Directrice-adjointe de La contemporaine
L’objectif de BaOIA est de développer, à partir de corpus numérisés de La contemporaine et de la BnF, des outils d’exploration et d’analyse de corpus massifs, de les documenter et de les mettre à disposition des chercheurs pour une réutilisation ultérieure.
Le projet de recherche Boîte à Outils
d’Intelligence Artificielle (BaOIA), financé par CollEx-Persée, est né de la rencontre entre les
intérêts d’un chercheur pour les humanités numériques et ceux d’un
établissement documentaire disposant de nombreux corpus numérisés.
Quand Julien Schuh du Centre des sciences des littératures en langue
française (CSLF) de l’université Paris Nanterre lui a soumis son
projet de développement d’outils d’analyse de données massives, La
contemporaine a saisi l’opportunité de valoriser ses collections
numérisées et de développer un axe de sa propre politique de
recherche. La contemporaine poursuit de très longue date une mission
d’appui à la recherche. La mise à disposition de collections
spécialisées permettant d’écrire l’histoire des relations
internationales et l’histoire politique et sociale depuis le début du
XXe siècle en constitue la
clé de voûte : monographies, revues, presse généraliste ou à diffusion
restreinte, affiches, brochures et tracts, photographies, archives
privées et audiovisuelles, dessins ou peintures, sont ainsi depuis
1917 collectés et signalés, sans hiérarchie, en tant que matériaux pour l’écriture de
l’histoire. La volonté de mettre ces sources à disposition du plus
grand nombre et de faciliter leur confrontation ont présidé à la mise
en ligne d’une bibliothèque numérique, l’Argonnautematériaux pour l’histoire au
centre de sa réflexion sur l’adaptation de sa politique documentaire
aux évolutions induites par le numérique natif, et au centre de sa
politique de recherche. Elle participe à des programmes de recherche,
en suscite parfois, autour de ses collections et de ses expositions.
En tant que membre fondateur du Labex « Les passés dans le présent »,
porté par l’université Paris Nanterre, elle participe à des projets de
recherche dans le champ des humanités numériques : le projet ModOAP
(Modèles et Outils d’Apprentissage Profond) poursuit des objectifs
voisins de ceux de BaOIA et associe l’équipe de recherche du CSLF et
la BnF, également partenaires du projet BaOIA.
Le projet de recherche Boîte à Outils
d’Intelligence Artificielle a été soumis à CollEx-Persée
début 2020. Il s’agit de développer, à partir de corpus numérisés de
La contemporaine et de la BnF, des outils d’exploration et d’analyse
de corpus massifs, avec une focale particulière sur l’exploitation
de l’image, de les documenter et de les mettre à disposition des
chercheurs pour une réutilisation ultérieure sur d’autres ensembles
de données. Le projet offre l’opportunité de diversifier et de
renouveler l’exploitation des collections numérisées, au-delà de
leur mise à disposition du public dans les bibliothèques numériques
et à travers des modalités de valorisation comme les expositions
virtuelles, dans une dimension de recherche active. Les corpus
utilisés sont de nature différente afin d’exploiter textes et
images : des guides touristiques de la BnF ; un fonds d’affiches
françaises et internationales de La contemporaine ; des dépêches
d’agences de presse soviétiques provenant des fonds de La
contemporaine ; un corpus de presse illustrée et d’estampes
satiriques (BnF, La contemporaine, bibliothèque de Heidelberg). À
partir de ces corpus ont été développés des outils correspondant à
plusieurs objectifs : constitution des corpus, étude du contenu des
documents, enrichissement et visualisation des données. Les outils
se présentent sous la forme de notebooks Python et s’utilisent via l’environnement Google
Colab. Actuellement, les outils sont hébergés sur GitHub, et sont
accessibles depuis le site du projet BaOIA, où l’on trouve des
tutoriels qui précisent leur utilisation et des exemples de
réalisations tirés des tests effectués sur les corpus.
