Archives par mot-clé : Fouille de données

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 18 juillet 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. []

Analyse des logs de Gallica et de Data BnF et modélisation des comportements

Dans le cadre du Bibli-Lab, partenariat de recherche entre la BnF et Télécom ParisTech, et avec le soutien du TeraLab, a été conduite une analyse inédite des logs de connexion aux serveurs de Gallica, en leur appliquant des méthodes d’apprentissage automatique (machine learning). L’objectif n’était pas de connaître les usagers ni leurs profils mais d’identifier des parcours-types. Durant 15 mois, un chercheur en contrat postdoctoral, Adrien Nouvellet, encadré par quatre enseignants-chercheurs de Télécom ParisTech (Florence d’Alché-Buc, Valérie Beaudouin, Christophe Prieur, François Roueff), a mis au point un algorithme de partitionnement de données (ou clusterisation) permettant de regrouper des sessions de Gallica présentant des similitudes dans l’enchaînement et la durée des actions. Ce travail est une première pour la BnF, mais aussi pour le monde des bibliothèques.

L’intérêt de ces méthodes d’apprentissage est de tirer profit de ce qui fragilise au contraire les méthodes traditionnelles de connaissance des usages : la masse des connexions (45 000 visites/jour sur Gallica). Cette masse interroge en effet la représentativité des enquêtes en ligne – représentatives d’abord et avant tout des internautes les plus engagés, mais pas de l’ensemble des internautes.

Malgré la puissance des algorithmes, l’apprentissage automatique requiert cependant un nombre important de décisions qui nécessitent de disposer d’autres sources de connaissance sur les usages et les usagers. Pour cette raison, le choix méthodologique fort a été ici de faire dialoguer les modèles statistiques avec les résultats issus d’autres approches (observations ethnographiques, entretiens, etc.).

L’intérêt du travail réalisé sur les logs de Gallica a convaincu la BnF et Télécom ParisTech d’ajouter à cette recherche un deuxième volet dédié aux logs de Data BnF, mais aussi aux parcours des internautes entre Gallica, Data BnF et BnF catalogue général.

Retrouvez la synthèse des résultats des deux volets de cette recherche. Le rapport complet de l’analyse des logs de Gallica, incluant une présentation de la méthodologie, est accessible dans HAL.

Philippe Chevallier

Responsable des études à la délégation à la Stratégie et à la recherche de la 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 18 juillet 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 18 juillet 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

Gallica Studio, une autre expérience de Gallica

À l’occasion de la seconde édition de son Hackathon, la BnF lance Gallica Studio, un espace qui se veut à la fois terrain de jeu, boîte à outils et vitrine pour les réutilisations innovantes et créatives des contenus disponibles dans Gallica (Bibliothèque numérique de la BnF). En phase avec les nouveaux usages de Gallica apparus au fil du temps dans les différentes communautés d’utilisateurs, Gallica Studio entend placer les Gallicanautes et leurs réalisations au cœur de son dispositif.
Des tutoriels Do It Yourself au test de nouveaux outils en passant par les GIF animés, Gallica Studio est un espace pour transformer, accommoder, améliorer Gallica. Les projets collaboratifs entendent occupent une place centrale. Aussi, es chercheurs, développeurs, amateurs ayant un projet à soumettre sont invités à le faire via ce formulaire.

Parmi les projets collaboratifs mentionnés figure le projet Gallicarte, un projet de géolocalisation des résultats de recherche dans Gallica, soit le lauréat du Hackathon 2016. Ce projet consiste à afficher les résultats d’une recherche effectuée dans Gallica sur une carte. La nouvelle fonctionnalité permet de visualiser, par exemple, l’ensemble d’un fonds photographique géolocalisé sur une carte interactive en présentant les documents et leurs métadonnées issues du catalogue.

Le projet lauréat Hackathon 2017, Musiviz, qui permet de visualiser les contenus audio dans Gallica intègrera également Gallica Studio. Musiviz entend caractériser les enregistrements sonores de Gallica (longueur, catégorie : interview,  morceau de musique, etc.) afin d’en faciliter la recherche et donc l’accès.

En voici la présentation :

Et l’ensemble de l’équipe :

BnF, François Mitterrand, Hackathon, 26/11/2017

Enregistrer

Olivier Jacquot

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

More Posts

data.bnf.fr pour les nuls

Mis en ligne en 2011, data.bnf.fr permet de rendre les ressources de la BnF plus visibles des internautes et plus utiles sur le web. Ce site s’inscrit dans une démarche de la BnF d’ouverture des données et d’adoption des standards du web sémantique. Conçu sur le modèle FRBR, ce service permet de rassembler sur des pages web l’ensemble des ressources de la BnF sur un auteur, une œuvre ou un thème. Les données brutes de data.bnf.fr sont sous Licence ouverte de l’Etat.

data.bnf.fr couvre aujourd’hui une partie des ressources de la BnF, et poursuit son développement et son accroissement.

Dans l’univers croissant du Web de données, les chercheurs qui développent des portails documentaires ne manqueront pas d’être intéressés par les données fournies par data.bnf.fr, soit :

  • des URI pour les ressources, actionnables et pérennes ;
  • une exposition RDF en « Linked open data » pour les données de data.bnf.fr, disponible pour chaque page (par négociation de contenu) et pour toute la base ;
  • un service SPARQL endpoint pour interroger les données.

Par ce biais, la BnF s’inscrit dans l’environnement des données liées avec de nouvelles coopérations et partenariats dans et hors de la communauté des bibliothèques.

Pour tout savoir sur data.bnf.fr en 2 minutes 42, voici une vidéo :

Data BnF gathers BnF resources and external resources on pages devoted to an author, a work, a subject, a year or a place. The project intends to make the data produced by Bibliothèque nationale de France more useful on the Web, thanks to open data policy and the use of semantic web standards.

Pour les équipes de recherche qui souhaiteraient se lier à des données validées de la BnF ou mener des travaux de fouille de texte, signalons que le contenu RDF de data.bnf.fr est récupérable en totalité ou par type de ressource.

Sinon il est possible de récupérer un produit à façon via SPARQL, comme par exemple les 100 auteurs les plus étudiés. Des exemples de requêtes sont fournis dans le Guide SPARQL (en français) ou en anglais (BnF SPARQL guide).

Olivier Jacquot

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

More Posts

Hackathon BnF – 2e édition : 24h autour des données musicales de la BnF

Performances, concerts, installations, ateliers, soirée remix…

Les 25 et 26 novembre 2017, à l’occasion de la deuxième édition de son Hackathon qui porte cette année sur la musique, la BnF vous convie à une grande fête du numérique. Tout le week-end des performances, concerts, installations et ateliers pour tous en accès gratuit permettront d’explorer le patrimoine et le monde numérique et musical. Sans oublier une soirée remix autour d’extraits des collections de la BnF, par Jaïs Elalouf et Manaré, pour « bouger » entre deux lignes de code !

