Données liées et données à lier : quels outils pour quels alignements ?

À la suite des ateliers « Décrire, transcrire et diffuser un corpus documentaire hétérogène : méthodes, formats, outils », « Géolocalisation et spatialisation de documents patrimoniaux » et « Explorer des corpus d’images. L’IA au service du patrimoine », une quatrième demi-journée d’étude a été organisée dans le cadre du programme de recherche CORPUS, inscrit au plan quadriennal de la recherche 2016-2019 de la Bibliothèque nationale de France (BnF). Dans le même esprit que les trois ateliers précédents, cette matinée d’étude, qui a eu lieu le 10 juillet sur le site François Mitterrand, était l’occasion de présenter plusieurs projets impliquant des alignements de données et menés aussi bien par des acteurs du monde des bibliothèques que du milieu de la recherche.

Six présentations se sont succédées au cours de la matinée avec l’objectif de présenter différentes approches, méthodes et outils pour aligner des ensembles de données, et avec l’ambition d’apporter des pistes de réponses à des questions communes à plusieurs équipes de recherche telles que : comment récupérer ce qui existe pour pouvoir se concentrer sur ce qui fait la valeur ajoutée d’un projet ? Comment s’assurer de l’interopérabilité des bases de données et faire en sorte que ces données puissent être réutilisées et accessibles de manière stable sur le Web ?

Regroupements et alignements de données internes à la BnF. Des outils, des données et des humains.

Présentation par Sébastien Peyrard, Chef du service Ingénierie des métadonnées à la BnF, et Adrien Di Mascio, Responsable du projet data.bnf.fr chez la société de services  LogiLab.

La BnF mène une démarche interne qui consiste à améliorer la structuration de ses données afin de les publier, notamment sur le web de données. Data.bnf.fr est un site internet qui rassemble et expose sur le Web des données issues de différentes bases de la BnF, la plus grande étant celle du catalogue général qui contient les notices d’éditions, de personnes, de thèmes, de lieux géographiques produites par la BnF. Les pages du site data.bnf.fr contiennent des liens vers les données stockées dans les différentes bases de la BnF mais aussi vers des bases extérieures, comme Wikidata ou GeoNames. Dans la page de l’auteur Michel Houellebecq (Fig.1) par exemple, les liens au milieu de la page renvoient vers les œuvres de l’auteur, c’est-à-dire vers les entités qui, selon le modèle FRBR, regroupent chacune plusieurs éditions d’un même objet/ produit intellectuel.

Figure 1 Page de l’auteur Michel Houellebecq dans data.bnf.fr

 

Les pratiques de catalogage de la BnF font que cette notice « œuvre », c’est-à-dire ce chapeau qui regroupe les différentes éditions d’une même « œuvre de l’esprit », n’existe pas systématiquement. Pour donner un ordre de grandeur, environ dix millions d’éditions sont référencées sous forme de notices mais seulement 300 000 notices chapeaux d’œuvres ont été créées. C’est la raison pour laquelle dans plusieurs pages d’auteur de data.bnf.fr, les différentes éditions ne sont pas regroupées sous la même « œuvre » mais elles sont présentées sous forme de liste (Fig.2).

Figure 2 Liste des plusieurs éditions de l’œuvre « La carte et le territoire »

