Archives par mot-clé : Fouille de données

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

Eleonora MOIRAGHI

Enregistrer

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

Olivier Jacquot

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

More Posts

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 ce billet : 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 [En ligne]. http://bnf.hypotheses.org/208 (consulté le 30 décembre 2016).
  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