Atelier BnF Corpus (II) — Penser, classer, modéliser

Contexte et déroulement

À la suite d’un premier atelier dans le cadre du projet Corpus, où nous avions brièvement présenté le projet FFL et les fonctionnalités ’RDF’ du prototype1, une deuxième séance a été consacrée plus spécialement aux questions que nous nous posons dans le cadre du projet ANR FFL2. Cette demi-journée d’étude, qui a eu lieu à la BnF le 13 novembre, a été organisée par Eleonora Moiraghi et le département des Métadonnées – qui pilotait cette année le projet Corpus. Le format choisi proposait trois tables rondes et nous a permis d’adresser nos questions aux personnels de la BnF, ainsi que de présenter nos travaux, à la fois sur le plan technique et scientifique.

Une introduction à plusieurs voix a permis d’expliciter les résonances entre le projet ANR FFL et le projet BnF Corpus : Emmanuelle Bermès3, Laurence Le Bras4 puis Arianna Sforzini5 ont successivement présenté les enjeux du projet Corpus, le programme de numérisation du fonds Foucault, et l’intérêt des archives de Foucault pour la recherche en philosophie.

La première table ronde nous a ensuite fourni un cadre pour évoquer nos pistes de réflexion sur l’harmonisation et la structuration des données, et, grâce aux nombreuses interventions des personnels BnF, d’ouvrir un certain nombre de perspectives pour le développement du projet FFL. En effet, cette discussion très riche, a d’abord été l’occasion de préciser nos questions – aussi bien la terminologie employée que la structuration des difficultés –, mais surtout de dégager des principes directeurs pour la stratégie et de nouveaux axes de collaboration. En particulier, nous préparons deux nouvelles journées d’étude : la première, en collaboration avec Transkribus et Gallica, autour de l’amélioration automatique (correction, enrichissement) des transcriptions ; la seconde concernera l’exploration des données et leur visualisation, en particulier les fonctionnalités de cartographie du prototype (ces nouveaux développements feront l’objet de billets ultérieurs).

Les deux tables suivantes ont permis de présenter plus en détail le travail en cours et d’aborder plus directement certains aspects techniques : la deuxième table se concentrait sur le prototype FFL et son modèle de données pour le travail collaboratif (Vincent Ventresque) et l’articulation avec de nouveaux développements d’Omeka et de la plate-forme de transcription eman (Richard Walter). Arianna Sforzini et Elisabetta Basso6 ont enfin, à la troisième table, apporté leurs retours d’expérience sur le prototype et leurs points de vue de spécialistes de Foucault. Ces deux interventions ont explicité à la fois le travail philosophique d’analyse des archives et l’enjeu des notes de lecture pour les projets d’édition de manuscrits inédits ou de réédition — réédition des cours au Collège de France, notamment, dont Arianna et Elisabetta sont responsables, et pour laquelle elles mettent en œuvre des procédures de travail collaboratif.

[Les supports de ces interventions seront bientôt mis en ligne].

Bilan rapide du projet FFL et questions

Cet atelier très stimulant a été l’occasion de dresser un état des lieux de nos travaux et de préciser nos pistes de recherche. À la fin de sa première année, le projet FFL a abouti à un certain nombre de réalisations7

  • Numérisations : environ 8 000 fiches numérisées et mises en ligne8 (partenariat avec le département des Manuscrits).
  • Production collaborative de données de description et alignements11. Expérimentation du prototype avec quelques utilisateurs (dont Arianna Sforzini et Elisabetta Basso : voir leur témoignage ici).
  • Transcriptions (en collaboration avec l’équipe de Transkribus9) : expérimentation du logiciel et production de transcriptions manuelles et automatiques.
  • Plate-forme collaborative : développement d’un prototype ‘full-RDF’ axé sur la réutilisation des données, l’alignement avec les référentiels BnF et proposant un système de visualisation interactive des connexions entre les fiches10.
  • Conception de la plate-forme publique finale, sur une base Omeka-Eman, et spécification/developpement de plugins Omeka (Richard Walter).