Du point de vue de l’utilisateur, en termes d’ergonomie et de service de recherche, cette présentation sous forme de liste d’objets apparemment identiques, n’est pas très efficace et implique, plus globalement, un problème d’hétérogénéité du site internet (certaines pages présentent les œuvres, d’autres présentent les éditions). Du point de vue de la gestion des métadonnées, le niveau de l’œuvre ne peut pas être exploité à l’heure actuelle en raison de ce biais, c’est-à-dire de l’existence aléatoire de ce niveau de métadonnées. Le niveau des éditions peut être exploité pour étudier la production éditoriale par exemple, mais le niveau de l’œuvre ne peut pas être utilisé pour analyser de manière fiable la production intellectuelle, comme par exemple le nombre d’œuvres produites par auteur au fil des siècles. Afin d’éliminer ou de réduire les biais dus à cette hétérogénéité des données et pour permettre aux agents de la BnF d’avoir plus de contrôle sur les outils inclus dans la chaîne de production de data.bnf.fr, l’outil RobotDonnées a été développé. Cet outil permet de tisser des liens qui manquent entre certaines œuvres et certaines éditions et il permet également de regrouper automatiquement des éditions lorsque la notice d’œuvre n’a jamais été créée. RobotDonnées est issu du projet data.bnf.fr mais a son cycle de développement propre. Il consiste plus concrètement en une plateforme web qui permet de lancer des traitements qui prennent des données en entrée et, selon les paramètres choisis par l’utilisateur, produisent un fichier tabulaire (CSV) en sortie. Une dizaine de traitements peuvent s’enchainer les uns après les autres. Pour rassembler différentes éditions d’une œuvre par exemple, l’outil extrait du catalogue général les notices des documents associés à un auteur, via principalement l’identifiant de l’auteur et le champ titre, et les regroupe dans un fichier tabulaire ; ensuite deux algorithmes de distance ou de regroupement (minhasching et mean shift) permettent de rassembler les titres similaires sous un même chapeau dans un deuxième fichier tabulaire. Sur cette base, des pré-métadonnées de notices d’œuvre peuvent être produites et peuvent ensuite alimenter data.bnf.fr ; un reversement de ces oeuvres dans les données du catalogue général est prévue dans un second temps. L’objectif de la BnF à court terme est de pouvoir reverser un premier corpus de notices d’œuvres dans data.bnf.fr : le corpus d’œuvres textuelles françaises du XXe et du XXIe siècle. La philosophie qui sous-tend ce chantier est d’expérimenter, de tester l’efficacité des traitements en reversant les œuvres dans data.bnf.fr pour ensuite les inclure dans le catalogue général. Data.bnf.fr est donc utilisé comme « bac à sable » pour ce traitement de données complexe et massif. La systématisation du processus de création de métadonnées de niveau d’œuvre devra tenir compte ensuite de la spécificité des diverses typologies de corpus de documents conservés à la BnF : des manuscrits aux documents iconographiques en passant par les documents audiovisuels et multimédia. Comme tout projet en cours, ce chantier suscite plusieurs interrogations parmi lesquelles : sur quels paramètres et dans quelle mesure permettre à l’utilisateur d’intervenir ? Sur quelle unité baser la comparaison de titres par exemple : mot ou n-gramme ? RobotDonnées est un outil avec de nombreuses règles métier. La philosophie sous-jacente est que l’intelligence réside dans les données et les agents experts des données de la BnF connaissent la logique de ces données. Au-delà d’un outil de gestion des données, il devient un outil de connaissance des données, une connaissance non pas basée seulement sur la mémoire mais sur le calcul. En adoptant une approche ni trop fine, ni trop massive, l’outil permet de moduler et d’adapter les traitements selon les besoins et les objectifs de l’utilisateur.

Bibliostratus. STRatégie d’Alignement d’URIs pour la Transition bibliographique.

Présentation par Etienne Cavalié, Adjoint au chef du service Ingénierie des métadonnées à la BnF et membre du groupe Systèmes et Données dans le cadre du programme national Transition bibliographique.

