Carole Etienne : “Clapi : les évolutions d’une banque de données orales outillée”

Carole Etienne est ingénieur de recherche au laboratoire ICAR (UMR 5191 – CNRS / Université Lyon 2 / ENS Lyon / IFÉ)

Support de présentation de Carole Etienne : PDF

Podcast :

Interview de Carole Etienne par Gabriel Bergounioux : partie 1, partie 2

Résumé de l’intervention :

Les études des interactions sociales développées au laboratoire ICAR portent sur des situations quotidiennes d’échange dans différents contextes (milieu professionnel, milieu médical, institutions, commerces, situations de classe, cadre privé, …). Il s’agit de données écologiques collectées dans leur naturalité, enregistrées ou filmées dans le lieu où elles se produisent et non provoquées par le chercheur en vue de sa recherche. Ces enregistrements ont été organisés et enrichiclapi_1s pour devenir des corpus multimodaux accessibles en ligne dans la plateforme CLAPI (Corpus de LAngue Parlée en Interaction, http://clapi.univ-lyon2.fr) où un ensemble d’outils de requêtes basés sur leurs transcriptions permet d’étudier leur contenu, de dégager des récurrences et d’aider le chercheur à identifier les objets d’analyse.

La nouvelle version de CLAPI, mise en ligne en Novembre 2012, propose une nouvelle interface plus ergonomique pour explorer ces données complexes (plus de 70 descripteurs) et leurs outils de requêtes (jusqu’à 30 critères). Au-delà de l’ergonomie, l’enjeu de cette évolution est d’intégrer les nouvelles données multimodales et les contraintes juridiques auxquelles ces données audiovisuelles sont soumises tout en répondant aux besoins des nouveaux projets. clapi-2

La mise à disposition et la diffusion d’une telle plateforme pose le problème crucial de son enrichissement et de la gestion de ses évolutions qu’il s’agisse d’intégrer des corpus recueillis avec de nouvelles exigences techniques ou de développer de nouveaux outils de requêtes utilisés dans différents projets de recherche par différentes communautés scientifiques.

Crédits : images tirées du support de présentation de Carole Etienne

Approfondir :

Explorer la plateforme CLAPI : http://clapi.univ-lyon2.fr

En savoir plus sur les corpus de langue parlée en interaction : site CORINTE

John Coleman : « Mining a year of speech »

John Coleman est linguiste, Professeur au laboratoire de phonétique de l’Université d’Oxford (http://www.phon.ox.ac.uk/).  Il mène en collaboration avec d’autres équipes de recherche le projet « Mining a year of Speech » (http://www.phon.ox.ac.uk/mining).

Support de présentation : PDF

Podcast :   

Entretien avec John Coleman par Gabriel Bergounioux : partie 1, partie 2, partie 3

Compte-rendu par Caroline Cance :

visualisation (sonogramme) du signal sonore "mining a year of speech"

John Coleman nous a présenté le 5 avril dernier le projet collectif  « Mining a year of Speech » (exploiter un an de paroles), fruit d’une collaboration entre son équipe du Oxford University Phonetics Laboratory, la British Library, le Laboratoire de Phonétique et le Linguistic Data Consortium de l’Université de Pennsylvanie. Ce travail, financé par l’appel à projet international « Digging into data Challenge » s’est développé dans un contexte de véritable explosion des quantités de données collectées et analysées dans tous les domaines des sciences et des humanités.

Si la question de l’exploitation de bases de données colossales demeure relativement « simple » à résoudre pour les bases de données écrites, elle soulève plusieurs enjeux majeurs et spécifiques en ce qui concerne les collections de corpus audio / oraux.

– En effet, comment donner la possibilité à un utilisateur de retrouver dans un grand corpus audio les extraits sonores qui l’intéressent ?

– Comment annoter ces corpus pour faciliter la recherche et la consultation de tels corpus ?

– et enfin, comment rendre disponibles et consultables ces bases de données très volumineuses ?