Evénement organisé dans le cadre de la semaine de l’innovation publique, une initiative nationale portée par le secrétariat général pour la modernisation de l’action publique.
En partenariat avec
Semaine de l’innovation publiqueLa SACEMClass’Code InaDeezerLibérationRadio NovaUsbek & RicaLes Inrockuptibles

Programme

Samedi 25 novembre 2017, de 14h à 22h
14h – Inauguration du Hackathon
14h30 – 19h – Conférences, animations et ateliers

– 14h30 – conférence « Terra Data : qu’allons nous faire des données numériques ? », par Valérie Peugeot (Orange Labs, CNIL)
Mentalista : soyez les plus concentrés pour gagner ! Un jeu qui permet de comprendre l’interaction entre le cerveau et notre environnement
Class’Code : apprenez à maîtriser l’informatique en jouant avec des objets du quotidien ! Une façon ludique de comprendre les enjeux des algorithmes et des programmes, du codage de l’information et leurs applications concrètes
– « Ce que je voulais c’est être heureux », installation sonore et visuelle immersive par Arnaud Sallé (compositeur) et Hervé Rabot (photographe) sur le thème du paysageAteliers sur inscription via ce formulaire :
– Voyageurs du code : codez votre premier jeu vidéo !
– Lab’sus : initiez-vous à la Musique Assistée par Ordinateur (MAO) avec cet atelier interactif expérimental de détournement de son (ou sampling)
Animations pour les étudiants et les chercheurs
– Présentations de Zotero, Framasoft : les outils libres de l’étudiant et du chercheur pour préparer un mémoire ou une thèse
– Démonstrations des recherches en musicologie du CESR (Tours)
– Découverte des ressources de la BnF et de l’Ina 19h – 22h – Au cœur du Hackathon
– 19h – Présentation des projets en cours du Hackathon BnF
– 20h-22h – DJ Set – Remix des collections sonores, par Jaïs Elalouf et Manaré.
Musicien, compositeur de musique électronique, vidéaste et collectionneur d’art psychédélique, Jaïs Elalouf est un artiste multitalents qui mixe en sons et en images depuis 2003. Manaré est tout à la fois DJ, producteur, PDG de la webradio alternative « Rinse France » et créateur de la griffe de vêtements « Noir Noir ». Il est membre du label ClekClekBoom.

Dimanche 26 novembre 2017, de 15h à18h
14h – 19h – Animations
– 15h et 16h – Musique et technologies : un voyage ludique dans l’histoire de la musique enregistrée et la lutherie du XXe siècle. Animé par PV NOVA, musicien et Youtubeur
– 15h30-17h – Lectures musicales de Gallica, avec les étudiants et les professeurs de musique ancienne du Conservatoire de Paris (CNSMDP)
– « Ce que je voulais c’est être heureux », installation sonore et visuelle immersive par Arnaud Sallé (compositeur) et Hervé Rabot (photographe) sur le thème du paysage16h-17h – Remise du prix Hackathon BnF
– 16h – Présentation des projets du Hackathon BnF
– 17h – Remise du prix Hackathon BnF

Olivier Jacquot

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

More Posts

La Grande Guerre sur le web : un éclairage inédit

Place de l'Hôtel de Ville bombardée, Américains dans la ville reconquise, Fismes, 12-9-18, BDIC (Marne, collection Valois)
Place de l’Hôtel de Ville bombardée, Américains dans la ville reconquise, Fismes, 12-9-18, BDIC (Marne, collection Valois)

« Le devenir en ligne du patrimoine numérisé : l’exemple de la Grande Guerre », projet soutenu par le labex Les passés dans le présent1, est le fruit d’une collaboration entre la Bibliothèque nationale de France, la Bibliothèque de documentation internationale contemporaine et Télécom ParisTech. Il vient de s’achever après trois ans de recherches interdisciplinaires (2013-2016), occasion de revenir sur quelques résultats remarquables.

Pourquoi la Grande Guerre ?

Les sources documentaires numérisées autour de la guerre 14-18 offraient un terrain favorable à l’observation des usages du patrimoine en ligne, du fait de l’intensité des activités qu’elles suscitent sur le web. Par ce projet de recherche, il s’agissait de mieux comprendre la manière dont ces sources circulent, sont utilisées et valorisées sur le web. À travers, mais également au-delà de l’objet singulier du patrimoine 14-18, ce projet de recherche a permis d’éprouver des outils d’analyse du web rigoureux et de dégager des axes forts de réflexion pour la valorisation du patrimoine en ligne.

Un choix original : la fouille des « archives du web »

L’analyse du web français de la Grande Guerre s’est appuyée, dans un premier temps, sur 500 sites collectés dans le cadre du dépôt légal d’internet. Elle a mobilisé pour ce faire des outils de cartographie et de traitement automatique de la langue, qui furent pour la première fois appliqués aux « archives du web » conservées à la BnF. Si le cadre du dépôt légal est contraignant en termes d’accès aux données (limité aux emprises de la BnF et des institutions habilitées), il permet d’offrir des collections riches et raisonnées, dont les règles de production et de conservation sont transparentes pour la recherche. Les liens entre sites étant conservés dans la collecte, ils permettent de cartographier un réseau, repérer ses nœuds, ses zones de plus ou moins forte densité, en restituer également la dynamique. Ce travail pionnier a permis d’adapter les outils existants de fouille aux formats collectés, de telle manière qu’ils puissent, à terme, être réutilisés sur d’autres corpus du dépôt légal de l’internet.

Sur la carte du web français de la Grande Guerre ainsi obtenue, la place centrale d’un forum – le « Forum pages 14-18 » -, a pu être vérifiée, tandis que les réservoirs documentaires (Gallica, Mémoire des hommes, etc.) se sont révélés un élément fortement structurant car ils assurent le contact entre deux zones qui communiquent peu entre elles : les sites institutionnels et les sites amateurs. En complément, le traitement automatique du contenu du Forum pages 14-18, incluant les liens hypertextes dans les messages, a permis d’avoir une appréciation quantitative des usages documentaires à l’intérieur de ce collectif : la place croissante qu’y tiennent les images et la prépondérance des fils de discussion sur l’histoire des soldats. Au-delà de ces informations quantitatives, des entretiens approfondis avec des acteurs du web de Grande Guerre ont permis de mieux comprendre les pratiques d’échanges, de publications, mais aussi d’apprentissage de ces communautés en ligne, dont le Forum pages 14-18 offre un témoignage majeur, par le nombre d’inscrits et de messages échangés.

Consulter le rapport en ligne de la phase 2 du projet : Valérie Beaudouin, Zeynep Pehlivan, « Cartographie de la Grande Guerre sur le web » (91 pages)

Une veille raisonnée sur la dissémination d’un corpus remarquable

En dernière phase du projet, une veille méthodique a été mise en place afin de suivre de manière raisonnée durant 14 mois les réutilisations d’un fonds remarquable, récemment mis en ligne sur la bibliothèque numérique L’Argonnaute sous licence ouverte : 110.000 photographies de la Grande Guerre conservées par la BDIC et connues sous l’appellation « Albums Valois » (service photographique de l’Armée). L’objectif était de mesurer les effets visibles de la mise en ligne de ces albums sur le web, au plus près de leurs citations et réutilisations, et d’évaluer l’impact de différentes formes de médiation.

