Archives de catégorie : Plan quadriennal

ATELIER : Penser, classer, modéliser. L’exemple du projet Foucault Fiches de Lecture. (13/11)

Inscrit au plan quadriennal de la recherche 2016-2019 de la BnF, le programme de recherche Corpus a pour objectif de construire un nouveau service de fourniture de corpus numériques à destination de la recherche. Un des axes explorés dans le cadre de ce projet consiste à accompagner les chercheurs dans leur appropriation des collections numériques. À cet effet, des ateliers d’échange sont régulièrement organisés entre des équipes de recherche partageant des enjeux méthodologiques, scientifiques et techniques similaires, ainsi que les personnels BnF experts des sujets abordés.
Cette année, nous suivons en particulier le travail de l’équipe de recherche travaillant sur le projet ANR Foucault Fiches de Lecture (FFL), dont le Service des manuscrits modernes et contemporains de la BnF est partenaire, afin d’étudier ses besoins en matière d’utilisation des données bibliographiques et plus globalement, sa pratique des humanités numériques. L’atelier « Penser, classer, modéliser », organisé en collaboration avec l’équipe travaillant sur le projet FFL et le département des Métadonnées de la BnF, se présente comme l’occasion de réfléchir ensemble, à partir d’un exemple concret, à des aspects de la modélisation et de l’enrichissement de données.


Le projet FFL a pour but de numériser, mettre en ligne, décrire et enrichir les manuscrits de notes de lecture de Michel Foucault, en utilisant une plate-forme numérique de travail collaboratif. Un prototype développé par l’équipe permet déjà de consulter les feuillets numérisés (environ 5700 feuillets actuellement), de les décrire et de les annoter : chaque utilisateur peut à la fois produire des métadonnées mutualisées et enregistrer des annotations privées. Basé sur les technologies RDF, le prototype permet également d’enrichir ces informations par un système de mashup et d’alignement avec les données bibliographiques et biographiques de data.bnf.fr1. Le projet vise ainsi à constituer une base de connaissances sur les sources de Foucault, ainsi qu’un référentiel terminologique du vocabulaire utilisé par le philosophe.

Parallèlement, des transcriptions seront réalisées, au moins pour une partie du corpus, en s’appuyant sur les fonctionnalités de la plate-forme eman. Afin de faciliter ce travail, l’utilisation du logiciel Transkribus (reconnaissance automatique d’écriture manuscrite) est envisagée : les résultats des tests réalisés2 laissent espérer que l’équipe disposera bientôt d’une grande quantité de textes produits automatiquement, qui serviront  de base pour la transcription manuelle, tout en permettant une indexation plein texte du corpus.

Il s’agit donc de réfléchir à l’articulation des données textuelles (provenant du relevé manuel des titres de fiches aussi bien que des transcriptions intégrales automatiques) avec les métadonnées renvoyant à des entités nommées (concepts, personnes, documents). Comment exploiter au mieux, structurer et harmoniser les différents types de données ? Un premier axe de travail consisterait à s’appuyer sur les index de notions réalisés pour les Cours au Collège de France, mais aussi sur des thesauri comme Rameau. Un deuxième axe serait d’utiliser les entités nommées déjà créées pour faciliter la correction des transcriptions automatiques et, réciproquement, d’utiliser les transcriptions pour le repérage et la création de nouvelles entités.

Modalités pratiques

Quand ? 13 novembre 2018, 14 – 17h30

Où ? Bibliothèque nationale de France, site François-Mitterrand (Quai François Mauriac, 75013 Paris), salle : Aquarium.

Comment ? Entrée libre sur réservation via cette page.

  1. Voir la présentation de ces fonctionnalités donnée lors de l’atelier Corpus précédent, le 10/07/2018 :
    https://f-origin.hypotheses.org/wp-content/blogs.dir/3226/files/2018/07/Slides_atelier_bnf_Corpus_2.pdf []
  2. https://halshs.archives-ouvertes.fr/hal-01794139v1 []

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.

La Bibliothèque nationale, objet-frontière

Depuis la loi Malraux1, suivie de la convention pour la protection du patrimoine mondial, culturel et naturel du 16 novembre 1972,  la tendance à la patrimonialisation s’est d’abord caractérisée par la relation au réel, incarnée dans la matière, et au premier chef, le monument « classé » ou « inscrit ». Cette tendant n’a eu de cesse de s’approfondir – avec par exemple la notion de patrimoine industriel – et de s’élargir dans son périmètre – avec l’adoption en 2003 de la Convention pour la sauvegarde du patrimoine culturel immatériel2 jusqu’à inclure désormais le patrimoine légendaire – du type forêt de Brocéliande -, au point que certains, comme Marc Guillaume, ont pu parlé d’un « excès du patrimoine, menacé d’obésité »3.

Fabrique du patrimoine

Cette fabrique du patrimoine concerne également les institutions publiques conservant des objets patrimoniaux tels les musées et les bibliothèques. Réceptables du patrimoine, désormais ces lieux se « patrimonialisent » en tant qu’institutions, devenant objets d’études réflexives sur leur histoire et leur rôle dans la sauvegarde et la transmission du patrimoine. Outre une tendance de fond au sein des sociétés occidentales que le consortium PA.TER.MONDI (Patrimoine, Territoire, Mondialisation) a désigné sous le terme d’omnipatrimonialisation, des entreprises éditoriales  tels les lieux de mémoire de Pierre Nora4, ou des lieux de savoir de Christian Jacob5 y ont sans doute contribué.

Musée du Louvre

Pour revenir au cas des musées, cela s’est manifesté récemment au Musée du Louvre, qui à la faveur de sa réorganisation, a créé aussi bien un lieu d’étude et de recherche dédié à l’histoire du Louvre et des musées, le Centre Dominique-Vivant Denon6, que des salles d’exposition au Pavillon de l’Horloge « où le musée s’expose, s’explique et se raconte »7. L’exemple le plus récent à mentionner pour illustrer ce regard réflexif est donné par la monumentale entreprise éditoriale de l’Histoire du Louvre, monumentale par le nombre d’années requises à la produire et par le nombre de pages – plus de 19008.

Histoire du Louvre, ISBN 978-2-21367-111-6

Bibliothèque nationale de France

Puisque nous évoquions le cas des bibliothèques, qu’en est-il à la Bibliothèque nationale de France, la voisine du Musée du Louvre – il suffit de traverser les jardins du Palais Royal ?

Là aussi, quelques entreprises, notamment éditoriales, peuvent être évoquées, même si elles n’atteignent pas l’ampleur de celle du Louvre.

Ainsi, un an après l’Histoire du Louvre, la BnF faisait paraître un ouvrage retraçant l’histoire architecturale de son site historique avec Richelieu : quatre siècles d’histoire architecturale au cœur de Paris9.

Richelieu : quatre siècles d’histoire architecturale au cœur de Paris. ISBN 978-2-7177-2565-0

Publié à l’occasion de l’inauguration de la Salle Labrouste après plusieurs années de travaux de restauration et de réhabilitation, l’ouvrage résulte en fait de plusieurs programmes de recherche inscrits dans le cadre du plan triennal de la recherche de la BnF. Au cours des années 2010-2013 ce furent les programmes Fonds des architectes attachés à la Bibliothèque nationale aux XIXe-XXe siècles10 et Mise en valeur des fonds d’architectes,11 qui furent menés simultanément sur deux ensembles complémentaires de fonds. Le premier visait à mener l’étude et la numérisation du fonds de dossiers d’archives et de plans des architectes successivement attachés à la Bibliothèque nationale aux XIXe et XXe siècles, quand le second entendait traiter les fonds et œuvres d’architectes conservés au département des Estampes, notamment le fonds d’Henri Labrouste, architecte de la Bibliothèque nationale de 1854 à 1875.

Fonds des architectes attachés à la Bibliothèque nationale aux XIXe-XXe siècles

Les résultats, s’ils ne prennent pas la forme d’une monumentale publication imprimée n’en sont pas moins conséquents et plus accessibles dans la mesure où ils sont consultables en ligne. Ainsi, outre la publication évoquée, le programme Fonds des architectes attachés à la Bibliothèque nationale aux XIXe-XXe siècles a surtout permis de produire d’importants instruments de recherche archivistiques, accessibles dans BnF Archives et manuscrits. Le maître d’œuvre de ce travail de titan fut Anne-Sophie Haquin (19..-2016) dont l’engagement et la motivation sont à saluer comme sa mémoire.

Quand on juge par la richesse des notices accessibles sous les liens suivants et donnant souvent accès à des documents numérisés :

Mise en valeur des fonds d’architectes

Le programme Mise en valeur des fonds d’architectes a quant à lui enrichit le catalogue général de la BnF et Gallica. Entièrement classé et inventorié (dessins, manuscrits, objets, etc.), le fonds Henri Labrouste est désormais intégralement traité, catalogué et numérisé. La notice consacrée à Henri Labrouste (http://catalogue.bnf.fr/ark:/12148/cb12127997d) permet de rebondir sur les documents décrits à l’unité et numérisés.

Palazzola près Albano : [dessin] : [vue pittoresque du site] / [Henri Labrouste]

Ce programme a donné lieu à deux autres déclinaisons plus traditionnelles, l’exposition Labrouste (1801-1875), architecte. La structure mise en lumière, tenue à la Cité de l’architecture & du patrimoine du 11 octobre 2012 au 7 janvier 2013 et au MoMA sous le titre Henri Labrouste: Structure Brought to Light, du 20 mars au 24 juin 2013, et la publication Labrouste, 1801-1875, architecte : la structure mise en lumière12.

Bibliothèque 1368-2015

Au cours de l’exercice 2013-2015, d’autres programmes du plan triennal illustrent l’entreprise réflexive de la BnF concernant son histoire. Citons d’abord le programme Bibliothèque 1368-201513 qui s’est donné pour objectif de décrire la bibliothèque et ses parties constitutives depuis 1368, selon au moins trois axes :

  • Les entités organisationnelles, leur contexte et leur évolution dans le temps (axe historique, hiérarchique et relationnel) ;
  • Les fonctions/missions de l’institution (ou de ses parties) ;
  • Les activités réalisées (et leurs représentations matérielles : publications ou archives).

Le résultat du programme consiste en un important dictionnaire, lui aussi accessible en ligne sur le site du Comité d’histoire de la BnF -sur lequel nous reviendrons -, à l’adresse  url : <http://comitehistoire.bnf.fr/dictionnaire-bnf>.

Connaissance et valorisation de la collection Charles Cros

Un autre programme du plan triennal de la recherche 2013-2015 portait sur l’histoire de la BnF et de ses collections : Connaissance et valorisation de la collection Charles Cros : création d’un catalogue raisonné numérique qui visait à constituer un catalogue raisonné accessible en ligne de la collection Charles Cros documentant chaque appareil qui la constitue. Les résultats ont donné lieu, là aussi à un instrument de recherche détaillé publié dans BnF Archives et manuscrits14, doublé d’une numérisation d’appareils significatifs visibles dans la bibliothèque numériques Gallica15.

Dans le cadre du plan quadriennal de la recherche de la BnF courant  pour les années 2016-2020, plusieurs programmes de recherche sont consacrées à l’histoire de l’institution.

La librairie des rois Charles V et Charles VI

Résurgence d’une programme entamé dans le cadre des plans triennaux de la recherche de la BnF, le département des Manuscrits oeuvre à une édition scientifique du contenu de la Libraire de Charles V1, telle qu’elle était en 1380, à la mort du roi, et des échanges qu’elle suscita sous le règne de Charles VI, à partir des données des 13 inventaires, qui, de 1380 à 1424, recensent les livres de la tour de la Fauconnerie au Louvre (917 manuscrits) et ceux des résidences du roi, à Vincennes, Saint-Germain-en-Laye, Beaulté-sur-Marne, Melun… (114 manuscrits). Le manuscrit de la BnF, conservé sous la cote : [Français 27002 sert de base à l’édition ; il s’agit d’une copie de l’inventaire remis à Gilles Malet, garde de la Librairie, et qu’il annota.

Le programme aboutira à la publication de l’édition scientifique des inventaires en deux tomes, de 800 p. chacun, dans la collection Documents Etudes, et Répertoires, dirigée par F. Bougard, directeur de l’IRHT, consacrée à l’histoire des bibliothèques médiévales. La publication proposera l’identification textuelle des 1100 manuscrits (généralement des recueils) conservés au Louvre et dans les résidences royales et la description des 185 manuscrits subsistants.

Outre l’édition imprimée, le projet entend proposer une publication électronique de la transcription des 13 inventaires de la Librairie de Charles V et Charles VI.

650 ans de la bibliothèque

L’année 2018 marque l’anniversaire de l’ouverture de la bibliothèque de recherche (le Rez-de-jardin du site François Mitterrand de la BnF). Il a été célébré par une exposition consacrée à la création du site François-Mitterrand de la Bibliothèque nationale de France.

Au-delà de cet anniversaire, si l’on admet communément que la naissance de la bibliothèque remonte à l’an 1368, date de l’installation par le roi Charles V de sa bibliothèque personnelle au Château du Louvre, c’est donc le 650e anniversaire de la création de la Bibliothèque que l’on fête également en cette année 20181.

Enfin, le dernier anniversaire touchant à la vie de la bibliothèque concerne les 150 ans de l’ouverture de la salle Labrouste, objet d’une récente conférence BnF-Inha-École des chartes.

