Archives par mot-clé : Humanités numériques

Atelier : Données liées et données à lier : quels outils pour quels alignements ? (10/07)

Dans le cadre du projet Corpus, inscrit au plan quadriennal de la recherche de la Bibliothèque nationale de France 2016-2019, des ateliers thématiques sont organisés régulièrement afin d’inciter les échanges entre le milieu académique et le monde des bibliothèques dans le domaine des humanités numériques. Le prochain atelier aura lieu le 10 juillet 2018 et portera sur différentes méthodes et outils d’alignement de données.

The Linked Open Data Cloud

Argument

Une des promesses de la publication de données en ligne ouvertes est la possibilité de tisser des liens entre jeux de données de nature différente pour en enrichir les réutilisations. La mise en œuvre de ces alignements fait appel à des approches très diverses. Un cas d’usage en bibliothèque est la création d’entités exploitables sur le web à partir de données bibliographiques structurées (Logilab). La comparaison de chaînes de caractères ne peut suffire à aligner des concepts, pour lesquels entrent en jeu l’analyse de la structure des référentiels où ils sont décrits ou l’exploitation de liens à une référence partagée. Une méthode telle que l’extraction de clés liage permet de proposer des mesures de similarité à partir de la comparaison de deux jeux de données sans en connaître la sémantique (ELKER). Des outils peuvent aussi aider à la décision pour faciliter le travail manuel, voire le crowdsourcing de la part de communautés identifiées (Projet Foucault Fiches de Lecture, Wikidata Mix’n’Match). Ces liens servent enfin à enrichir des données peu structurées, comme le propose la résolution d’entités nommées pour le plein texte (REDEN).

Programme

  • Emmanuelle Bermès (BnF) et Aude Le Moullec-Rieu (BnF) introduiront la matinée
  • Adrien Di Mascio (Logilab) et Sébastien Peyrard (BnF) présenteront l’utilisation d’algorithmes de regroupement dans le logiciel Robot-Données
  • Etienne Cavalié (BnF) présentera Bibliostratus, l’outil d’alignement développé par le groupe Systèmes et Données du programme national Transition bibliographique
  • Jérôme David et Manuel Atencia (équipe MOEX, Inria & LIG) : présenteront le projet ANR ELKER sur l’extraction et le raisonnement avec clés de liage
  • Carmen Brando (EHESS) présentera l’algorithme REDEN
  • Antoine Isaac (Europeana) présentera les outils CULTUURLINK et Wikidata Mix’n’Match
  • Vincent Ventresque et Laurent Dartigues (TRIANGLE/ ENS Lyon) présenteront le projet ANR Foucault Fiches de Lecture

Modalités pratiques

10 juillet 2018, 9h30 – 13h
Bibliothèque nationale de France, site François-Mitterrand (Quai François Mauriac, 75013 Paris), salle 70.

Entrée libre sur réservation auprès d’Eleonora Moiraghi.

Appel à participations : Aidez-nous à identifier les objets dessinés par Jean-Baptiste Muret !

Aidez-nous à identifier les œuvres antiques dessinées par Jean-Baptiste Muret au XIXe siècle, pour mieux connaître l’histoire de ces objets aujourd’hui dispersés dans le monde entier.

RES-MS-70100-MUR-GF-1_P16_OBJET_2

L’Institut national d’histoire de l’art (INHA) lance un crowdsourcing pour proposer au grand public de participer à l’identification des œuvres antiques dessinées par Jean-Baptiste Muret.

Ce corpus concerne environ 300 objets, présentés dans les onze recueils dessinés par Jean-Baptiste Muret (1795-1866) au cours de sa carrière de dessinateur au Cabinet des Médailles de la Bibliothèque nationale de France.

Accéder directement à la plateforme Zooniverse à cette adresse : https://www.zooniverse.org/projects/inha/digital-muret

Le projet

Le projet de crowdsourcing est mené dans le cadre du programme « Une histoire de l’art antique inachevée : les dessins de Jean-Baptiste Muret (1795-1866) » au sein du domaine de recherche Histoire de l’art antique et de l’archéologie. Le but de ce projet est de décrire et d’identifier un maximum d’œuvres antiques “orphelines” dessinées par Jean-Baptiste Muret au XIXe siècle. Le premier corpus publié est composé d’images de céramiques grecques antiques, de tous types et de toutes époques. Elles ne sont pas décrites, et leur lieu de conservation actuel n’est pas encore retrouvé. Grâce à ces descriptions et identifications, nous pourrons avancer dans la publication en ligne de l’ensemble des planches dessinées, le Digital Muret.