Le programme national Transition bibliographique a pour objectif d’exposer les catalogues des bibliothèques dans le web de données. Comme expliqué dans la première présentation, la BnF, en créant des notices d’œuvres via des calculs, est en train de FRBRiser son catalogue. Dans le cadre de la Transition bibliographique, le groupe Systèmes et Données travaille pour que les autres bibliothèques ne recalculent pas ces notices d’œuvres, mais bénéficient du travail entrepris par la BnF. Ce groupe de travail compte parmi ses membres des agents de la BnF mais aussi des représentants de l’Abes (Agence bibliographique de l’enseignement supérieur), qui administre le réseau Sudoc du catalogue collectif des bibliothèques de l’enseignement supérieur. L’enjeu pour les bibliothèques de ce réseau est de savoir pour chacun de leurs documents quelle est la notice de la BnF correspondante pour identifier l’œuvre qui sera générée d’ici deux ou trois ans à la BnF et pour ensuite récupérer à la fois la notice elle-même du catalogue BnF et la notice d’œuvre. C’est dans cette perspective qu’a été développé par le groupe Systèmes et Données un logiciel nommé Bibliostratus, suite à une demande du réseau des bibliothèques de Montpellier qui ont sollicité la BnF pour réaligner leur catalogue notamment dans le cadre de la Transition bibliographique. La BnF s’est engagée à accompagner cette bibliothèque pour construire un exemple, définir et documenter une méthodologie et des outils que d’autres bibliothèques pourraient ensuite récupérer. Dans un premier temps la Bibliothèque avait commencé à travailler avec le logiciel existant Open Refine car cet outil permet d’interroger et de traiter en masse des informations, comme un catalogue de bibliothèque, de nettoyer les métadonnées fournies en entrée, de les normaliser, de les restructurer et de les vérifier. Le premier jet de la documentation pour l’utilisation d’Open Refine atteignant vingt-huit pages, cette solution risquait d’être un frein pour l’appropriation de cet outil par d’autres bibliothèques. C’est la raison pour laquelle, en novembre, la Bibliothèque a décidé d’explorer une autre piste : développer un outil similaire mais d’une manière plus standardisée et permettant d’enchainer les étapes pertinentes effectuées de manière successive dans Open Refine. Les étapes et les règles métier identifiées dans l’utilisation d’Open Refine sont donc celles qui ont été inclues ensuite dans le logiciel baptisé Bibliostratus en mars dernier par le groupe Systèmes et Données. Ce logiciel, écrit en Python, est libre et il s’intègre dans un circuit de traitement qui est : « je suis une bibliothèque, j’ai un catalogue, je veux l’aligner avec celui de la BnF ou celui du Sudoc ». Bibliostratus s’articule en différents modules qui peuvent être utilisés séparément. Il permet également d’opérer des alignements indépendamment du format de catalogage : si par exemple l’on souhaite aligner une base de données bibliographique qui n’est pas en format Marc, le logiciel permet de bénéficier juste du module d’alignement sans demander la manipulation du format Marc. Bibliostratus permet en somme la mise en œuvre d’un processus d’alignement qui est une application rigoureuse des règles métier définies par le groupe Systèmes et Données de juin à novembre dernier mais traduites en langage informatique. L’interface présente une fenêtre d’accueil avec quatre modules : le cœur est l’alignement mais des outils d’aide de préparation à l’alignement sont également intégrés car on n’aligne pas de la même manière un document audiovisuel, un périodique ou une monographie. Le module d’alignement bibliographique permet, une fois récupérée pour chacune des notices la liste des identifiants BnF et Sudoc, de récupérer l’intégralité des notices correspondant à ces identifiants. Actuellement en entrée quatre règles d’alignement sont applicables : une pour le texte imprimé, une pour les vidéos, une pour les enregistrements sonores et une pour les périodiques. Via les identifiants, il est possible non seulement d’aligner des notices avec celles de la BnF mais aussi à celles du Sudoc. Bibliostratus donne la possibilité de générer un fichier séparé pour les notices sans alignements ou avec plusieurs alignements afin de pouvoir les vérifier à la main.

Figure 3 Fichier tabulaire contenant les résultats d’un exemple d’alignement

Le système est tributaire évidemment des données en entrée mais grâce à l’explicitation de la méthode utilisée pour chaque alignement, il est possible d’effectuer une relecture et un contrôle manuel pour valider chacun des alignements. Le logiciel a été testé depuis janvier dernier, le groupe Systèmes et Données s’en est emparé progressivement et a commencé à injecter des identifiants BnF dans son catalogue mais d’autres cas d’utilisation se sont avérés pertinents : pour récupérer des notices ou des identifiants de la BnF pour des statistiques par exemple ou pour identifier et supprimer des doublons de notices. Dans la mesure où le module d’alignement se contente de faire une recherche systématique dans le catalogue par ligne, on peut envisager de mettre ce qu’on veut dans le fichier en entrée, on peut envisager donc plusieurs cas d’usage selon les besoins, sachant que ce logiciel se contente de lancer la requête et de fournir les résultats. Le code source de Bibliostratus est disponible et récupérable en ligne sur Github mais, comme il a été conçu dans le cadre de la Transition bibliographique, la BnF ne s’est pas engagée dans la maintenance de l’outil une fois la transition achevée. D’autres communautés sont toutefois libres de s’emparer de l’outil, d’y apporter des extensions, de développer d’autres fonctionnalités et de le maintenir à plus long terme.