Pour célébrer ces anniversaires, la BnF a procédé à la rénovation de son Comité d’histoire, désormais doté d’un Conseil scientifique composé d’universitaires et a lancé un site (http://comitehistoire.bnf.fr/) qui permet de faire mieux connaître ses travaux, de fédérer les recherches en cours et les ressources utiles à tous ceux qui s’intéressent à la longue histoire de la Bibliothèque royale, nationale, impériale, nationale de France…

HistBnF : Histoire de la BnF

Le programme HistBnF, également inscrit dans le plan quadriennal 2016-2020, entendait développer une plateforme web (http://comitehistoire.bnf.fr) à l’usage du Comité d’histoire de la BnF, proposant de fédérer la documentation éparse (sur le site institutionnel de la BnF, sur son intranet mais aussi dans les outils internes de production documentaires) concernant l’histoire de la BnF. Outil de diffusion et de valorisation des travaux du Comité, le site mis en ligne en début d’année 2018 souhaite contribuer à susciter des partenariats universitaires et dynamiser l’activité du comité.

La plateforme propose entre autres ressources appelées à s’enrichir :

La publication de ce site s’accompagne de la production d’une lettre d’information pour les personnes intéressées par l’histoire de la Bibliothèque depuis ses origines.

On le voit, l’approche historique et réflexive constitue bien un aspect du travail de recherche inscrit dans les axes stratégiques de la BnF comme en témoignent, après les programmes du plan quadriennal de la recherche, les nouvelles et récentes bourses du Comité d’histoire attribuées dans le cadre de l’appel à chercheurs de la BnF pour les années 2018-201916. La Bibliothèque s’attache à encourager en interne, comme de la part de chercheurs associés, la recherche sur son passé et à favoriser la préservation de sa mémoire.  Seul regret, celui des pratiques collaboratives à développer, notamment en associant des équipes pluridisciplinaires pour enrichir ces regards rétrospectifs et comparatistes sur  l’histoire administrative, l’histoire des publics et des usages, de l’architecture, des collections, du personnel, des traitements bibliothéconomiques…

  1. Cf. le texte de la loi n° 62-903 du 4 août 1962 complétant la législation sur la protection du patrimoine historique et esthétique de la France et tendant à faciliter la restauration immobilière, url : <https://www.legifrance.gouv.fr/jo_pdf.do?numJO=0&dateJO=19620807&pageDebut=07813&pageFin=&pageCourante=07813>. []
  2. Cf. le texte de la convention, url : <https://ich.unesco.org/fr/convention>. []
  3. Marc Guillaume, « La politique du patrimoine … vingt ans après », Labyrinthe, 2000, n° 7. Disponible en ligne, url : <http://journals.openedition.org/labyrinthe/496>; DOI : 10.4000/labyrinthe.496 []
  4. Les Lieux de mémoire / sous la dir. de Pierre Nora, [Paris] : Gallimard, 1984-1992. (Bibliothèque illustrée des histoires ; 3). []
  5. Lieux de savoir : Histoire comparée et anthropologie des pratiques savantes, url : <https://lieuxdesavoir.hypotheses.org>. []
  6. Cf.  Centre Dominique-Vivant Denon, url : <https://www.louvre.fr/departments/centre-dominique-vivant-denon>. []
  7. Pavillon de l’Horloge, Histoire du Louvre, url : <https://www.louvre.fr/pavillon-de-l-horloge/les-espaces>. []
  8. Histoire du Louvre / direction scientifique, Geneviève Bresc-Bautier, Paris : Fayard : Louvre éditions, DL 2016, 2 vol. (765, 775, 444 p.) : ill. en coul. ; 29 cm. ISBN 978-2-213-67111-6 (Fayard). – ISBN 978-2-35031-541-6 (Louvre), url : <http://catalogue.bnf.fr/ark:/12148/cb45112996c> et <http://editions.louvre.fr/fr/les-ouvrages/visiter-le-louvre/lhistoire-du-palais/histoire-du-louvre.html>. []
  9. Richelieu : quatre siècles d’histoire architecturale au cœur de Paris / sous la direction d’Aurélien Conraux, Anne-Sophie Haquin et Christine Mengin, Paris : Bibliothèque nationale de France : Institut national d’histoire de l’art, DL 2017, 1 vol. (293 p. dont [7] p. dépl.) : ill. en coul. ; 28 cm. ISBN 978-2-7177-2565-0 (BnF). – ISBN 978-2-917902-33-2 (INHA). []
  10. Url : <http://c.bnf.fr/rYg>. []
  11. Url : <http://c.bnf.fr/rYs>. []
  12. Labrouste, 1801-1875, architecte : la structure mise en lumière : [exposition, Paris, Cité de l’architecture et du patrimoine, 11 octobre 2012-7 janvier 2013] / [organisée en collaboration avec le Museum of modern art, New York, et la Bibliothèque nationale de France] ; sous la direction de Corinne Bélier, Barry Bergdoll & Marc Le Coeur ; [catalogue par Corinne Bélier, Barry Bergdoll, Marc Le Coeur, et al.], [Paris] : N. Chaudun : Cité de l’architecture et du patrimoine ; [New-York] : the Museum of modern art [etc.], 2012, 270 p. []
  13. Url : <http://c.bnf.fr/rYy>. []
  14. Collection Charles Cros, url : <https://archivesetmanuscrits.bnf.fr/ark:/12148/cc97705f>. []
  15. Collection Charles Cros, url : <https://gallica.bnf.fr/html/und/objets/collection-charles-cros>. []
  16. Cf. url : <https://aacbnf2018.sciencescall.org>. []

Olivier Jacquot

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

More Posts

Médiation numérique : À la découverte du Canada, sur les traces de Jacques Cartier

Récemment, dans Gallica studio1, Arnaud Laborderie2 rendait compte de l’une des expérimentations de l’atelier-laboratoire sur les collections numériques qu’il mène à la BnF dans le cadre du plan quadriennal de la recherche 2016-2020.

Odyssé_ édition_numérique_augmentée_IDEFI_CréaTIC_Université Paris 8

Plan quadriennal de la recherche

C’est l’occasion de resituer ce programme inscrit dans ce dispositif de la recherche de la BnF, nommé le plan quadriennal de la recherche, et qui permet de financer des programmes de recherche internes avec des moyens dédiés et une temporalité dûment validée par la BnF, ce qui permet aux pilotes des programmes de s’extraire des tâches courantes liées à leur fonction.

Le projet d’atelier-laboratoire sur les collections numériques propose de concevoir des prototypes autour des collections numérisées de la BnF. Il s’agit d’expérimenter, avec une équipe de chercheurs et des étudiants de master en hypermédia, de nouveaux modes de médiations aux ressources numériques par des mises en forme cartographiques. Dans le champ des Humanités numériques, les représentations cartographiques sont principalement utilisées comme outils de visualisation de données. Ce projet veut quant à lui modéliser des cartes interactives qui soient de véritables dispositifs de médiation en proposant au lecteur des parcours guidés à travers les collections. Pour cela, il était envisagé de travailler sur des corpus issus de Gallica comme par exemple « La France en Amérique » ou « France-Chine » (Sinica) . L’objectif est de favoriser la consultation et l’appropriation des collections numérisées par le grand public, mais aussi de développer des outils qui pourront être appliqués à d’autres corpus de la BnF et de Gallica.

Les livrables, dont celui qui a été présenté dans Gallica studio, prennent la forme d’interfaces à déployer sur le web, comme c’est le cas de l’exemple de l’Odyssée3 ou en applications, ainsi qu’au format ePub.

Atelier-laboratoire IDEFI-CréaTic

Le projet comprend un axe expérimental, avec la création de prototypes en R&D dans le cadre de l’atelier-laboratoire IDEFI-CréaTic (Initiative d’Excellence en Formations Innovantes) porté par le master CEN (Création et Édition numériques) et le Laboratoire Paragraphe de l’université Paris 8. Cette approche pragmatique s’appuie sur un axe théorique, avec un séminaire organisé dans le cadre de la chaire Unesco ITEN (Innovation, Transmission et Édition Numériques) portant sur les interfaces innovantes et les modes de navigation dans les corpus numériques.

L’enjeu de l’atelier-laboratoire animé par Ghislaine Azémard, responsable du master Création et édition numériques, est de restituer toutes les dimensions de l’œuvre à travers une interface innovante, expérimentant les problématiques actuelles de remédiatisation et d’éditorialisation. Les étudiants doivent produire un objet éditorial innovant dont le prototype est ensuite valorisé par CréaTIC lors de salons et sur ses réseaux sociaux et par la BnF par l’intégration de Gallica studio.

À la découverte du Canada

Outre le prototype de l’édition numérique augmentée de l’Odyssée, l’atelier-laboratoire a conçu « À la découverte du Canada, sur les traces de Jacques Cartier » autour du voyage de Jacques Cartier et de la découverte du Canada, à partir d’éléments choisis au sein des ressources de la BnF (fonds cartographiques, récits de voyages et ethnographiques) ainsi que des ressources complémentaires fournies par la Bibliothèque et Archives nationales du Québec. « À la découverte du Canada » est un dispositif muséographique interactif et narratif dans l’univers des cartes marines et portulans. Dispositif onirique et narratif, il plonge le visiteur sur les traces de Jacques Cartier, dans sa navigation vers le Canada, et illustre la représentation du monde en Europe au XVIe siècle.

Enrichie par un corpus documentaire et cartographique d’exception, l’interface donne vie aux ressources de la BnF et en fait un atlas animé, une carte « vivante » dont les éléments participent d’un récit en interaction multimodale avec le visiteur. Ce dernier peut suivre la narration complète des voyages de Cartier, consulter les étapes et les anecdotes de son exploration, ou simplement, se laisser porter par l’enchantement des cartes marines.

Le projet, qui a donné lieu à un prototype fonctionnel pour un usage in situ4, a été conçu par Kathrina Frank5, Séverine Lefèvre, Marie Marsone-Ivanoff6 et Miloud Maamar7, étudiants du Master 1 en Création et Édition Numériques, 2016-2017. Il s’agissait de concevoir et réaliser une carte immersive comme dispositif de médiation innovant tout en travaillant sur la narration numérique comme mode d’expression citoyenne.

  1. Arnaud Laborderie, « Atelier-laboratoire : Odyssée, édition numérique augmentée », Gallica studio, 12 mars 2018. Disponible en ligne, url : <http://gallicastudio.bnf.fr/projets-collaboratifs/atelier-laboratoire-odyssée-édition-numérique-augmentée>. []
  2. Cf. son curriculum vitæ en ligne, https://cv.archives-ouvertes.fr/arnaud-laborderie []
  3. Cf. url : <http://leden.org/ulysse/index.html>. []
  4. Mais seule la vidéo de démonstration ci-dessus est accessible en ligne. []
  5. Cf. https://kathrinafrank.com/index.html []
  6. Cf. https://fr.linkedin.com/in/marieivanoff []
  7. Cf. https://maamar.fr/home []

Olivier Jacquot

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

More Posts

Parution : Une carrière de géographe au siècle des Lumières Jean-Baptiste d’Anville

Véritable ‘Strabon français’ pour ses contemporains, Jean-Baptiste d’Anville est considéré comme l’un des plus grands géographes des Lumières. Ce livre, fruit du travail d’analyse d’une dizaine de spécialistes internationaux, fondé sur des sources nombreuses et souvent inédites, est la première monographie à lui être consacrée.

L’ouvrage est le fruit du programme de recherche « Un cabinet savant à l’époque des Lumières : cartes, archives et manuscrits du géographe du roi Jean-Baptiste d’Anville (1697-1782) » mené dans le cadre du plan triennal de la recherche de la BnF pendant les années 2010-2012 et 2013-2015, par Lucile Haguet, sous la direction de Catherine Hofmann.


Comment cet inconnu, fils de tailleur parisien, se retrouve-t-il à vingt-deux ans géographe du roi et précepteur du jeune Louis XV ? C’est ce parcours extraordinaire que retracent les auteurs de cet ouvrage, en reconstituant le réseau qu’il a su se créer tout en s’assurant la protection des ducs d’Orléans sur trois générations et l’intérêt de la couronne portugaise. Au fil des chapitres se révèle l’impressionnante habileté intellectuelle de d’Anville, capable de satisfaire les exigences de ses mécènes sans trahir ses sources, conservant son intégrité de savant malgré la pression des enjeux diplomatiques. Sans quitter son cabinet parisien, par le seul exercice d’une critique aiguisée et d’un croisement systématique des sources (textes anciens, récits de voyage, mesures astronomiques, informations orales…), d’Anville remodèle les contours du monde ancien et moderne, avec une exactitude qui sera validée par les mesures de terrain a posteriori.

Ce livre dresse un portrait tout en nuances d’un géographe de cabinet au siècle des Lumières. Penché derrière l’épaule du savant, le lecteur découvre comment il élabore très tôt une rigoureuse méthodologie de travail, bâtit sa carrière, constitue l’une des plus grandes collections de cartes du XVIIIe siècle, et influence jusqu’à nos jours la représentation du monde et de ses frontières.

