605 - Analyser la science : les bibliothèques numériques comme objet de recherche

Ancrées dans les SHS, les questions relatives aux usages se posent légitimement aux bibliothèques numériques (BM) considérées avant tout comme des objets sociotechniques et socioculturels. Ces questionnements s’imposent d’autant plus que les usages des BM demeurent incertains. Élaborés sur une transposition illusoire de la bibliothèque physique, ces artefacts techno-documentaires imposent une désintermédiation aux usagers au profit d'une interaction instrumentée de la RI par les TIC. L’interopérabilité technocentrée de ces BM paroxyse la désintermédiation et malmène acceptabilité et utilisabilité. De nombreuses recherches soulignent que les usagers ne parviennent pas à s’approprier les dispositifs qui devraient répondre à leurs attentes d’association et de contextualisation de l’information que les actions en faveur de l’Open Data et des Linked Open Data encouragent. Parmi les technologies du Web présentes dans les BM patrimoniales, l’architecture REST est négligée alors que les GAFA l’utilisent – et la mettent à disposition - dans leurs BM pour améliorer l’appropriation de leurs services. A la lumière des travaux de P. Rabardel sur les genèses instrumentales et le nécessaire assujettissement de l’instrument aux formes de l’organisation du travail, les API REST, en réajustant la vocation de l’interopérabilité technologique, sont de nature à réhabiliter l’usage réel des BM et à offrir aux usagers des instruments adaptés à leurs activités constructives.

Établissement public français consacré à la conservation du patrimoine radio- et télédiffusé, et plus largement, audiovisuel, l’INA s’est positionné dès les années 1990 comme une structure documentaire résolument numérique, proposant à ses usagers des outils experts d’interrogation des fonds, mais aussi d’appropriation de ceux-ci par constitution de corpus, segmentation de contenus audiovisuels… L’analyse des usages occupant dès l’origine une place centrale, la conception d’interfaces de consultation adaptées aux différents besoins a permis de balayer un spectre large, depuis les professionnels (journalistes, producteurs) en attente d’un résultat unique et pertinent, jusqu’aux chercheurs du monde académique, avides de collections massives sur lesquelles mener des analyses tant qualitatives que quantitatives.

Alors que l’Ina procède depuis plus de 15 ans à la numérisation systématique de ses collections, la refonte de son modèle de données documentaires interroge aujourd’hui l’évolution des pratiques documentaires. L’intégration annoncée de procédés automatiques de transcription, détection d’entités nommées, reconnaissances de sons et d’images, peut-elle garantir un niveau homogène dans la qualité des métadonnées ? Comment cette entrée progressive dans l’univers, sinon du big, au moins du Linked Data, trouve-t-elle son articulation avec le respect de la propriété intellectuelle et avec les évolutions réglementaires françaises touchant à l’ouverture des données publiques ?

Dans le cadre d’un projet associant la Bibliothèque nationale de France, le labex Obvil et Télécom ParisTech, plusieurs modalités d’enquête (entretiens, questionnaire en ligne, vidéo-ethnographie) ont été mobilisées pour mieux appréhender les publics en ligne. En particulier, poussés par le souhait de renouveler les manières d’étudier les usages des bibliothèques en ligne, nous nous sommes orientés vers une approche vidéo-ethnographique, afin de documenter comment des utilisateurs organisaient leur consultation de la bibliothèque Gallica en situation. Nous avons mobilisé le protocole SEBE (Subjective Evidence Based Ethnography), développé par Saadi Lahlou, qui combine prise de vue subjective et entretien d’autoconfrontation – auprès d'une dizaine de personnes. Cette approche permet de documenter l'usage de Gallica d’une façon inédite, dans la mesure où les personnes sont invitées à reconstituer leurs raisonnements, à expliciter à chaque instant quels étaient leurs buts.
Nous nous sommes en particulier intéressés à deux aspects de l'usage : 1) les processus d'évaluation et de catégorisation en jeu dans les résultats d'une recherche, dans la consultation d'une liste, ou dans la perception d'un document 2) la dimension écologique de l’usage de Gallica, qui s'inscrit dans un contexte de multiactivité (à l'écran et hors écran) fait d'interruptions, de bifurcations et de collaborations, renforçant son analyse en tant que pratique sociale.

