description des ressources.

Ces outils sont relatifs aux standards sémantiques du Web et aux modèles de données notamment le Cadre de description des ressources (RDF14), l’ontologie Web langue (OWL15) et le protocole SPARQL et RDF Query Language (SPARQL16).

Le tableau ci dessus montre les relations qui existent entre les outils sémantiques et les problèmes auxquels ils tentent de remédier. Comme  le manque de formalisation des données en histoire auquel les outils RDFS et OWL tentent de remédier par le biais d’un vocabulaire contrôlé.

img

D’abord RDF pour formaliser les données en histoire

Il s’agit de la Création de vocabulaires et ontologies  de contrôle pour l’information historique afin de résoudre le manque de formalisation (RDF). Cependant le premier problème rencontré lors de la tentative de modéliser des ensembles de données historiques en RDF est l’absence de vocabulaires contrôlés pour décrire des faits historiques. Bien que certaines ontologies ont été développés pour décrire des événements. Par ailleurs RDF est utilisé pour pallier les problèmes de rationalisation et de normalisation des données. En proposant des règles de descriptions notamment des triplets.

          Puis  il s’agit d’inférer  de la connaissance implicite au moyen d’ontologies (OWL).

 En effet, OWL peuvent être utilisés pour faciliter la découverte de la connaissance historique par  déduction, en utilisant des raisonneurs OWL. Il s’agit de supposer qu’un domaine particulier est complètement formalisé (tant que les capacités logiques OWL permettent aux utilisateurs de le faire), alors il est possible d’exécuter un raisonneur et de mettre en évidence des dérivés. Ces possibilités qui n’étaient pas présents dans le modèle original des informations (c’est à dire la connaissance qui était directement introduites par l’utilisateur comme entrée) et qui étaient jusque là de la connaissance implicite.

 Ensuite l’intégration des données comme un moyen de relier  les  données isolées. L’importance des données liées est que, en reliant les ensembles de données, les relations établies entre les nœuds  qui permettent l’enrichissement des informations. De cette façon la navigation sur les données ne sera plus une tâche isolée. Elle permettra aux utilisateurs (et machines) d’explorer les entités URI à travers leurs liens jacentes. De ce fait les données obtiennent de nouvelles significations, des contextes innombrables et des perspectives utiles pour les historiens.

Ainsi les résultats de requêtes SPARQL peuvent être personnalisés dans la structure (c’est à dire les variables qui sont retournés) et le format (texte brut, HTML, JSON, CSV, etc). Ce qui rend facile une prise direct à des outils de visualisation (un outil de consommer les données demandées).

L’interopérabilité des données et de nouvelles possibilités de recherche et de récupération.

Les efforts de recherche ont tendance à diviser les tâches de recherche en plusieurs équipes. Des groupes ou des projet  de recherche. Le processus de modélisation des données à travers plusieurs schémas de base de données  ne permet pas d’interroger les données de manière uniforme. Ainsi pour faire face à ce problème d’interopérabilité sémantique qui peut se produire en fonction du type de structure dans les données historiques. Les ensembles de données RDF faites à l’aide des vocabulaires contrôlés sont suffisamment interopérables pour permettre l’interrogation transversale des informations. Et ils peuvent être interrogés de manière uniforme tant qu’ils partagent le vocabulaire standard pour exposer des connaissances factuelles commun. Dés lors les Requêtes SPARQL peuvent  interroger ces paramètres de façon homogène, tant que l’utilisateur connaît les vocabulaires utilisés dans les graphiques distantes.

Enfin il y’a la flexibilité dans transformations de données (mises à jour non destructifs).

La solution à ce problème se trouve alors sur la construction et la sélection des requêtes SPARQL. Le première consiste à mettre en oeuvre de triplets RDF selon la graphique PATTERN fourni. Ce qui facilite les transformations de données sans modifier la cohérence des connaissances factuelles. Et le second permet de décrire une certaine selection de triplets et d’éliminer des données qui sont continues dans des formats indésirés.

En définitive, les technologies sémantiques sont adaptées pour resoudre les problemes de représentation et de connexion des données historiques, Ces objectifs de semantisations de l’information historique peuvent être atteints de manière appropriés en formalisant et liant les données à l’aide d’outils tels-que RDF et OWL.

Cela permettra aux algorithmes des ordinateurs de pouvoir extraire des entités à partir de sources historiques numériques et de transformer ces événements en triplets et en OWL, et  de les relier entre elles et avec d’autres ensembles de données externes.

 

 

Etude de cas : “The People of Medieval Scotland”

Le projet “The People of Medieval Scotland”, démarré en 2007 et mis en ligne depuis 2010, est le résultat de deux projets réalisés par The Arts and Humanities Research Council (AHRC) : “The Paradox of Medieval Scotland” et “The Breaking of Britain”.
Il s’agit d’une plateforme contenant une base données de toutes les personnes connues en Écosse entre 1093 et 1314 ainsi que de nombreux outils de visualisation permettant aux utilisateurs de mettre en relation ces données.

Le modèle “Factoid”

Capture d'écran de la base de données “The People of Medieval Scotland”
Capture d’écran de la base de données “The People of Medieval Scotland”

La base de données “The People of Medieval Scotland” regroupe des informations sur plus de 20 000 personnes, tirées de plus de 8600 documents médiévaux écrits entre la mort de Malcolm III, le 13 Novembre 1093 et ​​le parlement de Robert I à Cambuskenneth le 6 Novembre 1314.

Si les auteurs précisent que le corpus de documents n’offre qu’une vue limitée de la société écossaise (les personnes citées proviennent très souvent de la royauté, de la noblesse ou de l’ecclésiarchie), il s’agit toutefois d’une période trouble, débouchant sur la fin de la guerre avec l’Angleterre et surtout sur l’indépendance de l’Écosse. Ainsi, les documents composant la base de données accompagnent le processus de construction de l’Etat et leur nombre s’accroît dans le temps, soulignant le besoin d’administrer les échanges et les transactions dans le pays.

La base de données s’appuie sur des documents administratifs (chartes, déclarations, transactions…) entre deux entités ou groupes d’entités à propos d’un fait : transactions, alliances, remerciements, etc. Dans l’article “Factoid-based prosopography and computer ontologies : Towards an integrated approach”, John Bradley et Michele Pasin, deux auteurs du projet PoMS, parlent de “factoid” : une source primaire où quelque chose est dit sur une ou plusieurs personnes. Il s’agit de faire le lien entre une source, une personne et un fait en considérant toujours ces informations comme découlant de cette source. Les données sur une personne ne sont donc pas un récit sur ce que nous savons de la personne, mais une collection d’informations émanant de ce que les multiples (et parfois contradictoires) sources disent d’elle.

Exemple du modèle “factoid” à partir d’un texte de J.R Martindale, The Prosopography of the Later Roman Empire. Source : “ Factoid-based prosopography and computer ontologies : Towards an integrated approach” de Michele Pasin et John Bradley
Exemple du modèle “factoid” à partir d’un texte de J.R Martindale, The Prosopography of the Later Roman Empire.
Source : “ Factoid-based prosopography and computer ontologies : Towards an integrated approach” de Michele Pasin et John Bradley

Dans le projet PoMS, pour chaque “factoid”, nous retrouvons donc la source associée, les personnes et institutions concernées, leurs relations, leurs titres et fonctions ainsi que la transaction effectuée.

La base de données peut ainsi être utilisée comme une source d’information autonome, mais aussi comme moyen de refléter les interactions et les relations entre les gens comme cela est représenté dans les documents.

De nouvelles perspectives grâce aux outils de visualisation de données

Avec ces nombreuses sources sur plus de 20 000 personnes, la base de données PoMS met à disposition de ses utilisateurs une base de données extrêmement riche.

Cependant, la tâche pour l’utilisateur n’est pas forcément aisée : à moins de savoir ce qu’il souhaite obtenir, il est difficile, avec une telle quantité d’informations, de s’y retrouver, et encore moins de donner un sens à ces données. Par exemple, il est compliqué de déceler les liens entre les personnes ou les institutions, ou encore d’avoir une vision globale des échanges sur une période donnée sans se trouver en surcharge d’information.

Alors, comment mettre en avant ces connexions ? Comment cette richesse de données peut être comparée et corrélée en gardant une certaine cohérence ?

Afin de répondre à ces questions, Michele Pasin, architecte de l’information et chercheur en web sémantique, a développé le PoMS Labs. Cette section du site contient de nombreux outils permettant d’interagir avec les données pour faciliter l’analyse à travers des dimensions prédéfinies et mettre en évidence des éléments qui seraient autrement difficiles à détecter.

Voici la description de certains de ces outils.

  • Dynamic Connections Cloud
Capture d’écran de l’outil “Dynamic Connections Cloud”
Capture d’écran de l’outil “Dynamic Connections Cloud”

L’outil “Dynamic Connections Cloud” permet de construire une chaîne de connexion en naviguant progressivement de personne en personne grâce aux liens qui les unissent.

Pour chaque relation entre deux personnes ou institutions, nous pouvons voir les événements en commun (factoids) et leurs nombres.

  • Relationships explorer
Capture d’écran de l’outil “Relationships explorer”
Capture d’écran de l’outil “Relationships explorer”

L’outil “Relationships explorer”, utilise le Diagramme de Sankey, afin de comparer les différents rôles tenus par deux personnes dans le cadre de leurs faits communs.

Le réseau est composé de trois étapes qui se lisent de gauche à droite : la personne/institution A avec son rôle – l’événement qui relie la personne A avec la personne B – la personne/institution B.

Cela permet de mettre en évidence les relations qu’entretenaient les deux parties : si dans leurs échanges, l’une des deux personnes a souvent été témoin d’événements, cela ne signifie pas la même chose quant à la nature de leur relation que si cette personne avait été majoritairement bénéficiaire.

  • Browse people via their known active years
Capture d’écran de l’outil “Browse people via their known active years”
Capture d’écran de l’outil “Browse people via their known active years”

L’outil “Browse people via their known active years” permet de visualiser par un rendu HTML, le nombre d’années actives des personnes de la base de données. Il est possible de trier ces données par le nom et le prénom, mais surtout par le nombre d’années actives et par dates.

Cet outil de visualisation simple, permet par exemple de s’interroger sur le nombre d’années actives en période de guerre par rapport au nombre d’années actives en période de paix. Cela permet aussi découvrir que le nombre de personnes actives est plus important en fin de période (par exemple des années 1290 à 1300) qu’au début (1100-1110).

Une nouvelle manière d’interroger l’Histoire ?

“The People of Medieval Scotland”, grâce à son modèle “factoid” et à ses outils de visualisation, permet de questionner de manière innovante les données biographiques et historiques de cette période de l’Histoire de l’Écosse.

Il permet, à partir d’une quantité importante de données, de réaliser des analyses très fines et très précises en se concentrant à chaque fois, sur des points de vue et des enjeux différents.

