Archives par mot-clé : linked data

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.

La transition bibliographique en bibliothèque, un horizon pour les archives ?

L’installation en avril du SIAF dans ses nouveaux locaux a permis de créer un rendez-vous « Prospective numérique ». Sur le modèle des ateliers « Pérennisation » de VITAM, des « labs » de la CNIL ou du programme DCANT de la DINSIC, nous souhaitons :

  • Faire le lien entre évolutions technologiques et pratiques archivistiques
  • Rapprocher les professionnels intéressés par le numérique
Image Gerd Altmann / Licence CC0 Public Domain / https://www.publicdomainpictures.net/fr/view-image.php?image=212237&picture=monde-numerique

La première séance s’est déroulée le 5 juillet 2019. Emmanuel Jaslier, adjoint à la directrice du département des métadonnées à la BnF, a présenté la « transition bibliographique » en cours dans les bibliothèques. La discussion avec plusieurs experts du programme VITAM, du SIAF et des Archives nationales a ensuite été l’occasion d’envisager les transpositions possibles aux archives et notamment la convergence des outils de production des référentiels.

La Transition bibliographique

Capture d’écran du bandeau du site de la Transition bibliographique

Les catalogues au défi du web

Rendre visible et exploitable la richesse des données en tenant compte de l’évolution des pratiques de recherche sur le web, tel est le défi auquel sont aujourd’hui confrontées les institutions qui donnent accès à leurs ressources en ligne.  

Dès les années 70, les bibliothèques ont entamé une réflexion à l’échelle internationale afin de normaliser la description des documents et échanger les données de leurs catalogues, aboutissant à des normes et des formats communs. Si les standards issus de ces réflexions ont permis le signalement d’un nombre croissant de collections, ils ont en revanche perdu de leur pertinence avec le passage au web sémantique. Ce dernier coïncide avec un tournant où la productivité des requêtes diminue alors que la masse des données continue elle à croître. Dans un tel contexte, l’enjeu n’est plus tant la description du document en lui-même que le positionnement de son contenu au sein d’un réseau significatif de données. Le référencement insuffisant des notices de catalogues de bibliothèque au profit des résultats commerciaux dans les moteurs de recherche est symptomatique de cela.

Courbe d'évolution de la pertinence des requêtes sur le Web en fonction de la quantité de données.
Le Web 3.0 : une réponse à la baisse d’efficacité des requêtes.
Source : présentation BnF

 

Un nouveau modèle de données

Ces constats ont mené à l’élaboration de nouveaux modèles conceptuels basés sur une logique entités-relations pour la description des ressources. Depuis 2015, la profession s’est accordée autour du modèle IFLA-LRM dans lequel toutes les entités sont liées entre elles. Des autorités sont définies de manière autonome (par exemple un titre ou un auteur). Elles sont toutes susceptibles de servir de points d’accès pour l’utilisateur, et sont connectées les unes avec les autres selon les types de relations nécessaires, ce qui facilite considérablement les recherches en langage naturel.

Ces principes ont ensuite été traduits dans le code de catalogage RDA-FR (déclinaison française du code international RDA).

La transition bibliographique, programme national porté par le Comité stratégique bibliographique, consiste donc à implémenter RDA-FR dans les différents catalogues des bibliothèques. Comme son nom l’indique, il s’agit d’un changement progressif, rythmé par ses livraisons successives depuis 2015. Au-delà de l’établissement de la norme, il s’agit en effet d’une adaptation majeure de la structure des systèmes informatiques  et d’un changement profond des pratiques métier.

Les premières réalisations

Le site data.bnf.fr agrège et organise depuis 2011 les données extraites du catalogue de la bibliothèque nationale selon les technologies du web sémantique. Aujourd’hui, le référencement du site dans les moteurs de recherche en fait le premier point d’accès vers Gallica.

La nouvelle application de catalogage de la BnF, NOEMI (pour Nouer les Œuvres, les Expressions, les Manifestations et les Items), suit les principes du code RDA-FR. Elle va progressivement remplacer l’ancien outil de catalogage.

Un projet à suivre : le Fichier national d’entités

Le Fichier national d’entités (FNE), base centrale destinée à regrouper toutes les entités produites en France par les organismes dépositaires de collections documentaires est un projet porté conjointement par l’Abes et la BnF. En phase pilote depuis 2019 avec un prototypage dans Wikibase, le FNE servira à aligner les données existantes et sera un outil de production national et collaboratif des autorités.

L’existence de ce projet ouvre de nombreuses perspectives d’échanges avec les services d’archives, également grands producteurs de données d’autorité.

Pour aller plus loin

Le site de la Transition bibliographique.

Le support de la présentation BnF du 5 juillet 2019.

PROV, un modèle pour la provenance des données numériques

En 2013, le SIAF avait participé à l’élaboration d’une feuille de route « Métadonnées culturelles et transition vers le Web 3.0 », pilotée par les services du Secrétariat général du ministère de la Culture et de la Communication (MCC). Cette feuille de route, qui s’appuyait elle-même sur les actions 4 et 5 de la feuille de route stratégique ministérielle en faveur de l’ouverture et du partage des données publiques, identifiait neuf axes de positionnement stratégique pour le ministère et ses établissements publics sous tutelle. Les actions opérationnelles ainsi identifiées ont donné lieu à la constitution de groupes de travail, chargés d’élaborer différents livrables (vade-mecum, notes de cadrage, cahiers des charges), et auxquels le SIAF a participé. C’est ainsi que les Archives de France ont piloté le groupe de travail n°8, intitulé « Positionner le MCC en tant qu’expert sur la traçabilité des données numériques ».

Continuer la lecture de PROV, un modèle pour la provenance des données numériques

Archives et Données liées : nos outils sont-ils prêts à compléter la Toile ?

Les Archives municipales de Gérone (Espagne) ont accueilli et organisé la 2e conférence annuelle du Conseil international des archives, les 10-17 octobre 2014, intitulée « Archives et industries culturelles ». Les principaux thèmes abordés étaient le rôle des archives dans la société de l’information et les nouveaux domaines de création et de distribution des contenus numériques. Les résumés des communications peuvent être consultés sur cette page.

Cette manifestation a été l’occasion pour le Service interministériel des archives de France de présenter les enseignements tirés de deux projets innovants.

Continuer la lecture de Archives et Données liées : nos outils sont-ils prêts à compléter la Toile ?