Le projet ANR ELKER. Enhancing Link Keys: Extraction and Reasoning.

Présentation par Manuel Atencia et Jérôme David, enseignants-chercheurs à l’Université Grenoble Alpes, Inria, CNRS, Grenoble INP, LIG.

ELKER est un acronyme anglais qui signifie Enhancing Link Keys: Extraction and Reasoning (Améliorer les clés de liage : extraction et raisonnement). Ce projet, accepté dans le cadre de l’ANR Société de l’information et de la communication, a une durée de quatre ans (octobre 2017-octobre 2021). Trois laboratoires sont impliqués : LIG (Laboratoire Informatique de Grénoble), LIASD (Laboratoire d’Informatique Avancée de Saint-Denis) de l’Université Paris 8 et Inria Nancy. Le projet porte essentiellement sur le problème de liage de données dans le contexte du web de données. Ce problème peut être résumé de la manière suivante : étant donné deux jeux de données RDF, trouver des paires de ressources qui identifient la même entité. Ce problème demande de relever notamment les défis du passage à l’échelle (quantité importante de données), de l’hétérogénéité des descriptions des données (utilisation d’ontologies ou vocabulaires différents) et de la qualité des données (erreurs). Par exemple, on pourrait vouloir savoir si une URI de l’Insee (qui ressemble des données géographiques et sur l’administration française) et une URI de GeoNames (qui ressemble des données géographiques avec une portée mondiale) représentent la même commune, donc la même entité, afin de pouvoir les lier (Fig.4).

Figure 4 Exemple de correspondance entre la ressource de la commune « Bully » dans le jeu de données géographiques de l’Insee et dans GeoNames

Pour aborder cette problématique de liage de données, deux types d’approches existent : les méthodes symboliques (relevant de l’intelligence artificielle « ancienne », basées sur le raisonnement logique) et les méthodes numériques (relevant de l’intelligence artificielle moderne, basées sur l’agrégation de valeurs de similarité entre les valeurs de propriétés pertinentes). L’approche adoptée dans le cadre du projet ELKER relève de la première méthode car, pour résoudre ce problème de liage de données, la proposition du projet est d’utiliser des clés de liage (link keys). Une clé de liage est une généralisation de la notion de clé propre aux bases de données rationnelles aux cas de jeux des données RDF différents. Une clé de liage peut être exprimée sous la forme d’une action logique, elle est constituée par un ensemble de paires de propriétés et une paire de classe. Par exemple, pour définir si un livre décrit dans un jeu de données exprimé en français (Livre) est le même décrit dans un jeu de données en anglais (Book), on peut comparer les valeurs des paires auteur et creator et les valeurs des paires titre et title. Si une instance de la classe Livre a les mêmes valeurs pour les propriétés auteur et titre qu’une instance de la classe Book a pour les propriétés creator et title, alors elles désignent la même entité.

Figure 5 Exemple de clé de liage

L’approche adoptée dans le cadre du projet ELKER prévoit deux phases distinctes : l’extraction automatique de clés de liage et le raisonnement avec les clés de liage pour l’inférence de liens. La première phase consiste à extraire de manière automatique à partir jeux de données RDF des clés de liage candidates et, en définissant les mesures de qualité, sélectionner parmi ces clés de liage candidates les meilleures. Pour découvrir ces clés de liage candidates les techniques à l’œuvre relèvent de l’analyse formelle de concepts. Dans la deuxième phase, comme une clé de liage peut être exprimée sous la forme d’une action logique, il est possible de combiner les clés de liage avec les ontologies pour inférer des liens et d’autres clés de liage. À partir de déclarations de type OWL il est donc possible d’inférer des clés de liage à partir des clés de liage découvertes par un outil d’extraction automatique et finalement inférer des liens à partir des clés de liage.

