Construire des points d’accès unifiés vers les archives : l’expérience FranceArchives

Le portail FranceArchives, agrégateur national des archives, a vocation à proposer un accès fédéré aux métadonnées archivistiques à destination de tous types de publics. Ouvert en mars 2017, il est le fruit d’un développement en méthode agile, piloté par le Service interministériel des archives de France et réalisé par la société Logilab. Le lancement des développements d’une deuxième version – qui doit porter un certain nombre d’évolutions et approfondissements de la première version – est l’occasion de faire un premier bilan et de revenir ici sur les traitements spécifiques réalisés sur les données d’indexation des instruments de recherche.

Les possibilités offertes par la recherche plein texte n’ont pas fait disparaitre la nécessité de produire et de diffuser des métadonnées structurées et indexées. Dans la lutte contre le « bruit » les entités normalisées, non ambiguës et compréhensibles par les humains comme par les machines apparaissent aujourd’hui comme d’incontournables alliés. Le traitement des entités lieux, agents, sujets liés aux unités de description permet de construire des points d’accès cohérents vers les archives, à l’échelle d’une diffusion nationale, et plus largement à l’échelle du web. Les résultats de ces traitements mutualisés sur le portail FranceArchives ont été publiés sur le portail data.culture, ils sont ouverts à la réutilisation notamment celle des services producteurs qui souhaiteraient les exploiter dans leurs propres systèmes.

Point de départ : des inventaires et des entrées d’index

FranceArchives agrège des données de nombreux services, données qui témoignent de pratiques d’indexation hétérogènes : du point de vue de la granularité, de la normalisation du libellé, des référentiels utilisés. Par ailleurs, on constate que la part des instruments de recherche possédant des entrées d’index explicitement liées à un référentiel est faible. L’objectif des traitements décrits ici était de lier ces entités à des référentiels, et de grouper les entrées d’index faisant référence à la même entité afin de constituer un corpus d’autorités homogène, pérenne et normalisé pour mieux les valoriser.

Au départ, il y a l’indexation réalisée par les services d’archives : l’action d’associer une personne, un lieu, une collectivité, un thème à un fonds ou à un document d’archives. Le format de description le plus représenté sur FranceArchives est l’XML-EAD qui formalise le principe de description arborescent de la norme ISAD(G). Ce format permet une indexation spécifique à tous les niveaux de la description. Sur le portail, on applique aux entrées d’index le principe d’héritage des informations de niveau haut aux niveaux subordonnés : toutes les unités de description subordonnées héritent des entrées d’index liées aux unités de description parent. Le schéma ci-dessous explicite le modèle de données opérant sur le portail. Le niveau haut d’un instrument de recherche (findingaid) peut être lié à un ou plusieurs niveaux de description enfant (facomponent). On attribue automatiquement aux entrées d’index lieux, agents, sujets (geogname, persname, famname, corpname, function, occupation, subject) contenus dans un élément <controlaccess> d’une unité de description, une autorité miroir de l’entrée d’index. L’autorité devient en quelque sorte un double de l’entrée d’index qui va pouvoir être manipulé : aligné, regroupé, renommé, restitué. On ne manipule pas directement les entrées d’index afin de pouvoir conserver la trace de l’information initiale, telle qu’elle a été transmise par le service d’archive producteur de la donnée. Les autorités sont accessibles sur le portail et valorisées notamment à travers l’auto-complétion, voici par exemple l’autorité désignant la ville de Mâcon en Saône-et-Loire et les descriptions d’archives qui lui sont associées.

Modélisation partielle des instruments de recherche XML-EAD et des entités lieux, agents, sujets sur FranceArchives

Vers des autorités normalisées et unifiées

Plusieurs traitements automatisés ou manuels peuvent s’appliquer aux autorités une fois créées : l’alignement vers un référentiel externe, le groupement d’autorités désignant la même entité, la modification du libellé de l’autorité. Ces traitements peuvent s’appliquer à l’import de données sur le portail ou bien a posteriori, une validation humaine est systématiquement requise. Chaque manipulation est sauvegardée et rejouée lors des mises à jour de données. Les URI des autorités sont pérennes.