Sommaire

  • Laurence Engel, Préface
  • Christian Jacob, Avant-propos
  • Lucile Haguet et Catherine Hofmann, Introduction générale
  • I. Faire carrière au dix-huitième siècle
    • 1. Participer à l’éducation des princes : d’Anville et son élève Louis XV (1718-1730), Pascale Mormiche
    • 2. Elargir ses réseaux, diversifier ses commandes : les travaux de d’Anville pour la couronne portugaise, Júnia Ferreira Furtado
    • 3. Convaincre ses mécènes: un plan d’affaire prévisionnel pour faire commerce de cartes, Mary Sponberg Pedley
  • II. Dessiner le monde depuis sa chambre
    • 1. La bibliothèque cartographique, outil de travail du géographe de cabinet, Lucile Haguet
    • 2. Une ‘science de pure érudition’, la géographie critique et comparée selon Jean-Baptiste d’Anville, Georges Tolias
    • 3. L’utilisation des sources orientales par Jean-Baptiste d’Anville, Jean-Charles Ducène
    • 4. Jean-Baptiste d’Anville et la cartographie de l’Amérique du Nord, Jean-François Palomino
  • III. La réception de l’œuvre de d’Anville
    • 1. Entre publicité, débat scientifique et vulgarisation: Jean-Baptiste d’Anville dans les journaux, Nicolas Verdier
    • 2. D’Anville, Gibbon et l’espace des empires : la réception britannique du géographe français à travers l’exemple de l’historien anglais, Robert Mankin
    • 3. L’appropriation des cartes de d’Anville dans le monde luso-brésilien : mémoire toponymique et stratégie diplomatique dans la région amazonienne, 1798 et 1904, Iris Kantor
  • IV. La réception institutionnelle, patrimoniale et symbolique d’un ‘grand homme’
    • 1. Splendeur et décadence d’un ‘grand homme’ : réception et postérité de d’Anville et son œuvre, Lucile Haguet
    • 2. La ‘collection d’Anville’ au ministère des Affaires étrangères (1772-1828) : modalités et enjeux d’une appropriation, Catherine Hofmann
    • 3. D’Anville et la Bibliothèque royale/nationale : forces et ambiguïtés d’un héritage, Catherine Hofmann
  • Conclusion : célèbre et méconnu – un géographe réévalué, Jean-Marc Besse
  • Annexes
  • Bibliographie
  • Index

Informations pratiques

Description : Broché, 528 pages, 90 illustrations, 15,6 x 23,4 cm
Date de parution : 14 mai 2018
ISBN/EAN : 978-2-7177-2653-4 (BnF) / 9782717726534 / 978-0-7294-1209-4 (Voltaire)
Editeurs : Coédition BnF Éditions / Voltaire Foundation
Collection : Oxford University Studies in the Enlightenment ; 2018.05
Distributeur : BnF Éditions
Disponibilité : Disponible
Prix : 89 € : 87 £
Pour les résumés en anglais, voir ici
Pour pièces préliminaires, voir ici

Olivier Jacquot

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

More Posts

Explorer des corpus d’images. L’IA au service du patrimoine

Suite aux ateliers « Décrire, transcrire et diffuser un corpus documentaire hétérogène : méthodes, formats, outils » et « Géolocalisation et spatialisation de documents patrimoniaux », une troisième 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 la continuité des deux ateliers précédents, cet après-midi d’étude, qui a eu lieu le 28 mars sur le site Richelieu, était conçu autour d’une seule thématique et dans le même esprit d’incitation au partage entre le monde des bibliothèques et les milieux académiques.

Neuf présentations se sont succédé au fil de l’après-midi avec l’objectif d’esquisser un panorama de différentes applications des méthodes d’analyse automatique d’images par le contenu.

L’état de l’art des solutions logicielles, actuelles ou en développement, réalisé à la demande de la BnF au Centre Européen de valorisation numérique Valconum.

Présentation par Nicolas Sidère, ingénieur de recherche, laboratoire Informatique, Image et Interaction (L3i), université de La Rochelle.

La BnF s’est engagée en 2017 à « faciliter l’usage de Gallica » – la bibliothèque numérique de la BnF – en développant « des outils conviviaux d’exploration des corpus (fouille d’images, reconnaissance d’articles, etc.) »1. Afin de mieux cerner les possibilités existantes pour mettre en place à terme de tels outils permettant la fouille d’images, une étude a été demandée en 2017 par la BnF à Valconum, consortium académique-industriel visant la valorisation de contenus numériques. Cette étude, cordonnée par le L3i et rédigée par quatre laboratoires partenaires (L3i, LIPADE, CVC, IRISA), avait donc pour objectif de fournir un panorama des solutions logicielles pour la mise en place d’un outil de recherche d’images dans Gallica reposant non plus sur les métadonnées textuelles associées essentiellement manuellement aux images, comme à l’heure actuelle, mais aussi sur la reconnaissance automatique de caractéristiques formelles ou structurelles des images.

Parmi les possibilités de recherche d’images existantes, trois orientations peuvent être distinguées : la navigation libre dans un corpus, la recherche par mots-clés et la recherche par le contenu, que la BnF souhaite intégrer à Gallica.

Le fonctionnement d’un système traditionnel d’indexation et de moteur de fouille d’images basé sur le contenu (CBIR, Content-Based Image Retrieval) prévoit différentes phases : le prétraitement des images pour en améliorer la qualité (suppression de distorsions, augmentation des contrastes, suppression de bruits de numérisation, etc.), ensuite l’extraction des caractéristiques structurelles des images, la constitution d’une base de données où ces caractéristiques sont stockées, pour être enfin comparées aux caractéristiques d’une image spécifique lors d’une requête de l’utilisateur.

By Xiawi [GFDL (http://www.gnu.org/copyleft/fdl.html) or CC BY-SA 3.0 (https://creativecommons.org/licenses/by-sa/3.0)], from Wikimedia Commons
By Xiawi [GFDL (http://www.gnu.org/copyleft/fdl.html) or CC BY-SA 3.0 (https://creativecommons.org/licenses/by-sa/3.0)], from Wikimedia Commons

Deux grandes catégories d’approches d’indexation par le contenu sont possibles aujourd’hui : l’approche par le contenu visuel et celle par le contenu sémantique.

La première approche vise à générer la signature d’une image en extrayant des indices visuels sur la base de trois typologies de caractéristiques : description globale (couleur, texture, forme), description spatiale (agencement des composantes d’un document) ou description locale (utilisation de descripteurs sur des zones locales d’intérêt).

Descripteurs locaux (exemple)

Avec l’avènement de l’apprentissage profond (deep learning), la capacité à extraire et à sélectionner ces caractéristiques de manière automatique (c’est-à-dire par des réseaux de neurones artificiels) accélère les traitements et ouvre de nouvelles voies. Une application immédiate de cette approche est la recherche d’images par similarité.

La deuxième approche, celle d’indexation par le contenu sémantique, ne vise pas à rechercher des notions visuelles (aussi définies comme « bas niveau ») mais à détecter automatiquement des concepts (aussi définis comme « haut niveau ») pour la création d’un index sémantique. Cela permet l’étiquetage soit d’une image entière, soit d’une portion de l’image et ces étiquettes peuvent être ensuite inclues dans une ontologie qui permet de faire des inférences ou de désambiguïser. ImageNet est aujourd’hui l’exemple le plus parlant de base d’images (naturelles) annotées à partir de concepts (80 000). Des applications possibles grâce à l’indexation par le contenu sémantique sont par exemple l’identification et la localisation d’objets dans une image (détection de visages, de personnes, d’objets, etc.) ou la génération automatique de légendes d’illustration.

Légendage automatique

Concernant les outils existants ou en développement et les acteurs, trois types peuvent être distinguées :

  • Les outils fournis par les « géants du Web » (Google, Apple, Facebook, Amazon, Microsoft) ou GAFAM : Google Vision API, Amazon Rekognition, IBM Watson/ Cloud Visual Recognition, qui donnent des résultats prometteurs mais présentent aussi des défauts (entrainement sur des corpus iconographiques contemporains, coût à l’image analysée) ;
  • Les start-up ou laboratoires spin-off (Lamark, NeoVision, Videntifier, OddConcepts) qui peuvent répondre à des besoins plus spécifiques mais qui demandent plus de temps de mise en œuvre ;
  • Les frameworks ou bibliothèques open source (Caffe, TensorFlow, OpenCV, FLANN, Faiss) prêts à l’emploi ou personnalisables.

Les contraintes principales pour la mise au point d’un outil d’indexation et de recherche d’image par le contenu sont la nature hétérogène des corpus en termes de contenus, de techniques de production et de supports, de supports-images (qualité de numérisation et de compression). La diversité des approches et outils à disposition implique également de faire des choix scientifiques/techniques. Enfin, la nécessité d’investissements d’infrastructure informatique pour un passage à l’échelle est un point à prendre en considération.

Afin de satisfaire les besoins des institutions patrimoniales telles que la BnF, la collaboration avec les laboratoires de recherche, et entre institutions, paraît la solution la plus adaptée en permettant notamment la prise en considération des spécificités des collections et des images anciennes.

Gallica.pix, une preuve de concept utilisant les collections de Gallica sur la période 1914-1918.

Présentation par Jean-Philippe Moreux, expert OCR et formats éditoriaux, BnF.

Gallica.pix est un démonstrateur développé par Jean-Philippe Moreux et accessible sur Gallica Studio. Il met en œuvre une approche d’indexation sémantique sur les collections iconographiques de Gallica couvrant la période 1914-1918 et sur lesquelles différents outils ont été expérimentés dans une optique de recherche d’information encyclopédique.

La réalisation du PoC a demandé plusieurs étapes : la première consistait à repérer les illustrations, y compris celles contenues dans les imprimés (presse quotidienne, revues, monographies) à l’aide des API de la BnF ; la deuxième consistait à les enrichir avec des métadonnées permettant leur recherche ; la dernière à élaborer une interface de recherche web interrogeant une base XML (basex.org).

Processus d’extraction

Le fait d’identifier les illustrations et de les référencer dans une application dédiée à la recherche d’images offre en soi une expérience utilisateur enrichie. Néanmoins, cette première phase d’extraction pose un certain nombre de défis :

  • Pour la collection Images, les métadonnées bibliographiques sont souvent lacunaires, sans vocabulaire normalisé, et pas pensées pour cet usage. Certains recueils d’images sont signalés avec une seule notice pour x
  • Pour les imprimés, l’identification des illustrations au sein des pages est donnée par l’OCR, avec les défauts de ce dernier. Ainsi pour le cas particulier de la presse quotidienne, le bruit peut atteindre 80% pour de l’OCR brut.
  • Toujours pour la presse quotidienne, l’identification des publicités illustrées (avec une part proche de 30%) est un autre enjeu, car elle ne peut être menée sur les seuls critères visuels.

Proximité visuelle entre illustrations éditoriales et publicités illustrées (signalées par une icône)

Dans la deuxième étape d’enrichissement des métadonnées, ont été utilisés un réseau de neurones pré-entrainé et open-source de Google (Inception-V3) pour la classification des genres d’illustrations (photo, gravure, carte, etc.) puis l’API IBM Watson Visual Recognition pour l’indexation sémantique (la bibliothèque open source OpenCV/dnn a également été testée). Les images elles-mêmes sont extraites des serveurs Gallica via l’API Image IIIF.

Le réseau Inception-V3 est un réseau de neurones convolutionnels (CNN). Il a été réentrainé (sa seule dernière couche, approche dite « d’apprentissage par transfert », “transfer learning”) sur un jeu de 12 classes documentaires (environ 1000 images par classe) et évalué sur un sous-ensemble du jeu.

Les « genres » documentaires

Rappel et précision sont de l’ordre de 90%. Cette approche permet également de filtrer le « bruit » issu de l’OCR mais aussi celui présent dans les collections Images (recueils, portfolio, etc.) : couverture, pages blanches intercalaires, pages de texte.

L’utilisation d’un réseau de neurones induit des comportements spécifiques. Ainsi les confusions surviennent sur des genres visuellement proches (photographie/gravure, schéma/carte/dessin, etc.).

Confusion : dessin, schéma technique, carte ?

L’échelle d’analyse du réseau (299×299 pixels) intervient également. À cette échelle, des pages de genres différents peuvent sembler visuellement proches.

Partition, presse, carte

Le phénomène de généralisation est aussi exemplaire de l’apprentissage profond : le réseau sait identifier des images proches de celle de la classe d’apprentissage. Ainsi de ces cartes illustrées.

Ce type de cartes illustrées n’était pas présent dans le jeu d’apprentissage

En matière d’indexation sémantique, deux évaluations ont été menées sur les classes Personnes et Soldats extraites par IBM Watson. Ainsi pour la recherche de visuels de soldats, si le taux de rappel de l’API n’est que de 55%, la possibilité de réentrainer le réseau sur les données de la BnF permet de gagner 5%. Et en croisant cette indexation visuelle sémantique avec les métadonnées bibliographiques, le taux de rappel atteint alors 70%. A comparer aux 20% obtenus par une requête par mot-clé sur les seules métadonnées (« soldat OU poilu OU officier… »).

Taux de rappel selon divers scénarios de recherche (classe « Soldat »)

La détection de visages de l’API Watson est également testée. Un taux de rappel de 30 % et une précision de 99,8 % montre que l’API a été paramétrée avec des réglages conservatifs. Un autre réseau (modèle ResNet du module « dnn » d’OpenCV 3.3) donne un meilleur taux de rappel (au détriment de la précision), y compris sur des documents « difficiles » (dessin de presse, gravure).

Détection de visages et de genres (API Watson)

 

Détection de visages (ResNet, OpenCV/dnn)

Finalement, l’application web Gallica.pix interroge la base XML avec XQuery et affiche les imagettes via le serveur IIIF BnF. Divers cas d’usage peuvent être envisagés :

  • Mot-clé: une recherche sur un mot-clé interroge les métadonnées bibliographiques et l’OCR. L’exemple ci-après montre les résultats d’une recherche menée sur Georges Clemenceau dans Gallica et dans Gallica.pix : la fouille dans les imprimés a considérablement enrichi l’offre iconographique.