Vous pouvez tout un chacun tenter de proposer d’identifier un objet dessiné et de le raccorder à un objet dont vous avez connaissance dans les collections muséales de France et du monde. Pour cela, vous disposez d’un outil de description formelle (style, sujet, atelier de production, chronologie, etc.) et aussi d’un outil d’identification vous permettant de suggérer un numéro d’inventaire, un lien vers une collection accessible en ligne. Si vous n’avez pas réussi à identifier l’objet, sa description nous sera toujours utile pour nos recherches, bien entendu.

Pour faciliter cette démarche, l’équipe du Digital Muret a donc procédé à un choix : plutôt que de proposer d’emblée 8000 objets, il a été décidé de choisir un premier corpus, de taille humaine et concernant des objets en général bien documentés et dont l’iconographie est plus accessible : la céramique grecque. Ce corpus sera constitué de 308 vases dessinés intégralement ou seulement par des extraits sélectionnés par Muret.

Comment participer

Autour de ces dessins de céramiques, nous vous proposons un certain nombre de tutoriels pédagogiques afin de vous permettre de vous plonger dans ces productions antiques emblématiques par la richesse de l’iconographie et la diversité des techniques employées (figures rouges, figures noires, fond blanc, vases plastiques, etc.), mais aussi de vous familiariser avec certains outils employés par les chercheurs pour identifier les vases : la Beazley Archive Pottery Database, du nom du célèbre historien d’art qui le premier proposa une classification générale basée sur l’identification de peintres de vases grecs, ou encore le LIMC, le lexique iconographique de la mythologie grecque, permettant une recherche par personnage mythologique.

Zooniverse est une plateforme participative simple d’utilisation et ouverte à tous permettant d’identifier et d’échanger sur des images. Une présentation de la plateforme est à l’adresse : https://drive.google.com/file/d/1HMIIxnTsiyp3FZhzwoHvg9fVVOR5Gc5D/view.

Utilisez le Field Guide dans la rubrique « About » pour être accompagné tout au long du processus d’identification (comment contribuer, où chercher pour identifier les images, comment décrire un dessin, comment reconnaitre la forme de l’objet etc.).
Cratères, aryballes, alabastres, lécythes, vases plastiques en forme de lapin, cochons, coquillages et autres coupes à boire n’auront bientôt plus de secret pour vous !
Pour le processus de validation des propositions : les propositions seront vues par l’équipe au fil de l’eau, éventuellement discutées dans le « talk » et nous ferons des réunions régulières pour voir les éléments les plus pertinents. Les mêmes images sont proposées à de multiples contributeurs et nous ferons une vérification en compilant les meilleures propositions.

À propos du Digital Muret

L’INHA, en partenariat avec la BnF, a lancé en 2017 un programme de recherche, « Une histoire de l’art antique inachevée : les dessins de Jean-Baptiste Muret (1795-1866) ». Il est consacré à la publication numérique éditorialisée d’un important fonds de dessins conservés à la BnF. Conçu par le dessinateur du Cabinet des Médailles (aujourd’hui département des Monnaies, médailles et antiques de la Bibliothèque nationale de France), ce recueil donne à voir des collections archéologiques françaises, aussi bien privées que publiques, entre les années 1830 et 1860, et témoigne d’une volonté de classification et de mise en série en phase avec les avancées de la science archéologique naissante. Outre l’identification des œuvres représentées, le projet explorera les enjeux historiques, artistiques et archéologiques du corpus. La mise en image de ce savoir en constitution est notamment un élément important de réflexion, autour du traitement graphique de tous les types d’œuvres conservées de l’antiquité, depuis la grande sculpture jusqu’aux plus modestes témoins de la vie quotidienne.

Pour aller plus loin

Olivier Jacquot

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

More Posts

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

Suite aux ateliers « Décrire, transcrire et diffuser un corpus documentaire hétérogène : méthodes, formats, outils » et « Géolocalisation et spatialisation de documents patrimoniaux », une troisième demi-journée d’étude a été organisée dans le cadre du programme de recherche CORPUS, inscrit au plan quadriennal de la recherche 2016-2019 de la Bibliothèque nationale de France (BnF). Dans la continuité des deux ateliers précédents, cet après-midi d’étude, qui a eu lieu le 28 mars sur le site Richelieu, était conçu autour d’une seule thématique et dans le même esprit d’incitation au partage entre le monde des bibliothèques et les milieux académiques.

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

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

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

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

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

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

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

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

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

Descripteurs locaux (exemple)

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

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

Légendage automatique

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

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

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

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

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

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

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

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

Processus d’extraction

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

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

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

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

Les « genres » documentaires

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

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

Confusion : dessin, schéma technique, carte ?

