Porté par trois institutions, ISSA, projet d’indexation automatique des publications d’une archive scientifique ouverte, a été conçu comme un outil d’aide aux recherches bibliographiques complexes.
Lauréat de l’appel à projet CollEx-Persée en 2020, le projet ISSA – Indexation Sémantique d’une
archive scientifique et Services Associés pour la science ouverte –
est porté par trois institutions : le Ciradhttps://inria.cl/en/centre-inria-sophia-antipolis-mediterranee et IMT Mines Alès
Par ailleurs, ces dernières années, plusieurs évolutions ont radicalement transformé la façon dont les chercheurs et les professionnels en IST interagissent avec la littérature scientifique. En effet, la quantité de publications augmente en flèche, que ce soit dans les revues, les conférences ou par le biais de dépôts de prépublications (par exemple arxiv.org), de sorte qu’il est de plus en plus difficile de trouver des articles correspondants à des critères de recherche parfois très spécifiques.
Dans ce contexte, les archives scientifiques ouvertes jouent un rôle central pour appuyer les recherches bibliographiques. Cependant, les services de recherche classiques à base de mots-clés proposés nativement par les plateformes ne parviennent souvent pas à saisir la richesse des associations sémantiques entre les articles, de sorte que certaines recherches complexes trouvent difficilement des réponses. Il est donc nécessaire de développer de nouveaux outils qui permettent aux utilisateurs de s’orienter dans cette masse de connaissances.
Pour relever ces défis, le projet ISSA, guidé par les objectifs de la science ouverte et s’adossant aux principes FAIR, vise à :
• Fournir un pipeline intégré, générique et réutilisable pour l’analyse et le traitement des articles d’une archive scientifique ouverte
• Traduire le résultat en un index sémantique
représenté sous la forme d’un graphe de connaissance RDF
Resource Description Framework : langage de base du Web sémantique
développé par le W3C
• Développer des services de recherche et de visualisation innovants qui exploitent cet index sémantique pour permettre aux utilisateurs d’explorer les règles d’association thématique, les réseaux de copublications, les articles avec des sujets cooccurrents, etc.
Pour démontrer la pertinence et l’efficacité
de la solution, le projet ISSA s’appuie sur un cas d’usage qui sert
de preuve de concept : Agritrop
Le processus de construction du graphe de
connaissance (ou index sémantique) fait appel à plusieurs techniques
d’intelligence artificielle : traitement du langage naturel,
ingénierie des connaissances, Web sémantique et données liées. La
première étape consiste à récupérer les informations contenues dans
l’archive ouverte grâce au protocole OAI-PMH
Descripteurs et entités nommées sont liés à
des bases de connaissance généralistes comme Wikidata et DBpedia ou encore à des ressources
terminologiques plus spécifiques adaptées à un domaine scientifique
donné, par exemple le thésaurus Agrovoc dans le cas d’Agritrop. Ces
informations sont transformées en RDF et viennent enrichir à leur
tour le graphe de connaissance qui contient alors toutes les
informations utiles à la description des publications de l’archive –
métadonnées classiques et pour les articles en accès libre,
descripteurs thématiques et entités nommées liées. L’ensemble,
décrit selon les formats du web sémantique, est naturellement relié
au Web des données et interrogeable via un point d’accès SPARQL
(langage de requête de données RDF). Les connaissances de milliers
de publications produites par des milliers de chercheurs se
retrouvent ainsi connectées, publiées sur le Web et
interrogeables !
Le graphe de connaissance sert de clé de voûte au développement d’outils de recherche et de visualisation.
Un premier résultat quasi immédiat est la possibilité de consulter les notices de l’archive ouverte par le biais d’une visualisation enrichie : métadonnées classiques, résumé avec entités nommées surlignées et liens vers les bases de connaissance, affichage des descripteurs obtenus automatiquement, visualisation cartographique des entités nommées géographiques du texte.
Deux autres outils de visualisation permettent d’aider à la résolution de requêtes complexes :
• ARViz extrait et visualise des règles d’association reliant les descripteurs thématiques des articles.
La Figure 1 illustre comment les concepts
mentionnés dans les articles de l’archive peuvent être utilisés pour
découvrir et visualiser les règles d’association. Dans l’exemple,
les articles mentionnant les concepts Covid-19 et sécurité
alimentaire (a) mentionnent fréquemment le concept de pandémie
(b).
• LDViz permet quant à lui d’explorer les réseaux sémantiques formés par des entités aussi variées que des descripteurs thématiques, des auteurs, des institutions, etc. En visualisant ces réseaux, LDViz permet aux utilisateurs de résoudre des questions de compétence complexes.
Avec différentes techniques de visualisation,
la Figure 2 montre
comment un utilisateur peut rechercher des articles mentionnant le
concept de santé ou l’un de ses sous-concepts (a) et (b), découvrir
qu’il est souvent mentionné avec le changement climatique (c), et
obtenir la liste des publications associées (d) et leur répartition
dans le temps (e).
S’inscrivant pleinement dans la dynamique de
la science ouverte et des données FAIR, le travail présenté est rendu
disponible sous licence ouverte avec tous les documents
d’accompagnement nécessaires pour faciliter sa réutilisation. Le jeu
de données ISSA généré dans le cas Agritrop est publié sur le Linked Open Data Cloud
également sous licence ouverte (Figure 3).