Avec le soutien du programme ISTEX, le démonstrateur Wicri expérimente l’élaboration d’informations de synthèse en explorant des corpus scientifiques. Son socle est un réseau de wikis sémantiques (Semantic MediaWiki). Les corpus sont traités dans des plateformes de curation et d’exploration, fabriquées, sous Unix, avec une bibliothèque de composants XML ou PHP. Avec un haut niveau de personnalisation, la version actuelle permet de fusionner des métadonnées hétérogènes (ISTEX, HAL, Pascal/Francis, PubMed, PubMed Central) avec réduction des doublons et homogénéisation des données. Il est possible ensuite d’exploiter le texte intégral.

Le rédacteur, humaniste numérique, est le véritable pilote d’une étude. Il bénéficie des performances de MediaWiki pour rédiger un texte scientifique en mode collaboratif. Il assemble des briques XML pour obtenir des modèles wiki contenant des cartes et des tableaux de résultats qu’il introduira dans les pages wiki. Il manipule l’environnement sémantique pour exprimer les règles utilisées dans la curation des données.

Cette infrastructure, encore expérimentale, est notamment utilisée pour des travaux dirigés dans des Master en science de l’information. Sur des sujets en rapport avec le contenu des wikis thématiques (environnement, linguistique, informatique…) ou régionaux (Allemagne, France, Brésil, Lorraine…), un groupe d’étudiants peut ainsi analyser un ensemble de plusieurs milliers de documents et rédiger des observations synthétiques.

Le projet DOLMEN (Données Ouvertes Liées : Musées et Environnement Numérique) propose d’examiner les éléments essentiels à la description des objets muséaux et de modéliser ceux-ci à l’aide de données ouvertes liées (DOL). Traditionnellement, les musées offrent à leurs usagers des descriptions limitées à quelques informations textuelles décrivant les objets muséaux. Des informations complémentaires sur l’œuvre ou son créateur ne sont pas nécessairement offertes aux usagers. L’utilisation des DOL semble une solution idéale pouvant améliorer ces descriptions. Cette proposition trace un portrait des éléments utilisés par les musées pour la description de leurs collections en ligne. Pour cette étape, les collections de 266 musées canadiens ont été examinées. Les métadonnées associées à une dizaine d’objets ont été extraites et compilées. L’analyse révèle que quatre types d’objets sont présents dans les collections (œuvres d’art, objets fonctionnels artisanaux, objets fonctionnels industriels et documents) et que certaines métadonnées sont associées aux quatre types, alors que d’autres sont exclusives à un type particulier. Les résultats de cette première phase du projet constituent le fondement du modèle des DOL et indiquent que sa création doit tenir compte de la disparité des types d’objets. Ce projet se veut donc un tremplin vers le Web sémantique et de nouveaux outils permettant de rendre les collections culturelles et patrimoniales mieux accessibles aux générations futures.