Le projet Mining a year of Speech tente de répondre à ces différents enjeux. La base de données est constituée de plusieurs corpus de langue anglaise (Royaume Uni et Etats Unis) et comprend plusieurs milliers d’heure d’enregistrement de toute sorte : conversations quotidiennes spontanées, appels téléphoniques, livres audio, journaux radiophoniques et télévisées, discours et débats politiques, plaidoiries à la cour suprême … etc.  Si l’intérêt de telles bases de données de l’oral est évident pour les linguistes, il l’est aussi pour d’autres domaines des sciences humaines, à l’instar des juristes qui peuvent grâce à ces corpus outillés effectuer par exemple une analyse du nombre d’interruptions dans un jugement et de leur effet  sur ledit jugement. Localisés à différents endroits, les différents corpus qui constituent « a year of speech » sont organisées en nuage (cloud computing) et partagent le même schéma d’indexation et les mêmes outils de recherche. Il s’agit ainsi davantage d’un corpus collaboratif que d’une collection de corpus, mis à disposition grâce à une fédération de fournisseurs d’accès. Ceci permet d’envisager l’ajout d’autres corpus mais également un travail collaboratif  (crowd-sourcing[1]) au niveau des transcriptions, puisque l’interface permet aux utilisateurs d’ajouter leurs propres annotations, de proposer une transcription alternative …

illustration du BNC oralLe British National Corpus

La base de données de Mining a year of Speech comprend pour l’anglais britannique toute la partie orale transcrite du British National Corpus (10% du BNC). Collecté dans les années 1990 (1990-1994), le BNC avait pour principal objectif de donner un aperçu (documenter) de l’anglais britannique de la fin du 20ème siècle[2]. Il s’agissait de construire un très grand corpus écrit et oral, synchronique, annoté (classes de mots et information contextuelle), pour améliorer à terme les dictionnaires de langue.

Le BNC oral comprend entre 2 à 3 mois d’enregistrements (1400 heures) ce qui le place toujours en tête des initiatives du genre dans le domaine des corpus oraux transcrits.

A titre indicatif, le corpus Year of Speech dans son ensemble représente quant à lui 1 TB de données ; et si on le compare avec les grandes bases de données manipulées dans le domaine des sciences et technologies, on s’aperçoit que ce type de corpus en sciences humaines se situe dans un ordre de grandeur similaire (0,5TB/an pour le télescope Hubble et 16TB pour le Sloane digital sky survey et 13PB pour l’accélérateur de particules du CERN).

La constitution d’un tel corpus à l’aube du 21ème siècle (et son exploitation actuelle) a nécessité la levée de plusieurs verrous technologiques et méthodologiques :

Collecte : pour garantir une certaine représentativité du corpus, un échantillonnage démographique a été réalisé. 124 volontaires hommes et femmes appartenant à différentes classes d’âge, socioprofessionnelles et localisations géographiques se sont vus fournir des enregistreurs analogiques (type walkman). La consigne étant d’enregistrer leurs conversations pendant 2 à 3 jours. Afin de contrebalancer cette collecte de conversations spontanées un échantillonnage contextuel a également été mis en place permettant de recueillir des enregistrements dans différents types de contextes (éducatifs et informationnels, professionnels, institutionnels et loisirs).

Transcription : Tous ces enregistrements ont été transcrits orthographiquement par des dactylographes et les transcriptions comportent également des annotations faisant état de l’organisation des tours de parole et des chevauchements entre locuteurs, des mots tels que perçus par le transcripteur/trice, des hésitations, mots tronqués, faux départs, des pauses, de l’intonation … ainsi que des informations sur les locuteurs et le contexte d’enregistrement quand disponible.

Stockage des données : un des soucis majeurs rencontrés au moment de la constitution du BNC. Ainsi pendant de nombreuses années le corpus audio a sommeillé au National Sound Archive sous forme de cassettes, celles-ci ne pouvaient être publiées car non anonymisées, à la différence des transcriptions qui ont pu être publiées. Depuis quelques années les possibilités de numérisation et de stockage pérenne se sont développées. Ainsi en 2009-2010 la numérisation de l’ensemble des cassettes audio a pu être réalisée en collaboration avec la British Library.