Le projet, toujours actif, compte plus de 41 000 visiteurs uniques depuis 2012.

Reconstituer les dynamiques culturelles grâce au Web Sémantique

accueil okLe projet Sharing Ancient Wisdoms présente une collection de textes relatifs à l’ancienne tradition de la “littérature de sagesse” : les collections d’aphorismes et autres textes philosophiques et savants. L’ambitieux projet a pour but de mettre à disposition sur une même plateforme, un échantillon représentatif de cette littérature présente au Moyen Orient et en Europe. Comme l’explique les concepteurs dans la partie “about” du site, seulement une mince partie de l’ensemble des textes a été publiée sur le site, un focus particulier s’est porté vers cinq textes permettant de comprendre la circulation des idées entre Grec et Arabe.

Il s’agit d’un projet finançé par le réseau de recherche “The Humanities in the European Research Area”, et soutenu par trois institutions européennes : le King’s College de Londres, le Newman Institute à Uppsala, et l’Université de Vienne. Publié en 2013, il a nécessité trois ans de travail pour ses trois unités de recherche. Des apports documentaires sont toujours en cours. L’ensemble des contenus est disponible sous une Licence CC BY-NC-SA 3.0, il est donc possible d’adapter et remixer les contenus, sous une forme non-commercial tout en republiant son projet avec la même licence que Sharing Ancient Wisdoms.

folioscope

Ci-dessus, l’interface du folioscope.

Cartographier et mettre en réseau la Wisdoms literature

Dans un premier temps, les concepteurs se sont attachés à collecter et présenter les textes afin de faciliter leurs comparaisons. C’est grâce au developpement d’un lecteur de texte (le folioscope) qui permet de visualiser plusieurs textes dans la même page, de bénéficier d’un index des noms propres/lieux, et d’une multitude de fonction d’édition, que les comparaisons sont possibles. Cette interface est la principale porte d’entrée dans la découverte des contenus car elle permet d’être au plus près du texte. Technologiquement, ce qui fait l’intérêt du projet est son utilisation des protocoles et outils du web sémantique appliqués à l’analyse littéraire. Tout texte est alors extremement structuré (en XML TEI) et lié à d’autres textes et ressources (triplet RDF suivant les recommandations du Linked Open Data), les liaisons entre les items sont définies dans une ontologie détaillée (OWL), les identifiants des textes (URN) sont clairement normés grâce au protocole CTS. L’ensemble des technologies et méthodologies utilisées sont documentées dans l’onglet Methodology du site.

Un deuxième outil peut être utilisé pour naviguer dans les textes : le visualisateur de graph RDF, Relfinder. Cet outil rajoute un degré d’abstraction, ce qui permet de prendre de la distance par rapport au texte, mais on peut sérieusement questionner sa pertinence. Relfinder permet normalement de comprendre les liaisons entre les différents items (textes, personnes, lieux…). Le problème principal est que l’outil ne fonctionne pas avec un algorithme de spatialisation qui permettrait rapidement de naviguer et de révéler des liaisons entre items. Lorsque l’on lance une requête, les noeuds apparaissent en forme de spirale infini, et une fois la requête exécutée, les noeuds continuent de naviguer dans l’interface sans s’arrêter.

 Suivant les principes du Linked Open Data, des bases de données externes et préexistentes au projet ont été intégrées. C’est le cas par exemple de la base de données des lieux antiques :  Pléiades. Dans le corps des textes, des liens hypertextes relient les noms de villes à la carte de Pléiades, cette carte comprends par exemple que Byzance est devenu Constantinople, qui elle-même correspond maintenant à Istanbul.  On voit ici tout l’intérêt du web sémantique, chaque nouveau projet peut utiliser les contenus ou infrastructures de projets plus anciens, tout n’est pas à recommencer à chaque nouveau projets, et chaque élément peut être potentiellement lié à un autre, ce qui enrichit le “sens” de chaque item. On peut imaginer, qu’un nouveau projet prôche de Sharing Ancient Wisdoms réutilise ses contenus ou protocoles. Les concepteurs de ce nouveau projet pourraient par exemple interroger la base de sonnées de SAWS (via le endpoint SPARQL) afin de rapidement, trouver les informations pertinentes pour leur entreprise.

 

Entre close readings et distant readings

La pléthore d’outils disponibles permet d’imaginer des usages assez differents de la plateforme. Un chercheur en histoire ancienne peut seulement utiliser le folioscope et travailler sur les textes via cette interface. Un humaniste numérique, plus familier de la programmation, pourra aller interroger la base de données, extraire des contenus (via les feuilles de style XSLT) et par exemple, lier ses contenus avec son projet en cours. Les données de SAWS sont alors à la fois des textes interprétables (à étudier), et des informations traitables (réutilisables par des tiers, soumis à un nouvel éclairage grâce à leurs réutilisations). Le projet allie donc à la fois des utilisations de close readings, comme dans l’analyse littéraire “classique”, et des utilisations de distant readings grâce à la computation des textes et l’utilisation du web sémantique. On peut observer l’objet de près ou sa place dans un ensemble plus vaste. Le projet Sharing Ancient Wisdoms est alors intéressant car il force l’usager à ne pas seulement visualiser un texte mais également à naviguer entre les différentes facettes, les différentes “réalités” de ces textes. La seule visualisation des textes devient moins importantes que la confrontation et la navigation dans un paysage de données ( a datascape soit les différents jeux de données)

 

Reconstituer les dynamiques culturelles

Nous pouvons maintenant catégoriser les principaux enjeux du projet :

  • Collecter, comparer, cartographier les idées et opinions de la Wisdoms literature.
  • Comprendre la formation et transmission des idées à l’intérieur dans la société Grec et Arabe, et entre ses sociétés.
  • Explorer les dynamiques culturelles, l’héritage du monde ancien sur l’identité de notre monde contemporain.

Le projet est trop récent pour pouvoir rendre compte de son utilisation, mais plusieurs blogs permettent de collecter des retours-d’expériences.

 

The open Utopia : Un exemple d’édition sociale

photo1-150x150

Ce billet  évoque  de la version en ligne du livre de THOMAS MORE intilué « UTOPIA »

Ce livre a été publie en 1515 en latin chez l’éditeur Thierry Martens. Il a connu différentes éditions avant d’être mis en ligne à travers le site http://theopenutopia.org/

Ainsi ces différentes éditions qu’a connue le livre notamment l’édition originale de Louvain, 1516, édition de Paris, 1517, première édition de Bâle, mars 1518 et seconde édition de Bâle, nov. 1518  montre aussi en parallèle l’évolution des moyens de diffusion des savoirs. La première édition était sous forme de manuscrit. Cependant toutes ses éditions n’offraient pas une utilisation optimale du contenu dans la mesure où il n’y a pas de possibilités d’interagir sur le texte, l’utilisateur se contente uniquement de lire le contenu pour comprendre.C’est dans les soucis de combler ce vide marqué par une absence de communication sur le livre et d’enrichissement de contenu que la version en ligne est publiée.

Ainsi quels sont les avantages issus de  la mise en ligne du texte de l’Utopie de Thomas More ? En d’autres termes qu’apporte de nouveau « The open utopia » dans l’enrichissement et la diffusion de l’Utopie ?

The open utopia est tout d’abord un site web qui diffuse l’utopie de Thomas More. Il offre plusieurs fonctionnalités notamment une diversité de supports, un espace utilisateur, et un espace de multimédia.

Le premier aspect du site est la possibilité qui est offerte aux utilisateurs de pouvoir écrire sur le texte. C’est un aspect important puisqu’il permet aux utilisateurs d’apprécier des passages du texte d’y publier des articles et le modifier. En gros ils peuvent apporter leur contribution sur le contenu. Cependant l’inconvénient est que certaines personnes peuvent modifier des passages sans y mettre un contenu pertinent.

Puis l’autre possibilité est de pouvoir lire, télécharger le texte mais aussi de discuter sur certains thèmes. La lecture peut se faire de manière séquentiel l’utilisateur peut faire une recherche et choisir la partie qu’il veut lire. Dans ce même onglet du site l’utilisateur peut acheter le document et il n’a pas besoin de se rendre dans une librairie pour se le procurer. Donc ‘utilisateur est intégrée dans la mise en place du dispositif . Il est aussi possible de le télécharger sous plusieurs formats notamment un format TXT, EPUB et PDF. Cette diversité de format est un aspect important car il tient compte  toutes les utilisations que l’on peut en faire mais aussi des outils de lecture de documents ( ordinateur, Ipad et Iphone etc).

Discussion sur le livre : book social

C’est l’un des symboles du volet social du site dans la mesure où il offre aux utilisateurs la possibilité de pouvoir partager des points de vue sur le texte via différents médias. Soit par vidéo ou par audio. C’est un aspect important qui prouve le développement des technologies du web et il  permet de faciliter la rencontre entre les utilisateurs et le savoir. On peut en outre créer un club de lecture et  aussi invité des personnes à lire le texte. Cependant bien qu’il soit un aspect social qui permet de lire et d’effectuer des travaux collaboratifs sur le texte, le problème se trouve qu’il requiert un compte google ou un compte facebook pour accéder à ce service.

Ecrire sur le livre :create on Wikitopia

Comme Wikipedia, cette encyclopédie qui est alimenté par les utilisateurs, sur lequel les personnes publient et modifient des contenus.

Wikitopia est un aspect très important que propose le site « the open Utopia ». Il  permet  de décentraliser l’édition et de le rendre beaucoup plus démocratique. Il permet aux utilisateurs du site  de modifier et d’éditer des passages du texte. Autrement dit on peut créer son propre Wikitopia sur certaines parties voire chapitre  du texte. Cependant l’inconvénient est toujours le problème de la fiabilité des contenus publiés.

La médiathèque  dans « the open utopia »

Le site propose une fonctionnalité que l’on peut considérer une médiathèque dans la mesure les données sont présentées sous forme de multimédias.

Dans un premier temps on peut écouter tout le texte avec la possibilité de choisir la séquence souhaitée. (http://theopenutopia.org/listen/). C’est un aspect important qui témoigne une édition beaucoup plus social dans la mesure où il permet de toucher toutes les couches notamment les handicapés visuels et d’enrichir les possibilités de diffusion des connaissances.

Ensuite on peut regarder les photos de Thomas et les versions numérisées des anciens textes de l’utopie sous forme d’image. C’est un aspect qui permet de se rendre compte de l’évolution des moyens de diffusion et de productions des textes allant du support papier au support numérique. (http://theopenutopia.org/look/). Ainsi ces fonctionnalités sont obtenues  en utilisant HTML et des feuilles de style de type CSS.