À l’ère numérique, si la plupart des musées maintiennent une base de données de leur collection, certains vont jusqu’à la rendre accessible en ligne, permettant ainsi aux internautes de la consulter et de s’enquérir au sujet d’artefacts particuliers. La Collection of Historical Scientific Instruments (CHSI) de l’université Harvard, comprenant plus de 20,000 objets datant du 15e au 20e siècles, est de ce nombre: que ce soit en ligne (http://waywiser.rc.fas.harvard.edu) ou à des fins internes, le EMuseum de la CHSI permet d’accéder en ligne à une grande quantité d’informations sur les artefacts qu’elle possède.
D’un intérêt scientifique certain, cette collection offre la possibilité, moyennant une analyse de données adéquate, de révéler des informations intéressantes sur l’évolution des pratiques scientifiques. Toutefois, à l’instar des autres interfaces muséales, le EMuseum n’est pas conçu à des fins de forage de données muséales. En vue de pallier cette lacune, le présent projet consiste à dresser un portrait global du EMuseum, basé sur une analyse tripartite des artefacts de la collection, du réseau social qui les entoure et de la littérature s’y rapportant. À terme, ce projet vise à convaincre les autres musées des sciences de collaborer à la mise en commun de leurs bases de données, initiative qui permettrait d’élargir les perspectives de recherche en matière d’histoire des sciences et de la technologie.

Le Réseau francophone numérique (RFN, rfnum.org), fondé en 2006 par un groupe de six pays de la Francophonie, a pour mission de favoriser la numérisation de documents patrimoniaux francophones et de faciliter leur consultation en ligne. Le réseau compte dix-sept pays à ce jour. Un des projets du réseau a été la création d’une bibliothèque numérique (BN), soit un ensemble de documents numérisés dont les métadonnées ont été encodées en données ouvertes liées (Linked Open Data). Les métadonnées des 522 documents, hébergés dans les sites des membres respectifs, sont disponibles par requête SPARQL ou accès OAI-PMH (Open Archives Initiative-Protocol for Metadata Harvesting).

Dans le but d’étudier le processus de communication à l’œuvre dans la création des BN, notre étude s’intéresse aux choix méthodologiques manifestes dans la formulation des données ouvertes liées de la BN. Spécifiquement, nous étudions les propriétés sémiotiques (soit sémantiques et informationnelles) de ces données liées.

Nous présenterons les caractéristiques saillantes des documents de la BN (qui inclut journaux, livres, revues, cartes et plans, images et matériel audiovisuel) par le biais de leurs métadonnées. Puis, puisant à la théorie de la sémiotique, nous analyserons les signes sélectionnés par chaque groupe national, mettant en relief la représentation de la communauté visée et donc les enjeux de la diffusion de ces documents. Ce court exercice esquissera une approche méthodologique sémiotique novatrice.

Les bibliothèques numériques donnant accès à une multitude d'articles sous forme traitable par ordinateur, il est maintenant possible de développer de nouvelles applications. Si ces bibliothèques facilitent l'accès aux articles, il n'est pas toujours facile d'en déterminer l'impact ou pour un chercheur d'identifier de nouveaux problèmes ou de situer son travail dans la littérature courante. Des articles du même domaine répètent souvent les mêmes informations. Pour déterminer ce qu'un article ajoute au discours scientifique, un chercheur doit lire plusieurs sections contenant de l'information déjà connue, ou encore utiliser l'ensemble des citations d'un article donné pour en déduire le contenu marquant. Nous avons appliqué, combiné et modifié des techniques de résumé automatique pour la littérature scientifique pour créer notre système, Citatum. Le texte des citations vers l'article est utilisé pour constituer la base du résumé. L'ensemble des citations permet d'obtenir un résumé reflétant l'opinion de la communauté scientifique. Citatum effectue l'analyse d'articles scientifiques et construit le résumé à l'aide de l'algorithme de Maximal Marginal Relevance appliqué sur les phrases entourant les citations et sur les phrases de l'article. Si Citatum est basé sur des techniques existantes, il est le premier à effectuer toutes les tâches depuis l'identification des articles citant jusqu'à la présentation du résumé dans un navigateur web avec des liens vers les articles originaux.