Les enjeux se situent à présent au niveau du temps nécessaire i) pour aligner un an de d’enregistrement de discours oral avec sa transcription (3 mois environ), ii) pour déplacer, copier et/ou télécharger de tels corpus (des jours voire des semaines …). Enfin et surtout, le levier majeur réside dans la constitution et l’utilisation d’un index détaillé permettant la navigation dans un corpus d’une telle ampleur et l’accès à des petits extraits du corpus.

La construction de cet index passe nécessairement par un alignement entre le fichier audio et sa transcription écrite. L’équipe de Mining a year of Speech utilise un outil de reconnaissance automatique (Penn Phonetics Laboratory Forced Aligner) qui permet l’alignement automatique dans un premier temps au niveau des mots puis dans un second temps au niveau des segments.

L’aligneur élaboré pour l’anglais américain, est construit sur un modèle acoustique, ce qui permet son utilisation pour aligner des corpus britanniques, les différences de prononciation entre les variétés d’anglais étant prises en compte grâce à la construction d’un dictionnaire multi-dialectes. Bien évidemment, l’alignement forcé entre l’enregistrement sonore et sa transcription phonétique est loin d’être parfait (~23% d’alignement correct et ~80% d’alignement compris entre 2 sec) et ce du notamment aux chevauchements, les bruits de fond, l’hétérogénéité de la qualité du signal sonore, etc. Néanmoins il permet de se repérer dans le corpus.

Une fois l’alignement réalisé, il est possible d’anonymiser les fichiers audio en utiliser les balises d’anonymisation présentes dans les transcriptions (<gap> tags) déjà anonymisées. Dès que l’ensemble du corpus aura été anonymisé,  le BNC oral sera disponible en ligne (voir à titre d’exemple : http://www.phon.ox.ac.uk/SpokenBNC)

Exemples d’application linguistiques

Les applications pour lesquelles ce corpus outillé peut être utilisé sont multiples. Ainsi au niveau phonologique il est par exemple possible d’étudier des phénomènes de variation telles que la variation du –t/-d final en anglais puisqu’on peut disposer d’un grand nombre de réalisations et observer la distribution des durées et des fréquences en fonction de facteurs linguistiques et sociolinguistiques. On peut égaler étudier les phénomènes d’assimilation consonantique et repérer des phénomènes auparavant impossibles ou non attestés grâce à la possibilité d’accéder à un corpus de grande taille comprenant de nombreux types de discours (dont des conversations naturelles).

Caroline CANCE, LLL

Crédits : images tirées du support de présentation de John Coleman.

Pour aller plus loin

Projet Mining a year of Speech

Mining a year of Speech White Paper

Laboratoire de phonétique de l’Université d’Oxford

Laboratoire de phonétique de l’Université de Pennsylvanie

Linguistic Data Consortium

The Penn Phonetics Lab Forced Aligner


[1] Voir dans d’autres domaines les initiatives développées sur le portail de Zooniverse

[2] Ce projet a été commandité par un consortium regroupant des éditeurs de dictionnaires, le gouvernement britannique, le Science and Engineering Research Council et la communauté de chercheurs en linguistique.

Véronique Ginouvès « De l’enquête de terrain à l’archive orale : pourquoi et comment donner accès aux sources orales de la recherche ? « 

Séance du Jeudi 8 mars

Nationaal Archief

Véronique Ginouvès est Ingénieur de Recherche au CNRS, responsable de la phonothèque de la MMSH d’Aix en Provence et co-auteure du blog Les carnets de la phonothèque

Support de présentation de Véronique Ginouvès : PDF

Podcast :

Entretien avec Véronique Ginouvès par Caroline Cance : partie 1, partie 2, partie 3

Compte-rendu par Abigaël Pesses :

Bill Smith of KOAC with portable tape recorder, 1955, Archives de l’Etat de l’Orégon