Recherche sur le mot-clé « clemenceau » : Gallica Images (1910-1920) : 140 résultats, Gallicap.pix : 859

  • Types documentaires : dans le cas précédent, la facette « Dessin » donne accès aux caricatures de presse de Clemenceau
  • Concepts: l’indexation sémantique visuelle est utilisée. Toujours dans le cas « Clemenceau », les critères Personne ou Visage permettent de filtrer les illustrations de Georges Clemenceau de celles se rapportant à lui (événements, commentaires, etc.). Autre exemple, le concept « Avion » donne accès à des illustrations représentant des avions alors que le mot-clé « avion » renvoie aussi à des aviateurs, des cartes aériennes, etc.

A gauche, mot-clé « avion », à droite, classe « Avion »

  • Requêtes hybrides : L’indexation sémantique et les métadonnées sont utilisées. Ainsi la recherche de visuels sur les destructions urbaines consécutives à la bataille de Verdun : classe=(”rue” OU ”maison”) ET mot-clé=”Verdun”

Recherche hybride

Le PoC a permis de mettre en évidence les atouts d’une telle approche :

  • La maturité des techniques d’IA dans le traitement d’image rend possible leur intégration dans la boîte à outils des bibliothèques numériques.
  • Un accès unifié à toutes les ressources iconographiques d’une collection numérique à vocation encyclopédique est offert.
  • Elle ouvre de nouvelles perspectives, avec par exemple la création de jeux de données iconographiques pour la recherche (cartes, publicités, sports, etc.) ou pour l’entraînement (apprentissage profond).
  • La réutilisation des ressources numériques est favorisée : les fonds iconographiques ainsi référencés et indexés peuvent à leur tour être diffusés avec des protocoles standards (en particulier avec l’API Presentation de IIIF).
  • De manière annexe, ce PoC montre qu’il est possible de réaliser des applications complexes à partir de l’offre en API de la BnF.

Cependant, des défis et questionnements se font jour :

  • Verrous scientifiques : segmentation et indexation sur des fonds hétérogènes ; entraînement sur des fonds patrimoniaux (les offres commerciales étant entraînées sur des ressources contemporaines)
  • Ingénierie : architecture technique, puissance de calcul, explosion des métadonnées (10 M pour le corpus Gallica.pix)
  • Métadonnées descriptives pour l’indexation : modèle de données, formats, vocabulaires, standards ?
  • Cycle de vie de l’indexation ?

Le prototype Gallica Images.

Présentation par Raphaël Baudiment, ingénieur étude et développement, BnF.

Le prototype Gallica Images, développé par Raphaël Baudiment, met en œuvre l’autre approche d’indexation d’images par le contenu : celle du contenu visuel basée sur les similarités formelles et structurelles des images. Sans faire appel aux techniques d’apprentissage profond, l’objectif était de créer un index à partir d’un corpus d’images de Gallica issu des collections d’images des départements spécialisés.

L’index de test de plus de 620 000 images ne s’appuie pas sur les métadonnées bibliographiques mais il est construit à partir de la structure de chacune des images, décrite dans une signature utilisée pour la comparaison et l’identification de similarités lors d’une recherche. À cet effet, pour chaque image, des statistiques ont été calculées sur la distribution colorimétrique (un seul canal pour les images noir et blanc ou en niveaux de gris, trois canaux pour les images en couleur) à l’aide de l’outil open source ImageMagick qui permet de calculer pour chaque canal de l’image la moyenne colorimétrique, l’écart type, l’ asymétrie, la courbure et l’entropie.

Afin de rechercher ces images, une application web a été développée pour fonctionner en deux phases : une première phase de présélection qui présuppose la pertinence par rapport à l’image-requête et une deuxième phase de tri pour fournir en réponse de la requête des résultats classifiés par pertinence descendante. Pour cette deuxième phase a été utilisé l’un des algorithmes en surcouches du serveur Solr développés dans le cadre du projet Lucene/LIRE. L’algorithme, choisi en raison de sa pertinence, s’appelle calcul d’empreinte FCTH (Fuzzy Color and Texture Histogram) ; il prend en entrée une image et ensuite calcule une empreinte sous forme d’un tableau de 192 octets. Outre l’index produit par ImageMagick, un deuxième index a donc été constitué via l’algorithme FCTH ; l’avantage étant l’utilisation des empreintes pour le calcul de distance. La mesure de similarité de Tanimoto, a enfin été employée pour calculer cette distance, c’est-à-dire pour classifier les images sur la base du niveau de similarité.

L’index produit a servi à construire une API qui permet d’utiliser un protocole pour interroger les images en termes de palette de couleurs et de proportions.

Exemples de requêtes

Grâce au protocole IIIF, d’autres fonctionnalités ont été expérimentées, comme par exemple une expérience renouvelée de l’exploration de documents cartographiques basée sur la comparaison de cartes anciennes avec des systèmes cartographiques contemporains tels qu’OpenStreetMap.

En conclusion, Gallica Images propose une nouvelle forme de découverte des collections BnF, rythmée par des rebonds qui incitent la flânerie et la sérendipité. Dans une application de recherche d’image, cette approche serait complémentaire des techniques d’indexation sémantique.

Diginpix, un système d’identification d’entités visuelles dans les images fixes et animées.

Présentation par Nicolas Hervé, chercheur en informatique, INA.

Diginpix est un prototype de système de reconnaissance d’entités visuelles développé à l’Espace recherche de l’Institut national de l’audiovisuel en 2014, en collaboration avec équipe-projet ZENITH de l’INRIA. Il ne se base pas sur l’apprentissage de classes (concepts généraux) mais sur la reconnaissance d’instances, c’est-à-dire d’éléments spécifiques dans une image fixe ou animée qu’on peut définir comme des entités visuelles en faisant un parallèle avec la reconnaissance d’entités nommées dans un texte.

Le prototype est disponible en ligne et fonctionne sur deux types d’entités visuelles : des logos et des peintures. Ces entités visuelles sont issues de dictionnaires sur lesquels le système de reconnaissance a été entrainé. Le dictionnaire des logos contient 25 000 entités morales issues de liste de marques, de partis politiques, d’organisations internationales par exemple, pour lesquels les images ont été repérées sur Google pour constituer automatiquement une base de données. Le dictionnaire des peintures est quant à lui le résultat d’un partenariat avec l’agence photos RMN dont la base de données, qui contient 5 photographies par tableau en moyenne, a été partagée. Les deux bases de données sont donc de deux natures différentes : d’un côté une base qui contient énormément d’images par entité (200 images environ par logo) mais de qualités hétérogènes, de l’autre une base qui contient peu d’exemples mais d’excellente qualité.

Le prototype a été testé sur le fonds des vidéos de sport, de musées et les vidéos disponibles en ligne sur le site ina.fr. Pour ne pas masquer la complexité des systèmes de reconnaissance visuelle, les pourcentages de réussite (les scores de prédiction de l’algorithme) sont clairement affichés dans les résultats afin de donner à l’utilisateur l’autonomie et le choix de prendre en compte une vidéo ou pas dans le cadre de ses recherches.

Résultats avec score de confiance

L’image animée implique une problématique ultérieure par rapport à l’image fixe en raison de sa dimension temporelle. Un visualiseur spécifique a été aussi développé, dans une logique open source, pour permettre le repérage rapide des entités visuelles dans la temporalité de la vidéo.

Visualiseur diginpix.ina.fr

Comme le repérage d’entités visuelles demande énormément d’informations locales, les bases de données d’indexation constituées à partir de la reconnaissance des entités sont conséquentes (elles peuvent avoir une taille supérieure à celle des vidéos elles-mêmes) et font l’objet de recherches au sein de l’établissement pour en optimiser les temps de calcul.

Dans ce contexte, la qualité et la modélisation des données jouent un rôle fondamental car c’est sur les bases de données que les algorithmes sont entrainés.

Reconnaissance automatisées des images de presse. L’exemple de la presse d’entre-deux-guerres.

Présentation par Pierre-Carl Langlais,  post-doctorant dans le cadre du projet ANR Numapresse.

Le travail de Pierre-Carl Langlais n’est pas mené dans l’optique de fournir des outils pour l’exploration de corpus mais dans la perspective de développer des solutions techniques pour répondre à des questions scientifiques posées, plus spécifiquement, dans le cadre du projet Numapresse. Ce projet ANR, actuellement en cours, a pour vocation d’explorer les mutations culturelles, les transferts génétiques et poétiques de la presse francophone de 1800 à 2018.

L’expérimentation présentée part du postulat que la plupart des images de presse sont intégrées dans un article et propose une classification automatique des images par le texte.

Le premier matériau pris en considération pour l’expérimentation a été l’OLR (Optical Layout Recognition) produit dans le cadre du projet Europeana Newspapers (1814-1945). En permettant la reconnaissance semi-automatique des agencements des éléments dans une page de journal, il permet indirectement d’identifier des illustrations dans la presse.

Parallèlement à la distinction des zones textuelles des zones iconographiques, un prototype de topic modeling supervisé, couvrant dix-neuf formes journalistiques, a été développé pour repérer les formes courantes entre 1920 et 1940. Ces modèles permettent d’analyser la répartition des genres sur de longues périodes, et de mettre en lumière des récurrences et des ruptures.

Ce modèle permet donc de classifier les articles mais aussi les illustrations associées et de constituer des sous-corpus thématiques à partir de la classification opérée. Avec cette classification des images via le texte, il devient possible de parcourir rapidement l’ensemble des images publiées dans une rubrique et de faire émerger des pratiques visuelles inattendues.

L’indexation sémantique visuelle sur l’illustration de presse est également évaluée à l’aide de modèles généralistes (Imagenet), qui de fait sont imparfaits. Néanmoins, dans un corpus aussi spécifique (le sport dans la presse quotidienne), les catégories prennent sens les unes par rapport aux autres. Ainsi la projection des proximités entre les classes d’Imagenet sur les images de sport du Parisien de 1934, puis la montée en abstraction sémantique grâce aux métadonnées de wordNet conduit à un réseau d’étiquetage pertinent des « régimes de représentabilité » du sport.

Projection tsne (à gauche), réseau d’étiquetage (à droite)

D’autres perspectives de recherche concernent les légendes des illustrations, la segmentation des composantes des illustrations, l’agencement de l’image du texte, la « viralité » de l’image de presse ou enfin les conditions de production de l’image de presse.

Cette expérimentation met en lumière les possibilités ouvertes par la technique mais aussi l’importance des compétences scientifiques, garantes de la pertinence de l’interprétation des résultats.

Le projet SIAMESE. Les images publicitaires comme sources historiques.

Présentation par Melvin Wevers, post-doctorant, DHLAB-KNAW, Amsterdam.

Le projet de recherche SIAMESE naît de l’idée qu’à partir de l’analyse des images publicitaires, il est possible de dégager les idéaux, les modes et les aspirations d’une société à une époque donnée. Le projet a été mené en 2017 par Melvin Wevers en tant que « chercheur en résidence » au KB Lab de la Bibliothèque nationale des Pays-Bas.

Afin d’analyser les images publicitaires présentes dans la presse du XXe siècle (1,6 million de publicités environ), le recours à une analyse computationnelle était nécessaire. La Bibliothèque nationale des Pays-Bas signale dans Delpher deux typologies d’information : les métadonnées de l’illustration (journal, page, taille et date de publication) et le texte contenu dans l’illustration (extrait grâce aux techniques d’OCR). Ces informations peuvent être analysées indépendamment car elles permettent de connaître par exemple les changements en termes de taille, de positionnement dans les journaux et de proportion d’éléments textuels et d’éléments visuels.

Taille moyenne des illustrations (1948-1995)

Dans une approche de vision par ordinateur (computer vision), les métadonnées peuvent être croisées avec l’analyse automatique des images. En effet, pour ce qui concerne les images publicitaires, la fouille du texte (text-mining) ne suffit pas à identifier par exemple toutes les publicités de la marque Camel car parfois le texte « Camel » est présent dans l’annonce, parfois il ne l’est pas mais un logo se trouve à la place. La fouille d’image (image mining) peut alors compléter cette « insuffisance » des métadonnées et du text mining en apportant les informations visuelles.

Le projet SIAMESE, d’une durée de six mois, a été l’occasion d’expérimenter l’utilisation de réseaux de neurones convolutionnels (CNN) pour étudier les publicités dans deux journaux nationaux sur la période 1948-1995. La première phase du projet consistait à nettoyer les données via les métadonnées pour sélectionner les publicités contenant des éléments iconographiques. La deuxième phase consistait à utiliser des réseaux neuronaux pour identifier les éléments iconographiques dans les images. Comme les réseaux de neurones existants ne donnaient pas de bons résultats avec les images publicitaires du XXe siècle, au lieu d’utiliser la dernière couche de classification du réseau (qui détermine par exemple si un chat est un chat et avec quel niveau de probabilité il l’est), la décision a été prise de s’arrêter à l’avant-dernière couche de calcul qui identifie les caractéristiques structurelles et formelles (2048 données) d’une image, par exemple déterminer si dans l’image est présente une ligne diagonale ou des cercles ou des triangles.

