Décrire, transcrire et diffuser un corpus documentaire hétérogène : méthodes, formats, outils

Dans le cadre du projet CORPUS, inscrit au plan quadriennal de la recherche 2016-2019 de la Bibliothèque nationale de France, un atelier  intitulé « Décrire, transcrire et diffuser un corpus documentaire hétérogène : méthodes, formats, outils » a eu lieu le 16 octobre matin sur le site François Mitterrand. Organisé dans une logique de partage d’expertise, de création de synergies entre les institutions patrimoniales et le milieu de la recherche, il avait pour objectif de mener une réflexion commune sur les méthodes de description et de transcription de documents, les pratiques d’organisation et de stockage des données, les possibilités d’interrogation, et la publication des données et des résultats de la recherche.

La matinée s’est articulée autour de deux tables rondes correspondant aux deux principales phases d’un projet de recherche (analyse et valorisation) et a été rythmée par six séries de questions émises majoritairement par l’équipe de recherche du GRIPIC, laboratoire travaillant sur le programme de recherche GIRANIUM , ou Girardin numérisé, naissance des industries culturelles qui a pour objectif de mieux comprendre l’apparition des premières industries culturelles et médiatiques en France à travers le prisme d’une personnalité emblématique du journalisme français du XIXème siècle : Émile de Girardin (1806-1881). L’équipe GIRANIUM, qui accompagnera la BnF en 2018 sur le projet CORPUS, s’intéresse à plusieurs milliers de lettres qui constituent une partie de la correspondance de Girardin conservée à la Bibliothèque de l’Institut de France, qu’elle souhaite confronter avec plusieurs documents (notamment des titres de presse) conservés au département Droit, Économie et Politique de la BnF. Face à l’activité « massive » de Girardin et à un corpus aussi conséquent qu’hétérogène (en termes de typologie de documents, de supports, d’indexation, de formats, de traitement, de métadonnées et de droits associés), est évoquée l’idée d’un véritable vertige qui a donné lieu au premier débat, avec la question suivante :

« Comment fait-on pour garder la main sur son matériau et ne pas se perdre dans la masse et/ou dans la complexité des objets étudiés ? »

La première démarche de l’équipe GIRANIUM a consisté à travailler sur la correspondance de Girardin en adoptant une méthode de transcription-numérisation. Une matinée par semaine, les dix chercheurs se réunissent pour saisir/transcrire et photographier/numériser les lettres en constituant une base de données avec métadonnées associées. Toutefois la gestion de la richesse des liens, en l’occurrence des entités nommées à la fois présentes dans le corpus de la correspondance et dans le corpus documentaire de presse demeure problématique.

Aller à la rencontre d’autres projets, créer des synergies avec d’autres équipes ou institutions peut être une réponse à cette difficulté de gestion de la masse. Un effort de standardisation sommé à une réflexion sur l’interopérabilité pourrait faire dialoguer les corpus et mutualiser les outils d’analyse, au-delà des clivages entre disciplines et sujets de recherches.

La BnF de son côté est également confrontée à des masses de données. L’ensemble des données bibliographiques, c’est-à-dire les données qui décrivent les ouvrages conservés à la Bibliothèque, représentent plusieurs millions de notices qui posent une question d’hétérogénéité due aux différentes strates de catalogage cumulées au fil du temps et aux différentes sources de données.

S’est posée enfin la question de savoir si la masse documentaire envisagée pouvait relever du « big data ». Ni le volume des données explorées par le projet Giranium ni celui des données conservées par la Bibliothèque nationale de France ne semblent rentrer au sens strict dans les critères de volume, vitesse, véracité, visibilité, valeur adoptés pour définir les mégadonnées ou « big data »1 ; toutefois un autre critère peut contribuer à une définition plus vaste : celui de la pénibilité ou de l’impossibilité d’appliquer des traitements manuels.

« Quelle architecture de données permet le mieux de gérer cette complexité ? »

Figure 1 Modèles d’inclusion des métadonnées dans Standards et outils XML – Pierre-Yves Bluard, Pôle Document Numérique (MRSH Caen), École d’été « Autour de la bibliothèque du Mont Saint-Michel » (Avranches, 2016), 2016, URL : <http://www.biblissima-condorcet.fr/fr/standards-outils-xml>, consulté le 16 novembre 2017

L’illustration montre les modèles les plus répandus d’interaction entre métadonnées et données. Derrière ces différents modèles d’organisation peuvent être imaginés différents formats et techniques de description.