Véronique Ginouvès travaille à la phonothèque d’Aix-en-Provence où elle rassemble et valorise des archives sonores recueillies par des chercheurs au cours d’enquêtes sur des terrains de l’aire méditerranéenne ou d’associations impliquées dans la sauvegarde du patrimoine régional. Des matériaux sonores – entretiens, musiques, contes ou fragments d’histoire orale – dont l’écoute autorise « la découverte d’un monde dans lequel on entre brutalement ». Mais pas seulement. Comme le souligne V. Ginouvès, lorsque J.C Bouvier et Phillippe Joutard ont créé la phonothèque à la MMSH en 1979, ces deux historiens voulaient donner accès aux sources orales de la recherche et, par-delà les références bibliographiques, aux conditions d’administration de la preuve scientifique. Un projet qui ouvrait de nouvelles perspectives pour interroger les méthodes d’investigation et de transcription des chercheurs issus des diverses disciplines SHS comme de réutiliser, recouper, ou revisiter leurs matériaux.

Laure Principaud, phonothèque MMSH

Cette idée à l’époque novatrice demeure encore peu explorée, voire sous-exploitée quand on considère le coût et le temps investis pour numériser, écouter, indexer ou mettre en ligne ces fonds sonores. Ce phénomène revêt d’ailleurs une dimension exponentielle avec l’avènement des technologies numériques qui s’accompagnent d’une tendance quasi boulimique à tout enregistrer et tout conserver de façon la plus exhaustive possible. Quel est donc l’intérêt pour le chercheur de déposer des archives dans une institution scientifique ? Comment faire en sorte que l’auditeur dispose de tous les éléments pour reconstituer le contexte de la recherche ? Qu’est-ce qu’un son inédit ? Et comment mettre à disposition de la société civile ces milliers d’heures d’enregistrement qui recouvrent une valeur de document tant scientifique que patrimonial ? Au cours de cette intervention, Véronique Ginouvès nous a fait partager la façon, dont au fil de son expérience du métier, de l’évolution des technologies et du contact avec les chercheurs, elle a été amenée à placer toutes ces questions au cœur de sa pratique de travail. L’archivage et encore moins la diffusion ne vont de soi, mais se situent à la croisée d’enjeux scientifiques, juridiques, éthiques, politiques et identitaires dont il faut prendre la mesure.

En effet, depuis plusieurs années les chercheurs, et les anthropologues en particulier, témoignent d’un nouvel engouement1 pour leurs archives. Cet intérêt répond au souci d’interroger l’évolution des méthodes d’enquête de cette discipline, mais s’explique également par la responsabilité nouvelle, promue par des organisations mondiales comme l’Unesco, de favoriser la réappropriation de ces archives par les populations d’origine2. Cette forme de restitution de l’archive l’entraîne dans un nouveau devenir aux contours indécis. Un « objet scientifique », produit dans un contexte de rencontre entre des chercheurs et des informateurs au cours d’une démarche d’enquête, devient un « objet de patrimoine », témoin de la mémoire des sociétés qui les réclament. La diffusion de ces sources, susceptibles de livrer des informations sensibles – traditions oubliées, savoirs locaux et procédés de fabrication, rumeurs, secrets de famille, propos calomnieux – peut dès lors faire l’objet de toutes formes de réutilisation3 à des fins politique, identitaire, artistique, commerciale ou autres. Comment divulguer ces documents sans porter préjudice aux droits des groupes ou à l’intégrité des personnes qui les ont formulés ? Et comment conserver l’authenticité de l’archive sans pour autant brider les formes de réappropriation de celle-ci ?

Véronique Ginouvès, confrontée à ce nouveau paradigme, a travaillé à la mise en place d’un dispositif qui, de la collecte à la valorisation, fournit un cadre éthique et juridique pour le dépôt des archives à la phonothèque par les chercheurs. En voici les grandes lignes :

Recourir à un contrat qui autorise les collecteurs et les témoins à co-construire le dépôt de l’archive. Ce contrat vise à redonner une place centrale au témoin en tant que « source de savoir » tout en reconnaissant le travail intellectuel du chercheur qui organise les conditions de cette énonciation. Cette nouvelle forme d’engagement donne ainsi aux informateurs, jusqu’alors systématiquement anonymisés, la possibilité d’acquérir des droits d’auteur sur ces ressources. De cette manière, ils sont mieux à même de donner un « consentement éclairé » sur les différents modes de diffusion et d’exploitation scientifiques ou patrimoniales de ces enregistrements tout en ayant des garanties de protection et de restitution.