Les images ont donc été classifiées selon leurs caractéristiques visuelles en utilisant la bibliothèque open source pour TensorFlow qui permet de calculer les regroupements visuels (clustering). Une recherche des plus proches voisins permet ensuite de naviguer dans cet espace de représentation. Ce processus a abouti à l’application SIAMESE qui, à partir de la sélection d’une image, fournit les images publicitaires similaires par année et la possibilité de consulter le journal dans lequel la publicité en question a été publiée.

http://lab.kb.nl/tool/siamese

L’utilisation d’un réseau de neurones dans le cadre du projet HIMANIS.

Présentation par Dominique Stutzmann, chargé de recherche, IRHT.

HIMANIS est un projet européen (2015-2018, HERITAGE PLUS Joint Call) qui repose sur le soutien et l’engagement d’institutions patrimoniales, d’institutions de recherche en humanités et de chercheurs en sciences informatiques. Ce projet pluridisciplinaire a pour objectif ultime de comprendre la réalité du gouvernement royal à partir de l’indexation du corpus des registres de la chancellerie royale (c’est-à-dire la copie par l’administration royale des actes, à valeur perpétuelle essentiellement, qui sont produits pour les gens du royaume), qui est un corpus sur lequel les érudits travaillent depuis le XVIIe siècle. Ce corpus (200 volumes, 70k pages, français, latin, allemand) est conservé aux Archives nationales et à la BnF.

Un prototype de recherche et de consultation a été réalisé. Il est basé sur un moteur de recherche avec négociation de contenu, qui permet à l’utilisateur de favoriser la précision ou le rappel d’information parmi l’ensemble des hypothèses de reconnaissance fournies par le système.

Recherche du mot-clé « nostrum » et occurrences de l’abréviation « nrm »

Pour atteindre ce résultat, la maîtrise des données était d’abord nécessaire pour pouvoir entrainer la machine et pour assurer un apprentissage qualitatif. L’entrainement est réalisé sur la base d’un corpus TEI constitué à partir des transcriptions existantes des chartes (éditions rétroconverties et éditions électroniques natives). Le modèle apprend donc sur un corpus dont la langue a été modernisée et dont les abréviations ont été mises au long.

L’entraînement est réalisé au niveau de la ligne (ce qui suppose d’entraîner un segmenteur de lignes, d’aligner les lignes avec le texte du corpus, et de corriger les erreurs résiduelles, ce qui a été réalisé à l’aide de l’outil Transkribus). La reconnaissance de l’écriture s’appuie sur un réseau de neurones récurrent (RNN) et des ressources linguistiques (N-grams, dictionnaires, lemmatisation).

L’évaluation de la qualité de la transcription et des performances en regard des usages attendus est un autre enjeu fort de ce projet.

Le travail actuel porte sur l’élaboration d’une nouvelle interface, l’identification des scribes et des entités nommées (pour donner un accès géographique ainsi que nominal permettant l’analyse de réseaux), ainsi que l’exposition des données grâce à des protocoles interopérables (en particulier IIIF). De ce fait, une intégration des résultats d’HIMANIS dans Gallica est une perspective envisageable.

Visualiseur IIIF

Ce projet met en lumière l’importance de la réutilisation de données ou métadonnées historiques qui permettent, elles, d’entrainer correctement des machines à identifier les textes, les lire et les catégoriser, et cela pour des volumes importants (70 000 pages). Il ouvre les moyens de créer de nouveaux savoirs dans un environnement ouvert.

La compétition scientifique CLAMM.

Présentation par Nicole Vincent, professeure au LIPADE, Paris Descartes.

La compétition CLAMM vise à fournir des solutions pour la classification automatique de manuscrits médiévaux latins afin de permettre l’étude de réseaux à l’époque médiévale. L’objectif de la compétition était donc de reconnaître des types d’écriture (distingués en douze classes) dans des manuscrits médiévaux et d’en établir la datation. Deux niveaux de difficulté ont également été distingués relativement à l’homogénéité des images.

La base de données sur laquelle se base la compétition a été annotée par les membres experts de l’IRHT, structurée en sous-ensembles pour permettre plusieurs tâches et divisée en deux (une partie pour l’apprentissage et une partie pour les tests). Deux corpus d’images ont été utilisés : un premier relativement homogène, constitué par des images de bonne qualité en niveaux de gris dédié à l’apprentissage et aux tests; et un deuxième corpus hétérogène en termes de formats, compressions et couleurs dédié aux seuls tests.

Deux compétitions ont eu lieu : une en 2016 et une en 2017. Lors de la première, l’objectif était de reconnaître le style de l’écriture. En 2017, deux tâches étaient en revanche visées : au style des écritures venait s’ajouter la datation. Le taux de reconnaissance globale, par classe  ainsi que la distance intra-classe moyenne étaient les critères d’évaluation.

En 2016, le meilleur système pour la reconnaissance globale (sous forme de matrice de confusion, à gauche dans la figure suivante) met en évidence la capacité de la machine à reconnaître la plupart des classes. Les résultats concernant la distance intra-classe (à droite dans la figure) permettent d’évaluer la qualité des caractéristiques extraites par les systèmes en compétition (il est possible de travailler sur deux niveaux).

La robustesse des systèmes est aussi un enjeu majeur. Le graphe suivant montre par exemple un système (bleu foncé) offrant de bonnes performances globales mais étant mis en échec sur la classe 11.

Concernant la datation, les résultats sont moins satisfaisants car l’ensemble de l’apprentissage était moins régulier en nombre d’éléments par classe.

La moitié des systèmes étaient basés sur des CNN et des architectures profondes, les autres sur des caractéristiques plus ou moins nombreuses. Les architectures profondes ont donné les meilleurs résultats.

Pour ces tâches de classification, des approches interactives sont également envisageables. Elles consistent par exemple à faire apprendre au système, par interaction avec l’expert, les poids des différentes caractéristiques, ou encore à donner un feedback utilisateur au système, ce qui permet d’améliorer ce dernier au fur et à mesure de son utilisation.

Le deep learning pour l’histoire de l’art, un projet de thèse.

Présentation par Nicolas Gonthier, doctorant, LTCI, Télécom ParisTechUniversité Paris Saclay.

Sous la direction de Yann Gousseau, Saïd Ladjal (Télécom ParisTech) et Olivier Bonfait (Université de Bourgogne), Nicolas Gonthier mène depuis cette année un projet de recherche intitulé « Transfert d’apprentissage pour l’analyse iconographique d’œuvres d’art graphiques ». Ce projet de thèse vise à permettre l’indexation iconographique automatique en faisant appel aux techniques et aux méthodes de l’apprentissage profond. Le projet part s’appuie sur le transfert d’apprentissage, c’est-à-dire de l’idée d’utiliser les descripteurs haut niveau d’un réseau de neurones généraliste préentrainé pour une autre tâche. Autrement dit, le réseau entrainé pour réaliser de la classification de photographies est utilisé pour de l’analyse iconographique d’œuvres d’art graphiques.

La démonstration en ligne sur les peintures d’ArtUk suggère qu’il est possible de classifier des peintures à l’aide de descripteurs appris sur des photographies avec deux cents exemples. Une base d’apprentissage est créée à partir d’images issues de WikiCommons et portant sur 5 classes (ange, marie, nudité, ruines, Jésus Christ) et 5475 documents. Plusieurs modèles de réseau sont testés sur cette base.

Par ailleurs, les algorithmes de détection permettent l’identification de différents éléments dans une image, ce qui est un prérequis dans le contexte de l’analyse iconographique d’œuvres. Comment faire du transfert d’apprentissage avec un réseau tel que Faster R-CNN ? Quelle proposition contient l’objet détecté ? Comment mettre en œuvre un apprentissage multi-instances pour l’indexation iconographique ? En ne gardant que la zone la plus positive pour les exemples positifs et en distinguant les choix corrects des choix partiels (phase de sélection) une amélioration de l’apprentissage peut être constatée.

Malgré les limites générales des méthodes d’apprentissage, c’est-à-dire les biais dans la base d’apprentissage et la quantité des exemples, la possibilité d’annoter automatiquement des images avec des détections multiples et donc de réaliser de la recherche « pleine image » représente une opportunité considérable pour l’histoire de l’art.

D’autres éléments peuvent concourir à la réussite de ce type de projet : les classifications iconographiques existantes comme par exemple ICONCLASS et l’ouverture des bases de données des archives photographiques documentaires en histoire de l’art telles que celles conservées par le consortium international PHAROS.

Conclusion

En 2011, des acteurs du monde des bibliothèques constataient que l’indexation de l’image passe par le texte2. Aujourd’hui l’image semble avoir encore besoin partiellement du texte pour plusieurs raisons : des annotations sont nécessaires pour entrainer les systèmes de reconnaissance automatique, des métadonnées doivent être produites pour éviter de redemander continûment à la machine des calculs complexes et enfin le croisement des techniques de fouille de texte (text mining) avec celles de fouille d’image (image mining) apporte des résultats plus intéressants pour des projets de recherche sur des ouvrages ou sur la presse. Cependant, sept ans après la publication de l’ouvrage « Images et bibliothèques », les avancées dans le champ de l’analyse automatique d’images sont significatifs grâce notamment au développement des techniques d’apprentissage profond supervisé.

Malgré la disponibilité croissante de réseaux de neurones pré-entrainés et d’algorithmes d’identification des caractéristiques symboliques, l’adaptation du processus et des technologies à l’objectif final est fondamentale pour obtenir des résultats performants. Les institutions patrimoniales comme les laboratoires de recherche, notamment en humanités numériques, auraient alors intérêt à investir dans la phase d’apprentissage, à prendre en compte la complémentarité des deux approches différentes d’analyse et à raisonner par corpus, par ensembles d’images similaires en termes d’époque, technique de production et support-image.

Outre la question de l’apprentissage et de l’anachronisme de l’utilisation d’images contemporaines pour la reconnaissance d’images anciennes, un autre aspect ne devrait pas être négligé : l’espace de stockage. Dans le cadre du projet HIMANIS par exemple pour 4 To d’images, 10 To de métadonnées ont été produites. À une image, 30 à 40 métadonnées descriptives peuvent être facilement associées mais elles risquent d’avoir une durée de vie limitée à cause de la rapidité des progrès technologiques.

Traditionnellement l’image entretient une relation complexe avec la normalisation, notamment pour ce qui concerne les métadonnées associées. Si une normalisation technique dans le champ de l’indexation automatique pourrait être difficile à mettre en œuvre en raison de la rapidité de l’évolution technologique, une normalisation des métadonnées et des ontologies pourrait être en revanche imaginée. Dans les faits, l’utilisation de bibliothèques de réseaux neuronaux open source limite aussi au niveau technique la dispersion et la multiplication des méthodes.

Même si les approches, les techniques, les capacités de calcul et de stockage évoluent, la modélisation et la qualité des données qui servent à l’apprentissage constituent les fondations d’un système stable. Comme la donnée est le pilier de tout système, une attention méticuleuse devrait lui être portée pour éviter des distorsions à long terme.

Comme le résume André Gunthert, ce panorama des approches et des applications des méthodes d’analyse automatique d’images démontre la nécessité et la fécondité de la collaboration étroite entre les humanistes et les ingénieurs pour répondre de manière qualitative à la multiplication des questions scientifiques que la mise à disposition de corpus massifs et de nouveaux outils de recherche d’images provoque.

Eleonora Moiraghi et Jean-Philippe Moreux

Citer cet article : Eleonora Moiraghi, "Explorer des corpus d’images. L’IA au service du patrimoine". Dans Carnet de la recherche à la Bibliothèque nationale de France, ISSN 2493-4437, 16 avril 2018. Disponible en ligne, url : <https://bnf.hypotheses.org/2809> (consulté le 13 décembre 2018).

  1. Bibliothèque nationale de France, Contrat d’objectifs et de performance 2017-2021, p. 23 http://www.bnf.fr/documents/contrat_performance.pdf []
  2. Sous la direction de Claude Collard et Michel Melot, Images et bibliothèques, Paris : Éd. du Cercle de la librairie, 2011. []

Programme de recherche : Polices de caractères pour les inscriptions monétaires

Dans le cadre de ses plans triennal de la recherche 2013-2015 et quadriennal de la recherche 2016-2019, la Bibliothèque nationale de France finance un programme sur les Polices de caractères pour les inscriptions monétaires qui vise à créer des polices de caractères pour transcrire, publier et analyser de façon satisfaisante et uniformisée les inscriptions monétaires. 

Inscription mérovingienne annotée dans l’outil Numipal (clone de Digipal).

L’objectif consiste à développer des fontes de caractères Unicode sous licence libre pour transcrire les inscriptions monétaires dans les divers supports de diffusion : imprimés et numérique1. L’encodage des caractères typographiques propres à la numismatique devrait  à terme intéresser un public plus large, comprenant les épigraphes et les éditeurs scientifiques qui devraient économiser les coûts liés aux commandes de polices sur mesure, propres à chaque projet éditorial et pour ainsi dire jamais réutilisées pour un autre.

Par ailleurs, alors que les polices consistaient en des fichiers images insérés dans les projets éditoriaux, une notable évolution pour la recherche en humanités numériques sera permise par l’emploi de polices Unicode, notamment dans les projets d’édition numérique (catalogues en ligne, images numérisées IIIF annotées avec l’extension Open Annotation2) puisque le contenu sémantique des légendes monétaires pourra être analysé et étudié puisqu’il sera codé3.

Un partenariat entre la BnF et l’ANRT a permis de développer un caractère regroupant, sous une forme unifiée, toutes les variantes formelles identifiées sur des pièces mérovingiennes.  Elvire Volk Leonovitch4 a ainsi développé la police baptisée MEROWEG5.