Et en dernier le site offre aux utilisateurs la possiblité d’envoyer des liens qui enrichissent la médiathèque c’ext à dire proposer des images, des vidéos et des audios ayant en rapport avec l’utopie et avec Thomas More aussi.(http://theopenutopia.org/rethink/ )

En somme « the open Utopia » est la mise en ligne sous forme de site web l’utopie de Thomas More. Il offre des possibilités qui vont dans le sens d’enrichir le contenu, de communiquer autour du texte en plaçant l’utilisateur au cœur du dispositif. L’architecture de l’information  du site notamment l’organisation et la structuration des informations est faite pour répondre aux exigences du web 2.o où l’utilisateur est un maillon essentiel dans la création et diffusion des contenus.

Références bibliographiques      1)http://classiques.uqac.ca/classiques/More_thomas/l_utopie/utopie_Ed_fr_1842.pdf

2)http://www4b.ac-lille.fr/~scc/fichiers/p5/utopie_dossier.pdf

3)http://theopenutopia.org/

 

 

 

 

 

La recherche en Histoire sera ou ne sera pas (numérique)

Ce billet tente une bref compte-rendu des 2 premiers chapitres de l’ouvrage collectif Past present and future of historical science, par Onno Boonstra, Leen Breure et Peter Dorn (Amsterdam, 2004).

Déjà, quinze ans en arrière, “l’historien refusant d’utiliser un ordinateur dans ses recherches s’interdisait l’accès à un large champ d’investigations, et se voyait par là même discrédité”. Depuis, des progrès ont été fait en matière de démocratisation des technologies et usages informationnels, mais force est de constater que l’Histoire n’a pas réussi à prendre pleinement ce mouvement en marche.

C’est ce décalage, ce retard, qui pousse les auteurs à écrire cette analyse, en revenant sur la difficile pénétration des technologies et usages numériques au sein des environnements et équipes de recherche en Histoire.

Leur argumentaire se construit autour d’une démonstration empirique des liens entre Sciences de l’Information et Recherche en Histoire, à travers la mise en lumière de méthodologies communes. Ils théorisent ainsi autour du concept des Sciences de l’information historique, qui rassemblent les pratiques et outils documentaires les plus adaptés à la Recherche historique.

 

Sciences de l’Information et e-initiatives

Les Sciences de l’Information reposent sur “la méthodologie propre à la récolte, la manipulation, le stockage, la recherche, la classification et le transfert de l’information. Elles aspirent à rassembler des concepts et méthodes issues de multiples disciplines comme la bibliothéconomie, l’informatique et la communication.”
A ce titre, toutes les définitions concordent vers le postulat que l’information est plus de la donnée que du savoir, le savoir nécessitant l’intégration et la ré-interprétation par une personne de la prime information. On peut alors établir la continuité qui organise cette progression :

donnée   –>  information   –>   savoir 

On peut de la même manière définir synthétiquement les principes sous-tendant les initiatives numériques autour des sciences. Pour le Royaume-Uni, le terme e-Science est ainsi utilisé dans le cadre de “sciences se basant de manière croissante sur des collaborations distribuées permises par Internet, utilisant des volumes de données de l’ordre du Tera et s’appuyant sur des systèmes performants de visualisation de l’information”.

Les auteurs avancent qu’une approche réellement systématique de telles dynamiques nécessiterait un outil bien plus puissant que le World Wide Web, un environnement de travail qui dans son état actuel manque d’interopérabilité (en cause, des formats différents de bases de données, des logiciels propriétaires limités à certains formats, ou les connaissances en langages informatiques nécessaires pour tirer pleinement parti de cet écosystème).

La Grille pourrait être de fait être la technologie qui permettra cette utilisation à une échelle planétaire des ressources informationnelles et des capacités de calculs des centres de recherche mondiaux.
Cette infrastructure permettrait des échanges souples, sécurisés entre des groupes recomposables de personnes, organismes et ressources (Foster et Kesselman, 1999).
Une analogie est proposée à travers le réseau électrique qui permet l’usage d’une énergie accessible, normalisée, et ainsi presque oubliée – dans ses considérations infrastructurelles – par ses utilisateurs.

CQFD : Edité en 2004, l’ouvrage ne peut que logiquement faire l’impasse – bien malgré lui – sur la tendance actuelle de l’usage en expansion du Cloud, qui regroupe les caractéristiques citées précédemment : interopérabilité, simplicité d’usage, collaboration.

 

 

Le Cloud computing ou un réseau transparent et réduit à sa plus simple essence

 

Structures et groupes de réflexion

Depuis les années 80, la montée en puissance de l’informatique a lentement mais sûrement perverti une très large majorité de domaines scientifiques, bien que des éléments résistent encore de manière obtuse à ce bouleversement des usages et des mentalités. Pour autant, ces changements restent encore peu compris.

Certaines institutions cherchent ainsi à coordonner les efforts visant à généraliser et favoriser les réflexes organisationnels centrés sur les technologies numériques. Pour le cas du Royaume-Uni (le contexte principal de l’ouvrage), on peut citer the National Center for eSocial Sciences, qui vise à promouvoir le recours à ce type de technologies et méthodes, ainsi que the Arts and Humanities Data Service (AHDS), qui comprend :

  • The Office for Humanities Communication du King’s College à Londres, jouant un rôle de coordinateur et de préconisateur dans la diffusion de ces pratiques.
  • The Humanities Computing College à Oxford, avec plus un rôle de support auprès des projets de recherche, de par ses prérogatives de maintenance et de développement d’outils nécessaires à ces entreprises scientifiques. Lui-même s’appuie sur 3 structures :
    1. the Center for Humanities Computing
    2. the Oxford Text Archive
    3. the Humbul Humanities Hub

The Arts and Humanities Research Board cherche ainsi à approfondir la compréhension des méthodologies encadrant les équipes dans leurs démarches.

Enfin, on peut également considérer quelques revues traitant de ces thématiques, telles Computers and the Humanities, History and Computing ou encore Humanist.

 

Humanités numériques ou humanités informatisées?

En considérant les pratiques avantagées le plus naturellement par le numérique – l’archivage, la recherche, la diffusion et l’enrichissement des médias – il est compréhensible de se demander si ce changement drastique n’est pas la simple adaptation d’anciennes méthodes à un nouvel environnement (informatisé).

Leur qualité interdisciplinaire tend en effet à faire disparaître les frontières traditionnellement acceptées, rendant plus complexe les tentatives des universitaires pour les définir, les obligeant à repenser en profondeur le processus de la recherche.

 

Les Humanités numériques sont-elles une discipline académique ? (Rockwell, 1999)

Les Humanités numériques sont-elles une discipline académique ? (Rockwell, 1999)

 

Ce laborieux processus réflexif montre toute la difficulté pour l’aéropage collégial de convenir d’une définition, nécessaire à toute forme de normalisation de ces disciplines.

Mais en se basant sur les besoins exprimés par l’ensemble de cette communauté de spécialistes, on pourrait identifier rapidement les fondements même de cette révolution : l’optimisation des outils propres à la représentation et la manipulation des connaissances … et donc dans une dimension plus générale, la gestion de l’information (Hockey, 1999).

Le Département des Humanités informatisées de Bergen en Norvège tente ainsi de répondre à ces problématiques à travers le prisme de la méthodologie de recherche à l’heure numérique, en se focalisant sur 4 grands axes :

  • Les méthodes informatiques appliquées aux Humanités.
  • La recherche autour du multimédia et de l’hypermédia.
  • La réflexion sur les logiciels pédagogiques et le développement de pratiques de travail à distance à l’aide des réseaux.
  • L’approfondissement de la compréhension de la culture numérique émergente, à travers ses codes rhétoriques et esthétiques.

 

Exemple pratique de l’Histoire associée à l’Informatique

Afin de mieux faire appréhender l’importance de l’information dans ces initiatives, les auteurs se concentrent sur l’Histoire : pour eux c’est une Science de l’Information à part entière, de part son rôle d’informer le présent à propos du passé.

Ainsi, “les sciences de l’information historique intègrent à parts égales le domaine d’investigation historique, les méthodes des sciences sociales quantitatives et de recherche linguistique, l’informatique et les sciences de l’information centrées sur les sources, structures et communications dans l’Histoire” (McCrank, 2002).

Mais les Sciences de l’information historique ne pourraient être qu’une adaptation mathématisée de l’Histoire : il est de fait possible de suivre ces méthodes sans ordinateur (de telles considérations réduiraient considérablement le nombre de chômeurs, de part l’explosion de temps humain alors nécessaire) … dans la réalité, pour d’évidentes considérations de productivité et de coût, les technologies informatiques sont indispensables.

Pour autant, se restreindre aux seuls  besoins technologiques appauvrit considérablement la réflexion inhérente pour discerner clairement les nouvelles dynamiques professionnelles et compétencielles en jeu. En effet, pour sortir les chercheurs de leur posture de “moines copistes des temps modernes” (Doorn, 2000) – répétant laborieusement des opérations de numérisation, de recherche par facettes, d’indexation – il devient nécessaire de former une nouvelle génération d’historiens ayant des compétences en gestion de l’information et nouvelles technologies, à savoir la programmation, la gestion de bases de données, la production de contenus multimédia.

Cela permettra bien évidemment de leur faire gagner en productivité, mais sera surtout la manière la plus appropriée pour répondre aux nouvelles opportunités de recherche générées par la croissance continue du volume de sources numériques historiques.

Car les Sciences de l’information historique sont centrées sur les problématiques de la recherche en Histoire, leur cherchant des solutions génériques à l’aide des nouvelles technologies. Par “solutions génériques”, on comprendra des méthodes et outils pouvant être déclinés dans d’autres domaines de savoirs mais s’appuyant sur la même base technologique, logicielle ou programmationnelle.

Les Sciences de l’Information historique restent néanmoins confrontées à des problèmes propres à l’Histoire et sa tradition de recherches de sources fiables, stabilisées :

  • Problèmes informationnels de sources historiques (les sources ne sont pas assez prégnantes)
  • Problèmes informationnels de relations entre sources (des sources associées au même fait peuvent manquer de liens entre elles, voire être antinomiques)
  • Problèmes informationnels dans l’analyse historique (manque d’outils à même d’appréhender au mieux la dimension historique des sources)
  • Problèmes informationnels de représentation ou d’analyse des sources

 

Le renouveau du cycle de vie de l’information

Désormais, les scientifiques doivent traiter des quantités croissantes de données, et qui seront dans un futur proche principalement issues de documents nativement numériques. Ces impératifs amènent à repenser la gestion archivistique de l’information et ses 3 temporalités traditionnelles (archives courantes, intermédiaires, puis définitives).