Contextualiser l’archive afin de permettre sa réutilisation. Il s’agit d’une part, de rassembler des métadonnées qui détaillent au maximum les conditions de recueil de l’information – lieu, date, langue, identité des acteurs, méthodes d’enregistrement, ordre de classement donné par le chercheur, etc. – et d’autre part, de restituer ces documents au sein d’un corpus ou d’une collection qui leur donne sens et pallie à leur éventuel isolement.

Constituer un comité scientifique qui statue sur les questions éthiques relatives à chaque corpus, notamment pour évaluer les informations confidentielles dont la diffusion pourrait porter préjudice aux témoins.

Valoriser les archives en facilitant leur accès (catalogage, insertion dans des bases de données interopérables) et leur repérage par un travail d’éditorialisation de contenus qui les contextualisent4 , à l’image du carnet de la phonothèque .

Dans le prolongement de cette initiative, Véronique Ginouvès participe aujourd’hui à la mise en place d’un groupe de travail pour la rédaction d’un Guide de bonnes pratiques pour la diffusion électronique des données en sciences humaines et sociales.

Approfondir

Portail du patrimoine oral 

 

Références

  1. Marie-Dominique Mouton, « Les ethnologues et leurs archives. Passion, possession et appropriation », Journal des africanistes [En ligne], 78-1/2 | 2009, mis en ligne le 01 mars 2012, consulté le 20 mars 2012. URL : http://africanistes.revues.org/2542 []
  2. Ginouvès, Véronique, « Compte rendu : une après-midi sur le patrimoine culturel immatériel», in Les carnets de la phonothèque [en ligne], mis en ligne le 13 décembre 2010, consulté le 20 mars 2011 . URL : http://phonotheque.hypotheses.org/4297 []
  3. Éric Jolly, « Le Fonds Marcel-Griaule : un objet de recherche à partager ou un patrimoine à restituer ? », Ateliers du LESC [En ligne], 32 | 2008, mis en ligne le 20 août 2008, consulté le 20 mars 2012. URL : http://ateliers.revues.org/2902  []
  4. Cassé, Corinne, « Retours sur une méthodologie d’enquête », in Les carnets de la phonothèque [en ligne], mis en ligne le 9 mars 2012, consulté le 20 mars 2011. URL : http://phonotheque.hypotheses.org/6397 []

Joséphine Simonnot : « Présentation de TELEMETA, un outil de traitement des archives sonores de la recherche. »

Séance du Jeudi 12 janvier 2012

Joséphine Simonnot est ingénieur de recherche au Centre de Recherche en Ethnomusicologie (CREM) du LESC (UMR7186)

Support de présentation de Joséphine Simonnot : PDF

Podcast :

Entretien avec Joséphine Simonnot par Gabriel Bergounioux : partie 1, partie 2, partie 3

Compte-rendu par Abigaël Pesses :

Joséphine Simonnot,  ingénieur de recherche au Centre de Recherche en Ethnomusicologie (CREM), nous a présenté les fonctionnalités de la plateforme TELEMETA et le patient parcours de travail préalable à sa mise en production. Cette aventure, tant humaine que technique, remonte 12 ans en arrière lorsque Joséphine Simonnot se voit confier la responsabilité de valoriser un véritable trésor : le fonds d’archives sonores du Musée de l’Homme qui regroupe plus de 5000 collections de musique du monde et de documents sonores, notamment collectés au cours des premières grandes missions scientifiques telles que Dakar-Djibouti (1932) ou Ogooué-Congo (1946). Mais voilà, ce trésor repose sur des supports d’enregistrement variés, en majorité constitué de bandes magnétiques menacées par la décomposition chimique et l’oubli.