La première série d’outils est consacrée à
l’extraction des données et à leur transformation pour les rendre
exploitables. Des scripts permettent ainsi d’extraire depuis Gallica
des documents au format texte (s’il s’agit d’un document océrisé) ou
image (JPEG ou TIFF). Un scraper développé pour la bibliothèque
numérique d’Heidelberg est réutilisé pour récupérer le texte brut
océrisé, mais aussi les illustrations et les métadonnées. Un autre
outil d’océrisation de JPEG permet d’en extraire du texte brut.
Grâce à ces différents outils d’extraction ou de transformation vers
un autre format, développés ou adaptés pour le projet, les
chercheurs pourront constituer des corpus de textes ou d’images
exploitables par une deuxième série d’outils, développés quant à eux
pour étudier le contenu d’un document et enrichir ses métadonnées.
Un outil de reconnaissance des entités nommées permet ainsi, à
partir d’un fichier texte, de repérer en plusieurs langues des
personnes, lieux, organisations, évènements ou œuvres d’art, et
d’effectuer des calculs statistiques sur les résultats obtenus
(totaux, calcul de proportions). L’enrichissement des métadonnées
est rendu possible à l’aide d’un outil qui récupère des informations
sur ces entités par une requête via Wikidata. Enfin, la dernière série
d’outils permet une visualisation des données en les cartographiant.
La première cartographie s’effectue par requête Wikidata pour
trouver des coordonnées géographiques à partir d’une liste de lieux.
Les outils permettent également de créer des cartes interactives à
partir du type de lieu (monument, ville, etc.) et de tracer des
parcours entre les différents lieux. Ces outils sont utilisables
indépendamment les uns des autres, selon les objectifs et besoins
des chercheurs.
À l’heure actuelle, les outils sont développés
mais leur exploitation sur les corpus et la documentation sur leur
utilisation ne sont pas achevées : il s’agit de la deuxième phase du
projet, toujours en cours. Toutefois, le site du projet donne déjà
un aperçu des possibilités de leur utilisation combinée https://baoia.huma-num.fr/contact/tutoriel-complet-de-lextraction-documentaire-a-la-cartographie/ : à partir du corpus des guides
touristiques, il présente les différentes opérations réalisables, de
l’extraction des documents à la visualisation des données par une
cartographie. Les outils créés dans le cadre de BaOIA ont aussi été
appliqués à un corpus de romans scolaires de la BnF, exploité par le
programme ModOAPElie Kagan,
photographe indépendant, en cours à La contemporaine : les
outils d’analyse ont permis d’explorer la publication des clichés du
photographe dans la presse, leurs occurrences et leurs
réutilisations, et de proposer aux visiteurs un outil de
visualisation des résultats (cartographie des sujets photographiés,
exploration des thèmes récurrents). S’il est trop tôt pour dresser
le bilan d’un projet en cours et de mesurer pleinement les capacités
des outils développés et leurs apports à la recherche, BaOIA
confirme une dimension exploratoire riche d’enseignements :
exploration de corpus numérisés dont on perçoit des dimensions
encore inexploitées ; exploration de dynamiques de travail
renouvelées qui mettent à profit les compétences croisées de
chercheurs, d’ingénieurs et de bibliothécaires autour de projets
expérimentaux, dans des ateliers où les objectifs des uns et des
autres sont discutés et mis en œuvre, les outils testés
collectivement, adaptés et expliqués pour devenir aussi accessibles
que possible ; exploration, enfin, de nouvelles modalités
d’exposition et d’exploitation des données, pour la recherche et
pour le grand public à travers des initiatives comme celle de la
borne interactive qui clôt l’exposition Elie Kagan. Les
potentialités d’exploitation par les humanités numériques des
données conservées par les bibliothèques sont vastes, et nous n’en
sommes sans doute encore qu’à une exploration de surface.