Malgré les actions de communication et de médiation, nulle viralité n’a été observée ; plutôt une lente montée des réutilisations où, à nouveau, les usages amateurs prédominent, et que seuls les médias traditionnels (dans ce cas précis : un concours organisé par un quotidien régional) sont en mesure d’accélérer de manière notable. Cette expérimentation souligne la difficulté pour les fonds patrimoniaux numérisés d’exister sur le web : y susciter de l’appétence et de la circulation, encore plus de l’interaction.

Consulter le rapport en ligne de la phase 3 du projet : Lionel Maurel, Josselin Morvan, « Les circulations sur le web d’un corpus numérisé : l’exemple des albums Valois » (75 pages)

Ce projet fera l’objet d’un livre collectif, à paraître fin 2017, où les résultats de la recherche seront enrichis de témoignages et d’approches complémentaires.

  1. « Le devenir en ligne du patrimoine numérisé : l’exemple de la Grande Guerre » est un projet de recherche conduit par la BnF, la BDIC et Télécom ParisTech dans le cadre du Labex Les Passés dans le présent, Investissements d’avenir, réf. ANR-11-LABX-0026-01. Il a impliqué directement : Nicolas Auray, Valérie Beaudouin, Philippe Chevallier, Lionel Maurel, Josselin Morvan, Zeynep Pehlivan, Peter Stirling. []

Philippe Chevallier

Responsable des études à la délégation à la Stratégie et à la recherche de la Bibliothèque nationale de France

More Posts

Approches innovantes pour la presse ancienne numérisée : fouille et visualisation de données

Cet article décrit comment une technique innovante de reconnaissance de mise en page (OLR, optical layout recognition) appliquée lors d’un grand projet européen de numérisation de la presse ancienne (Europeana Newspapers, 2012-2015) a été utilisée dans une expérience de fouille de données ciblant les métadonnées quantitatives de quotidiens numérisés. Les fichiers numériques de six titres de journaux français des collections de la BnF ont ainsi été analysés avec des techniques d’extraction et de visualisation de données démontrant des voies prometteuses pour la production de connaissances sur la presse ancienne, à l’usage des acteurs des bibliothèques numériques (gestionnaires de programmes de numérisation, conservateurs et médiateurs des collections de presse), ceux du champ des humanités numériques mais aussi le grand public utilisateur des bibliothèques numériques. Démonstration est également faite de l’intérêt de ces métadonnées quantitatives pour la recherche d’information.

Extrait de : “Data Mining Heritage Newspapers”, Document Analysis Systems 2016, Santorin;  IFLA News Media Satellite Conference, Hambourg, 2016
“Innovative Approaches for Heritage Newspapers: Data Mining, Data Visualization, Semantic Enrichment”, IFLA News Media satellite conference, Lexington, 2016

I. Introduction : Quelles données ?

Les bibliothèques regorgent de données numériques et elles en produisent quotidiennement de nouvelles : des métadonnées bibliographiques sont créées ou mises à jour dans les catalogues décrivant des collections ; des données d’usage sur les bibliothèques et leur public sont collectées ; des documents numériques sont produits par la numérisation des contenus conservés dans les bibliothèques.

Mais ces données et métadonnées numériques ressortent-elles du concept de big data ? Et sont-elles des cibles légitimes pour du data mining ? Leur volume réduit (douze millions de notices pour le catalogue de la BnF) n’incite-t-il pas à quelque précaution ? Le critère de la volumétrie n’est pas pertinent, si l’on en croit Viktor Mayer-Schoenberger et Kenneth Cukier : “(…) big data refers to things one can do at a large scale that cannot be done at a smaller one, to extract new insights or create new forms of value (…)” [1]. À une large échelle donc, mais en regard de l’activité concernée (“my big data is not your big data” [2]), avec des moyens différents de ceux satisfaisant les besoins métier nominaux, et avec pour objectif de « créer du neuf » : de nouvelles relations (auteur, lieu, date, etc.) sont construites au-dessus de catalogues publics (OPAC) [3] ; le pilotage des bibliothèques s’adosse à l’analyse des données de fréquentation et de lecture [4] ; une histoire des pages de une de quotidiens est élaborée à partir des données extraites d’une bibliothèque numérique [5], [6].

Est-il possible de donner à voir de l’inédit en fouillant les métadonnées descriptives de la presse patrimoniale numérisée pendant le projet Europeana Newspapers1 ? L’expérimentation décrite dans cet article tente de répondre à cette hypothèse, en présentant d’abord un processus de création d’un jeu de métadonnées quantitatives, puis des méthodes d’analyse et d’interprétation et de réutilisation de ces données ; et finalement quelques considérations sur les enjeux de qualité des données.

II.    Créer de nouvelles données

A.    Le jeu de données Europeana Newspapers

Six quotidiens nationaux et régionaux des collections de la BnF (1814-1945) font partie du corpus traité en OLR (Optical Layout Recognition) par le projet Europeana Newspapers. Le traitement OLR consiste en la description de la structure logique de chaque fascicule et de ses articles (emprise spatiale, titre et sous-titre, etc.) à l’aide des formats METS et ALTO [7] et en la classification des types de contenus (information, feuilleton littéraire, programme des spectacles, publicités, etc., au format MODS).

Figure 1. OLR : principe
Figure 1. OLR : principe

B.    Des documents numériques aux données dérivées

Contenus OCR et OLR sont des sources de métadonnées quantitatives décrivant des « grains » de contenus. Notre hypothèse est que compter ces grains (fig. 2) produit une information porteuse de sens :

  • l’OCR (format ALTO) est une source de métadonnées quantitatives relatives à des grains de contenus élémentaires : nombre de mots, d’illustrations, de tableaux, etc.
  • l’OLR (format METS) est également une source de métadonnées quantitatives décrivant des objets informationnels de plus haut niveau : articles, sections (regroupement d’articles), types de contenu.
Figure 2. Les métadonnées quantitatives d’une page
Figure 2. Les métadonnées quantitatives d’une page

En s’appuyant sur cette conjecture, des documents numériques est donc dérivé un jeu de métadonnées bibliographiques (titre du journal, date de publication) et quantitatives (nombre de pages, articles, mots, illustrations, publicités, etc.) pour chaque fascicule analysé. Des scripts Perl ou XSL (fig. 3) sont utilisés pour extraire certaines métadonnées du manifeste METS décrivant le fascicule (par ex. le nombre d’articles) ou des fichiers OCR associés (par ex. le nombre de mots). Le jeu de données créé contient environ 5,5 millions de métadonnées élémentaires exprimées selon des formats de données usuels (XML, JSON, CSV).

Figure 3. Processus de production des données dérivées
Figure 3. Processus de production des métadonnées dérivées

Ce principe de production de données dérivées offre plusieurs avantages. En tout premier lieu, pour le consommateur des données :

  • prêtes à l’emploi : pas de documents à extraire des magasins numériques et à analyser,
  • d’usage aisé (notamment CSV, JSON), à comparer à la complexité des formats XML métiers (ALTO, METS, MODS, etc.),
  • légères : 80 Mo pour les métadonnées dérivées, 1 To pour le corpus EN-BnF,
  • abondantes : 5,5 M de métadonnées atomiques.