Comment donc assurer la conservation de ce patrimoine culturel immatériel ? Comment le rendre accessible à la communauté scientifique, ainsi qu’aux populations d’origine qui le réclament ?

De là, débute un vaste chantier de numérisation qui se couple rapidement avec la nécessité de créer un outil informatique, basé sur des technologies libres, capable de faciliter le méticuleux travail d’indexation des fichiers sonores entrepris en collaboration avec les chercheurs et les populations locales. Pour concevoir ce projet, Joséphine Simonnot va solliciter les compétences de différents experts : Guillaume Pellerin, un développeur orienté recherche, formé au Laboratoire d’Acoustique Musicale (LAM-CNRS/UPMC), Pascal Cordereix (BnF) et Véronique Ginouvès (phonothèque d’Aix-en-Provence), spécialistes des bonnes pratiques de catalogage et d’archivage de documents numériques sonores. Jean-Marc Fontaine et Hugues Genevois, du LAM, ont également joué un rôle important pour les choix techniques et ergonomiques. Cette synergie d’acteurs va aboutir à la réalisation d’une plateforme collaborative de travail, Telemeta, qui utilise des technologies tant ouvertes qu’innovantes pour permettre la description, la consultation et la diffusion en ligne de contenus sonores. Cela dans le respect des normes d’interopérabilité des données et en prévision de leur archivage pérenne.

Le projet porte aujourd’hui ses fruits. Rapidement après sa mise en ligne en juin 2011, les ethnomusicologues du CREM s’approprient aisément cette technologie qui transforme leurs pratiques de travail (actuellement 7130 enregistrements en ligne et 3000 fiches supplémentaires en 6 mois). En effet, il y a encore peu de temps, ces derniers ne pouvaient s’aider que de leurs oreilles et d’un chronomètre pour se repérer dans un enregistrement sonore.

Désormais, Telemeta leur propose un espace de travail dans lequel ils peuvent parcourir et visualiser le son en trois dimensions – temps, fréquence, intensité – avec la possibilité d’introduire des marqueurs temporels pour annoter un continuum sonore. L’application leur permet par ailleurs de compléter eux-mêmes les fiches documentaires, d’y joindre une image et de faire une recherche textuelle ou par zone géographique.

Cette palette d’outils contribue par là-même à affiner l’analyse de ces matériaux et à les enrichir de métadonnées sans lesquelles ces archives demeureraient inexploitables. Les chercheurs peuvent ainsi écouter et faire entendre à tout moment et presque en tout lieu leurs enregistrements. Cet accès facilité au fonds participe à son actuelle renaissance et rajoute du sens à leur ouvrage, tout en améliorant la visibilité de leurs travaux. Selon les mots de Dana Rappoport, ethnomusicologue au CNRS : « c’est une véritable révolution ». Ne serait-ce que par le retour, enfin possible, de ces enregistrements aux populations d’origine, légitimement concernées, ou la transmission qui s’opère entre les générations de chercheurs. En effet, grâce à cet outil et à internet, ces données sonores sont « libérées » de la contrainte des anciens supports analogiques, soumis à l’obsolescence des machines et à une inévitable détérioration.

A la demande du TGE ADONIS, qui soutient le développement de cette application depuis 2010, Joséphine Simonnot travaille actuellement à la production d’une version plus générique de Telemeta. Elle s’inscrit pour cela au sein d’un réseau de laboratoires et d’institutions partenaires en vue d’adapter ce système de dépôt d’archives à d’autres types de corpus ou à d’autres usages disciplinaires : gestion des formats vidéo, des métadonnées métiers et des modes de synchronisation son-texte-image. Cette séance de séminaire a notamment été l’occasion de dialoguer avec des linguistes pour identifier leurs pratiques et besoins spécifiques en la matière.

Crédits : images tirées du support de présentation de Joséphine Simonnot.