Le cycle du document numérique est moins statique, en ce sens qu’il revient concrètement sur la définition même d’un cycle : la répétition infinie de différentes étapes ou temporalités (ici, afin de potentialiser l’usage, l’enrichissement et le stockage de l’information) :

 

Historical information life cycle_Boonstra_V2

Le cycle de l’information à l’ère du numérique

 

Ce nouveau cycle a de réels avantages pratiques, car il favorise :

  • la pérennité (les documents sont stockés sur des systèmes redondants et sécurisés)
  • l’utilisabilité – et donc l’efficience – grâce à l’ergonomie conditionnée par un accès facilité via des systèmes informatiques
  • la modélisation, à l’aide de méthodologies, outils et infrastructures généralistes mais adaptables selon le cas d’emploi

Ce revouveau général des outils et logiques organisationnelles offre à la recherche en Histoire une chance de transcender les problèmes qui ont de tout temps compliqué sa bonne marche, la gestion et l’accès aux archives. Ainsi, en se détachant des supports physiques, les historiens pourront se focaliser sur l’essence même de leur quête : l’information.

 

BOONSTRA O., BREURE, L., DORN P. . Past Present and Future of Historical science, Historical social research, Amsterdam, 2004URL http://www.ahc.ac.uk/docs/pastpresentfuture.pdf

 

Références citées

DOORN P. . The Old and the Beautiful. A soap opera about misunderstanding between Historians and Models, Moscow University Press, 2000.

FOSTER I., KESSELMANN C. . The Grid : Blueprint for a new computing infrastructure, Morgan Kauffmann, 1999.

HOCKEY S. . Is there a computer in this class? 1999. URL : http://www.iath.virginia.edu/hcs/hockey.html

MCCRANK L.J. . Historical information science. An emerging discipline, Information today, Medford, 2002.

ROCKWELL G. . Is Humanities computing an academic discipline? 1999. URL : http://www.iath.virginia.edu/hcs/rockwell.html

WIKIPEDIA. Le cycle de vie du document selon les principes archivistiques. URL : http://fr.wikipedia.org/wiki/Cycle_de_vie_(document)#Le_cycle_de_vie_du_document_selon_les_principes_archivistiques

“Contribution du design à la production des savoirs scientifiques”

Journée d’étude le jeudi 19 décembre 2013

Buckminster Fuller, Time magazine, 1964

“Dans l’esprit de Fuller, le designer compréhensif ne serait pas un spécialiste de plus, mais se tiendrait en dehors des laboratoires de la science et de l’industrie, traitant l’information qui y est produite, observant les technologies développées et convertissant l’ensemble en outils dédiés au bonheurs humain” (1)

Les outils de médiation de la journée d’étude sont disponibles ci-dessous :

 

En quoi les technologies du numérique permettent une nouvelle forme de fabrication/dissémination des résultats de la recherche ? L’intuition qui sous-tend cette journée d’étude est que le design, expression protéiforme, souvent détournée ou incomprise (le design : de la décoration, de l’ingénierie?) pourrait contribuer à l’utilisation d’outils numériques dans la démarche scientifique. Dès lors, dans quelle mesure les savoirs-être, méthodologies et outils du designer peuvent lui permettre de collaborer avec le chercheur, tant pendant le temps de la recherche, que pour la diffusion de cette recherche ? Tentons une contribution croisée du design, des sciences et de l’informatique afin de répondre à cette question.

Les invités de cette journée d’étude, designers, chercheurs et médiateurs tenteront de répondre à ces questions aux travers d’apports théoriques et présentations de projets.

La journée est co-organisée par le Master Architecture de l’Information, le Labo Junior Nhumérisme de l’ENS de Lyon et MutEC.

Programme de la journée
 
9h30 : Ouverture par les étudiants du Master Architecture de l’information et Cécile Armand du Labo Nhumérisme
 
10h00 : Mise en perspective historique de la collaboration designer/chercheur
Annick Lantenois, historienne et théoricienne du design graphique, ESAD Grenoble-Valence
 
11h00 : Présentation des ambitions et des projets de l’unité de recherche “Il n’y a pas de savoirs sans transmission. Contributions du design graphique”
Gilles Rouffineau, écrivain, ESAD Grenoble-Valence
Alexis Chazard, artiste, ESAD Grenoble-Valence
Annick Lantenois, historienne et théoricienne du design graphique, ESAD Grenoble-Valence
 
12h30 : Déjeuner à l’ENS de Lyon
 
14h00 : Du design en sciences & de la science dans le design
Aurélien Tabard, Université Lyon 1
 
14h45 : Présentation du projet AIME // Le design de l’information dans le projet scientifique du medialab
Paul Girard, ingénieur généraliste des technologies numériques, médialab de SciencePo
Pierre Jullian de la Fuente, ingénieur généraliste des technologies numériques, médialab de SciencePo
 
16h00 – 17h30 : Table ronde sur la relation designer/chercheur dans la visualisation de données
Animation et présentation :
Robin De Mourat, designer/doctorant, Université Rennes 2
Discutants :
Nicolas Thély, Université Rennes 2, professeur des universités en arts, esthétique et humanités numériques
Anthony Masure, designer/doctorant, Lycée Jacques Prévert, Boulogne (BTS Multimédia)
Paul Girard, ingénieur des technologies numériques au médialab de SciencePo
Pablo Jensen, physicien spécialiste des réseaux sociaux, ENS de Lyon, Directeur de l’IXXI
 
Les titres des présentations sont provisoires.
 
“Contribution du design à la production des savoirs scientifiques”
Date et horaires : le jeudi 19 décembre 2013 de 9h30 à 17h30
Lieu : Salle de réunion N°1 à l’Institut français de l’Éducation,
15 parvis René-Descartes
69007 Lyon
M° Debourg
 
Contact : camille.leblond@ens-lyon.fr
 
 

(1) Fred Turner, Aux sources de l’utopie numérique. De la contre-culture à la cyberculture, Stewart Brand, un homme d’influence, C&F éditions, 2012

Compte-rendu : Vers une édition sociale ?

Ce billet est un compte-rendu de l’article “Toward Modeling the Social Edition : An Approach to Understanding the Electronic Scholarly Edition in the Context of New and Emerging Social Media” publié en 2012 par Ray Siemens, Meagan Timney, Cara Leitch, Corina Koolen et Alex Garnett.

Cet article explore les possibilités qu’offrent les médias sociaux à l’édition savante en proposant une nouvelle typologie d’édition savante numérique, l’édition sociale.

Mutation de l’édition numérique à l’édition sociale

“Typographic Links” de Dan Collier

Alors que le texte a toujours été placé au centre des études littéraires, l’arrivée du web n’a fait que renforcer ce phénomène, au point que nous pouvons aujourd’hui commencer à construire une typologie de l’édition savante numérique à travers les différentes approches qui ont eu lieu autour du texte.

Les auteurs distinguent trois classes ayant construites l’édition numérique savante : le texte dynamique, l’édition hypertextuelle et l’édition dynamique.

Le texte dynamique

Le texte dynamique est l’un des premiers modèles à être nés du mouvement entre l’édition imprimée et l’édition numérique. Ce méthode permet une analyse textuelle assistée par un ordinateur en plus de l’interaction linéaire que nous connaissons habituellement. Cela consiste à encoder ou baliser un texte de manière précise afin de pouvoir l’interroger : quelle est la fréquence d’un terme dans un texte? Quelles évolutions le texte a-t-il connu? Quels sont les échanges qui ont eu lieu?

Dans « Ralentir : travaux », Almuth Grésillon constatait très justement : “[…] là où la forme du texte manifeste une structure finie et une version unique, consacrée par une édition canonique, l’avant-texte, par l’épaisseur des réécritures, se révèle radicalement incompatible avec une représentation textuelle à deux dimensions”(1). Le texte dynamique traite le texte comme une base de données qui permet au lecteur d’explorer des informations sur le texte, qui ne sont pas facilement accessibles dans une version imprimée, faute de temps.

L’édition hypertextuelle

La montée de l’hypertexte a permis d’apporter de nouvelles possibilités d’interaction avec le texte et a fait émerger ce que les auteurs appellent l’édition hypertextuelle. L’édition hypertextuelle encourage les lecteurs à utiliser les ressources complémentaires à un texte de manière immédiate et transparente via des liens hypertextes. Comme l’édition dynamique, les interactions proposées par l’hypertexte pourraient être réalisées avec une édition imprimée, cependant, elle est maintenant grandement facilitée tant par la disparition des contraintes physiques (économie de stockage des données) que par le gain de temps qu’elle apporte (instantanéité de l’accès). A travers l’édition hypertextuelle, le lecteur a accès immédiatement à une large gamme de ressources de tout type : texte, images, vidéos, sons, etc.

En naviguant de ressources en ressources, le lecteur gagne aussi en capacité d’analyse et d’esprit critique en obtenant une compréhension plus grande des enjeux que s’il n’avait eu que le texte d’origine devant les yeux.

L’édition dynamique

L’édition dynamique est apparue dans l’idée de réunir le texte dynamique et l’édition hypertextuelle afin que le lecteur puisse profiter à la fois d’une interaction dynamique avec le texte et des ressources connexes à ce dernier avec l’hypertexte qui permet de lier les différents matériaux.

A cela s’ajoute la volonté plus globale de représenter un texte dans un ensemble en constante évolution. Un article n’est plus seulement un texte isolé, c’est un texte faisant parti d’un ensemble se constituant d’autres textes, de discussions, d’échanges avec une communauté.

Une édition sociale?

Cependant, ces types d’éditions savantes numériques ne reflètent plus l’ensemble des possibilités qui s’offrent à nous aujourd’hui. Il est difficile actuellement d’ignorer l’influence du tournant social du web pour l’édition savante numérique : les médias sociaux apportent une quantité d’outils qui facilitent le partage, la collaboration et l’interopérabilité.

Ainsi, même si les chercheurs ont déjà intégré “naturellement” ces outils dans leurs vies de tous les jours et parfois dans leurs travaux, les auteurs de l’article souhaitent formaliser ces apports et proposer une boite à outils permettant de considérer l’édition sociale comme un prolongement plutôt que comme une rupture avec la tradition.

La boite à outils de l’édition sociale

Capture d’écran de Voyant Tools
Capture d’écran de Voyant Tools

L’annotation collaborative

L’annotation, habituellement produite par un éditeur devient, grâce aux nombreux outils existants et émergents, une annotation collaborative, permettant de faciliter la lecture et la rédaction de travaux, et de mettre en évidence des passages importants et discutables en ouvrant une discussion. La communauté entière peut réagir facilement et faire évoluer un texte. Si les auteurs de l’article citent les exemples de Diigo et de Digress.it, il existe aujourd’hui énormément de plateformes et d’applications d’annotations collaboratives : il s’agit souvent de fonctionnalités permettant de surligner ou de souligner un passage et d’apposer des commentaires en marge du texte, directement apparents ou bien sous forme d’onglets dépliables.

Le “user-derived Content”

Il s’agit de la construction collaborative des connaissances avec la création, la collecte et la gestion de contenus par l’utilisateur. Certaines initiatives de grande ampleur, telles que Commons de flickr, partagent régulièrement des photos d’archives publiques et proposent aux utilisateurs d’apporter leurs connaissances ou tout simplement leurs capacités d’observation pour enrichir la base de connaissance sur ces collections, comme cela a été le cas avec la Bibliothèque du Congrès.