Figure 6 Exemple de raisonnement avec clés de liage

Concernant la première phase, l’extraction de clés de liage candidates, plusieurs tests ont été réalisés et sont en cours. L’un des enjeux majeurs consiste à pouvoir classer et trier le grand nombre des clés candidates extraites et à conserver la posture généraliste du projet qui exige de ne pas rentrer dans la spécificité des données mais de proposer une solution pour le liage de tout jeu de données.

Sur des approches d’alignement semi-automatique.

Présentation par Antoine Isaac, R&D Manager chez Europeana.

Dans la cadre d’un projet lié à Europeana, une expérimentation a été menée avec l’objectif de connecter les vocabulaires propres à plusieurs institutions participant à Europeana à un vocabulaire spécifique, en utilisant Cultuurlink, un outil d’alignement semi-automatique. Europeana est un agrégateur de métadonnées liées à quelques dizaines de millions d’objets appartenant à environ 3500 institutions culturelles européennes. En raison de la création et de l’utilisation de différents vocabulaires et référentiels par les nombreuses institutions, Europeana comme d’autres agrégateurs fait face à la problématique d’une considérable hétérogénéité des données. Europeana envisage de créer plus d’alignements entre référentiels de manière automatique ou semi-automatique pour mieux gérer ces données hétéroclites et pour améliorer la recherche dans les différentes collections. Dans le cadre du projet Europeana Sounds, dont l’objectif était d’ajouter des sons et des musiques dans Europeana tout en améliorant les métadonnées issues des différentes organisations, l’outil Cultuurlink a été expérimenté pour aligner et enrichir les métadonnées provenant des institutions avec le vocabulaire spécifique aux instruments de musique MIMO. Ce vocabulaire, développé pour décrire des instruments de musique dans le milieu muséal, a une très bonne couverture du domaine des instruments de musique, il est ouvert, il est multilingue et il a donc été choisi pour son potentiel d’établir des correspondances entre collections. Cultuurlink est un outil d’alignement semi-automatique, il n’est pas libre mais il est librement utilisable en ligne. Ayant identifié le vocabulaire Mimo et l’outil Cultuurlink, Europeana a demandé aux participants au projet Europeana Sounds d’expérimenter les deux. Quatre acteurs étaient particulièrement intéressés à cette expérimentation : la British Library, deux centres de recherche français (CREM – Centre de Recherche en Ethnomusicologie et MMSH – Maison Méditerranéenne des Sciences de l’Homme) et le NISV (Netherlands Institute of Sound and Vision). Pour chaque collection, dans un premier temps chaque métadonnée a été scrutée afin de reconstituer les vocabulaires des quatre participants. Ensuite, Cultuurlink a été utilisé par les différents participants pour effectuer les alignements vers MIMO et enrichir les données initiales. Enfin les résultats ont été évalués.

Figure 7 Exemple d’utilisation de Cultuurlink

Ce que l’expérimentation a prouvé est que 50% des correspondances ont été alignées de manière automatique. L’utilisateur peut regarder chacune des correspondances et la valider ou l’invalider. L’outil permet à l’utilisateur de procéder par étapes, de construire une stratégie d’alignement et de garder le contrôle sur les résultats. L’expérimentation a donc démontré l’intérêt de l’approche en termes d’enrichissement et d’accessibilité des données. Elle a confirmé les difficultés liées à la polysémie, la nécessité du contrôle humain et de l’expertise dans le domaine de la connaissance concerné ainsi que la robustesse du vocabulaire MIMO, même si des marges de progrès en termes de couverture seraient possibles.

REDEN : Résolution et désambiguïsation d’entités nommées pour l’enrichissement des corpus textuels.

Présentation par Carmen Brando, ingénieure de recherche en sciences de l’information géographique et en humanités numériques, EHESS.