Approfondir :

Naviguer dans les collections des archives sonores de CREM:
http://archives.crem-cnrs.fr/

Tester la plateforme TELEMETA en tant qu’administrateur:
http://demo.telemeta.org/
login : demo
mot de passe : demo

Télécharger le CMS audio et obtenir les détails techniques relatifs à son utilisation, sur le wiki du projet : http://telemeta.org

Pascal Cordereix (BnF) :  » Quel avenir pour les catalogues de bibliothèques ? »

Séance du Jeudi 8 décembre

Pascal Cordereix est conservateur des bibliothèques, responsable du service des documents sonores au Département de l’Audiovisuel de la BnF

catalogue
Adam Mayer CC BY-SA

Support de présentation de Pascal Cordereix : PDF

 

Entretien avec Pascal Cordereix par Olivier Baude : partie 1, partie 2, partie 3

 

Compte-rendu par Abigaël PESSES :

Pascal Cordereix, responsable du service des archives sonores de la BnF, spécialiste des archives de la parole, nous a présenté l’objet numérique sonore sous l’angle de l’évolution des méthodes de catalogage. Cette problématique, propre à l’univers des bibliothèques, touche à la question de savoir comment décrire des ressources documentaires dont dépend l’accès aux données. A l’heure où l’institution « bibliothèque » expérimente un décloisonnement1 sans précédent dû à son immersion dans l’écosystème du web, la question du catalogage recouvre des choix et des enjeux particulièrement importants. Il s’agit de comprendre les nouvelles pratiques des usagers, de les replacer au centre de la problématique du catalogage et de préparer l’avènement du web des données.

Reprenons le fil de l’argumentation. L’histoire des méthodes de catalogage est en quelque sorte le reflet d’une quête de définition d’un langage commun autorisant l’échange universel des savoirs. A partir de la description d’un phonogramme sur une notice papier (Ferdinand Brunot, 1912), s’est progressivement dessinée l’utopie d’une formalisation du savoir global sous forme de fiche (Paul Otlet, 1920) dont le premier code fut la ponctuation.

Celle-ci jouera un rôle décisif sur les méthodes de structuration et d’affichage des documents qui aboutiront, avec la création de l’ISBD en 1971, à la définition de pratiques normalisées de catalogage à l’échelle internationale. Le format MARC, défini par la Bibliothèque du Congrès, en constitue la version codée et inaugure l’informatisation des catalogues.

Plus de quarante ans après leur introduction, et même s’ils restent encore aujourd’hui le modèle de structuration dominant en bibliothèque (ex. UNIMARC ou MARC 21 au plan national et international ; INTERMARC pour la BnF), ces formats s’avèrent aujourd’hui trop rigides pour permettre la description de ressources électroniques de plus en plus hétérogènes. D’où la multiplication des schémas XML (Dublin Core, Mods, EAD, METS, etc.) qui s’imposent peu à peu comme les standards d’échange et d’interopérabilité entre les producteurs de données à l’intérieur d’un environnement web. Ainsi à la BnF, coexistent un catalogue en INTERMARC (le « catalogue général ») et un catalogue en EAD (« BnF Archives et Manuscrits »). L’EAD, qui permet un degré supérieur d’arborescence, a été privilégié pour traduire la profondeur de structuration des fonds d’archives sonores.

Enfin, des projets plus récents rompent avec ces logiques d’arborescence au profit des modèles de graphes relationnels -FRBR et RDA – qui relieront les données du web 3.0. Dans ce paysage, en effet, seuls ces derniers, respectivement réservés à la modélisation et l’encodage des catalogues, préfigurent la rupture vers le web sémantique.

Aux précédents modèles de structuration des données basés sur une superposition de niveaux d’information englobés dans une notice, se substitue un modèle « entités-relations » où les informations sont représentées par des entités reliées entre elles : la notion de « relation » jouant un rôle central.

L’objectif ici recherché est l’éclatement de la notice bibliographique. Par l’individualisation de chaque niveau d’information contenue dans la notice (ou la page web), il sera possible de représenter l’information comme un réseau de données indexables, exploitables par les moteurs de recherche.