La folksonomie

La folksonomie consiste en une classification collaborative et spontanée d’un contenu de la part des utilisateurs. Ces derniers ajoutent des métadonnées sous forme de tags ou de mots clés afin d’indexer un document numérique. De nombreux sites intègrent aujourd’hui cette fonctionnalité à commencer par Twitter, ou encore Delicious.

Les bibliographies communautaires

Ces outils permettent aux utilisateurs de collecter et cataloguer des références et des ressources. L’un des logiciels les plus populaires auprès des utilisateurs est Zotero, qui permet de récupérer, de stocker et d’annoter des références ainsi que de partager sa bibliothèque et d’utiliser facilement des citations de celle-ci.

Les outils d’analyse de texte

Ces outils permettent d’analyser un texte ou un corpus de texte de manière assistée par le logiciel. Par exemple, l’application Voyant permet d’uploader, sous différents formats, des textes (ou via un URL) et de les analyser en personnalisant son tableau de bord : la fréquence des mots dans un article, la fréquence dans le temps, etc. Ce tableau de bord peut être sauvegardé en générant un URL.

Une redéfinition des rôles ?

“Jean Miélot dans son scriptorium”, de Jean le Tavernier (XVe siècle)

Au delà des avantages incontestables que ces outils peuvent apporter aux chercheurs, ils mettent aussi en exergue un certain nombre de questions qui bouleversent les rapports entre les différents acteurs de l’édition savante.

La première est celle du texte en tant que tel : doit-il être vu davantage comme un processus que comme un produit fini? Les outils sociaux encouragent les contributions des lecteurs, ce qui pousse à la ré-actualisation et aux changements d’interprétation d’un texte :  cette logique de dynamique privilégie le processus de construction sur le résultat final. La connaissance se fait grâce à une communauté composée de lecteurs-acteurs et s’enrichit continuellement.

La seconde concerne davantage les rôles traditionnels des acteurs de l’édition savante : avec la place que prend le lecteur-acteur dans la construction d’un texte, quel rôle reste-t-il pour l’éditeur? Pour les auteurs de l’article, l’éditeur doit se défaire de son rôle d’autorité incontestable pour celui de “facilitateur” de la participation des lecteurs. Ce point de vue est à rapprocher de celui de François Gèze, PDG des éditions La Découverte, qui voit l’éditeur comme un passeur, dont le rôle serait indispensable face à une offre de plus en plus grande sur le web :

“Je reste convaincu que ce rôle de passeur, non seulement continuera à exister, mais deviendra de plus en plus important. Pourquoi? Parce que, il est beaucoup plus facile qu’auparavant de publier, notamment sur le web, d’où une offre finalement pléthorique de lecture, numérique ou imprimée, au sein de laquelle les lecteurs seront particulièrement attentifs à la qualité précisément du travail de passeur, de celui qui a publié. Cette qualité, c’est d’une part la rigueur dans le choix des textes et des auteurs publiés, et d’autre part, la qualité du travail de mise en forme de ces textes.” (2)

Pour ce dernier comme pour les auteurs de l’article, l’édition savante vit un tournant majeur avec le numérique : l’édition sociale n’est pas encore une typologie balisée et elle reste encore, en grande partie, à définir.

(1) Almuth Grésillon « Ralentir : travaux », Genesis, no 1, 1992, p. 9-31.

(2) “François Gèze : ‘L’éditeur continuera à jouer ce rôle de passeur’ “, Libération, 29/04/2013

Le projet Newton : entre recherche historique et édition électronique

Considérations historiques

Tout à la fois scientifique, philosophe et théologien, le britannique Isaac Newton (1643-1727) a été de ces hommes qui ont révolutionné notre manière de penser et nos technologies.

Ses plus grandes réussites ont sûrement été la démonstration de l’attraction et des trois lois universelles du mouvement. Newton a également identifié le phénomène de décomposition du spectre de la lumière à l’aide de prisme, a été en concurrence avec Gottfried Wilhelm Leibniz sur la découverte du calcul différentiel, a inventé un télescope dépourvu d’aberrations chromatiques … il fût un esprit extrêmement inventif et analytique, pourvu d’une très grande puissance de travail et curieux du monde en métamorphose (l’Europe des Lumières) dans lequel il vivait.

 

Et tout ce dont on se rappelle ...

Et tout ce dont on se rappelle …

Mais avant d’aboutir à ces résultats, Newton fût un temps considéré comme un étudiant médiocre de par son manque d’intérêt pour les références scientifiques du Trinity College de Cambridge. Ce n’est qu’en abordant la pensée scientifique rationnelle, à travers les travaux de Descartes notamment, qu’il commençât réellement à s’investir dans une réflexion approfondie (en témoigne son carnet de note catalogué en tant que Pierpont Morgan Notebook, tenu dès 1659.

Émigrant de Cambridge en 1665 pour échapper à l’épidémie de peste, il retournât dans sa région natale pendant 2 ans, période durant laquelle il parvint à faire la démonstration de la décomposition du spectre colorimétrique de la lumière et approfondit également ses connaissances en physique et mathématiques : le jeune chercheur a tout juste 22 ans. A son retour à Cambridge, il se fait alors remarquer par ses pairs, ainsi de Barrow qui écrit de lui en 1669, “Mr Newton, a fellow of our College, and very young … but of an extraordinary genius and proficiency in these things”.

Newton attendra pourtant 20 ans avant de publier son traité Opticks (écrit en 1685 … mais édité en 1704) sur sa théorie de la couleur et la nature corpusculaire de la lumière. Sa personnalité complexe, son penchant à éviter la notoriété publique le poussèrent ainsi régulièrement à cacher ses travaux, ce qui pût le desservir auprès de la communauté scientifique (Robert Hook l’a ainsi accusé de plagiat pour sa théorie de la lumière et de la gravitation universelle).

Sa plus grande oeuvre, Philosophiæ Naturalis Principia Mathematica, fût quand à elle publiée en 1685. Après le passage d’une comète en 1680-1681, il s’appuya sur la trajectoire elliptique identifiée, affina sa théorie, puis soumît ses travaux à l’astronome Edmund Halley (de ladite comète). Ce dernier poussera le chercheur à publier ses travaux – allant jusqu’à le financer – au vu de la rigueur de l’expérimentation menée et de la portée de ces théories. Seront ainsi présentés le principe de l’inertie, la proportionnalité des forces et des accélérations, l’égalité de l’action et de la réaction, et surtout la théorie de l’attraction universelle.

 

Les archives

A sa mort, Newton laisse une collection importante de notes, écrits non-publiés, correspondances (entre autre Christiaan Huygens, Edmund Halley) ou sources bibliographiques, touchant à la philosophie, la théologie, l’alchimie et bien sûr les sciences. Le lot sera dispersé et recomposé tout au long du 18ème  et du début du 19ème siècle, avant que la partie scientifique ne soit cédée à l’Université de Cambridge en 1827.

 

 The use of the table on a Ruler whereby to make a dyall for any latitude
(Isaac Newton, 1659)

Ce fonds est alors catalogué par John Couch Adams et George Stokes qui, s’appuyant sur la classification à l’oeuvre au 19ème siècle, scindent l’ensemble (en filtrant les éléments scientifiques) et perdent – involontairement – certains liens subtils entre des documents de nature et de sujets divers (l’alchimie et la théologie y prenant un part certaine).

Puis une vente du lot chez Sotheby’s New York en 1936 – l’économiste John Maynard Keynes s’y trouvant preneur d’un grand nombre de documents sur l’alchimie – amène J.C. Taylor (travaillant au sein de la maison d’enchères) à dresser le catalogue qui restera pendant 60 ans le plus utilisé parmi les spécialistes.

Actuellement, l’intégralité des sources originelles est dispersé sur une trentaine de sites au Royaume-Uni (Cambridge University Library et Trinity College Library à Cambridge) et aux Etats-Unis, bien qu’une partie des documents théologiques reposent à la Bibliothèque Nationale d’Israël à Jérusalem et que la Fondation Martin Bodmer à Genève détienne un traité religieux de 425 pages intitulé Of the Church.

 

 Le projet Newton 

Porté dès 1998 par l’éditeur en chef Rob Iliffe et le conservateur Scott Mandelbrote, le projet Newton apporte désormais une nouvelle dimension, une nouvelle promesse d’universalité à l’oeuvre de Isaac Newton. En nous offrant la possibilité d’accéder – beaucoup simplement, efficacement et exhaustivement – à la quasi-intégralité du témoignage documentaire de son travail, il paraît désormais évident de porter un nouveau regard sur cet ensemble.

Proposer une version électronique des traces manuscrites et des éditions officielles de ses oeuvres, tel est le but de ce projet qui associe archivistes, documentalistes, iconographes, traducteurs, webmasters et spécialistes des métadonnées autour d’une volonté commune de pérennisation de l’oeuvre de ce personnage clé de notre Histoire.

 

 

2 versions : texte original manuscrit et réédition diplomatique imprimée

 

Mais il ne s’agit pas simplement de fournir des documents textuels numériques reproduisant linéairement et passivement l’intégralité de sources papier. Plutôt de proposer des fichiers offrant une déconstruction systématique, hiérarchisée et exhaustive, des documents initiaux, en s’appuyant sur la structure normalisée et optimisée du schéma RDF – et donc de l’arborisation XML – stabilisée et diffusée par l’organisation du Text Encoding Initiative.

Les différents acteurs du projet ont également veillé à fournir deux versions de leurs fichiers électroniques :

Version diplomatique : contient une retranscription extrêmement fidèle (pas de modernisation des termes) et exhaustive du document original, intégrant les annotations, les ratures, les éléments rayés, toute information propre à identifier les interventions opérées tout au long de l’histoire du document (par l’auteur ou tout conservateur ou éditeur)

Version normalisée : contient une version simplifiée de la version diplomatique (les termes mal écrits sont corrigés mais les indications annexes sont toujours accessibles)

Les porteurs du projet nous permettent donc de découvrir les travaux de Newton de différentes façons : lecture classique sur une liseuse des versions normalisées ; recours aux versions diplomatiques pour une démarche éditoriale ou une considération d’ordre historique ; intégration des versions XML dans une base de donnée afin de mettre en place une étude plus statistique … de nombreuses options sont envisageables.

Le format numérique permet ainsi d’ouvrir au plus grand nombre ce fonds, tout en envisageant une multitude de possibilités quand au manière de l’appréhender.

 

L’apport du web sémantique comme nouveau prisme ?

Le projet Newton accumule désormais près de 6 millions de mots numérisés. Fort heureusement il repose sur des bases solides, de par son choix du XML comme garant de la pérennité de ces éditions électroniques : sa structuration extensive à l’aide de balises, s’appuyant sur des attributs normalisés, assure un maximum d’interopérabilité pour les métadonnées et les informations ainsi conditionnées.