Le travail se poursuit avec les inscriptions de monnaies ibériques et puniques. Gaëlle Thevenin, doctorante en Histoire au Laboratoire Orient et Méditerranée (UMR 8167) rend compte des travaux en cours au sein du carnet de recherche du département des Monnaies, médailles et antiques, L’Antiquité à la BnF, dans l’article à lire ci-dessous.

  1. Codine-Trécourt, Florence ; Sarah, Guillaume, « Du plomb au pixel. Transcrire les légendes des monnaies du haut Moyen Âge », Revue numismatique, 2012, 6e série, tome 168, p. 261-277. DOI : 10.3406/numi.2012.3183. Disponible en ligne, url : <http://www.persee.fr/doc/numi_0484-8942_2012_num_6_168_3183>. []
  2. Cf. : http://iiif.io/api/annex/openannotation/ []
  3. Codine Florence, « Polices de caractères et inscriptions monétaires. Le projet PIM », Document numérique, 2013/3 (Vol. 16), p. 69-79. DOI : 10.3166/DN.16.3.69-79. URL : <https://www.cairn.info/revue-document-numerique-2013-3-page-69.htm>. []
  4. Cf. son site : http://www.elvirevolk.com/ []
  5. Elvire Volk Leonovitch, « PIM. Police pour les Inscriptions Monétaires », Atelier National de Recherche Typographique (ANRT), 2014. Disponible en ligne, url : <http://anrt-nancy.fr/fr/projets/pim-police-pour-les-inscriptions-monetaires/>. []

Olivier Jacquot

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

More Posts

Après-midi d’étude : analyse de corpus d’images

Dans le cadre du projet Corpus mené par la Bibliothèque nationale de France, un atelier d’étude sur l’analyse de corpus d’images est organisé le 28 mars 2018. Il a pour objectif d’alimenter la réflexion en cours à la BnF pour déployer dans Gallica un outil de recherche d’images par le contenu (content-based image retrieval ou CBIR) et d’inciter les échanges entre les institutions patrimoniales et le milieu académique.

Argument

Bien que constituées de millions de fichiers images1, les bibliothèques numériques ne proposent pour ainsi dire pas d’outil de recherche d’images par le contenu à leurs usagers2. Or, le nombre croissant d’images rend de plus en plus illusoire une indexation sémantique manuelle de la totalité des fichiers images accessibles en ligne. Des alternatives à la recherche purement textuelle existent.

Programme

  • Nicolas Sidere (L3i) présentera un état de l’art sur des outils logiciels, actuels ou en développement réalisé à la demande de la BnF au Centre Européen de valorisation numérique Valconum
  • Jean-Philippe Moreux (BnF) présentera la preuve de concept Gallica.pix
  • Raphaël Baudiment (BnF) présentera le prototype Gallica images
  • Nicolas Hervé (INA) présentera l’outil DiginPix
  • Pierre-Carl Langlais (CELSA) présentera ses travaux de recherche sur la classification automatique des images de presse sur la période 1920-1940
  • Melvin Wevers (KB Lab / Université d’Utrecht) présentera le projet SIAMESE autour de la reconnaissance d’images publicitaires dans la presse qu’il a mené en tant que chercheur « en résidence » à la Bibliothèque nationale des Pays-Bas
  • Nicole Vincent (LIPADE) présentera la compétition CLAMM (ICDAR) sur la classification des types d’écriture
  • Dominique Stutzmann (IRHT) présentera l’utilisation d’un réseau de neurones dans le projet HIMANIS
  • Nicolas Gonthier (Télécom ParisTech) présentera son projet de thèse « Deep Learning pour l’histoire de l’art »
  • Débat animé par Jean-Philippe Moreux (BnF), Emmanuelle Bermès (BnF) et André Gunthert.

Modalités pratiques

28 mars 2018, 14h30 – 18h
Bibliothèque nationale de France, site Richelieu (58 rue de Richelieu), salle Émilie du Châtelet.
Entrée libre sur réservation auprès d’Eleonora Moiraghi.

  1. Même les bibliothèques numériques proposant une majorité de fichiers texte donnent à voir à leurs usagers une version image, la version texte servant à la recherche étant le plus souvent « cachée » []
  2. À quelques rares exceptions comme la recherche par similarité – Bildähnlichkeitssuche – proposée par la Bayerischen Staatsbibliothek, url : <https://bildsuche.digitale-sammlungen.de/> ou la recherche par le contenu proposée par les Bodleian Libraries pour leur collection de Broadside ballads, url : <http://imagematch.bodleian.ox.ac.uk:8000/>. []

Olivier Jacquot

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

More Posts

Parution : Trésors monétaires, vol. XXVII : Monnayages de Francie, des derniers Carolingiens aux premiers Capétiens

Partie prenante du plan quadriennal de la recherche de la BnF, le programme Trésors monétaires donne lieu à la publication régulière d’un nouveau volume de la série éponyme.

Le présent volume qui présente six trésors et deux synthèse est entièrement consacré aux trésors médiévaux du Xe au tout début du XIIe siècle, soit :

  • Le trésor dit « du Loiret » : présentation, catalogue et étude caractéroscopique par Steve Achache, Marc Bompaire, Aude Castelas, p. 1-99.
  • Le trésor du Xe siècle de Maffliers (Val-d’Oise). Deniers et oboles d’Hugues Capet duc par Bruno Foucray, p. 101-127.
  • Le trésor de Cuts (Oise). Monnaies et circulation monétaire autour de l’an Mil dans le royaume de France sous Hugues Capet et Robert II le Pieux par Bruno Foucray, Marc Bompaire, Jean-Yves Kind, p. 129-182.
  • Le trésor monétaire double de Vignacourt (Somme). Monnaies et circulation monétaire dans l’Amiénois et l’Orléanais au début du règne de Philippe Ier par Bruno Foucray et Marc Bompaire, p. 183-272.
  • Le trésor de Bordeaux-en-Gâtinais (Loiret). Deniers et fausses monnaies au début du XIIe siècle. Étude numismatique et analyses métalliques par Marc Bompaire et Maryse Blet-Lemarquand, p. 273-297.
  • Un petit dépôt de monnaies royales du début du XIIe siècle à l’église de Marly-la-Ville (Val-d’Oise) par Bruno Foucray, p. 299-303.
  • Le monnayage en Francie occidentale au Xe siècle. L’apport des nouveaux trésors par Marc Bompaire, p. 305-327.
  • Catalogue des monnaies royales et féodales de Francie des derniers Carolingiens aux premiers Capétiens (936-1108) par Bruno Foucray, p. 329-373.

Le trésor dit « du Loiret »

Le trésor du Loiret fut découvert vers 1970. Il aurait été enterré selon Jean Duplessy1 entre 936 et 954. Le nombre précis des monnaies composant ce trésor n’est pas connu ; l’étude du volume porte sur 1001 pièces acquises par la BnF en 1998-1999.

Le trésor de Maffliers

Issu d’une fouille illégale menée près du château de Maffliers, au nord de Paris, le trésor et une hache de bronze ont ainsi été saisis le 22 novembre 2012 par les officiers de l’Office central de lutte contre le trafic des biens culturels (OCBC) auprès du pilleur. Constitué de 300 monnaies, seules 269 ont pu être récupérées et étudiées dans le volume : 243 deniers, 26 oboles. Ces pièces d’argent du 10ème siècle ont révélé certaines pièces inconnues des collections nationales.

Le trésor de Cuts

Découvert en 1998 dans un bois privé du village de Cuts dans l’Oise, le trésor se compose de 1108 monnaies d’argent émises de la fin du Xe au début du XIe siècle : 1009 deniers et 99 oboles, toutes conservées à la BnF. Le Trésor2 est exceptionnel par son état de conservation et par le fait que la quasi-totalité des monnaies qui le composent étaient considérées comme inconnues à ce jour.

Le trésor de Vignacourt

Enfoui entre 1075 et 1100, ce trésor comprend 1237 deniers, 245 demi-deniers et 32 oboles. Découvert le dimanche 24 mars 2002 par un chasseur, le trésor a été confié à la DRAC Hauts-de-France. L’inventaire et l’étude du trésor ont été menés par Bruno Fourcray et Marc Bompaire. Sa composition – principalement des deniers d’argent accompagnés de 245 demi-deniers et de 32 oboles – est exceptionnelle car elle comprend, explique Bruno Fourcray, « deux ensembles monétaires contemporains, provenant d’univers économiques étanches de ce dernier quart du XIe siècle l’Orléanais et l’Amiénois ». Ce trésor comprend aussi 220 monnaies inédites, notamment 146 deniers et 69 demi-deniers de Philippe 1er (1060-1108) frappés à Montreuil-sur-Mer. Le trésor était vendu par la maison de vente Rossini en octobre 20073 avec les fragments de la poterie dans lequel il avait été enfoui. C’est le musée d’Amiens qui a préempté le trésor.

Le trésor de Bordeaux-en-Gâtinais

Conservé à la BnF, ce trésor est composé de 220 deniers issus de 6 monnayages de la région. Quatre de ces monnayages sont représentés par des fausses monnaies.

Dépôt de Marly

Les fouilles réalisées en 2005 dans l’église de Marly-la-Ville ont permis de découvrir un ensemble de 7 deniers et 1 obole de Philippe Ier qui témoigne de la circulation monétaire en Île-de-France au début du XIIe siècle.

Informations pratiques

Description : Broché, 21 × 29,7 cm
Date de parution : 30 janvier 2018
ISBN/EAN : 978-2-7177-2748-7 / 9782717727487
Editeurs : BnF Éditions
Distributeur : BnF Éditions
Disponibilité : Disponible
Prix : 99 €

  1. Jean Duplessy, Les monnaies françaises féodales. Tome 1, Paris : Platt, 2004, 404 []
  2. Cf. Les 1107 monnaies d’argent du Trésor de Cuts font leur entrée à la BnF : communiqué de presse, [Paris] : BnF, 30 mars 2016. Disponible en ligne, url : <http://www.bnf.fr/documents/cp_acquisition_tresor_cuts.pdf>. []
  3. Cf. http://www.rossini.fr/html/fiche.jsp?id=347384&np=2&lng=fr&npp=20&ordre=1&aff=1&r= et notamment le descriptif détaillé : https://www.auction.fr/_fr/lot/tresor-de-vignacourt-1552015#.WpRu4eciHs0 []

Olivier Jacquot

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

More Posts

La BnF lance un site consacré à son histoire

2018 est une année exceptionnelle pour la Bibliothèque nationale de France puisqu’elle marque les 20 ans de l’ouverture de la bibliothèque de recherche (le Rez-de-jardin du site François-Mitterrand), inaugurée le 7 octobre 1998 et les 650 ans de la création de la Bibliothèque.

L’anniversaire de l’ouverture de la bibliothèque de recherche sera notamment célébré par une exposition consacrée à la création du site François-Mitterrand de la Bibliothèque nationale de France.

Croquis réalisés en 1990 par Dominique Perrault pour le projet de la future Bibliothèque François-Mitterrand © Dominique Perrault architecte / ADAGP

Conçue par l’architecte lui-même, Dominique Perrault, elle permettra dans une scénographie originale de revenir sur la genèse de ce bâtiment emblématique.

Au-delà de cet anniversaire, si l’on admet communément que la naissance de la bibliothèque remonte à l’an 1368, date de l’installation par le roi Charles V de sa bibliothèque personnelle au Château du Louvre, c’est donc le 650e anniversaire de la création de la Bibliothèque que l’on fête également en cette année 20181.

Pour célébrer ces anniversaires, la BnF a procédé à la rénovation de son Comité d’histoire, désormais doté d’un Conseil scientifique composé d’universitaires et lance un site (http://comitehistoire.bnf.fr/) qui permettra de faire mieux connaître ses travaux, de fédérer les recherches en cours et les ressources utiles à tous ceux qui s’intéressent à la longue histoire de la Bibliothèque royale, nationale, impériale, nationale de France…

Développé dans le cadre du plan quadriennal de la recherche 2016-2019, ce site propose des contenus sur l’histoire de l’Établissement et entend attirer les chercheurs en signalant des projets de recherche à mener.

La plateforme propose entre autres ressources appelées à s’enrichir :

Développé avec l’outil de gestion de contenu Drupal par Olivier Jacquot, coordonnateur à la recherche de la délégation à la stratégie et à la recherche, en charge de la documentation et diffusion numérique au sein du bureau du Comité d’histoire de la BnF, le site propose plusieurs moteurs de recherche dédiés à l’interrogation des importants ensembles documentaires qu’il propose :

  1. Ayant été dispersée en 1435, après la mort du roi Charles VI, une continuité de l’établissement se met davantage en place avec la reconstitution de la bibliothèque royale par Louis XI (1461-1483), après la guerre de Cent Ans []
  2. Précédemment consultable uniquement en intranet par le personnel de l’établissement. []
  3. En cours d’alimentation. []

Olivier Jacquot

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

More Posts

Géolocalisation et spatialisation de documents patrimoniaux : trois heures de partage autour de la cartographie numérique

Dans le cadre du projet CORPUS, inscrit au plan quadriennal de la recherche 2016-2019 de la Bibliothèque nationale de France, et suite à l’atelier « Décrire, transcrire et diffuser un corpus documentaire hétérogène : méthodes, formats, outils », un deuxième atelier a eu lieu le 30 novembre après-midi sur le site Richelieu. Conçu dans une même logique de partage d’expertise, de dialogue entre les institutions patrimoniales et le monde de la recherche, il avait pour objectif de conduire une réflexion autour de la géolocalisation et de la spatialisation de documents patrimoniaux.