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

Partition, presse, carte

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

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

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

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

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

Détection de visages et de genres (API Watson)

 

Détection de visages (ResNet, OpenCV/dnn)

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

  • Mot-clé: une recherche sur un mot-clé interroge les métadonnées bibliographiques et l’OCR. L’exemple ci-après montre les résultats d’une recherche menée sur Georges Clemenceau dans Gallica et dans Gallica.pix : la fouille dans les imprimés a considérablement enrichi l’offre iconographique.
Recherche sur le mot-clé « clemenceau » : Gallica Images (1910-1920) : 140 résultats, Gallicap.pix : 859
  • Types documentaires : dans le cas précédent, la facette « Dessin » donne accès aux caricatures de presse de Clemenceau
  • Concepts: l’indexation sémantique visuelle est utilisée. Toujours dans le cas « Clemenceau », les critères Personne ou Visage permettent de filtrer les illustrations de Georges Clemenceau de celles se rapportant à lui (événements, commentaires, etc.). Autre exemple, le concept « Avion » donne accès à des illustrations représentant des avions alors que le mot-clé « avion » renvoie aussi à des aviateurs, des cartes aériennes, etc.
A gauche, mot-clé « avion », à droite, classe « Avion »
  • Requêtes hybrides : L’indexation sémantique et les métadonnées sont utilisées. Ainsi la recherche de visuels sur les destructions urbaines consécutives à la bataille de Verdun : classe=(”rue” OU ”maison”) ET mot-clé=”Verdun”
Recherche hybride

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

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

Cependant, des défis et questionnements se font jour :

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

Le prototype Gallica Images.

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

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

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

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

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

Exemples de requêtes

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

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

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

Présentation par Nicolas Hervé, chercheur en informatique, INA.

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

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

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

Résultats avec score de confiance

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

Visualiseur diginpix.ina.fr

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

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

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

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

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

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

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

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

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

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

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

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

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

Le projet SIAMESE. Les images publicitaires comme sources historiques.

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

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

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

Taille moyenne des illustrations (1948-1995)

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

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

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

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

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

Présentation par Dominique Stutzmann, chargé de recherche, IRHT.

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

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

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

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

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

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

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

Visualiseur IIIF

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

La compétition scientifique CLAMM.

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

Conclusion

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

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

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

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

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

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

Eleonora Moiraghi et Jean-Philippe Moreux

Citer cet article : Eleonora Moiraghi, "Explorer des corpus d’images. L’IA au service du patrimoine". Dans Carnet de la recherche à la Bibliothèque nationale de France, ISSN 2493-4437, 16 avril 2018. Disponible en ligne, url : <https://bnf.hypotheses.org/2809> (consulté le 25 juin 2018).
  1. Bibliothèque nationale de France, Contrat d’objectifs et de performance 2017-2021, p. 23 http://www.bnf.fr/documents/contrat_performance.pdf []
  2. Sous la direction de Claude Collard et Michel Melot, Images et bibliothèques, Paris : Éd. du Cercle de la librairie, 2011. []

Programme de recherche : Polices de caractères pour les inscriptions monétaires

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

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

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

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

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

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

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

Olivier Jacquot

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

More Posts

Nouveau projet soutenu : VisualCoins : un outil de représentation graphique des liaisons de coins

Cet automne la Maison des Sciences de l’Homme Val de Loire avait lancé son XIIe appel à projets, MSH-VdL 20181 visant à développer l’interdisciplinarité, les recherches transversales entre équipes de recherche en SHS et en Sciences (théoriques et/ou appliquées), tout en promouvant une action forte à l’international.

L’IRAMAT – Centre Ernest-Babelon (UMR 5060, CNRS – Université d’Orléans) et le département des Monnaies, médailles et antiques de la Bibliothèque nationale de France y ont répondu en soumettant le projet VisualCoins : un outil de représentation graphique des liaisons de coins.

Alors que ce 6 février 2018, la Maison des Sciences de l’Homme Val de Loire publie les résultats de son appel, l’IRAMAT et la BnF se réjouissent d’apprendre que le projet est sélectionné.

Porté par Guillaume Sarah, le projet est financé à hauteur de 4 200 €. Outre l’IRAMAT-CEB et le département des Monnaies, médailles et antiques de la Bibliothèque nationale de France, le projet implique Le Studium Fellowship « Monnaies, coins, argent : relire les débuts de la période féodale » (Institut d’Études Avancées en Région Centre-Val de Loire).

Résumé du projet VisualCoins

Avec une forte visée expérimentale et un caractère innovant, le projet VisualCoins entend tester et adapter un nouvel outil logiciel développé par l’Atelier numérique de la MSH Val de Loire (l’outil d’exploration des graphes VisualGraphs) dans le cadre d’une des principales problématiques des recherches actuelles dans le domaine de l’histoire de la monnaie : la quantification des productions monétaires par l’étude des liaisons de coins. La mise en œuvre de ce logiciel dans ce cadre spécialisé permettra de représenter de manière simple et immédiate des schémas de liaisons de coins de séries monétaires qu’il est actuellement long et complexe de produire faute de logiciel adapté. Une fois la pertinence du logiciel VisualGraphs validée et les éventuels nouveaux développements testés en lien avec l’Atelier numérique de la MSH par l’équipe du projet, membres permanents et rattachés à l’IRAMAT-CEB et de la BnF, une restitution des expériences d’utilisateurs sera proposée à l’occasion d’une session scientifique de présentation. A l’issue du projet, des travaux de recherche faisant usage de cet outil innovant seront publiés et son emploi sera proposé dans la communauté des chercheurs en numismatique, voire au-delà pour susciter d’autres développements spécifiques.