Comment lier des données textuelles, qui, à la différence des données dans le web de données, ne sont pas structurées ? Dans un contexte d’édition numérique il est intéressant de pouvoir faire des annotations, c’est-à-dire de déclarer dans un texte qu’un segment de ce texte est un lieu par exemple, que ce segment fait référence non pas à un lieu quelconque mais à un lieu précis tel qu’il est décrit dans une base de données déterminée. Des enjeux majeurs de l’édition numérique consistent donc à repérer les références (c’est-à-dire des entités nommées telles que des lieux, des personnes, des institutions, des événements historiques, …) dans un texte, les identifier de manière unique, les lier à la connaissance externe afin d’enrichir le texte et de proposer des modalités de lecture plus riches ou complémentaires. Le développement de l’outil REDEN, initié en 2015, a été entrepris pour répondre au besoin de plusieurs chercheurs en littérature française travaillant au Labex OBVIL (Observatoire de la vie littéraire) d’enrichir leurs éditions numériques encodées en XML/ TEI. L’encodage d’entités nommées dans une édition numérique en XML/ TEI consiste à faire rentrer un segment de texte faisant référence à une entité nommée dans la balise pertinente prédéfinie dans la norme TEI : par exemple <persName> pour les personnes et <placeName> pour les lieux. Pour lier ces connaissances à des connaissances externes, il est possible de rajouter à la balise en question l’attribut ref qui permet de faire référence à des ressources sur le Web. L’annotation d’entités nommées peut être effectuée en encodant manuellement le texte mais peut se faire aussi de manière automatique ou semi-automatique. L’algorithme REDEN n’intervient pas dans la phase d’identification des entités nommés dans le texte ni dans la phase de classification du type d’entité nommée mais il intervient dans la phase de résolution, c’est-à-dire au moment du liage du segment de texte à l’identifiant de la ressource accessible sur le Web. L’approche de REDEN est une approche fondée d’un point de vue informatique sur les graphes et sur le fonctionnement du web de données. REDEN peut être utilisé pour tout jeu de données RDF à condition que les données puissent être interrogées via un Sparql Endpoint. L’algorithme REDEN est constitué de plusieurs phases :

  • Constitution d’un index par type d’entité contenant les formes de surface de toute entité dans la base de connaissance y compris son URI (identifiant unique) ;
  • Pour chaque mention dans un contexte donné du texte, par exemple dans un paragraphe ou dans une phrase, et un type d’entité nommée à la fois, REDEN effectue deux opérations :

(1) Identification des candidats et récupération des données RDF des candidats à partir des données liées ;

(2) Fusion de graphes et élagage, suivi par le calcul de centralité par mention, et choix du candidat ayant le score le plus élevé.

Figure 8 Exemple de fonctionnement de l’algorithme

Un outil démonstrateur utilisant REDEN est disponible en ligne. Il permet, à partir d’un texte balisé en XML/ TEI, de sélectionner le type d’entité nommée (lieu, personne, institution, etc.) pour lequel on souhaite trouver et lier des ressources sur le Web et de télécharger le texte enrichi des liens signalés via l’attribut ref_auto. Une fonctionnalité de visualisation est aussi mise à disposition : l’outil récupère les coordonnées géographiques des ressources identifiées à partir du texte et les montre sur une carte.

Figure 9 Exemple de lecture « géographique » d’un passage de « Le passant de Prague » de Guillaume Apollinaire

Actuellement, une collaboration avec le laboratoire Lattice et l’Université de Tunis prévoit l’intégration en amont avec l’outil de reconnaissance d’entités nommées SEM fondé sur l’apprentissage automatique (CRF) et Wikidata. Parmi les autres travaux en cours : la réflexion autour de la mise à disposition en ligne de données géo-historiques et la proposition de l’outil par des institutions patrimoniales comme service à la recherche. REDEN est un outil open source. Le code est disponible sur Github.

Le projet ANR Foucault Fiches de Lecture.