Pour le producteur, notons que ces données sont faciles à produire et à diffuser (par exemple sous la forme d’archives ZIP par titre de presse, par période, etc.) et n’impliquent aucun enjeu de propriété intellectuelle, puisqu’il s’agit de métadonnées dérivées n’incluant pas les contenus originels.

III.   Faire parler les données

A.    Analyse statistique : évaluer, dimensionner, anticiper

Certaines données quantifient une réalité dont l’analyste a une connaissance ou une intuition préalable. C’est le cas d’informations statistiques aidant au pilotage d’actions de numérisation ou de valorisation des contenus. Le jeu de métadonnées pourrait alors être un échantillon représentatif de la collection ou du corpus, les informations recherchées étant majoritairement des mesures statistiques. Citons quelques exemples :

  • Post-correction automatique de l’OCR : la connaissance de la moyenne des mots imprimés dans un fascicule de presse (5 760 mots par page pour le corpus EN-BnF) permet de dimensionner la puissance de calcul nécessaire pour corriger algorithmiquement et au fil de l’eau l’OCR entrant dans une chaîne de numérisation.
Figure 4. Nombre moyen de mots par page
Figure 4. Nombre moyen de mots par page
  • Programmes de numérisation et valorisation : la densité en articles d’une collection de presse numérique est une donnée ayant un impact potentiel sur les processus et les coûts. Cette dimension varie fortement en fonction des périodes et des titres de presse (fig. 5).
Figure. 5. Nombre moyen d’articles par fascicule et par titre
Figure. 5. Nombre moyen d’articles par fascicule et par titre
  • Banque d’images : dans la perspective de la création d’une banque d’illustrations de presse, une analyse statistique élémentaire éclaire sur les titres de presse richement illustrés et quant au nombre total d’illustrations potentiellement exploitables (427 000, 97 % au XXe siècle).
Figure 6. Nombre moyen d’illustrations pour 1000 pages (XIXe, XXe siècles)
Figure 6. Nombre moyen d’illustrations pour 1 000 pages (XIXe, XXe siècles)

Appelés à commenter ces résultats, historiens ou conservateurs établiront aisément des liens avec la réalité documentaire qu’ils connaissent :

  • « Bien sûr, Le Matin est un quotidien apparu durant l’âge d’or de la presse d’information moderne (1890-1914), emblématique de ses innovations : il est fortement structuré en articles et richement illustré. » ( fig. 5, courbe marron : fig. 6 : plus de 6 000 illustrations en moyenne pour 1 000 pages).
  • « Le Journal des Débats politiques et littéraires (JDLP) fondé en 1789 est l’héritier des gazettes : il conserve au fil de son histoire un système de rubriquage moins dense en articles que les quotidiens nés à la fin du XIXe et il est économe en illustration. » (fig. 5 : courbe orange ; fig. 6 : 225 illustrations pour 1 000 pages)

Les mesures statistiques collectées permettent d’enrichir cette connaissance avec des données précises (moyennes, totaux, maxima) et représentatives (car collectées sur de vastes échantillons, voire sur la totalité de la collection), qui constituent une aide précieuse pour les activités de gestion de l’écosystème de toute bibliothèque numérique, de la numérisation à la valorisation.

B.  Visualisation de données : découvrir des connaissances

L’histoire des méthodes de recherche sur des contenus documentaires ou archivistiques est en partie déterminée par une autre histoire, celle de la numérisation de l’information, et partant de la numérisation patrimoniale, des premiers programmes en mode image à la restructuration des documents et à la description sémantique des contenus atomiques. Les modalités d’interaction des chercheurs avec les corpus numériques ont évolué simultanément, du feuilletage à la fouille de données, sans oublier l’étape de la recherche en texte intégral. En quelques décennies, l’œil du chercheur se sera posé sur microfilms, images numériques, listes de résultats de recherche plein texte, pour finalement s’éloigner des documents, en déléguant à des algorithmes (analyse d’images et de documents, analyse statistique, traitement automatique de la langue, modélisation des textes, visualisation de données) la tâche  de nourrir une nouvelle pratique, la lecture distante (telle que théorisée par Franco Moretti [8]).

La communauté des humanités numériques applique des techniques de visualisation de données depuis déjà fort longtemps2. S’agissant de l’étude des périodiques numérisés, une méthodologie tout à la fois rationnelle et pragmatique devrait prendre en compte les particularités de ce type documentaire, notamment sa nature composite (de l’information politique aux programmes de radio, sans oublier feuilleton, critique littéraire et petites annonces) et chaotique (OCR bruité). Citons par exemple les travaux du projet PRELIA3, de la plateforme Médias 194 ou encore ceux de Ryan Cordell (notamment l’identification de motifs textuels à grande échelle malgré les défauts de qualité du texte océrisé5, fig. 7).

Figure 7. “Viral Texts Project, Mapping Networks of Reprinting in 19th-Century Newspapers and Magazines”, Ryan Cordell, Northeastern University (Boston), 2015.
Figure 7. “Viral Texts Project, Mapping Networks of Reprinting in 19th-Century Newspapers and Magazines”, Ryan Cordell, Northeastern University (Boston), 2015.

Appliquée au jeu de métadonnées d’un titre spécifique, la visualisation de données permet de circonscrire l’analyse à l’histoire du titre considéré. Déployé au contraire à l’échelle du jeu de métadonnées complet, elle met en lumière l’histoire de la presse quotidienne française sur deux siècles. Dans tous les cas, le praticien sera libre de sélectionner et d’affiner la granularité de la visualisation, depuis l’échelle du fascicule jusqu’à celui d’une année de publication ou d’une période temporelle plus large. Et il faudra chaque fois régler la « distance de lecture » et évaluer son impact sur les enjeux d’interprétation. Les exemples suivants donnent quelques cas d’application de ces principes.

Le rôle de l’image dans la presse quotidienne est un sujet de recherche classique [5],[9] que fouille de données et outils de visualisation peuvent enrichir en données factuelles (micro-faits comme macro-tendances). Ainsi la courbe singulière décrivant la une du supplément du dimanche du Petit Journal (fig. 8) met en évidence l’apparition de l’illustration pleine page en couverture (29 novembre 1890).

Figure 8. Nombre moyen d’illustrations en une (Le Petit Journal, 1884-1920)
Figure 8. Nombre moyen d’illustrations en une (Le Petit Journal – Supplément illustré, 1884-1920)

En poursuivant sur cette thématique de l’image, la figure 9 montre que le nombre d’illustrations en une du Petit Parisien (courbe bleue) dépasse la moyenne par page dès 1902, pour suivre ensuite une croissance exponentielle : dans les années 1930, la une contient 45 % des illustrations d’un fascicule de 8 à 10 pages.