  • Selon le schéma 1, dit externe, les interactions entre les métadonnées et les données se font par des liens. Les métadonnées sont donc séparées des données mais liées grâce à des identifiants. Un exemple de cette organisation est le catalogue de la BnF qui se lie à Gallica grâce aux identifiants ARK.
  • Selon le schéma 2, dit encapsulé, les métadonnées sont à l’intérieur d’un document mais dans une zone particulière du document : par exemple l’en-tête dans le cas d’un document HTML.
  • Selon le schéma 3, dit englobant, les métadonnées englobent le document ; les données documentaires sont donc encapsulées dans la notice descriptive. Un exemple de ce modèle est une table des matières intégrée dans une notice de catalogue de bibliothèque.
  • Selon le schéma 4, données et métadonnées sont mélangées et interagissent de manière très proche. Un exemple de ce modèle est un document encodé en XML/ TEI2.

Chaque projet de recherche est différent en termes de ressources humaines, de financement, de durée, d’objectifs scientifiques et de compétences. Pour opérer un choix d’organisation des données il convient de placer le curseur à l’endroit qui facilite, pour le chercheur la constitution des données, et pour l’ingénieur de recherche leur récupération. Pour un projet court, aux moyens limités, l’utilisation de technologies simples (par ex. un document Word stylé) peut être préférable au choix d’une ingénierie lourde (type TEI), coûteuse en termes de financements. Dans le 2e cas, une mutualisation de la réflexion mais aussi des moyens financiers entre plusieurs équipes ou projets de recherche peut représenter une solution.

Le premier schéma se prête facilement au développement de dynamiques convergentes. En séparant au maximum les données des métadonnées, en suivant des standards, en convergeant sur vocabulaires et entités nommées, en attribuant et en utilisant des identifiants, la masse semble pouvoir être gérée de manière plus fiable.

La BnF a choisi ce modèle pour gérer ses données bibliographiques. Le rôle des identifiants ARK est alors fondamental. Ils permettent de faire le lien entre les métadonnées et les documents numérisés de Gallica. Un tel système d’identifiants permet aussi de contrôler et gérer ce qui relève d’une entité plutôt que d’une autre, à travers un travail de désambiguïsation souvent manuel qui devient alors réutilisable. Une limite est pourtant à considérer : la qualité inégale des données conservées par la BnF, certaines étant issues de conversions automatiques. Seules les données exposées dans data.bnf.fr bénéficient pleinement de ce travail de désambiguïsation.

« L’historique des collections, en particulier la différence de traitement entre les objets « de recherche » et les objets plus secondaires, influe-t-elle significativement sur la méthodologie des projets ? »

Dans l’histoire de la BnF il y a eu inévitablement une inégalité de traitement des notices. Les données ont une histoire, leur définition est l’expression d’une culture et d’une discipline, elles sont parfois pénétrées de subjectivité, ce qui rend souvent l’utilisation du point de vue des chercheurs problématique. Les choix de désambiguïsation ne sont pas les seuls biais présents dans les données bibliographiques conservées par la BnF. Le rêve, sinon l’utopie de l’exhaustivité du dépôt légal et la granularité du signalement (par exemple le catalogage au niveau du périodique mais pas au niveau de l’article) constituent d’autres sources potentielles d’incompréhension pour les chercheurs. Les données peuvent-elles être objectives ? Le catalogage se base sur des variables objectives de description données par les normes, mais cette objectivité s’arrête là où le niveau conceptuel commence. L’utilisation de règles permet alors de limiter cette marge de subjectivité mais encore une fois, dans cette stratification, dans ce palimpseste de choix, il est nécessaire aussi bien pour la Bibliothèque que pour le monde de la recherche de documenter la constitution et la définition des données, de mettre en avant leurs limites, d’échanger, d’abattre les barrières disciplinaires pour essayer de converger et mieux interpréter les résultats de la recherche.

« Comment gérer le statut incertain de la propriété intellectuelle dans des projets numériques ? Par quel moyens peut-on régler la question des droits de reproductions, à fortiori s’agissant d’objets hétérogènes (manuscrits, journaux, livres…) qui peuvent invoquer des droits différents ? »

Le deuxième débat autour de la valorisation d’un projet de recherche a été lancé à partir des questions juridiques.

Afin de gérer l’hétérogénéité non seulement des objets de la recherche mais aussi des droits associés, il est fondamental de distinguer les corpus sur lesquels ne s’appliquent pas de droits de propriété intellectuelle, c’est-à-dire les corpus qui font partie du domaine public, des corpus qui sont concernés par ces droits et qui pour être exploités exigent une autorisation des ayants droit.

Dans le premier cas, il revient à la Bibliothèque d’établir sous quelle licence elle distribue ses corpus et les rend réutilisables. Dans le deuxième, les demandeurs d’un corpus sous droit doivent obtenir l’autorisation auprès des tiers titulaires des droits.

Pour l’équipe GIRANIUM, les questions juridiques se posent dès la numérisation car le droit de la propriété intellectuelle inclut un droit de reproduction qui implique une autorisation préalable de l’ayant droit. Seules les institutions patrimoniales (bibliothèques, archives et musées) bénéficient d’une exception qui permet la reproduction et la représentation de documents protégés dans leurs emprises, à des fins de conservation.