Pour la BnF, il s’agira de fournir des données afin d’alimenter les essais de l’outil.

Problématique : les liaisons de coins

Le propos du projet concerne l’une des pierres d’angle de la numismatique, à savoir la formalisation des études de coins et en particulier les liaisons de coins.

Une monnaie ancienne, d’un point de vue technique, est dans la plupart des cas un disque de métal frappé entre deux matrices appelées coins monétaires. Ces deux matrices portent, gravés en miroir, les motifs et légendes qui confèrent à une masse de métal la garantie de l’autorité émettrice. Ces coins étant confectionnés à la main, chacun est par définition unique. Les coins sont rarement parvenus jusqu’à nous, mais nous les connaissons par les empreintes qu’ils ont laissées sur les monnaies. Un examen attentif des monnaies anciennes permet par conséquent d’identifier des liaisons de coins : par cette expression, les numismates désignent le fait de déterminer si deux monnaies ont été frappées par un même coin pour l’une de leurs faces ou pour les deux. Au sein d’un trésor ou pour un corpus recensant l’intégralité des monnaies d’une même série qui nous sont parvenues, il est possible, sur la base de ces observations, de déterminer des indices caractéroscopiques qui nous renseignent sur la représentativité de l’échantillon pris en compte par rapport à la production initiale. Des calculs statistiques permettent ensuite d’évaluer le nombre de coins employés pour la fabrication d’une série monétaire, voire d’estimer le nombre de monnaies produites.

L’étude des liaisons de coins est un travail long et patient qui constitue la première étape incontournable de la quantification des productions monétaires anciennes. En fonction de la dimension du corpus d’étude, un nombre d’informations parfois considérable est consigné par le numismate, souvent sous la forme de tableaux. Ces données sont aussi précieuses qu’austères et difficiles à présenter et à publier. La représentation avec des symboles identifiant les coins de droit et les coins de revers, reliés entre eux par des traits, tend à s’imposer comme la forme graphique privilégiée.

Or, aussi bien pour les publications imprimées que les pages internet ou les diapositives de présentation, la synthèse des liaisons de coins d’un monnayage relève souvent de la gageure que les chercheurs tentent de relever par le moyen de logiciels peu adaptés, pour parvenir à présenter l’ensemble des informations d’une manière lisible et compréhensible pour le lecteur ou l’auditeur.

Le lecteur profane peut se reporter à l’article de François de Callatay, L’historique de l’étude des liaisons de coins2. La fiche Les liaisons de coins et le graphique (que nous citons ci-dessous) consacrés au sujet par Christian R. Raschle dans son module Numismatique d’Antiquit@s, projet du Campus Virtuel Suisse, permettent d’appréhender la complexité de la question :

Enjeu

Les logiciels de représentation en réseaux pourraient constituer un outil pertinent pour parvenir à ce type de représentation de manière automatisée. Si cela est juste en théorie, aucun des logiciels disponibles à l’heure actuelle n’est adapté aux problématiques des numismates, avec à la fois les fonctionnalités souhaitées et la facilité d’utilisation requise, et ce de manière gratuite. Le développement au sein de la MSH VdL du logiciel VisualGraphs permet d’envisager de fournir un outil de représentation graphique des liaisons de coins aux numismates. Les premiers essais réalisés ont confirmé la bonne adéquation entre l’outil logiciel en cours de finalisation et  les problématiques des historiens de la monnaie.


En tout, six projets ont été retenus et seront financés à hauteur de 4200 € ou 5000€ au titre de l’Appel à projets 2018 de la MSH Val de Loire :

  1. Cf. http://www.msh-vdl.fr/actualite/appel-a-projets-2018-de-la-msh-val-de-loire/ []
  2. François de Callatay, « L’historique de l’étude des liaisons de coins (XVIIIe-XXe s.) », Bulletin de la société française de numismatique, 2007, avril, n° 4, p. 86-92. Disponible en ligne, url : http://www.academia.edu/338113/L_historique_de_l_%C3%A9tude_des_liaisons_de_coins_XVIIIe-XXe_s._. []

Olivier Jacquot

Coordonnateur de la recherche > Délégation à la Stratégie et à la recherche > 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 25 juin 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