Figure 9. Nombre moyen d’illustrations par page (Le Petit Parisien, 1876-1944 ; en bleue, la une)
Figure 9. Nombre moyen d’illustrations par page (Le Petit Parisien, 1876-1944 ; en bleue, la une)

Les facteurs de forme de la presse quotidienne ont varié au fil des siècles. La figure 5 permet de situer une des transitions majeures dans la décennie 1880, avec deux familles de titres, les « anciens », basés sur le système du rubriquage (Le Gaulois, Le Journal des débats politiques et littéraires), et les autres (Le Matin, Le Petit Parisien, Ouest-Eclair) qui naissent avec ­– ou adoptent rapidement –, une mise en page « moderne », avec des caractéristiques qui sont celles de notre presse contemporaine : page de une graphique, titre en bandeau, granularité de l’information à l’article. Cette typologie et son évolution entre XIXe et XXe siècles est illustrée avec un graphe à bulles (fig. 10) combinant les trois facteurs de modernité de forme que sont nombre moyen d’articles par page (x), d’illustrations par page (y) et en une (z, diamètre des bulles).

Figure 10. Typologie des six titres de presse du corpus Légendes : XIXe s. : 19 ; XXe s. : 20 ; PJI : Le Petit Journal supp. illustré ; JDPL : Le Journal des débats politiques et littéraires ; OE : Ouest-Eclair éd. de Rennes ; G : Le Gaulois ; PP : Le Petit Parisien ; M : Le Matin
Figure 10. Typologie des six titres de presse du corpus
Légendes : 19 : XIXe s.  ; 20 : XXe s. ; PJI : Le Petit Journal supp. illustré ; JDPL : Le Journal des débats politiques et littéraires ;
OE : Ouest-Eclair éd. de Rennes ; G : Le Gaulois ; PP : Le Petit Parisien ; M : Le Matin

Autre registre de métadonnées disponible, la classification réalisée durant le traitement OLR des types de contenus (texte, illustration, tableau et publicité, ou plutôt « réclame ») autorise une analyse documentaire poussée. La figure 11 montre par exemple l’impact de la Grande guerre sur l’activité économique de la presse et permet d’évaluer le délai de retour au niveau d’avant-guerre (10 ans).

Figure 11. Répartition des contenus par type (Le Matin, 1884-1942)
Figure 11. Répartition des contenus par type (Le Matin, 1884-1942)

De telles métadonnées quantitatives, ordonnées selon des dimensions à la fois temporelle et éditoriale (les titres de presse) et éventuellement croisées avec les contenus eux-mêmes (les textes océrisés), constitue un terrain fertile en hypothèses de recherche. Par ailleurs, la classification des types de contenus sera d’une grande aide pour les chercheurs ciblant un type de contenus spécifique (comme il a été dit, la presse quotidienne est un média composite : extraire un sous-corpus d’une collection de presse numérique reste un challenge technique). Ainsi d’une étude portant sur la formation de la chronique boursière dans la presse quotidienne [10], pour laquelle les données quantitatives offrent un accès direct au corpus cible, les tableaux présents dans la presse quotidienne étant majoritairement utilisés pour les cotations (fig. 12).

Figure 12. Nombre de tableaux par jour de semaine, Le Journal des débats politiques et littéraires (Pierre-Carl Langlais, 2016)
Figure 12. Nombre de tableaux par jour de semaine, Le Journal des débats politiques et littéraires (Pierre-Carl Langlais, 2016)

C.    Visualisation de données pour la médiation numérique

La visualisation de données offre également des perspectives novatrices en matière de redécouverte et de réappropriation des documents décrits par ces données. En effet, les méthodes et outils de visualisation de données sont en mesure d’aider les bibliothèques numériques à diversifier les modalités de parcours de leurs collections, en allant au-delà des classiques accès par recherche en texte intégral et feuilletage de pages.

La figure suivante montre ainsi une visualisation interactive de la moyenne de mots par page du Journal des débats politiques et littéraires sur toute sa durée (1814-1944, plusieurs dizaines de milliers de numéros, un point par numéro). Les franches ruptures et autres singularités mises en évidence par ce graphe invitent l’utilisateur à entrer dans la collection de presse via une nouvelle dimension, sa densité en mots. Cette dimension est exprimée par une métaphore visuelle à laquelle est associée une seconde dimension, le temps, à travers lequel le promeneur numérique se déplace (avec une fonctionnalité de zoom).

Figure 13. Nombre moyen de mots par page (Journal des débats politiques et littéraires, 1814-1944)
Figure 13. Nombre moyen de mots par page (Journal des débats politiques et littéraires, 1814-1944)

Les ruptures observées trouvent leur explication dans les changements successifs de maquette et/ou de format, motivés tant par les innovations techniques survenues dans la fabrication du papier ou l’imprimerie, comme étudié par les historiens de la presse [11] (1er déc. 1827 : 3 colonnes, 330×450 mm ; 1er oct. 1830 : 4 colonnes; 1er mars 1837 : 400×560 mm ; 1er janv. 1896 : typographie plus dense) que par le contexte politique (4 août 1914 : réduction à 2 pages et 3 colonnes puis retour à 6 colonnes le 8 août). Les valeurs aberrantes peuvent aussi révéler des trésors documentaires, ainsi des cas de censure telle que pratiquée durant la Grande guerre (voir ainsi le 22 mai 1915). Ici le vide, soit la disparition d’un texte, est découvert en l’affichant. Et les données racontent plusieurs histoires (pour paraphraser Edward Tufte [12]), la Grande, celle de la presse imprimée, celle du Journal des débats.

Il est intéressant de noter que ces documents singuliers, révélés par l’action conjuguée d’une métadonnée quantitative et d’une métaphore visuelle, resteraient cachés, perdus dans la profusion documentaire, pour qui se lancerait dans leur quête muni des outils classiques que sont recherche par critère bibliographique et interrogation par mot clé.

Comme on l’a vu, la visualisation de données en masse fait ressortir des valeurs singulières. En matière d’illustration, un graphe similaire au précédent mais appliqué à la dimension « nombre d’images » met en évidence des fascicules richement illustrés du Journal des débats politiques et littéraires (fig. 14), qui s’avèrent être des suppléments illustrés (27 mars 1899, 201 illustrations), mais également des événements clés de l’histoire du titre, comme la première illustration publiée (dans une publicité, le 11 mai 1828).

Figure 14. Nombre d’illustrations par fascicule (Journal des débats politiques et littéraires, 1814-1944)
Figure 14. Nombre d’illustrations par fascicule (Journal des débats politiques et littéraires, 1814-1944)

Faits et informations extraits grâce aux techniques de fouille et de visualisation de données gagneront à venir enrichir d’autres supports de médiation, qu’ils soient numériques ou non. Dans le premier cas, on pourra citer blog, dossier pédagogique, frise chronologique (fig. 15), etc.

Figure 15. Frise chronologique
Figure 15. Frise chronologique du Journal des débats politiques et littéraires

Autre exemple, une exposition sur l’histoire de la presse [13] souhaitant scénographier l’évolution des formats de papier et les liens entre innovations techniques, cadre économique et politique éditoriale, pourrait s’appuyer tant sur des documents physiques (fig. 16, en haut) que sur l’expression graphique d’une analyse statistique des formats de page (calculés à partir des informations extraites des images numérisées, fig. 16, en bas). Il serait tentant de rattacher ce cas illustratif aux tensions entre micro-histoire et histoire quantitative. Opposition artificielle dans le cadre de la mission de médiation qui échoit aux musées et bibliothèques : sélectionner quelques documents exemplaires ou travailler sur une très6 longue série de documents/données n’est pas antinomique (« Hybridity is the new normal », Gerben Zaagsma [14]).