Grâce à cette interopérabilité, il est crédible d’envisager un recoupement dynamique avec d’autres fonds électroniques ou bases de données connexes, pour concevoir de nouveaux angles d’étude sur l’Historiographie et l’Histoire scientifique, le mouvement des Lumières, ou la société britannique au 17ème et 18ème siècle …

En effet, la redocumentarisation (Salaün, 2010) opérée à travers ce projet s’inscrit dans une volonté de réinvestissement des archives sous le prisme du “Linked data”, une dynamique poussant les acteurs du Web à ouvrir leurs bases de données et les rendre interopérables afin de démultiplier les opportunités de recherche (plus de bases, donc plus de données, donc plus de caractéristiques potentielles et associations possibles).

Hébergé sur les serveurs du University of Oxford Text Archive, le Projet Newton pourrait ainsi profiter des autres fonds également hébergés, structurés et normalisés à l’aide de technologies et formats compatibles (OTA abrite entre autre les versions électroniques des oeuvres de William Shakespeare, John Milton ou Daniel Defoe).

Il sera peut-être possible de retrouver certains détails, oubliés au cours de l’Histoire, concernant Newton et sa démarche, ses méthodes, ses principaux collègues et mentors, sa jeunesse … nous souhaitons au projet et à ses prochains développements toute la réussite possible.

 

Merci à Gotlib pour l’illustration de Newton

Références

Référence n°1
TORRES Ricardo, Zero gravity – The Lighter side of Science. URL : http://www.aps.org/publications/apsnews/200908/zerogravity.cfm

Référence n°2
MS Add (Pierpont Note Book). 3996, Cambridge University Library, Cambridge, UK. URL : http://www.newtonproject.sussex.ac.uk/view/texts/normalized/THEM00092

Référence n°3
Newton’s Life and Work at a Glance, The Newton Project. URL : http://www.newtonproject.sussex.ac.uk/prism.php?id=15

Référence n°3bis
Isaac Newton’s Personal Life, The Newton Project. URL : http://www.newtonproject.sussex.ac.uk/prism.php?id=40

Référence n°4
Isaac Newton, Wikipedia. URL : http://en.wikipedia.org/wiki/Isaac_Newton 

Référence n°5
The Sotheby Sale of Isaac Newton’s Papers in 1936, The Newton Project. URL :  http://www.newtonproject.sussex.ac.uk/prism.php?id=23

Référence n°6
DRISCOLL M.J., Electronic Textual Editing: Levels of transcription, Text Encoding Initiative. URL : http://www.tei-c.org/About/Archive_new/ETE/Preview/driscoll.xml (consulté le 08 novembre 2013)

Référence n°7
SALAÜN Jean-Michel, La redocumentarisation, un défi pour les sciences de l’information, Études de communication [En ligne], 30 | 2007, mis en ligne le 01 octobre 2009. URL : http://edc.revues.org/428 (consulté le 08 novembre 2013)

Référence n°8
Catalogue, University of Oxford Text Archive, UK. URL : http://ota.ahds.ac.uk/catalogue/index.html  (consulté le 08 novembre 2013)

Sommes-nous tous devenus des nerdy-navigators ?

Compte-rendu de l’article de Susan Schreibman, “Computer-Mediated Texts and Textuality : Theory and Practice. Computers and the Humanities”. In Computers and the Humanities 36: 283–293.  Kluwer Academic Publishers. 2002. Texte accessible en ligne ici.

Alors qu’une enquête sur les compétences des chercheurs en humanités numériques devrait bientôt tirer ses conclusions, il est aujourd’hui opportun de se questionner sur les profils qu’endosse tour à tour le chercheur/usager des technologies numériques, ainsi que sur les possibles apports de l’architecture de l’information dans son entreprise. Depuis l’analyse de méthodes de modélisation de textes grâce à l’ordinateur personnel, Susan Schreibman tire quelques enseignements pertinents sur l’évolution de la littératie informationnelle. Après avoir éclairci chaque méthode dont parle Schreibman, je tenterai de la mettre en relation avec l’évolution des compétences du chercheur.

Susan Schreibman démarre son exposé par un constat : la plupart des projets de recherche en humanities computing qui ont comme objet d’étude la littérature, utilise la forme de la bibliothèque numérique pour rendre compte de leurs travaux, sans voir dans le médium numérique un formidable outil pour l’interprétation. Schreibman souhaiterait poursuivre ses recherches dans ce sens et concrétiser l’idée de “monographie numérique”, un véritable essai augmenté par la lecture à l’écran. Ce premier constat de la chercheure a quand même plus de dix ans, il serait d’ailleurs intéressant d’analyser si ce sentiment est encore de nos jours vérifié ou non…

Theodor H.Nelson (1937), sans titre, 1965. Tiré du livre,  Images de pensée, de Nicole Marchand-Zanartu et Marie-Haude Caraës. Postface de Jean Lauxerois. Editions de la Réunion des musées nationaux, 2011.

Dépasser le codex :  entendre le numérique ?

L’arrivée de l’ordinateur personnel et l’augmentation de la numérisation de textes ont amené les concepteurs d’outils de lecture, bibliothécaires et informaticiens a abandonner la forme classique du codex pour la création de large collections d’informations textuelles et non-textuelles (images, graphiques, puis plus tard, sons et vidéos). Le texte devient donc multiple et hétérogène d’où la nécessité de trouver un langage de représentation structuré et universel. La plasticité du média numérique permet une fluidité de lecture et de circulation des textes de plus en plus rapide, certains voudraient même que l’on ne parle plus de livre mais seulement de lecture…L’invention de l’hypertexte (Tel Nelson, 1965) amène à une navigation par rebonds successifs, une lecture délinéarisée. Schreibman rappelle dans son texte que le post-structuralisme (Barthes et Foucault en particulier) avait déjà identifié cette posture du lecteur face à un texte, et que les applications de l’hypertexte en littérature en sont un renouvellement.

Ainsi on ne lit plus seulement un seul texte à la fois mais une multitude, ce qui favorise une attitude de buttinage, l’expérience n’est plus celle d’un récit continu mais d’une navigation dans un espace. À la suite de Lev Manovich (d’après Michel de Certeau) on pourrait dire que le chercheur/concepteur du texte numérique définit des “stratégies” de lecture (dictées par la composition du texte, les choix graphiques, la place de tel ou tel lien hypertexte…) et que le lecteur obéit à ses “tactiques” propres, avec les aléas des arrêts de lectures et détournements d’usages. Sur cette question de l’usage, il est frappant de voir à quel point le texte de Susan Schreibman ne prend pas en compte les motivations des usagers. Et pour cause, en 2002, à l’époque où écrit la chercheure, le web social, dynamique et collaboratif n’existe pas encore (le web 2.0 n’arrive réellement qu’en 2005). La relation concepteur/usager du web est alors encore très verticale et hiérarchique.

Dans ce cas le chercheur/concepteur en digital humanities est bien un médiateur d’information, celui qui fixe et oriente la lecture, qui définit le contexte de publication et tente d’imaginer un lecteur potentiel de son travail. Des compétences pas si loin de celle de l’architecte de l’information établissant les connexions cohérentes entre contexte, contenu et usager d’un dispositif numérique.

Chrétien Frédérique Guillaume Roth, Essai d’une distribution généalogique des sciences et des arts principaux, d’après Didedot et d’Alembert, Encyclopédie, 1780.

Monter brique par brique l’architecture.

Schreibman détaille ensuite l’importance qu’a eu le modèle de représentation OHCO (Ordered hierarchy of content objects) pour l’organisation de collections de textes. L’OHCO est une méthodologie centrée sur les structures qui suit les recommandations de la Texte Encoding Initiative (TEI).

Dans cette méthode le texte est dit  :

1. Réel : ses propriétés sont indépendantes de notre intérêt et de nos théories,

2. Abstrait : il existe indépendament de sa fixation sur un support,

3. Intentionel : il est le produit d’actes mentaux,

4. Hiérarchique : organisé en sommaire, chapitres, sous-chapitres, note de bas de page…

5. Linguistique : formé de mots et lettres.

La TEI est le produit de l’usage des technologies numériques pour la recherche en littérature, son fonctionnement induit un système de balisage facilitant une bonne structuration des informations, approprié pour pour créer de grandes archives textuelles, ainsi qu’une facilité à traiter des données massives. Le modèle OHCO reste encore de nos jours le modèle dominant pour la modélisation de textes numériques.

Ici le chercheur est en position de programmeur, ou plutôt d’encoder-assembler dit Schreibman (p292). Il est le garant de la bonne structuration des données, de l’accès aux textes, et de de la qualité de leur composition interne. Des compétences techniques également assumées par les architectes de l’information.

Capture d’écran de l’utilitaire “Time Machine” d’Apple qui permet de gérer les sauvegardes de fichiers dans le temps.

Archiver, comparer, reconstruire le passé.

En 1998, apparait un nouveau langage dérivé du SGML et de l’HTML :  l’Extensible Markup Langage (XML). L’XML fournit des améliorations en terme de présentation et de partage de documents textuels, Schreibman y voit également un intérêt particulier pour les chercheurs en littérature : le fait de pouvoir appliquer dans l’environnement numérique des théories classiques de l’analyse littéraire comme la théorie de la réception, et le versioning.

La théorie de la réception permet de replacer le lecteur au centre de l’analyse, de ne pas privilégier un point de vue (celui de l’éditeur ou du biographe) dans la présentation des textes. Le traitement informatique en XML devient plus précis, le chercheur peut alors reconfigurer le fil de la réception de l’oeuvre dans le temps. Le numérique ici amène à reconstruire les discours passés, les controverses, les interprétations d’un texte et nous les délivrent dans un espace à cet usage. L’archivage des textes devient également plus simple, différentes versions d’un même texte peuvent être analysées. L’utilisation de l’XML permet ainsi de comparer les textes pour formuler sa propre hypothèse de l’histoire de la construction d’une oeuvre littéraire. Grâce à l’XML et au progès de l’édition électronique le médium numérique peut enfin être utilisé pour l’interprétation de texte en littérature.

Dans cette pratique, le chercheur revêt les apparats du conservateur/bibliothécaire. Il a à sa charge la sélection de textes pertinents à analyser en corrélation avec une hypothèse de recherche. Il peut décider de mettre de côté certains textes, ce qui aura une incidence sur son analyse. Il est également le gestionnaire des collections de textes.

Data-center-and-us01 Superposition de deux captures d’écran de l’application Ipad, Energy Flow. L’intérieur d’un data center et la ligne de fuite des données. Image de Loup Cellard. 

Sommes-nous tous devenus des nerdy-navigators ?