Cette recherche s’intéresse à l’article scientifique et plus précisément à son résumé ou abstract. Réalisée dans le cadre des chantiers d’usage de l’initiative d’excellence ISTEX, elle vise à comparer la quantité d’informations livrées par l’abstract avec celle du texte intégral (fulltext) de l’article qu’il résume. La communication se propose de détailler l’état de l’art et les limites des mesures existantes. La plupart de ces méthodes (e.g. ROUGE) nécessitent une intervention humaine importante car elles comparent le résumé considéré avec un ensemble des résumés de référence (gold standard). De plus, les métriques basées sur le chevauchement de vocabulaires ne sont pas appropriées pour la comparaison avec le texte intégral. La métrique proposée intitulée GRAD vise a dépasser les défauts des mesures existantes et s’appuie sur la représentation graphique du texte. Nous basant sur l’hypothèse qu’un résumé informatif doit être composé de sommets qui sont connectés avec un maximum d’autres sommets, nous proposons de calculer ce que nous appelons le taux d’informativité (ou le taux de générosité) de l’abstract par rapport au texte intégral. En outre, nous introduisons un cadre entièrement automatique pour évaluer les métriques qui n’exige aucune annotation humaine. Les expérimentations conduites sur une collection d’articles scientifiques disponibles sur la plate-forme ISTEX prouvent que la métrique proposée est meilleure de façon significative comparativement aux mesures existantes.

Le projet ISTEX (initiative d’excellence en Information Scientifique et Technique) a pour objectif de permettre à la communauté scientifique française d’accéder, à une bibliothèque numérique pluridisciplinaire en texte intégral regroupant l’essentiel des publications scientifiques mondiales. Ces dernières sont accessibles à tous les chercheurs, notamment ceux gravitants autour des thématiques de la fouille de texte, du TAL, de la recherche d’Information, etc. Cela se concrétise par des actions R&D à la fois pour enrichir les données brutes et aussi pour développer de nouveaux algorithmes de fouille et d'analyse de textes.

A travers quatre axes d’enrichissement (structuration des documents ; indexation automatique ; reconnaissance d’entités nommées ; catégorisation des documents) nous avons répondu aux trois principaux challenges rencontrés :

1. Mise au point et intégration d'outils : entraînement, adaptation, mise en production;

2. Passage à l’échelle : 20 millions de documents à traiter;

3. Reversement des données.

Le résultat d’une ou toute partie de ces travaux a permis de proposer un nouveau processus de diffusion d’ISTEX en construisant des triplets de données alignées et interopérables selon les standards du web sémantique (LOD).

Nous construisons maintenant une plateforme dédiée à la fouille de textes directement connectée aux données ISTEX. Les outils mis à disposition, peuvent être développés en collaboration avec tout laboratoire désireux de faire partager une application.

Cette communication présente les résultats d’un projet sur l’indexation automatique des documents textuels. La méthode développée repose sur une procédure d’apprentissage automatique supervisée. Elle est basée sur un espace sémantique des mots-clés d’indexation (ESMC) induit à partir d'une base d’apprentissage et d’un espace sémantique de documents construit à partir d'une base de test (ESD). La prédiction des mots-clés d’indexation est réalisée en calculant la proximité entre les documents de l’ESD et les mots-clés de l’ESMC. Les k mots-clés les plus proches d’un document sont considérés être les mots-clés les plus pertinents pour son indexation.

Cette démarche a été appliquée à quatre corpus d’articles scientifiques appartenant à quatre domaines de spécialité différente, soit la chimie (CHIMIE - 782 notices), les sciences de l’information (INFO - 706 notices), la linguistique (LING - 715 notices) et l’archéologie (ARCHEO - 718 notices). Chaque notice contient un document textuel (titre et résumé) et des mots-clés attribués manuellement par des indexeurs professionnels. Ces mots-clés peuvent être de type contrôlé (appartenant à un thésaurus) ou non-contrôlé.

Lors de cette communication, nous présenterons la méthode développée dans le cadre de ce projet et nous discuterons des résultats que nous avons obtenus.