L’après-midi s’est articulé autour de huit présentations de projets pour lesquels les enjeux de la cartographie numérique sont plus au moins centraux.

Gallicarte, géolocalisation des données de Gallica.

Présentation par Matthieu Gioux, chef de produit Gallica, BnF.

Gallicarte

Lauréat du premier Hackathon BnF (2016), ensuite intégré dans Gallica Studio, Gallicarte est un projet qui vise à géolocaliser et à afficher sur un fond de carte les résultats d’une recherche effectuée dans Gallica, la bibliothèque numérique de la BnF.

Pour faire du projet issu du Hackathon un outil fiable pour les utilisateurs de Gallica, les équipes de la BnF se sont confrontées à une grande diversité de données en termes de provenance (elles sont issues de plusieurs institutions), en termes de type de collection (des manuscrits jusqu’aux jeux vidéo), en termes de normes de catalogage (elles diffèrent en fonction du type de document) et en termes de métadonnées.

La première phase de concrétisation de l’outil a donc consisté à identifier les collections plus simples à géolocaliser (un seul point par document) : le corpus des cartes et celui d’1,2 millions d’images présentes dans Gallica.

Pour ce qui concerne les cartes, la deuxième phase a consisté à positionner sur un fond de carte la géolocalisation préalablement existante ou bien, le cas échéant, à utiliser data.bnf.fr pour alimenter la base de Gallicarte. Pour ce qui concerne les images, la deuxième phase a vu Exalead – moteur de recherche de Gallica – détecter les occurrences de lieux dans les notices et dans les légendes des images. La troisième phase, portant sur le géocodage des données, a consisté à envoyer les entités détectées par Exalead au moteur Nominatim d’Openstreetmap capable d’attribuer des coordonnées géographiques.

En raison d’un taux d’erreur trop élevé, dû paradoxalement à l’excès de richesse des données décrites par les bibliothécaires, une deuxième approche consistera à refaire les mêmes opérations mais en s’appuyant cette-fois-ci sur les données du catalogue de la BnF.

À terme, la perspective de la Bibliothèque est de rendre disponible un lien SRU contenant un flux de données issues d’une recherche dans Gallica et le convertir dans le format GeoJSON, nécessaire pour la visualisation des résultats de la recherche sur une carte et compatible avec quasiment tous les outils de cartographie.

Des questions comme par exemple la dimension historique et évolutive des lieux ou la possibilité de réinjecter ce travail de géolocalisation dans le catalogue de la Bibliothèque restent ouvertes pour un horizon plus lointain. L’avancement du projet est documenté au fur et à mesure dans Gallica Studio.

Venice Time Machine

Présentation par Isabella di Leonardo, collaboratrice scientifique, Laboratoire d’humanités digitales, EPFL.

Text recognition in ancient hand-written documents
© DHLAB / EPFL

Venice Time Machine est un projet qui vise à numériser 80 km d’archives administratives de la ville de Venise couvrant une période de 1000 ans ainsi que plusieurs corpus de documents iconographiques liés à la ville de Venise et des millions de pages de sources secondaires, correspondant à la bibliographie qui a été produite au fil du temps sur la ville de Venise.

Un des enjeux du projet est de constituer une cartographie du passé en alignant les cartes historiques sur les cartes de la ville actuelle. À cet effet, il a été fait le choix de s’appuyer sur des logiciels de gestion d’information géographique open source tels que QJIS pour développer un logiciel ad hoc capable de répondre aux besoins de la cartographie historique : interprétation, précision, fiabilité et traçabilité de la donnée. L’interface développée permet de gérer les trois dimensions fondamentales de la description géographique – le point, la ligne et la surface – auxquelles s’ajoutent les dimensions du temps et du débat grâce au développement d’une plateforme en ligne.

Un autre enjeu du projet est de construire un modèle 3D de la ville de Venise. Des relevés photogrammétriques, croisés avec d’autres sources, ont permis de créer un modèle 3D en nuage de points où à chaque point sont accrochées des informations historiques. Cela permet de reconstruire une vision 3D de la ville de Venise et de ses transformations au cours des siècles sans négliger l’importance de la légitimité de la production des données.

Le code des outils développés, celui de l’Atlas en l’occurrence, est disponible sur Github.

ImaGÉO, archiver le patrimoine scientifique des géographes, vers de nouveaux objets de la recherche.

Présentation par Xavier Amelot, géographe, UMR 5319 Passages, Université Bordeaux-Montaigne.

Géolocalisation des cartes intégrées dans GéoLyon

ImaGEO est un consortium labellisé par la TGIR1 Huma-Num du CNRS qui rassemble les UMR2 Passages, Prodig, Migrinter. Il s’intéresse à l’archivage du patrimoine scientifique des géographes. Les équipes de recherche qui font partie de ce consortium disposent de fonds patrimoniaux importants en matière cartographique et photographique. L’idée qui sous-tend ce consortium est donc de s’appuyer sur les travaux de recherche d’historiens de la géographie et de numériser ces contenus patrimoniaux avec l’objectif à la fois de les conserver, de les archiver et de les valoriser en tant qu’objet de recherche. Le projet du consortium implique de géolocaliser les données, de les géoréférencer mais aussi d’avoir une approche réflexive sur ces fonds, sur la façon dont ils ont été constitués. Les données du projet ont vocation à être les plus ouvertes possibles. Les photographies sont actuellement disponibles sur la plateforme MediHal, qui permet de mettre en regard des corpus anciens avec des corpus plus récents et d’autres sources documentaires.

Data.bnf.fr 2018, cap sur les données géographiques.

Présentation par Raphaelle Lapôtre, cheffe de produit data.bnf.fr, BnF.

Dans data.bnf.fr la Bibliothèque nationale de France expose des données géographiques sous la forme de plusieurs syntaxes de RDF, le modèle descriptif du web sémantique.

La particularité des données géographiques présentes dans le catalogue de la Bibliothèque réside dans l’existence de deux types d’entité « lieu » : les données géographiques des cartes et plans (géolocalisées et issues du catalogage) et les données géographiques décrivant des lieux dans Rameau (non géolocalisées). Il s’agit donc de deux approches différentes pour traiter un lieu, au sein de la même institution, qui correspondent à deux objectifs différents : indexation d’un objet d’un côté, mention d’un lieu lié à un objet de l’autre.

Dans data.bnf.fr il a été fait le choix de réconcilier les deux approches en alignant, en déclarant des équivalences entre les lieux décrits dans les collections des cartes et plans et les mêmes lieux dans le thésaurus Rameau, afin de récupérer les coordonnées géographiques.

Si à l’heure actuelle existent deux pages d’entité « lieu » dans data.bnf.fr, à terme l’objectif est de fusionner ces deux pages en une seule qui contiendrait les informations issues du catalogage des cartes et plans ainsi que les informations issues de Rameau pour en faciliter la réutilisation.

Villa de Diomède, Pompéi : du corpus d’archives aux restitutions 3D

Présentation par Hélène Dessales, maître de conférence en archéologie, AOROC-UMR 8546, ENS-PSL.

Pompéi, Villa de Diomède. Exemple de modélisation 3D.
À gauche, modèle photogrammétrique ; au centre, modèle sans plaquage des photographies sur la géométrie reconstruite ; à droite, projection d’un plan aquarellé des années 1810 (F. Mazois, BNF, GD-12 (E)-FT 4).
Yves Ubelmann (Iconem).

Le projet Villa de Diomède porte sur un seul monument : la Villa à Pompéi appelée communément « villa de Diomède ».

Grand monument de 3 800 m2, très célèbre et représenté au fil des années, il fait l’objet de plusieurs documents et corpus d’archives conservées notamment à l’Archivio di Stato et à l’Archivio storico du musée archéologique de Naples. Le projet porté par l’UMR 8546 a donc consisté d’abord à rassembler les documents dispersés dans plusieurs collections principalement européennes. 120 documents graphiques et photographiques ont été réunis dans une base de données hébergée par Huma-Num pour les superposer à des plans existants du bâtiment. La photogrammétrie a été adoptée pour construire à partir de 25 000 photographies et grâce à un logiciel spécifiquement développé un modèle 3D géoréférencé du bâtiment avec une précision de 4/5 cm.

Les documents graphiques et photographiques récoltés dans la base de données ainsi que les documents d’archives ont été alors injectés manuellement dans le modèle 3D.

Outre la restitution des décors du monument au moment de l’éruption du Vésuve en 79, le fait de superposer les documents offre la possibilité de faire une archéologie du relevé, une archéologie du geste et d’identifier les points de vue des différents dessinateurs. Une quatrième dimension est également prise en compte dans le projet : celle du temps, qui retrace l’évolution du bâtiment de l’époque romaine jusqu’à nos jours.

Digital research support at Ghent University

Présentation par Hans Blomme, chargé d’études spécialisé en cartographie historique et traitement de données historiques, Centre pour les humanités numériques, Université de Gand.

Avec une forte expertise en matière de géolocalisation, le Centre pour les humanités numériques de l’Université de Gand a pour objectif de mener ses propres recherches dans le champ des humanités numériques, mais plus encore d’apporter un support technique et méthodologique aux projets menés par d’autres équipes de recherche dans différentes disciplines au sein de l’Université de Gand.

Un des axes de recherche et d’activités du centre est la cartographie numérique.

Dans ce domaine, le centre a développé deux plateformes pour que les utilisateurs puissent traiter, gérer, visualiser et explorer des données géographiques : Nodegoat, qui repose sur une base de données relationnelle, et Arches, qui s’appuie pour sa part sur une base de données de type graphe.

C’est en raison de ces compétences dans le domaine de la cartographie numérique que certains membres du centre coordonnent le groupe de travail « GeoHumanities » de DARIAH-EU dont l’un des objectifs principaux est de fournir à terme un référentiel géographique exprimé en linked open data.

CartoMundi, valorisation en ligne du patrimoine cartographique

Présentation par Olivier Loiseaux, chef de service acquisitions et collections géographiques, BnF.

Cartomundi n’est plus un projet mais un outil disponible en ligne.

Depuis une dizaine d’années, cette initiative est née à l’Université de Provence (aujourd’hui Aix-Marseille Université) et plus particulièrement à la Maison méditerranéenne des sciences de l’homme (MMSH). Il s’agit d’un site internet conçu pour valoriser le patrimoine cartographique en ligne et plus spécifiquement la cartographie organisée en séries, c’est-à-dire les cartes découpées en feuilles.

Avant la numérisation, des tableaux d’assemblage montraient le découpage des séries mais ces tableaux ont été perdus lors la numérisation. Cartomundi permet de reconstituer virtuellement ces anciens tableaux d’assemblage, de positionner les feuilles sur une interface cartographique interrogeable et de constituer un catalogue collectif à partir des métadonnées qui décrivent les documents dans toute institution qui souhaite valoriser son patrimoine cartographique.

Le site internet a été mis en ligne en 2011 à l’occasion de la Conférence Internationale de Cartographie à Paris, il est en production depuis 2013 et il épaule les catalogues des institutions en montrant les références bibliographiques et l’image, si disponible et libre de droits. Les notices du catalogue général de la BnF décrivant des cartes en série proposent ainsi un lien vers Cartomundi.

Girardin numérisé, ou la naissance des industries médiatiques

Présentation par Adeline Wrona et Pierre-Carl Langlais, professeure des universités et post-doctorant, GRIPIC, CELSA Paris-Sorbonne.

GIRANIUM est un projet de recherche d’un an qui vise à 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.

Le projet accorde une place importante à la ville de Paris, capitale médiatique et culturelle de l’époque.

Un des enjeux du projet consiste à visualiser comment les centres de gravité de lieux de production médiatique se déplacent dans la géographie parisienne au cours de la vie de Girardin. A cet effet, les titres de presse gérés par Girardin ont été géolocalisés dans le temps selon une approche spatiotemporelle.

Un colloque intitulé « Paris capital(e) médiatique, XIXème – XXIème siècle » est prévu pour le 28 et le 29 juin 2018 à la Sorbonne.

Conclusion

En conclusion, l’atelier « Géolocalisation et spatialisation de documents patrimoniaux » a mis en avant les enjeux de la cartographie, dans sa dimension historique tout particulièrement.

La cartographie numérique permet de représenter non seulement l’espace mais également d’autres dimensions : la dimension du temps, de l’histoire, de l’interprétation.

Concernant la toponymie ancienne, la Bibliothèque s’efforce de fournir plusieurs formes de nom pour un même lieu dans data.bnf.fr ; elle renseigne dans les notices d’autorités géographiques les formes anciennes des noms de lieu ainsi que la notion de forme officielle, celle d’exonyme français ou étranger, et les équivalences en différentes langues et alphabets. Les entités historiques se réfèrent à des autorités différentes mais elles sont reliées par des systèmes de « voir avant – voir après ».

La définition des périmètres, des frontières, d’un espace qui n’est jamais figé mais reste constamment dépendant du temps, demeure problématique : c’est vers une cartographie géotemporalisée que la recherche s’efforce de tendre.

À l’interprétation historique s’ajoutent les enjeux liées à l’interprétation littéraire, à travers une périphrase indiquant un lieu dans un corpus par exemple, et à la géographie imaginaire ; ce sont deux aspects qui semblent demander encore l’expertise de l’œil humain et nécessitent des protocoles de description partagés.