 

Continuer la lecture de Pascal Cordereix (BnF) :  » Quel avenir pour les catalogues de bibliothèques ? »

Références

  1. Latour, Bruno, « Plus elles se répandent, plus les bibliothèques deviennent centrales », BBF, 2011, n° 1, p. 34-36, Consulté le 07 mars 2012 []

Michel Jacobson : « L’archivage des données numériques : retours d’expérience sur des données orales »

Séance du Jeudi 10 novembre 2011

Michel Jacobson est chef de projet sur l’archivage électronique au Service Interministériel des Archives de France (SIAF)

Support de présentation de Michel Jacobson : PDF

Entretien avec Michel Jacobson par Gabriel Bergounioux : partie 1, partie 2, partie 3

Compte-rendu par Abigaël Pesses :

Le 10 novembre dernier, les équipes du TGE Adonis et du LLL (laboratoire Ligérien de Linguistique) de l’université d’Orléans ont eu le plaisir de recevoir Michel Jacobson à Orléans pour inaugurer la première séance du séminaire portant sur l’objet numérique sonore.  Michel Jacobson a ainsi pu nous faire partager le fruit de son expérience et de son parcours à travers cet objet qui, depuis le LACITO, un laboratoire de recherche du CNRS spécialisé sur l’étude des langues à tradition orale, au Centre de Ressources pour la Description de l’Oral (CRDO), l’ont conduit à devenir chef de projet au Service Interministériel des Archives de France (SIAF). Ce service rattaché au Ministère de la Culture a pour mission de définir la politique en matière d’archivage et de piloter le réseau des archives (communales, départementales, régionales,  nationales).

Michel Jacobson, partant des caractéristiques physiques du son et de leur transposition en unités informatiques binaires (bit : 0 et 1), a soulevé les différents enjeux relatifs à l’archivage de l’information numérique. Le passage de l’analogique au numérique présente en effet de nombreux avantages : copie à l’identique et à l’infini, facilité de stockage, de transmission et de traitement de l’information numérique. L’information n’en reste pas moins opaque, car codée, et suppose un dispositif particulier pour être lue, représentée, déchiffrée. Ce dispositif est composé d’une superposition complexe de strates qui interagissent entre elles : une couche matérielle – les supports (disques durs, DVD, mémoire flash),  elle -même  interprétée par une couche logicielle (système d’exploitation, pilotes, navigateurs, applications) et auxquelles se surajoute une couche de formats.

Ces formats  servent  à représenter des données numériques – sons, images ou textes – sous la forme d’un code compréhensible par des machines. L’information numérique codée dépend ainsi d’un empilement de technologies dont les évolutions constantes et rapidement obsolètes sont largement tributaires du marché. D’où la nécessité de mettre en place des procédures pour assurer la migration physique des documents afin de pouvoir les déchiffrer avec les technologies de son temps.

La nouveauté de l’archivage, souligne Michel Jacobson, c’est de conserver ces métadonnées de représentation, à savoir les formats, mais également leurs supports de lecture et la documentation qui spécifient les différentes méthodes d’encodage du contenu. Dans ce nouveau paradigme, il faut cependant ne pas perdre de vue que ce que l’on cherche à conserver, ce n’est pas tant la donnée numérique dans son format ou son support originel que son contenu informationnel. Et pour demeurer intelligible, une information numérique doit pouvoir être décodée.

Michel Jacobson est l’un des contributeurs au  guide des bonnes pratiques numériques disponible sur le site du TGE et dont l’objectif est d’aider les producteurs de données numériques à faire les bons choix dans l’usage des logiciels, des formats et des modes d’encodage des données.

Crédits : images tirées du support de présentation de Michel Jacobson

Approfondir :

Exemples de gestion de corpus oraux dans le réseau des Archives départementales :

Banque de l’Information Radiophonique des Deux Sèvres

Sauvegarde de la parole sarthoise

Collecte des témoignages oraux sur la Seconde Guerre Mondiale (Val de Marne)