D’autres droits peuvent s’appliquer à ce type de corpus : les contraintes liées aux données personnelles ou encore le droit moral, imprescriptible et inaliénable (droit de divulgation de l’œuvre, droit au respect de l’œuvre, droit de retrait et droit à la paternité).

Dans ce cadre juridique complexe et contraignant, la présence d’un juriste dans une équipe de recherche est souhaitable pour soulager les chercheurs d’une charge de travail non négligeable et pour étudier dans la mesure du possible les pistes de travail  qui permettent d’avancer dans le respect des droits (par ex. extraction de métadonnées sur lesquelles il est possible de travailler à distance).

« Faut-il tout « publier » ? Faut-il prévoir différents niveaux d’accès pour différents publics ? Et quelles interfaces pour quel public ? »

Une distinction existe entre les interfaces destinées au monde de la recherche et les interfaces qui s’adressent à un public plus large. Dans le premier cas, on parlera plutôt d’open research. Dans le second, des compétences spécifiques dans le domaine de la médiation numérique sont nécessaires pour le développement de récits à destination du grand public.

Que cela soit pour un public de pairs ou pour un public plus large, la réalisation de toute interface prévoit les mêmes canaux de communication, les mêmes typologies de publication : sites internet, blogs et réseaux sociaux. La différence réside dans le développement d’une stratégie éditoriale, dans l’investissement et dans l’attente de retours sur investissement.

L’équipe du GRIPIC, comme d’autres groupes de recherche travaillant dans une logique d’open research, scénarise le processus de recherche à travers un site internet, une bibliothèque numérique réalisée sur Omeka et un compte Twitter.

Du côté de la BnF, une question clé se pose : comment réinjecter les résultats de la recherche dans le système d’information de la Bibliothèque pour créer une circularité de la recherche ? Le fait d’ingérer des données produites par les chercheurs implique pour la BnF d’assurer la pérennisation d’objets évolutifs et dynamiques qui demandent à être standardisés pour être préservés.

L’enjeu de pérennisation des données est différent s’agissant de travaux éditoriaux, des sites internet par exemple. Une distinction entre données primaires, structurelles, et données secondaires, publications, pourrait être opérée et demanderait deux stratégies de conservation différentes.

Dans cette perspective de circularité et durabilité, la valeur patrimoniale que la recherche peut apporter aux données conservées par des institutions est un élément à considérer.

« Comment décrire visuellement la ressource ? Quels formats et quels dispositifs employer pour rendre compte des liens entre données, textes, images, visualisations ? »

Le projet GIRANIUM prévoit de réaliser une cartographie de lieux et des réseaux de sociabilité en utilisant des outils de data visualization. Dans ce domaine, peu de normes existent, la tendance étant de développer toujours des visualisations différentes en fonction du projet. Existe-t-il des enjeux de standardisation des données derrière la représentation visuelle et la forme qu’elle prend ? Certaines visualisations, la cartographie par exemple, permettent un accès et une compréhension immédiate.

Qu’elle suive des normes ou pas, la réflexion sur l’interface, sur le rendu graphique d’un projet de recherche devrait être présente dès l’origine du processus. Cela demande, comme pour la gestion des métadonnées, une attitude en apparence paradoxale mais nécessaire pour mener un projet de recherche aujourd’hui : l’anticipation des problématiques de valorisation dès l’amont du projet.

Face à cette difficulté, une réponse peut résider dans la généralisation des outils et des méthodes ainsi que dans le partage des récits de projets de recherche antérieurs, forme d’apprentissage et d’échange importante.

L’atelier  « Décrire, transcrire et diffuser un corpus documentaire hétérogène : méthodes, formats, outils » s’est conclu sur la reconnaissance de l’apport de la mutualisation et de l’échange entre équipes de recherches et institutions pour faire progresser ces questions méthodologiques liées à l’analyse et la valorisation des corpus numériques.

Un deuxième atelier, cette fois-ci centré sur le sujet plus spécifique de la géolocalisation et de la spatialisation des documents patrimoniaux, est planifié le 30 novembre 2017.

Ces échanges constitueront un capital important qui contribuera dans le cadre du projet Corpus à la définition de services opérationnels capables de répondre aux évolutions, aux besoins et aux attentes du milieu de la recherche.

Eleonora MOIRAGHI

Enregistrer

  1. Nicole Bidoit-Tollu et Anne Doucet, La diversité des données dans Les Big Data à découvert, sous la direction de Mokrane Bouzeghoub et Rémy Mosseri, CNRS Éditions, 2017, p. 25. []
  2. TEI (Text Encoding Initiative), <http://www.tei-c.org/index.xml>, consulté le 16 novembre 2017 []

Olivier Jacquot

Coordonnateur de la recherche > Délégation à la Stratégie et à la recherche > Bibliothèque nationale de France

More Posts

Laisser un commentaire

Votre adresse de messagerie ne sera pas publiée. Les champs obligatoires sont indiqués avec *