La masse des textes que l’on peut maintenant manipuler ainsi que la compréhension que l’on peut en avoir, reconfigure de façon conséquente notre rapport à la lecture. Il s’agit d’une problématique importante pour l’avenir de l’éducation et la circulation de la connaissance. Pour finir, j’ai traduit ci-dessous une citation de Kathryn Sutherland présente dans le texte, qui résume de façon brillante la situation du chercheur usager des technologies numériques :

“Y’a t’il un danger réel à ce que le chercheur, travaillant depuis des années dans les régions éloignées des rayons de bibliothèques dans l’espoir de devenir expert dans un petit domaine, soit transformé par l’ordinateur en technicien, en explorateur-geek [nerdy-navigator] capable de localiser, transférer et s’approprier une masse inimaginable d’informations de plus en plus rapidement, informations qu’il/elle ne comprend et ne désire pas forcement ?”

Cette citation de 1997 résonne encore de façon très juste. Schreibman ne croyait pas encore à l’avènement de cette explorateur-geek, mais à l’heure des big data, de Google Books et de la surcharge informationnelle, chaque internaute n’est il pas un nerdy-navigator en puissance ?

 

 

Mapping Texts

Fruit de la collaboration entre la North Texas University et la Stanford University, le projet Mapping Texts, développé par Andrew J. Torget et Jon Christensen, est un outil d’interrogation et de recherches, portant sur un corpus composés de journaux numérisés. Et c’est une information de première importance : Mapping Texts n’est pas un projet de numérisation mais une interface permettant le traitement de données numérisées par ailleurs.

En l’occurrence, il s’agit d’une vaste collection de journaux texans, sortis des presses entre 1829 et 2008 (232.500 pages au total), et numérisés dans le cadre du Chronicling America project, un programme de numérisation de journaux, lancé par la Library of Congress et le National Endowment for the Humanities. Ces journaux sont accessibles depuis le Portal to Texas History de la North Texas University, à côté d’autres ressources intéressant l’histoire du Texas (photographies, livres d’école, cartes anciennes, journaux).


Présentation générale

Le projet est né d’une volonté de proposer des méthodes de travail efficaces, pour faire face au considérable amoncellement des ressources numériques, fruit des programmes de numérisation massive lancés aux USA depuis plusieurs années. Il n’est donc pas surprenant que Mapping Texts se consacre à la presse papier puisqu’elle représente l’une des plus grandes richesses documentaires américaines pour l’étude des 250 dernières années. Il faut dire qu’à partir du milieu du 19e s., chaque communauté ou à peu près, produisait son propre journal. Toutefois, en dépit de cette grande richesse, la presse papier est la ressource la moins exploitée, du fait même de sa surabondance.

Pour ce faire, Mapping Texts permet une lecture distante du corpus. Un procédé de consultation qui permet d’y repérer certains types de phénomènes lexicaux, sans qu’il soit besoin de passer en revue le détail des ressources pour y repérer les expressions ou schémas linguistiques souhaités. Le chercheur peut ainsi identifier les sous-collections intéressées par son étude, et poursuivre plus avant, en consulter un fonds d’archives par exemple, ses recherches. C’est également une manière de savoir si telle ou telle section du corpus général vaut la peine d’être étudiée, compte tenu la problématique de départ.

Dans la pratique, l’interface en ligne propose quatre paramètres de recherche / critères d’appréciation des résultats retournés :
la quantité : compte le nombre de mots disponibles pour une publication (ou un ensemble de publications) et une période données.
la qualité : compte le nombre de mots correctement numérisés (c’est-à-dire lisibles donc exploitables) au regard du nombre total de mots scannés par OCR.
l’espace : donne l’origine géographique des publications retournées. Trois échelles sont disponibles : maison d’édition, ville, état.
le temps : une timeline ajustable jalonne les interfaces du projet, qui permet d’observer des phénomènes sur des périodes données (comprises entre 1829 et 2008).

La variation de chacun de ces quatre critères rend possible une exploration aussi bien quantitative que qualitative du corpus. Dans la pratique, les outils proposés permettent de voir si, pour une période, un lieu donnés, les numérisations des publications disponibles sont de suffisamment bonne qualité que pour être digne d’intérêt.

Enfin, les porteurs du projet étant clairement orienté travail collaboratif et open source, il n’est pas surprenant de constater qu’ils tiennent à la disposition de chacun aussi bien leurs données (fichiers contenant les résultats des outils de traitement linguistique utilisés : Word counts, named entity recognition, Topic models) que les codes sources des outils de visualisation interactifs.

« Assessing Digitization Quality »

C’est à partir de cette première interface qu’il est possible de visualiser aussi bien la quantité d’information disponible, que la qualité de cette même quantité d’information (mots reconnaissables / bruit). De cette façon, il est facile d’identifier le volume et la fiabilité de l’information disponible quelles que soient la période (comprise entre 1829 et 2008) et la zone du Texas visée.

Fig. 1 : L’interface de visualisation quantitative (détail).

Elle se compose de trois champs principaux que l’utilisateur est libre de calibrer comme il l’entend, et qui correspondent chacun à un type de données.
La timeline (en haut à droite) est le premier niveau de commande de cette visualisation. Elle présente deux échelles et superpose deux courbes, correspondant au nombre total de mots disponibles et au nombre de mots reconnus.
Après quelques manipulations, ce premier outil permet notamment d’observer que les périodes 1883-1911 (Âge d’or) et 1925-1942 (Grande crise) surreprésentent la période couverte (1829-2008). Ce qui ne veut pas pour autant dire qu’il y avait plus de journaux à ces deux époques qu’aux autres. Cela signifie simplement qu’il existe davantage de ressources numérisées sur ces deux périodes, particulièrement déterminantes pour l’histoire des Etats-Unis – deux périodes largement étudiées et pour lesquelles il est plus facile de monter des programmes de financement de la recherche. À titre d’exemple, le programme Chronicling America’s 2007 a permis le financement d’une campagne de numérisation portant sur la période 1880-1910.

Le deuxième espace de visualisation est la carte, où chaque ville du Texas est représentée par un cercle, dont la taille et la couleur sont variables. Une Detail Box précise, pour chaque ville, le taux (en %) de texte exploitable, et donne la liste des publications disponibles. Il suffit de cliquer sur le nom d’un journal pour accéder à l’archive en ligne et basculer ainsi d’une lecture distante à une lecture suivie.
Remarquons au passage que les villes les plus riches en ressources (Houston : 185 535 043 mots et Fort Worth : 137 267 081 mots) ne sont pas celles qui affichent les taux les plus élevés. Ainsi, Houston et Fort Worth, respectivement 185 535 043 et 137 267 081 mots, culminent à 66% et 72 % de mots exploitables. En revanche, des villes aux corpus plus modestes – Palestine, 30 693 323 mots et Canadian, 9 139 987 – offre des scores plus intéressants : 86 et 85 % – ce qui, du reste, ne doit pas nous étonner.

Enfin, une seconde timeline indique, en bas de l’écran, les principales dates et recense les faits marquants.


« Assessing Language Patterns
 »

La deuxième interface de visualisation, qualitative celle-ci, permet l’identification des phénomènes lexicaux – les language patterns – que l’on cherche à observer (c’est d’ailleurs celle des deux interfaces dont la manipulation est la plus lourde).

Fig. 2 : L’interface de visualisation qualitative (détail).

L’espace de la page est lui aussi composé de plusieurs champs, tous interactifs. La frise et la carte permettent de déterminer dans le temps et l’espace le corpus souhaité. Les résultats obtenus sont alors de trois trois natures, et correspondent chacun à ce que les responsables du projet considèrent comme les trois indicateurs plébiscités par les chercheurs :
Word Count : c’est le classement des mots par nombre d’occurrences pour le corpus choisi (temps et lieu). Les mots dits « stop-words » sont laissés de côté.
Name entity counts : correspond au classement des noms propres (personnes, lieux, etc.) par nombre d’occurrence pour le corpus choisi.
Topic models : cet indicateur (le plus intéressant mais aussi le plus discutable), produit des rassemblements thématiques à partir des mots contenus dans le corpus. À chaque thème correspond une liste de 100 mots qui entretiennent des relations statistiques fortes.

Fig. 3 : Les trois indicateurs de l’interface de visualisation qualitative.

 

Si Mapping Texts dissimule derrière une interface utilisateur plutôt simple et relativement fonctionnelle des traitements complexes et volumineux, le projet pose surtout la question de l’obsolescence de ce type d’outils, technologiquement très avancés. Des outils qui ne voient le jour qu’à la faveur d’un modèle économique organisé en financement de projet, et dont l’utilisation, parce qu’ils sont accessibles en ligne uniquement, dépend des possibilités (et de la volonté) de maintenance et de mise à jour du site. Des outils aussi pointus que fragiles, donc, parce que bientôt voués à n’être plus exploitables ?

 

Jacqueline Hamesse, “Le modèle scolastique de la lecture”, 1995

Dans un chapitre de l’Histoire de la lecture dans le monde occidental [1] Jacqueline Hamesse présente le « modèle scolastique de la lecture », qu’elle-même considère comme une nouvelle manière de pratiquer la lecture, à l’époque scolastique.
De la scolastique

 L’appellation « scolastique » recouvre plusieurs réalités. Elle désigne une période historique, comprise généralement entre les 12e et 15e s., entre le Haut Moyen-âge et la Renaissance, au cours de laquelle se développe un enseignement caractéristique où la théologie chrétienne est relue à la lumière des philosophes grecs (Aristote en particulier).  Cette nouvelle forme d’enseignement accompagne la création de nouveaux lieux d’enseignement : la lecture sort des monastères où elle était uniquement pratiquée jusqu’au haut Moyen-âge, pour devenir un outil pédagogique mis à profit dans les nouveaux lieux d’apprentissage que sont les écoles et les universités.
À cette occasion, les manières de lire connaissent de profonds changements. La lecture devient un acte en soi, conscient et utile, qui renouvèle l’abord du livre et plus généralement du texte.


De la sagesse vers le savoir

En même temps que l’on subdivise les textes en sections et paragraphes, qu’on leur associe tables et index, de façon à favoriser une consultation rapide et ciblée, la lecture cesse d’être un continuum et devient une navigation. Ce sont ainsi deux manières d’aborder le texte qui se font concurrence : la rumination et la lectura.
La première se pratique dans l’enceinte du monastère et dans le recueillement de la médiation. C’est une lecture lente de la Sacra Scriptura, régulière, en profondeur, personnelle. La seconde, qui consiste en un procédé d’exposition et d’explication de textes tout à fait spécifique, est le propre de l’enseignement scolastique. Elle est pratiquée collectivement et organisée au sein des programmes d’enseignement. C’est le rapport au texte et la construction du savoir qui s’en trouvent bouleversés : la lecture méditative cède le pas à la lecture commentée, à la glose. Le chemin vers la sagesse se transforme en quête du savoir. Une quête qui s’accompagne inévitablement du développement de nouveaux outils.