L’établissement de normes semble aussi de plus en plus urgent pour l’archivage de modèles 3D, destinés à se généraliser dans la perspective de cette approche spatiotemporelle.

Une dernière dimension, la dimension visuelle et sensorielle, joue en effet un rôle essentiel dans ce panorama. Mise en avant par Hans Blomme, la notion de deep mapping, pour ses éléments constitutifs – visualisation, narration, stratification, dynamisme, émotion, sens – ouvre des perspectives aussi bien pour la recherche que pour le monde des bibliothèques.

Citer cet article : Eleonora Moiraghi, "Géolocalisation et spatialisation de documents patrimoniaux : trois heures de partage autour de la cartographie numérique". Dans Carnet de la recherche à la Bibliothèque nationale de France, ISSN 2493-4437, 20 décembre 2017. Disponible en ligne, url : <https://bnf.hypotheses.org/2299> (consulté le 13 décembre 2018).

  1. Très Grande Infrastructure de Recherche []
  2. Unité Mixte de Recherche []

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

Citer cet article : Olivier Jacquot, "Décrire, transcrire et diffuser un corpus documentaire hétérogène : méthodes, formats, outils". Dans Carnet de la recherche à la Bibliothèque nationale de France, ISSN 2493-4437, 29 novembre 2017. Disponible en ligne, url : <https://bnf.hypotheses.org/2214> (consulté le 13 décembre 2018).

  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

Publication : Richelieu : quatre siècles d’histoire architecturale au coeur de Paris

De 2010 à 2012, la Bibliothèque nationale de France a mené un programme d’étude du fonds de dossiers d’archives et de plans des architectes successivement attachés à la Bibliothèque nationale aux XIXe et XXe siècles.

Cet ensemble est composé des dossiers des travaux d’entretien comme des campagnes de grands travaux lancées par les architectes Visconti, Labrouste, Pascal, Recoura, Roux-Spitz et Chatelin. Plusieurs milliers de documents graphiques non inventoriés complétaient les écrits.

Grâce à tout ce travail préliminaire mené sur les sources, la BnF et l’INHA font paraître une somme retraçant l’histoire des constructions et aménagements successifs des bâtiments du site Richelieu depuis le XVIIe siècle.

couverture_richelieu
Richelieu. Quatre siècles d’histoire architecturale au cœur de Paris, sous la direction d’Aurélien Conraux, Anne-Sophie Haquin et Christine Mengin, Paris : BnF Éditions : INHA, 2017.

L’histoire débute avec la construction de l’hôtel du duc de Chevry en 1635, racheté et développé par Mazarin qui souhaitait un palais pour ses collections ;

fragment_de_lambris_peint_btv1b54100104w
Fragment de lambris peint provenant de l’Hôtel Chevry-Tubeuf : putto tenant une guirlande, assis sur un socle dont la partie centrale est ornée d’une figure féminine assise

puis, l’installation progressive de la Bibliothèque royale dans les locaux laissés par la Compagnie des Indes en 1721 ; la transformation du site par Henri Labrouste et l’inauguration de la fameuse salle portant son nom en 1868 ; l’achèvement du site par Jean-Louis Pascal puis Alfred Recoura, et enfin la densification opérée par Michel Roux-Spitz, jusqu’au projet actuel de l’architecte Bruno Gaudin.

plans_densemble_du_quadrilatere_richelieu_btv1b530379914
Plans d’ensemble du Quadrilatère Richelieu (1854-1984). 1954 : relevés. Plan du sous-sol. Architecte responsable : Michel Roux-Spitz (1888-1957)

La parole est donnée aux responsables des trois institutions qui occupent le site (BnF, INHA et Ecole nationale des chartes) ainsi qu’aux architectes du projet de rénovation.

Alors que les 14 et 15 janvier 2017 le grand public est invité à visiter le nouveau site désormais désigné Richelieu, Bibliothèques, Musée, Galeries et fédérant les collections patrimoniales de la Bibliothèque nationale de France, de l’Institut national d’histoire de l’art et de l’École nationale des chartes1, l’ouvrage offre plus de 200 images permettant de retrouver l’esprit des lieux  : plans originaux, plans de reconstitution, axonométrie, schémas d’implantation, photographies, estampes. Elle proposent, en même temps qu’une chronique visuelle, de nouveaux outils de compréhension de cet ensemble architectural hors du commun.

Dirigé par Aurélien Conraux alors qu’il dirigeait la mission pour les archives de la BnF, Christine Mengin, conseillère scientifique pour l’histoire de l’architecture à l’Institut national d’histoire de l’art, et Anne-Sophie Haquin, décédée avant la parution de l’ouvrage et à laquelle nous rendons hommage, l’ouvrage fait intervenir des archivistes, des historiens de l’architecture, des conservateurs des bibliothèques, des administrateurs et des architectes, maîtres d’œuvre des travaux contemporains.

Sommaire

  • Préface : Eric de Chassey, Laurence Engel
  • Introduction : Aurélien Conraux, Christine Mengin
  • Formation et déformation d’un monument parisien : Alexandre Gady
  • Les décors du palais Mazarin : Bénédicte Gady, Barbara Brejon de Lavergnée
  • 1728. Un duel sans merci entre l’Architecte et le Bibliothécaire : Françoise Bléchet
  • La bibliothèque absolue d’Etienne-Louis Boullée : Jean-Philippe Garric
  • La Bibliothèque sous la Révolution française et le Conservatoire : Jean-François Foucaud
  • Henri Labrouste. Modernité et tradition dans le Paris haussmannien : Alice Thomine-Berrada
  • L’administrateur et l’architecte. Une cohabitation orageuse : Marie Galvez
  • L’isolement de la Bibliothèque : Bruno Blasselle
  • Louis-Emile Durandelle, photographe des travaux : Charlotte Leblanc
  • Jean-Louis Pascal et Alfred Recoura. Un duo de grands constructeurs : Anne Richard-Bazire
  • Jean-Louis Pascal, architecte et muséographe : Félicity Bodenstein
  • Michel Roux-Spitz. Une modernisation de l’intérieur : Simon Texier, Léa Muller
  • La « Nationale » dans l’objectif de Gisèle Freund : Dominique Versavel
  • Julien Cain et Michel Roux-Spitz, une estime réciproque : Martine Poulain
  • « Toute la mémoire du monde » d’Alain Resnais : Alain Carou
  • La Bibliothèque nationale en quête d’espace : Christine Mengin
  • Rénover Richelieu : Jacqueline Sanson
  • Jean-Christophe Ballot, l’oeil du chantier : Aurélien Conraux
  • Pour une nouvelle bibliothèque de l’Institut nationale d’histoire de l’art : Antoinette Le Normand-Romain
  • La bibliothèque de l’Ecole nationale des chartes en ses murs : Jean-Michel Leniaud
  • Ouvrir le Quadrilatère : entretien avec Bruno Gaudin et Virginie Brégal
  • Restaurer la salle Labrouste : entretien avec Jean-François Lagneau
  • Annexes (sources, bibliographie, chronologie, etc.)

Informations pratiques

298 pages, 200 illustrations, 24,5 × 28 cm
Date de parution : 19 janvier 2017
ISBN/EAN : 978-2-7177-2565-0 / 9782717725650, 978-2-917902-33-2
Editeurs :

  • BnF Éditions
  • INHA
  1. Programme du week-end Portes ouvertes du site Richelieu, http://www.bnf.fr/fr/evenements_et_culture/anx_expositions/a.170115_portes_ouvertes_richelieu.html []

Olivier Jacquot

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

More Posts

Publication des schémas XML-TEI du projet Reliures (reliures.bnf.fr)

mois_de_marie_compose_le_pelle_btv1b55007376tLa Réserve des livres rares de la Bibliothèque nationale de France1 publie une nouvelle version des schémas de définition XML-TEI et personnalisations ODD qui encadrent le corpus Reliures BnF (reliures.bnf.fr). Ces documents sont disponibles sur le site : bibnum.bnf.fr/reliure

Pour mémoire, le projet d’encodage (reliures.bnf.fr/projet) a pour ambition de répondre aux enjeux très spécifiques de la description des reliures anciennes, modernes et même contemporaines, en s’attachant aussi bien à décrire les objets eux-mêmes (techniques, ornements), qu’à renseigner le contexte de leur création et écrire leur histoire en y incluant les données relatives aux ateliers, aux commanditaires et aux possesseurs.

L’objectif de cette mise à jour est de parachever le travail de documentation entamé en 2010 par Anna Markova et Florence Clavaud (dans le cadre d’un Master de l’École nationale des Chartes). Il s’agit donc ici de proposer une description entièrement revue, actualisée et cohérente des usages qui se sont établis au fil des ans et de l’évolution du corpus encodé. Les choix techniques et intellectuels qui ont été faits sont documentés par des définitions précises et un référentiel enrichi, illustrés d’exemples concrets.

La Bibliothèque nationale de France propose également à la communauté un manuel d’encodage afin qu’elle y trouve matière à réflexion dans le paysage actuel des humanités numériques ou matière à débat quant aux solutions proposées et retenues pour la description des reliures.

La publication est organisée de la manière suivante :

  1. Manuel d’encodage, avec une section recensant l’ensemble des balises utilisées (à l’image des Guidelines TEI) ;
  2. Personnalisation ODD et schémas liés, en quatre sections distinctes : notices reliures, notices personnes, notices collectivités et références bibliographiques ;
  3. Deux exemples de notices reliure en XML-TEI pour illustrer la minutie du travail d’encodage effectué dans le cadre du projet.

schemateiL’ensemble de cette documentation est téléchargeable et réutilisable sous réserve de mentionner la paternité de l’information et de citer explicitement le nom de la Bibliothèque nationale de France (Licence Ouverte).

La Bibliothèque nationale de France remercie l’Equipex Biblissima, dont la contribution a permis de mener à bien et à son terme cet important travail de mise à jour et de mise à disposition de la description du format lié au projet Reliures BnF.

La Bibliothèque nationale de France invite la communauté des digital humanists et des bibliothécaires souhaitant décrire des corpus de reliures à prendre connaissance de la publication sur bibnum.bnf.fr ainsi qu’à consulter les dernières mises à jour de la base reliures.bnf.fr

  1. Fabienne Le Bars, BnF, Direction des Collections, Réserve des livres rares, Responsable de la base Reliures et Lauranne Bertrand, BnF, DCO, Réserve des livres rares / Biblissima, Responsable développement de la base Reliures []

Olivier Jacquot

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

More Posts

Publication d’une concordance de cotes entre la BnF et les Archives nationales

Solène de la Forest d’Armaillé, doctorante1 qui a conduit le programme de recherche « Développement d’outils d’analyse, de documentation et de conservations des chartes scellées du département des Manuscrits » du plan triennal de recherche 2013-2015 de la BnF, publie la concordance des cotes entre les moulages conservés aux Archives nationales et les sceaux originaux desquels ils sont tirés, à la BnF, dans la collection « Lorraine » uniquement.

Le document est librement offert à la consultation des chercheurs dans le carnet de recherche du programme Trésors de cire. Sceaux et actes scellés de la Bibliothèque nationale de France à la page : Concordance des cotes de Lorraine (BnF)/Curzon (Archives nationales). Disponible en ligne : <https://sceau.hypotheses.org/concordance-des-cotes-de-lorraine-bnfcurzon-archives-nationales>.

La page reprend la concordance des cotes entre les moulages conservés aux Archives nationales et les sceaux originaux conservés dans la collection « Lorraine »2, elle même intégrée à l’ensemble « Provinces françaises » du département des Manuscrits de la Bibliothèque nationale de France. Un tiers environ des moulages a été pris sur la collection de Lorraine de la BnF, cotes L1122-1213 .

Le fichier de base ayant servi à l’établissement du document, sans concordance à la pièce, est issu du Catalogue de la collection de moulages de sceaux dite « Collection Lorraine » établi par Henri de Curzon (1861-1942) et repris informatiquement en 2003 par Martine Lepany des Archives nationales. Ce catalogue décrit les moulages de sceaux recueillis dans divers fonds de manuscrits de la Bibliothèque nationale et, en particulier, dans la collection Lorraine (SC/L 1 à 1595).

Pour compléter cette importante ressource de nature à faciliter les recherche dans les collections sigillographiques de la BnF, Solène de la Forest d’Armaillé oeuvre à la transcription des différents tomes de l’Inventaire des sceaux de la collection des pièces originales du Cabinet des titres à la Bibliothèque nationale de Joseph Roman (1840-1924). Pour mémoire seul le premier volume est paru en 1909, (V-943p.), les volumes II (notices Nade à Ruault) et le volume III (Ruault à Zoboly) étant restés inédits et manuscrits.


Image de Une : ACTES DES ROIS DE FRANCE ou relatifs à leurs règnes (1195-1559). I. 51 Lettres des représentants du roi de France, Gilles, archevêque de Narbonne, Pierre, évêque d’Auxerre, Louis, comte d’Évreux, Robert, duc de Bourgogne, Amé, comte de Savoie, Jean, comte de Dreux, agréant les propositions, faites par les représentants des Flamands. 29 février 1304. Avec six sceaux.

  1. Croire dans les actes royaux français. Sémio-technologie et diplomatique des signes de validation modernes (1461-1610). Description disponible en ligne, url : <http://www.theses.fr/s92361> []
  2. Collection de Lorraine. Description []

Olivier Jacquot

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

More Posts