L'hétérogénéité et la complexité de l'information sont un défi aux techniques de recherche d'information traditionnels et aux théories de recherche de l’information. (Zhang, J. 2008). Les publications scientifiques n’échappent pas à ce défi, car les systèmes traditionnels d'extraction d'informations et de recherche d'information se font avant tout par mots-clés (Gil-Leiva & Alonso-Arroyo 2007). Notre travail prend en exemple la revue Hermès (http://documents.irevues.inist.fr/handle/2042/8538) pour constituer un corpus qui fera l’objet d’une analyse visuelle. L’utilisation de la visualisation pour la recherche d'information dans la revue peut apporter une explication du point de vue théorique et pratique de l’hypertextualité de l’indexation des publications.
Les nouvelles méthodes de visualisation permettent la navigation hypertextuelle dans une publication scientifique et donnent un aperçu visuel et interactif de la revue.
Les relations et les liens entre les articles sont rarement illustrés, et l'environnement de récupération manque d'un mécanisme interactif pour la navigation. Avec la méthode d’analyse de réseaux (ARS) on récupère l’espace multidimensionnel de l’information (Bôrner & Polley 2014). Notre article propose de techniques de visualisation interactives qui sont utiles pour l'exploration et l'analyse des textes. Ceci nous permet de visualiser les deux aspects fondamentaux : d’une part, les réseaux sémantiques (résultant de l’ensemble de la revue et les relations avec mots clés) et d’autre part, la spatialité cognitive de l’information.

La bibliothèque numérique est une base de documents numériques caractérisée par un large volume de données diverses. Toutefois, trouver le bon document qui répond au besoin de l'utilisateur est une tâche difficile. Pour cela, l'utilisation d'un outil de recherche automatique est nécessaire. Cependant, se limiter à une recherche monolingue restreint l'accès à l'ensemble des documents pertinents dans la langue de la requête et ne retourne pas les documents pertinents écrits dans d'autres langues. En conséquence, le besoin d'un outil de recherche translinguistique qui dépasse les barrières de la langue est nécessaire.
La recherche translinguistique nécessite la traduction de la requête. Nous proposons un modèle de traduction qui tient compte des longues dépendances entre les mots. Le modèle est calculé à partir des fréquences relatives des alignements d'un mot cible à un mot source dans un contexte précis. Nous proposons également de sélectionner le mot de contexte pertinent à la traduction. Un mot de contexte est jugé pertinent si la distribution de probabilité de traduction contextuelle est différente de celle hors contextuelle. Nous présenterons les résultats de l’utilisation des différentes méthodes de sélection du mot de contexte pour traduire un mot source et analyserons leur impact sur la performance en recherche de documents.

Le but de ce travail est de mettre en évidence, dans une volumineuse bibliothèque numérique, l'émergence parfois longue et contestée ou même un temps ignorée de nouveaux paradigmes scientifiques.

L’originalité de ce travail est d’exploiter le texte plein des publications en mettant en jeu de manière coordonnée des méthodes d’extraction d’entités nommées et des méthodes d’apprentissage non supervisé spécifiques au texte, capables de fonctionner à grande échelle. La combinaison de ces méthodes représente une nouvelle approche dans le domaine.

L’expérimentation que nous menons repose sur un corpus anglophone de 235479 articles sélectionnés à partir d’une requête générale sur les thèmes de l’astronomie et de l'astrophysique, couvrant une large période (190 années entre 1825 et 2014). Nous utilisons des mesures de centralité, dont certaines originales, et des techniques de détection d’entités nommées pour identifier les références à des chercheurs dans les textes (références bibliographiques, bien sûr, mais aussi nominales), puis des méthodes de sélection de variables, basées sur la métrique de maximisation d’étiquetage,pour identifier l’influence de ces chercheurs et de leur recherche à travers le temps. Nous illustrerons notre approche en prenant plus spécifiquement comme exemples la théorie des cordes et celle du big bang. Nous analysons ensuite la pertinence des résultats obtenus à partir de vérité terrain.