Présentation par Laurent Dartigues et Vincent Ventresque, respectivement chargé de recherche et ingénieur d’étude au laboratoire TRIANGLE (UMR 5206), ENS Lyon.

Foucault Fiches de Lecture (FFL) est un projet scientifique qui a pour objectif d’explorer, de mettre à disposition en ligne et de donner à lire de manière enrichie un vaste ensemble de fiches de lecture de Michel Foucault conservées au département des Manuscrits de la BnF. Ce projet a été initié en octobre 2017, il a une durée prévue de trois ans, il est réalisé en partenariat avec la BnF et il participe en tant qu’équipe test du projet Corpus pour l’année 2018. Il porte sur un corpus issu des archives de Foucault conservées à la BnF et constitué de plusieurs milliers de feuillets qui forment une collection de citations et de références bibliographiques, organisées et commentées par Foucault pour la rédaction de ses ouvrages ou la préparation de ses cours. Cet ensemble considérable en termes de volumétrie et de richesse d’informations, en étant fondé sur des références, se prête particulièrement à une exploration « hypertextuelle » du parcours de lecture, de travail, de la pensée de Foucault, et demande le tissage de liens entre les citations ou les références et les auteurs ou les ouvrages concernés. Dans cette perspective, le projet se propose non seulement d’analyser le corpus des fiches de lecture mais également de développer une plateforme qui permettrait à un chercheur de consulter environ 11 000 fiches numérisées, de les annoter, de bénéficier des annotations des autres utilisateurs et de faire une lecture enrichie du corpus grâce au tissage de liens vers des ressources externes et à des visualisations de données.

Figure 10 Exemple de fiche de lecture présenté dans l’interface du prototype de plateforme en cours de développement dans le cadre du projet

La plateforme est en train d’être développée dans une logique de gain de temps et d’attention à la qualité des données grâce notamment à l’utilisation de référentiels, autorités et de l’autocomplétion. Par exemple, lorsqu’un ouvrage est mentionné dans une fiche, l’utilisateur a la possibilité de sélectionner la référence correspondante précédemment rentrée dans la base de données du projet et liée à la ressource correspondante dans data.bnf.fr ou bien de rajouter la référence de l’ouvrage dans la base de données et de récupérer les informations bibliographiques associées à cet ouvrage en effectuant l’alignement vers l’URI correspondant dans data.bnf.fr. Le modèle de données sous-jacent est basé sur le principe de l’annotation pour permettre de mutualiser certains contenus (l’utilisateur décide pour chaque contenu ajouté s’il est privé, restreint ou public) tout en fournissant un espace de travail pour chaque utilisateur.

Figure 11 Modèle de données simplifié

Les avancements du projet sont reportés sur le carnet de recherche du projet.

Conclusion

Dans un contexte d’accroissement des volumétries des données et de réduction des temps d’analyse et de traitement, les institutions patrimoniales comme les équipes de recherche reconnaissent le besoin d’une complémentarité croissante entre humains et systèmes automatiques. Les présentations qui se sont succédé au fil de la matinée rappellent que l’automatisme complet présente à l’heure actuelle de nombreuses limites. Des approches semi-automatiques, en s’appuyant de manière hybride sur les atouts des humains comme sur les atouts des machines, semblent en revanche donner des résultats prometteurs. Notamment dans le processus d’alignement de données, le contrôle et la validation humaine sont des aspects fondamentaux pour la garantie de la qualité des données et pour l’instauration de la confiance. Si les projets de recherche qui se focalisent sur des questions qui relèvent de l’informatique, comme REDEN ou ELKER, visent à développer des solutions généralistes, respectivement pour tout texte et pour tout jeu de données, la Bibliothèque et les projets de recherche en SHS notamment sont confrontés à la fois à la nécessité de l’automatisation et à la prise en compte des spécificités des données qu’ils traitent. C’est pourtant précisément cette tension entre la posture technique transverse et l’approche centrée sur les particularités d’un domaine qui peut s’avérer extrêmement fructueuse.


Laisser un commentaire

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

Ce site utilise Akismet pour réduire les indésirables. En savoir plus sur comment les données de vos commentaires sont utilisées.