Figure 16. Evolution des formats de papier (Journal des débats politiques et littéraires, 1814-1944)
Figure 16. Evolution des formats de papier (Journal des débats politiques et littéraires, 1814-1944)

Classiquement, ce graphe met en lumière tant que les valeurs moyennes et leurs transitions que des points atypiques, tels ce numéro à 24 mots par page (2 mai 1899) qui s’avère être le plan de l’Exposition universelle de Paris, ou encore un courrier commercial consécutif à la loi sur la presse de 1851, ainsi que les événements historiques singuliers (eu regard des conditions de publication de la presse quotidienne) que sont les périodes de déclaration de guerre.

D.    Interroger les métadonnées quantitatives

Utiliser des outils adaptés contribue à améliorer l’efficacité de la fouille de données. BaseX7 est une de ces solutions simples et élégantes (au même titre que les systèmes NoSQL) permettant d’agglomérer tous les fichiers de métadonnées au format XML et d’interroger l’ensemble avec des requêtes XPath/XQuery. Dans le cadre d’une action de médiation numérique consacrée à un titre de presse ou pour l’ensemble du jeu de données, une telle requête identifiera par exemple toutes les pages « graphiques », c’est-à-dire celles à la fois pauvres en mots et incluant au moins une illustration. Des centaines de pages sont ainsi extraites du corpus (fig. 17 : bandes dessinées, dessins de presse, portraits, cartes, partitions, publicités, etc.), autant de documents remarquables qu’il aurait été fort laborieux de découvrir par un dépouillement (fût-il numérique) de la collection.

Figure 17. Exemples de résultat : (<a href="http://gallica.bnf.fr/ark:/12148/bpt6k658372q/f11.item">1</a>), (<a href="http://gallica.bnf.fr/ark:/12148/bpt6k7158889/f8.item">2</a>), (<a href="http://gallica.bnf.fr/ark:/12148/bpt6k6840321/f4.item">3</a>), (<a href="http://gallica.bnf.fr/ark:/12148/bpt6k557319t/f1.item">4</a>), (<a href="http://gallica.bnf.fr/ark:/12148/bpt6k522950j/f4.item">5</a>), (<a href="http://gallica.bnf.fr/ark:/12148/bpt6k469111r/f14">6</a>), (<a href="http://gallica.bnf.fr/ark:/12148/bpt6k657927g/f14.item.zoom">7</a>)
Figure 17. Exemples de résultat : (1), (2), (3), (4), (5), (6), (7)

E.    Valoriser les métadonnées quantitatives

Les documents imprimés constitutifs des bibliothèques patrimoniales numériques ne sont pas des textes anonymes et indifférenciés. Ils présentent tous des facteurs de forme singuliers, ils sont tous héritiers de la longue histoire de l’imprimé. Prendre en compte leur matérialité afin de favoriser les usages numériques qui en sont faits est une hypothèse légitime. En particulier dans le cas de la presse ancienne numérisée, du fait de sa profusion8 et de sa nature composite : des centaines d’articles par fascicule, jusqu’à 15 000 mots par page (souvent bruités en sortie du traitement OCR) pour les grands formats du début du XXe s., de nombreux registres de discours : éditorial, information, loisirs, annonces, etc. Comme le souligne Ryan Cordell, “even digitized periodicals remain voluminous, messy, provocatively difficult” [15].

Par conséquent, il fait sens d’alimenter les outils d’accès et d’interrogation des collections de presse avec les métadonnées quantitatives issues de l’OLR ou l’OCR, elles-mêmes porteuses d’une information relative à la forme des documents physiques. En termes d’usage, la figure 18 montre deux exemples de requêtes avancées combinant des critères bibliographiques, par mot-clé et relatifs à la structure logique (en gras : titre d’article, corps de l’article, article incluant un tableau, etc.). Ces requêtes très expressives, proches du langage naturel, sont particulièrement adaptées à la recherche d’information au sein d’un portail de presse.

Figure 18. Sources de données d’un moteur de recherche pour la presse et requêtes avancées
Figure 18. Sources de données d’un moteur de recherche pour la presse et requêtes avancées

La bibliothèque numérique Trove (http://trove.nla.gov.au) est un exemple emblématique de cette approche. La figure 19 montre son formulaire de recherche avancée et ses critères de structure (types de contenu, longueur de l’article, article illustré).

Figure 19. Trove : formulaire de recherche avancée (extrait)
Figure 19. Trove : formulaire de recherche avancée (extrait)

Cette approche trouve un cas d’application voisin dans la recherche d’images au sein d’une collection de presse numérisée, riche en ressources iconographiques comme il a été dit (cf. fig. 6). En s’appuyant sur les sources d’information à disposition (métadonnée « nombre d’illustrations » ; texte de légende et de titre d’article fournis par l’OLR et l’OCR), il est possible d’interroger la collection à cette fin. Les métadonnées quantitatives jouent alors le rôle d’un simple index (au sens informatique du terme).

Un démonstrateur basé sur le jeu de métadonnées augmenté du texte des légendes a été développé.  Utilisant une API REST et des scripts XQuery interrogeant la base, il autorise l’expression de requêtes mêlant critères bibliographique et mot-clé. La figure 20 montre un exemple de recherche iconographique portant sur la statue de la liberté9. Onze illustrations sont trouvées, à comparer aux quinze documents présents dans la collection d’images de Gallica (extraites selon la seule métadonnée bibliographique « titre »).

Figure 20. Recherche d’illustrations « statue de la liberté » (exemples) : (1), (2), (3), (4), (5)
Figure 20. Recherche d’illustrations « statue de la liberté » (exemples) : (1), (2), (3), (4), (5)

Dans de nombreux cas, l’iconographie de la presse pourra couvrir les lacunes de la collection d’images. Ainsi l’exemple suivant consacré à la bataille de Málaga, événement absent de la collection d’images mais bien sûr traité par la presse quotidienne française de 1937 (quinze illustrations).