L’interface du back office permet d’exporter les autorités de chaque service partenaire au format CSV, de les traiter dans un logiciel tierce et de les réimporter. Elle permet également l’administration unitaire de l’autorité. L’alignement permet de lier explicitement une entité déjà référencée, identifiée sur le web et une autorité FranceArchives. C’est également l’opportunité d’enrichir l’autorité à partir d’informations existantes. Par exemple, lorsqu’on lie une autorité FranceArchives à une entité personne sur data.bnf.fr ou wikidata, une requête est envoyée à l’entrepôt SPARQL d’une de ces bases de connaissances. Une description ainsi que les dates d’existence sont récupérées et affichées sur le portail, exemple avec Robert Debré. Les alignements des noms de lieux ont permis la récupération des coordonnées géographiques disponibles dans les bases GeoNames et la base adresse nationale, voir la carte des lieux des archives. Enfin, les référentiels spécifiques archives sont également utilisés et valorisés. Les sujets sont alignés automatiquement vers le thésaurus-matières pour la description des archives locales (ex-thesaurus W), la prise en compte des termes rejetés dans la recherche est en projet. Le portail intègre des notices EAC permettant la description des personnes et collectivités liées aux instruments de recherche par l’intermédiaire des entrées d’index, exemple avec Alain Juppé décrit par les Archives nationales. Outre l’alignement, l’action de regroupement d’autorités vers une seule permet de rationaliser les entités produites par les différents services d’archives. En effet, on recense sur le portail de nombreuses entrées d’index qui désignent une même entité dans le monde réel. Par exemple les entrées « Nîmes (Gard, France) » et « Nîmes (Gard) » désignent la même ville, tout comme « Charles de Gaulle, général » et « De Gaulle, Charles (1890-1970 ; général) » désignent la même personne. Il s’agit alors de fusionner deux entités sans en supprimer : une redirection http est appliquée lorsqu’on groupe A vers B, on choisit comme cible l’autorité la plus normalisée.

Focus sur l’alignement des autorités lieux sur le portail

Le succès de ces différentes opérations de traitement est largement corrélé à la précision et au degré de normalisation des entrées d’index traités en entrée. En effet, les scripts d’alignements sont construits de manière à interpréter les informations telles qu’on s’attend à les trouver organisées dans les entrées d’index, c’est-à-dire en fonction des normes d’indexation actuellement en vigueur. La pratique d’indexation des lieux, à la différence de celle des personnes, nous est apparue relativement suivie et normalisée. Il s’est de ce fait avéré pertinent d’automatiser largement les opérations d’alignement et de groupement pour les lieux.

Le script d’alignement des lieux vers GeoNames et la Base adresse nationale a été réalisé en fonction de la norme NF Z44-081 Documentation – Catalogage des documents cartographiques – Forme et structure des vedettes noms géographiques. La norme prescrit une organisation spécifique des différents niveaux d’information au sein de chaque vedette géographique. La ponctuation offre un cadre, l’alignement s’appuie donc nécessairement sur ce cadre : avant la parenthèse ouvrante on s’attend à trouver un point d’accès, entre parenthèse : des descripteurs, après deux tirets une subdivision, exemple : Bagnères-de-Bigorre (Hautes-Pyrénées, France) — Tour des Jacobins. Les entités distribuées sur GeoNames sont quant à elles organisées dans une ontologie. Chaque entité appartient à une classe qui la définit en partie : par exemple l’entité du département du Doubs appartient à la classe administrative, la rivière du Doubs appartient à la classe cours d’eau, ces deux entités portent pourtant le même nom. L’enjeu de la construction du script d’alignement était de faire converger ces deux organisations : celle portée par le norme NF Z44-081 et celle portée par l’ontologie GeoNames. À titre d’exemple, la liste des principaux termes génériques recommandés en désignation (château, chaine de montagne, estuaire, forêt, etc.) a été rapprochée des différentes classes de GeoNames afin d’aiguiller l’alignement vers les entités appropriées : en fonction du terme identifié en désignation dans la vedette géographique, l’alignement est tenté vers une classe d’entité spécifique. On a pu constater que la formation de la vedette géographique, lorsqu’elle n’est pas complètement normalisée répond souvent à un besoin local de description : certains descripteurs sont simplement sous-entendus. Par exemple, un service d’archives municipal indexe uniquement les rues, puisqu’à son échelle la ville est sous-entendue, un service d’archives départemental inscrit le département en descripteur uniquement lorsqu’il se situe hors de son département. Dans un contexte de diffusion nationale, voire internationale, ces logiques sont inopérantes. Afin de contourner ce phénomène, on ajoute un paramètre supplémentaire : celui du département ou de la ville du service producteur de la donnée dans les cas d’absence de descripteurs.

Conclusion

L’objectif de ces traitements est de clarifier, d’enrichir et d’inscrire les métadonnées archivistiques dans le web de données. Ces travaux ne sont actuellement permis que par la présence d’entrées d’index au sein des instruments de recherche réalisés par les archivistes et le succès des opérations de traitement est largement corrélé au degré de structuration de ces dernières. L’équipe FranceArchives ne peut qu’encourager le renforcement d’une pratique d’indexation normalisée au sein des services d’archives, en lien avec les perspectives offertes par le modèle de données Record in Context (RiC-CM), modèle qui affirme la pertinence de construire des entités lieux, agents, sujets, gravitant autour des archives et contribuant indirectement à leur description et enrichissement. Enfin les projets de reconnaissance d’entités nommés au sein de textes bruts offrent des perspectives d’enrichissement automatisés considérables, notamment pour le traitement des masses d’instruments de recherche pas ou peu indexés. Ils convergent ainsi avec les intérêts et les besoins des historiens et autres utilisateurs du portail.


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.