Nous avions donc proposé 3 questions à discuter avec le public, composé d’une trentaine de personnes, provenant des différents départements de la BnF. Ces trois questions déclinaient le problème de l’articulation des données textuelles avec les métadonnées structurées – métadonnées renvoyant, pour certaines, à des autorités. En effet, nous produisons d’une part des métadonnées structurées, qui pointent vers des entités (personnes, documents, concepts) : par exemple une fiche de lecture qui porte sur « Réville, Soulèvement des travailleurs en Angleterre » peut faire l’objet de plusieurs traitements, comme la description archivistique :

Ou encore, des annotations produites par les chercheurs (’voir la fiche précédente sur Siméon Luce’), et la transcription intégrale de la fiche. Ces différents types de données se recoupent : l’entité <Siméon_Luce> figure à la fois dans le titre, le champ d’indexation personne, la référence bibliographique, et l’annotation personnelle de l’utilisateur. Si la création, l’alignement et la réutilisation des entités est facilitée par le prototype pour les champs d’indexation (personnes, documents, concepts), il nous reste à imaginer comment tirer parti au mieux des différents types de données, d’où les trois questions suivantes :

Question n°1 : Comment utiliser les autorités existantes (entités FFL) et les ressources terminologiques (index des Cours au Collège de France par ex.12) pour contrôler la création de nouvelles entités et améliorer la qualité des données textuelles ?

Pour faciliter la création et l’harmonisation de nouvelles données textuelles (transcriptions, titres, annotations) les entités existantes pourraient être réutilisées facilement, via un système de détection de similarité entre le texte et les formes lexicales des entités existantes. De même, lorsqu’un chercheur hésite sur le nom d’un auteur ou un concept présent dans une fiche, l’index des Cours peut être mobilisé efficacement pour corriger une transcription, un titre, une annotation personnelle. Ce système aurait ainsi le double avantage d’améliorer la qualité des données, donc le taux de rappel des recherches, et d’un gain d’efficacité pour la saisie ou la correction des informations enregistrées.

Question n°2 : Quelles stratégies mettre en œuvre pour enrichir les données textuelles à partir des autorités existantes (entités FFL) et des ressources terminologiques ? Réciproquement, comment utiliser les données textuelles pour la création de nouvelles entités ?

Lorsqu’une transcription ou un titre est saisi·e, une détection d’entités peut être envisagée : à la fois pour rechercher une association automatique avec une entité existante13, et pour repérer de nouvelles entités à ajouter aux référentiels FFL. En particulier, nous disposerons bientôt d’un nombre important de transcriptions réalisées automatiquement via le logiciel Transkribus. Il serait extrêmement utile de pouvoir repérer les entités (au moins les personnes) dans le texte de ces transcriptions pour les enrichir et compléter l’indexation : par ex. ajout automatique d’une balise TEI, à la fois pour indexer les fiches en pointant vers les entités existantes, mais aussi pour proposer l’ajout d’une nouvelle entité à la liste d’autorités FFL.

Question n°3 : Comment l’harmonisation du vocabulaire de description et la formalisation des relations sémantiques entre les termes, au moyen d’un thésaurus par exemple, peuvent-elles faciliter la découverte de contenus pertinents et l’analyse du travail philosophique d’élaboration des concepts ?

Moyennant un travail préalable de lemmatisation14 le lexique du corpus pourrait être harmonisé et structuré pour en faciliter l’exploration.

– Utilisation d’un thésaurus (réutilisation d’un thésaurus existant comme RAMEAU et/ou création d’un thésaurus à partir des index de notions) ? L’utilisation d’un thésaurus permet d’accroître la pertinence des résultats d’une recherche (par ex. tri et présentation par un système de facettes) et possède une valeur heuristique, puisqu’il permet de découvrir des termes auxquels on n’aurait pas pensé spontanément (rebonds, meilleur « taux de rappel »). Autre piste intéressante : proposer des traductions automatiques via les alignements de RAMEAU avec d’autres langues ?

Modélisation et visualisations : En outre, la structuration du vocabulaire par des relations sémantiques (synonymie, hyperonymie, hyponymie) sous forme de thésaurus permettrait d’appréhender globalement les contenus conceptuels du corpus ainsi que les axes thématiques étudiés par Foucault. Il serait également possible de créer de nouvelles relations sémantiques adaptées à la description des relations entre concepts : par ex. introduire la notion de « distinction conceptuelle », plus large que la simple relation d’antonymie ; ou encore, la relation de dérivation d’un concept à un autre, ou celle de glissement sémantique (on passe d’une acception à une autre en changeant de contexte disciplinaire ou historique), etc.