Figure 21. Recherche d’illustrations « bataille de Málaga » (exemples) : (<a href="http://gallica.bnf.fr/ark:/12148/bpt6k585512z.item.zoom">1</a>), (<a href="http://gallica.bnf.fr/ark:/12148/bpt6k5855106.item/f8">2</a>)
Figure 21. Recherche d’illustrations « bataille de Málaga » (exemples) : (1), (2)

Ce démonstrateur d’un moteur de recherche d’illustrations de presse a permis de mettre en  lumière les points suivants :

  • L’iconographie présente dans la presse quotidienne est complémentaire d’une collection d’images « classique » (photographies, dessins), avec une forte couverture des thématiques histoire, société, culture populaire, vie quotidienne, etc. Pour l’étude des XIXe et XXe siècles, la presse, premier média de masse, est une ressource sans pareil. Par contre, la presse quotidienne est très peu illustrée avant 1870 (il faut attendre le tournant des XIXe et XXe siècles pour que se généralise le photoreportage, permis par l’amélioration des techniques de prise de vue et l’invention de la similigravure).
  • Pour la presse spécialisée (scientifique, professionnelle, sports, loisirs, etc.) et la presse magazine, l’iconographie n’a peu ou pas d’équivalent dans la collection d’images. Ainsi, l’exemple précédent de la bataille de Málaga appliqué au titre emblématique de l’histoire de la presse magazine qu’est Regards permettrait de dévoiler des photographies de Robert Capa et Gerda Taro (ou Henri Cartier-Bresson et Willy Ronis sur d’autres reportages).
Figure 22. Recherche d’illustrations dans <a href="http://gallica.bnf.fr/ark:/12148/bpt6k7635923b/f6.image">Regards </a>: « bataille de Málaga »
Figure 22. Recherche d’illustrations dans Regards : « bataille de Málaga »
  • Elle offre un plus large registre de types iconographiques : dessin, photographie, caricature, extrait de film, carte, bande dessinée, publicité, etc. (cf. fig. 17).
  • Les 427 000 illustrations des 637 000 pages du corpus EN-BnF sont à mettre en regard des dimensions de la collection d’images de Gallica (950 000 illustrations pour 400 000 documents). Rapporté à une collection de 5 millions de pages de presse, le nombre d’illustrations potentiel avoisinerait les 3 millions.
  • Les illustrations sont légendées à 80 % dans le corpus EN-BnF. À défaut de légende, le titre de l’article peut être utilisé, ou encore le premier paragraphe de l’article.
  • La qualité de l’iconographie de la presse va de médiocre à correct, du fait des techniques de reproduction et d’impression.

Et que dire des monographies imprimées ? Leur OCR contient bien évidemment des informations quantitatives quant à leur contenu : mot, tableau, illustration (voir [16] pour la démonstration de l’intérêt d’une utilisation extensive de ce principe). Le même mode opératoire pourrait leur être appliqué à des fins de recherche iconographique, en s’appuyant sur :

  • la classification en divers types d’« illustrations » opérée automatiquement par certains moteurs OCR (tableaux, timbres, annotations manuscrites, ornements et autres culs-de-lampe),
  • une annotation réalisée par un opérateur humain lors de la numérisation (la BnF demande l’identification des cartes et des partitions musicales),
  • des algorithmes de détection appliqués en post-traitement  contribuant à affiner la description des images en les classant selon leur mode de production (dessin au trait, photographies) ou encore leurs caractéristiques (noir et blanc/couleur, taille).

La figure 23 présente un scénario type de recherche iconographique dans les collections d’imprimés, où cartes, schémas et photographies de la planète Mars sont identifiées grâce à des critères de forme (« page illustrée ») et de type (« cartes »). Là encore, les éventuelles lacunes de la collection des cartes (100 000 cartes dans Gallica, aucune de Mars) peuvent être compensées par l’iconographie présente dans les imprimés.

Figure 23. Recherche iconographique dans les imprimés (exemples de résultats) : (1), (2), (3), (4), (5)
Figure 23. Recherche iconographique dans les imprimés (exemples de résultats) : (1), (2), (3), (4), (5)

IV.   Contrôler la qualité des données

La qualité des données dérivées influence la validité des analyses et interprétations (notamment visuelles, voir [4],[17] sur cette problématique). En effet, des données irrégulières en nature ou discontinues dans le temps pourraient introduire des biais. Une étude qualitative doit donc impérativement être menée au préalable à toute analyse interprétative.

Et dans tous les cas, les informations de qualité relatives aux collections ou au corpus numériques (taux OCR, manques, niveau de structuration, etc.) gagnent à être communiquées aux utilisateurs finaux – monde académique comme grand public –, par souci de transparence. Une utilisation ultérieure fiable de ces collections et corpus repose en partie sur ce prérequis.

La presse quotidienne des XIXe et XXe siècles se caractérise par une bonne homogénéité de forme, ce qui induit une cohérence et une granularité constantes des métadonnées dérivées du corpus (fascicule, page, article, etc.). Par ailleurs, la démarche employée (fouille de données massive, le fondement de toute approche big data [18]) rassure quant à sa représentativité. Une analyse statistique peut également aider à fournir les informations nécessaires de couverture temporelle et de distribution des données (fig. 24). On constate par exemple que la période 1814-1867 est sous-représentée (par un seul titre, le JDPL). Par contre, la visualisation simultanée du nombre de titres périodiques10 actifs année par année (information extraite du catalogue général de la BnF, courbe bleu) montre que la distribution du corpus est relativement bien corrélée à la production éditoriale.

Figure 24. Répartition des données du corpus (en rouge) et des titres de périodique actifs (en bleu) – 1810-1945
Figure 24. Répartition des données du corpus (en rouge) et des titres de périodique actifs (en bleu) – 1810-1945

Comme on vient de le voir, les corpus eux-mêmes peuvent  contribuer à leur propre validation qualitative. Ainsi une visualisation en calendrier des données disponibles pour un titre de presse (fig. 25) montre les rares manques, ce qui laisse à penser que son avatar numérique est représentatif de la réalité documentaire sous-jacente [19].

Figure 24. Visualisation des manques d’un titre de presse numérisé (JDPL)
Figure 25. Visualisation des manques d’un titre de presse numérisé (JDPL)

Ou encore, préalablement à une étude sur l’apparition de la chronique boursière dans la presse française s’appuyant sur les contenus typés « tableau » ([10], cf. fig. 12), cette hypothèse sera validée empiriquement par les brusques inflexions constatées en 1914 et 1939 (cf. fig. 26), étant connu et établi par ailleurs le fait historique du quasi-arrêt des tableaux de cotation et de la chronique boursière durant les deux guerres mondiales.

Figure 25. Nombre moyen de tableaux par fascicule
Figure 26. Nombre moyen de tableaux par fascicule
Conclusion

Cette étude a montré que les métadonnées quantitatives de fascicules de journaux, a priori peu disertes, s’expriment haut et fort lorsqu’interrogées à la bonne distance. Ce constat s’explique par le type documentaire, la presse quotidienne, sujet idéal pour une structuration fine (« à l’article ») et partant la création d’un ensemble cohérent de métadonnées sérialisées selon une dimension temporelle.

Pour une bibliothèque numérique, créer et diffuser de telles métadonnées quantitatives – par simple téléchargement ou par tout autre moyen (API, interface web d’interrogation) – donne aux chercheurs un terrain d’étude prêt à l’usage pour des actions de fouille de données dans des disciplines variées (histoire de la presse, de l’imprimé, du journalisme ; sciences de l’information ; sociologie, etc.) relevant du champ et des pratiques des « humanités numériques ». Mais ces métadonnées sont susceptibles de s’appliquer à d’autres catégories d’usage, qu’il s’agisse de gestion de la bibliothèque numérique, de médiation numérique ou encore de consultation des collections numériques.