 

Les quatre points cardinaux du modèle scolastique

La manière d’élaborer la matière de l’enseignement représente le premier enjeu de cette nouvelle forme d’apprentissage. Compte tenu du renouvellement des travaux et des méthodes de travail, il est nécessaire de commencer par repenser le rapport à la source, aux textes d’origine, et de créer en conséquence une palette d’outils de nature à en fonder le point de vue. Premièrement. Deuxièmement, il faut remédier à la surabondance des textes de référence qu’il n’est pas possible de tous lire : imaginer de nouvelles modalités d’accès aux contenus des textes devient une priorité.
De la connaissance des sources dépend la troisième pierre angulaire du modèle scolastique : recourir aux Auctoritates. C’est le principe hérité de la rhétorique classique (chez Cicéron notamment) qui consiste à s’exprimer sous le patronage des auteurs de la tradition, de ceux qui font autorité, en puisant dans leurs écrits les références et citations qui émailleront le discours produit. La citation des Anciens, d’une fiabilité empirique, fait office de caution et garantit la qualité du discours.
Enfin, quatrième et dernièrement, la multiplication du nombre d’étudiants qui fréquentent les universités accroît le besoin de livres : il s’agit de rendre le savoir accessible au plus grand nombre et à moindre coût.

« Les instruments du travail intellectuel »

 Ainsi, le 12e s. voit se généraliser un enseignement d’un genre nouveau, puisque collectif et construit sur un socle commun de références et de savoirs, qu’il s’agit de mettre entre les mains de tout le monde, sans pour autant contraindre personne à les lire in extenso.

À enseignement moderne, matériel pédagogique nouveau : l’époque scolastique se caractérise par la création et la diffusion de florilèges, véritables recueils de citations, compilations de passages célèbres ou importants, extraits de l’œuvre d’un auteur. Ces contenus ciblés sont censés permettre de faire le tour d’une œuvre ou d’un auteur sans s’obliger à tout lire ou tout connaître.
Aux florilèges, il faut ajouter les index et tables de concordances, qui, volumes indépendants ou en annexes d’ouvrages, permettent un accès choisi à l’information. De la même manière, de nombreux manuels d’introduction à la pensée de tel ou tel auteur voient le jour. Cette intense activité éditoriale se fixe pour ambition d’offrir aux apprenants la quintessence de la connaissance disponible, en les dispensant de toute forme de lecture exhaustive. C’est que subissant l’influence de la philosophie aristotélicienne, l’enseignement scolastique fait la part belle à la dialectique et à l’art de raisonner (disputare). De ce fait, les étudiants qui s’exercent à la gymnastique phrastique, doivent consacrer leur temps d’étude à apprendre par cœur citations et arguments de manière à disposer d’une palette d’outils et ressources rhétoriques à toute épreuve.
Du reste, les florilèges sont prisés des ordres religieux, qui y voient une manière d’éviter les erreurs d’interprétation en gardant d’un bout à l’autre la main sur le contenu diffusé. De cette façon, les passages peu clairs et de nature à se prêter à des interprétations ambigües ou non conformes à la doctrine chrétienne sont passés sous silence.

 

Le modèle renaissant

Toutefois, les limites d’une telle pédagogie sont relativement évidents.  Conçus dans un but documentaire, ces manuels en viennent à remplacer les œuvres originales, qui ne sont plus guère étudiées. Les étudiants n’ont ainsi que des contacts distants et biaisés avec les travaux d’un auteur. Des travaux qui leur sont présentés de façon médiée et donc décontextualisée. La matière même de l’enseignement tend à s’appauvrir et à se simplifier…

La Renaissance, enfin, renouvèle les modalités de la connaissance et de l’apprentissage, préconisant ainsi la suppression des intermédiaires au profit d’un retour aux sources. De ce fait, le rapport aux auctoritates change, de même que le rapport à la lecture. L’idéal renaissant privilégie en effet le développement d’une pensée personnelle et créative. Les florilèges existent toujours, mais ils deviennent des carnets de notes, d’un usage personnel, où sont consignés les remarques et commentaires que suscite la lecture et l’étude.
Guillaume Rouvière


[1] Jacqueline Hamesse, « Le modèle scolastique de la lecture », in Roger Chartier & Guglielmo Cavallo (dir.), Histoire de la lecture dans le monde occidental, Paris, 1995, pp. 125-145.

Roberto Busa, « The Annals of Humanities Computing : the Index Thomisticus », 1980

Dans un article publié en 1980 dans la revue Computer in Humanities [1], Roberto Busa revient, 6 ans après la parution du premier volume de son grand œuvre, sur l’histoire d’un projet d’envergure : l’Index thomisticus. L’occasion pour ce pionner de la linguistique computationnelle de revenir sur trente ans de pratique et de partager les fruits de sa réflexion.


De la métaphysique de la présence à l’Index Thomisticus

Entré dans la Compagnie de Jésus à l’âge de 20 ans, R. Busa soutint treize ans plus tard (en 1946) une thèse sur la métaphysique de la présence chez St Thomas d’Aquin. Son premier travail fut de repérer dans les tables et index, les occurrences des termes praesens et praesentia, contenues dans l’œuvre du philosophe et théologien. Des termes dont il réalisa qu’ils n’intéressaient qu’indirectement ses recherches, la doctrine de la présence chez Thomas d’Aquin étant principalement exprimée par les usages de la préposition in. L’extrême fréquence du terme le dispense de recensement par les concordances imprimées. En effet, les concordances traditionnelles, du type de celles qui existent depuis le Moyen-âge pour la Bible latine, ne répertorient que les mots dits « signifiants » (verbes, noms, adjectifs, adverbes). R. Busa se lance donc lui-même dans le travail de recension et rédige pas moins de 10 000 fiches à la main.
Ce fastidieux travail suscita une double prise de conscience. L’idée, d’une part, que tout essai d’interprétation de la doctrine d’un auteur/penseur doit être précédé d’un travail lexicographique de nature à identifier les particularités de son « système verbal ». D’autre part, que les connecteurs logiques (prépositions, conjonctions) sont d’une importance fondamentale puisqu’ils manifestent « la logique profonde de l’être, qui commande les structures de bases de l’esprit humain. »

Fort de ces nouvelles convictions, Busa comprit que les recherches philologiques nécessitaient d’étendre le champ des concordances jusqu’à proposer un répertoire de tous les mots.
L’idée de l’Index thomisticus est née.


« Had to look for some kind of machinery. » 

L’immensité de la tâche imposait le recours à une machine. R. Busa fut en effet l’un des premiers à comprendre que les nouveaux outils utilisés pour manier des chiffres et faire des statistiques à des fins scientifiques, guerrières ou commerciales pouvaient également servir la culture et les humanités.

À ce titre, l’index thomasien est la première concordance intégrale effectuée à partir de l’œuvre d’un auteur et réalisée grâce à l’informatique. Et l’on se fera une idée du caractère gigantesque de l’entreprise en considérant les 10,5 millions de mots que compte le corpus.
La méthode développée par R. Busa est classique :
– transcrire sur des fiches chaque phrases du corpus
– créer autant de fiches qu’il y a de mots dans ladite phrase
– lemmatiser chaque mot et renseigner la phrase complète qui l’emploie
– classer l’ensemble par lemme, trier alphabétiquement et dresser des tables de valence.

 La parution des volumes d’index commence en 1974 pour s’achever en 1980, avec la sortie du 56ème volume imprimé. Depuis 2005, l’index est disponible en ligne.


Les débuts de l’informatique appliquée à la linguistique : des cartes perforées aux bandes magnétiques

On est au début des années 50 : tout ce qui touche de près ou de loin à l’informatique, concerne de près ou de loin la société IBM. Roberto Busa s’adresse donc à Thomas J. Watson, son président et fondateur, convaincu que le système de cartes perforées exploité par la firme serait la solution à son problème. Inspiré du principe du piano mécanique et de celui des métiers à tisser Jacquard, l’outil consiste en des fiches cartonnées, perforées à certains endroits, permettant toutes sortes d’opérations mécaniques de tri et de comptage. En étroite collaboration avec les ingénieurs d’IBM, R. Busa travaille à l’adaptation de ce dispositif à sa problématique. Ses recherches aboutissent et permettent à R. Busa de présenter, dès 1951, de présenter en 1951 un premier index réalisé au moyen de cartes perforées [2].

Trois ans plus tard, apprenant l’existence du système des bandes magnétiques mis au point par la Remington Rand, R. Busa comprit que cette invention allait permettre d’accélérer et d’optimiser la fabrication de la concordance. L’essentiel du travail se ferait désormais par ce qu’on appellerait un jour l’ordinateur.
En même temps que l’Index thomisticus, il mit en chantier de nombreux projets, dont plusieurs travaux sur des textes en diverses langues, y compris le grec ancien, le russe, l’araméen et l’hébreu. En 1958, il publie une édition assistée par ordinateur des manuscrits de la Mer morte.


Quelques citations remarquables

L’œuvre de Roberto Busa permet de dégager plusieurs caractéristiques importantes de ce qu’on appelle aujourd’hui les Digital humanities. À ce titre, il est frappant de constater combien, trente ans après la publication de cet article, les propos de R. Busa restent d’une cruciale actualité. Et certains de ses propos résonnent aujourd’hui comme autant de mots d’ordre ou de mises en garde pour qui souhaite se lancer dans un projet d’humanités numériques.

« Research with books or on a computar terminal should not yet be considered alternative but rather complementary. »
Voici en germe, aussi bien la manière épistémologique de fonder une problématique en Humanités numériques, que la nécessaire constitution d’une équipe pluri-disciplinaire, associant humanistes et informaticiens.

« It would not be reasonable to use the computer just to obtain the same results as before, having the same qualities as before, but more rapidly and with less human effort.»
En d’autres termes, l’informatisation de la recherche en sciences humaines vise non pas à limiter les efforts de l’homme, mais à l’approfondissement et à l’amélioration qualitative des résultats de la recherche.

« Using computers will therefore lead us to a more profound and systematic knowledge of human expression ; in principle, it can help us to be more humanistic than before .»
L’informatique est et doit rester un outil. Un outil qui ne peut se substituer ni à l’intelligence humaine, ni à l’implication d’un personnel hautement qualifié. Mais un outil dont la manipulation, pour atteindre les objectifs escomptés, nécessite une connaissance approfondie de la problématique étudiée et de sa discipline de référence. C’est parce qu’il était un remarquable philologue que R. Busa a pu, à moindre frais compte tenu l’époque et l’ampleur de la tâche qu’il s’était assignée, mener à bien ses innombrables projets. En ce sens, le recours à la machine ne lui a épargné ni peine, ni travail mais l’a au contraire obligé à pousser plus loin ses analyses lexicales, à développer ses compétences de latiniste, à affiner son art en somme.

Guillaume Rouvière


[1] Roberto Busa, « The Annals of Humanities Computing: the Index thomisticus », in Computers and the Humanities 14 (1980), p. 83-90.

[2] Roberto Busa, S. Thomae Aquinatis Hymnorum Ritualium : Varia Specimina Concordantiarum : A First Example of a Word Index Automatically Compiled and Printed by IBM Punched Card Machines, 1951.