Disposer d’un réseau de relations entre les termes permettrait à la fois de circuler plus facilement dans les contenus documentaires (relier les fiches entre elles, relier les fiches aux œuvres publiées) et de faire apparaître des connexions insoupçonnées, des récurrences de thèmes qui peuvent prendre différentes formes terminologiques (ex. : l’aveu : confession, acte de vérité lié au rite religieux, mais aussi à la procédure pénale, etc.). Une telle représentation formalisée des contenus peut être une ressource déterminante pour la recherche documentaire : le problème d’une recherche par mot-clé est qu’elle suppose d’avoir une connaissance préalable des termes susceptibles d’être renvoyés par une requête : au contraire, un référentiel terminologique permettrait à la fois de savoir quoi chercher, et de contextualiser les résultats (par la mise en relation des ressources). En outre, cette représentation pourrait se traduire graphiquement, par des visualisations de réseaux conceptuels : ce type d’approche permettrait à la fois d’avoir un aperçu synoptique du corpus, qui en facilite l’exploration, et de suggérer des rapprochements inattendus, ou encore de faire apparaître des déséquilibres dans la manière dont le corpus est décrit ou indexé (tel ensemble documentaire est décrit très finement, tel autre est sous-représenté, etc.).

Les indices de notions constituent une base de connaissances déjà riche et structurée : peut-on envisager de modéliser le domaine spécifique de la pensée foucaldienne à partir de ces index, mais aussi à partir des relations entre concepts, personnes et documents, qui apparaissent dans les données de la plate-forme ? (voir visualisation FFL). Des approches ontologiques (au sens informatique) du domaine philosophique ou de la pensée d’un auteur en particulier ont déjà été développées15 : peut-on s’en inspirer, ainsi que de la représentation SKOS utilisée dans RAMEAU, pour créer des rapprochements heuristiques entre les termes du vocabulaire foucaldien ?


NOTES

1 Présentation par Laurent Dartigues (chargé de recherche CNRS au laboratoire Triangle, UMR 5206) et Vincent Ventresque (Ingénieur d’étude projet FFL / UMR 5206). Voir le compte rendu donné par Eleonora Moiraghi : « Données liées, données à lier » https://bnf.hypotheses.org/4128

2 Voir l’annonce : https://bnf.hypotheses.org/6047.

3 Responsable du projet Corpus BnF, département Réseaux et stratégies.

4 Responsable du partenaire ANR BnF, chargée de collections au département des Manuscrits.

5 Spécialiste de Foucault et Ingénieure de recherche dans le cadre du projet FFL.

6 Spécialiste de Foucault, membre du projet FFL, responsable, avec A. Sforzini, de la réédition des Cours au Collège de France.

7 N.B. : les éléments présentés ici synthétiquement avaient été envoyés aux participants lors de la préparation de l’atelier.

8 Actuellement, seulement accessibles sur la plate-forme FFL ; les images seront versées dans Gallica au terme du projet. Au total, environ 14 000 fiches auront été numérisées en 2020.

9 voir M. -L. Massot, A. Sforzini, V. Ventresque, Transcrire les fiches de lecture de Michel Foucault avec le logiciel Transkribus (https://hal.archives-ouvertes.fr/hal-01794139) ; voir également l’article sur le blog de Transkribus : From Foucault to our future https://read.transkribus.eu/2018/11/16/report-transkribus-user-conference-2018

10 Conception et développement : V. Ventresque ; voir présentation et support http://bnf.hypotheses.org/files/2018/07/Slides_atelier_bnf_Corpus_2.pdf.

11 E. Basso, M. -L. Massot, A. Sforzini, V. Ventresque, C. Verlengia ; participation de 4 stagiaires dans le cadre du séminaire FFL (http://triangle.ens-lyon.fr/spip.php?rubrique758).

12 E. Basso et A. Sforzini sont précisément en train de rééditer les cours et de réaliser de nouveaux indices matières et personnes.

13 Réconciliation : cf. par ex. http://freeyourmetadata.org/reconciliation/

14 Voir par ex. le cas des cartographies réalisées en 2015 par V. Ventresque (http://lbf-ehess.ens-lyon.fr/pages/carto_voc-pers.html) : les termes relevés manuellement avaient été lemmatisés avec la librairie Treetagger pour repérer plus facilement les connexions entre le vocabulaire relevé par Foucault et les auteurs annotés dans les fiches de lecture.


Laisser un commentaire

Votre adresse de messagerie ne sera pas publiée. Les champs obligatoires sont indiqués avec *

Ce site utilise Akismet pour réduire les indésirables. En savoir plus sur comment les données de vos commentaires sont utilisées.