Par ailleurs, le mode opératoire rend cette expérimentation généralisable, à plusieurs titres :

  • Le traitement OLR est désormais un standard en matière de numérisation des collections de presse patrimoniales.
  • La génération de métadonnées quantitatives ne nécessite qu’un traitement informatique élémentaire.
  • L’exploitation de telles métadonnées peut s’appuyer sur une grande variété d’outils de fouille et de visualisation de données, qui ne nécessitent le plus souvent que des compétences informatiques basiques.

Enfin, ses résultats appellent plusieurs suites possibles :

  • Expérimenter sur d’autres types documentaires présentant une cohérence de forme et une dimension temporelle : revues et magazines du XXe, premiers livres imprimés du XVIe s. etc.
  • Fournir les résultats aux chargés de collection et de médiation numérique des portails numériques (dans le cas de la BnF, bnf.fr et data.bnf.fr) afin de les éditorialiser au fil d’actions de médiation de la collection numérique (présentation des titres de presse, frise chronologique, etc.).
  • Mettre à la disposition des acteurs de la recherche des jeux de métadonnées quantitatives prédéfinis (par titre de presse, par date, etc.) et/ou une infrastructure technique de livraison de documents numériques11 dans laquelle les spécificités de la presse numérisée seraient prises en compte (sélection de corpus par critères multiples : titre, date, titre de rubrique, type de contenu, etc.).
  • Enrichir les moteurs de recherche avec ces métadonnées quantitatives afin de décrire le plus fidèlement possible tant la forme matérielle que la structure sémantique de la presse numérisée.

Nous pensons que cette étude a mis en évidence le bénéfice pour les bibliothèques numériques à utiliser les méthodes et outils du champ des humanités numériques. Et fournir ainsi de meilleurs services à tous leurs utilisateurs, y compris ceux de la communauté des humanités numériques, en mettant à leur disposition des corpus numériques plus riches et mieux structurés.

Les scripts, les jeux de données dérivées et les graphes décrits dans cet article sont librement disponibles : http://altomator.github.io/EN-data_mining. Ils ont été créés avec des outils open source (BaseX, Highcharts, Google Charts, timeline.knightlab).

Bibliographie
  1. K. Cukier, V. Mayer-Schönberger, Big Data: A Revolution That Will Transform How We Live, Work, and Think, Eamon Dolan/Houghton Mifflin Harcourt, 2013.
  2.  R. Green and M. Panzer , “The Interplay of Big Data, WorldCat, and Dewey”, in Advances In Classification Research Online, 24(1).
  3. M. Teets and M. Goldner, “Libraries’ Role in Curating and Exposing Big Data”, Future Internet 2013, 5, 429-438.
  4. R. Lapôtre, “Faire parler les données des bibliothèques : du Big Data à la visualisation de données”, Library Curator memorandum, ENSSIB, 2014. http://www.enssib.fr/bibliotheque-numerique/notices/65117-faire-parler-les-donnees-des-bibliotheques-du-big-data-a-la-visualisation-de-donnees
  5. The Front Page, http://dhistory.org/frontpages.
  6. T. Sherratt, “4 million articles later…”, June 29, 2012.
    http://discontents .com .au/ 4-million-articles-later
  7. C. Neudecker and L. Wilms, KB National Library of the Netherlands, “Europeana Newspapers, A Gateway to European Newspapers Online”, FLA Newspapers/GENLOC PreConference Satellite Meeting, Singapore, August 2013.
  8. F. Moretti, Graphes, cartes et arbres. Modèles abstraits pour une autre histoire de la littérature. Les Prairies Ordinaires, 2008. Trad. de l’anglais, Verso, 2005.
  9. L. Joffredo, “La fabrication de la presse”. http://expositions.bnf.fr/presse/arret/07-2.htm
  10. P.-C. Langlais, “La formation de la chronique boursière dans la presse quotidienne française (1801-1870). Métamorphoses textuelles d’un journalisme de données”. Thèse de doctorat en science de l’information et de la communication, CELSA Université Paris-Sorbonne, 2015.
  11. G. Feyel, La Presse en France des origines à 1944. Histoire politique et matérielle, Ellipses, 2007.
  12. E. Tufte, The Visual Display of Quantitative Information, Graphics Press, 2001.
  13. “SCOOP, une histoire graphique de la presse”, musée de l’Imprimerie, Lyon, 2015.
  14. G. Zaagsma, “On Digital Historyˮ, BMGN, Volume 128-4 (2013), pp 3-29.
  15. R. Cordell, “What has the Digital Meant to American Periodicals Scholarshipˮ, American Periodicals, 26.1 2016.
  16. Lease Morgan, E., “Use and understand: the inclusion of services against texts in library catalogs and discovery systems”, Libray Hi Tech, Vol. 30, Issue 1, pp. 35-59.
  17. Y. Jeanneret, « Complexité de la notion de trace. De la traque au tracé » In : Galinon-Mélénec Béatrice (dir.). L’Homme trace. Perspectives anthropologiques des traces contemporaines. CNRS Editions, Paris, 2011.
  18. E. Aiden, J.-B. Michel, Uncharted: Big Data as a Lens on Human Culture. New York : Riverhead Books, 2013.
  19. A. Dunning, and C. Neudecker, “Representation and Absence in Digital Resources: The Case of Europeana Newspapers”, Digital Humanities 2014, Lausanne, Switzerland. http://dharchive.org/paper/DH2014/Paper-773.xml
Citer cet article : Jean-Philippe Moreux, "Approches innovantes pour la presse ancienne numérisée : fouille et visualisation de données". Dans Carnet de la recherche à la Bibliothèque nationale de France, ISSN 2493-4437, 30 décembre 2016. Disponible en ligne, url : <https://bnf.hypotheses.org/208> (consulté le 18 juillet 2018).
  1. http://www.europeana-newspapers.eu/ []
  2. Cf. par ex. John Burrows, “Textual Analysis”, in A Compagnion to Digital Humanities, 2004 []
  3. http://prelia.hypotheses.org []
  4. http://www.medias19.org []
  5. https://viraltexts.org []
  6. Ici très exactement 47 799 []
  7. basex.org []
  8. Qui ne manque pas de faire écho à notre ère d’abondance informationnelle… On peut estimer à 120 millions de pages de presse la collection patrimoniale de la BnF, le catalogue général recensant environ 130 000 titres (presse et revues confondues). En 2012, 129 millions de pages étaient déjà numérisées en Europe (The “State of the Art”: A Comparative Analysis of Newspaper Digitization to Date, 2015. https://www.crl.edu/sites/default/files/d6/attachments/events/ICON_Report-State_of_Digitization_final.pdf) []
  9. http://basexapplication.2ftbeuqbi2.eu-central-1.elasticbeanstalk.com/rest/?run=findCaptionedIllustrations.xq&fromDate=1886-01-01&keyword=statue.*liberté. Demander à l’auteur l’accès à l’API. []
  10. De périodicité inférieure au mois. []
  11. Ce point sera abordé par le projet de recherche BnF « Corpus » (2016-2018), qui a pour objectif l’étude des services que peut rendre une bibliothèque en matière de fouille de textes et de données à destination de la recherche. []

Jean-Philippe Moreux

Dpt de la Conservation, service Numérisation, BnF

More Posts - Website