Pourquoi compléter des sites de publications en ligne par un entrepôt de données ?

En France, l’ouverture des données de recherche a été prévue dans le premier volet de la loi pour une République numérique (loi dite « Axelle Lemaire » n° 2016-1321 du 7 octobre 2016) puis inscrite depuis dans le code de la recherche :

Article 533-4-II du code de la recherche
I.- Lorsqu’un écrit scientifique issu d’une activité de recherche financée au moins pour moitié par des dotations de l’État, des collectivités territoriales ou des établissements publics, par des subventions d’agences de financement nationales ou par des fonds de l’Union européenne est publié dans un périodique paraissant au moins une fois par an, son auteur dispose, même après avoir accordé des droits exclusifs à un éditeur, du droit de mettre à disposition gratuitement dans un format ouvert, par voie numérique, sous réserve de l’accord des éventuels coauteurs […]
II.- Dès lors que les données issues d’une activité de recherche […] ne sont pas protégées par un droit spécifique ou une réglementation particulière et qu’elles ont été rendues publiques par le chercheur, l’établissement ou l’organisme de recherche, leur réutilisation est libre. 
III.- L’éditeur d’un écrit scientifique mentionné au I ne peut limiter la réutilisation des données de la recherche rendues publiques dans le cadre de sa publication.

Les jeux de données rassemblés au cours d’une recherche deviennent ainsi aussi importants que la publication des résultats scientifiques. Leur mise à disposition à l’issue d’un programme de recherche peut même être exigée par les partenaires financiers (demandes de financement de projets européens H2020, programmes ANR1). L’éditeur, particulièrement l’éditeur scientifique public, se doit donc d’accompagner ce mouvement afin que la publication des données n’entre pas en concurrence avec la publication des écrits scientifiques (articles ou ouvrages) et afin de ne pas déconnecter les données de la recherche des résultats de la recherche.

Si on veut que les données soient publiées selon les critères FAIR (Facile à trouver, Accessible, Interopérable et Réutilisable) qui favorisent, outre l’ouverture des données, leur mise à disposition avec un triple objectif de qualité des données et des métadonnées, d’inscription dans un cycle de vie maitrisé par les scientifiques et enfin de pérennité des données sur le long terme (accès, intégrité, contextualisation de la production des données), il convient de proposer, en appui des revues et des collections d’ouvrages une solution pour l’hébergement des données de la recherche2 et de déterminer la solution la mieux adaptée à la discipline et aux choix éditoriaux.

Pourquoi choisir Nakala ?

Avec l’obligation d’ouvrir les données de la recherche, différents entrepôts de données se mettent en place dont plusieurs spécialisés en SHS, mais certains sont institutionnels (Collection Sciences Po - data.sciencespo réservé à la communauté académique de Sciences Po et partenaires de Sciences Po), d’autres réservés à un type de données comme Quetelet-Progedo (données quantitatives – données d’enquêtes, données quantitatives tabulées) ou le Conservatoire national des données 3D qui utilise un Schéma de métadonnées « maison » vu la spécificité des données hébergées3.

Une plateforme portée par une infrastructure de recherche

Nakala, portée par l’infrastructure de recherche Huma-Num mise en œuvre par le CNRS avec le Campus Condorcet et Aix-Marseille Université a pour principale mission de construire, avec les communautés et à partir d’un pilotage scientifique, une infrastructure numérique de niveau international inscrits dans les principes FAIR. Engagée dans l’European Open Science Cloud, elle porte la participation de la France dans l’European Research Infrastructure Consortium [ERIC DARIAH (Digital Research Infrastructure for the Arts and Humanities)].

Depuis janvier 2021, Huma-Num porte avec OpenEdition et Métopes le Consortium de moyens mutualisés pour des services et données ouvertes en SHS (COMMONS). COMMONS, projet lauréat de l’appel à manifestations d’intérêt « Équipements structurants pour la recherche : EquipEx+ » du Programme d’investissements d’avenir (PIA 3), associe trois infrastructures françaises qui jouent un rôle essentiel dans les Sciences humaines et sociales et en particulier dans l’édition en SHS. COMMONS permet d’aborder l’ensemble de la chaîne de production des connaissances : de la gestion des données à la diffusion et l’édition. Publiant en accès ouvert nos ouvrages et revue sur OpenBooks et OpenJournals, les plateformes d’OpenEdition et utilisant la chaine Métopes4 pour le travail éditorial, il était donc logique que nous nous tournions vers Huma-Num et Nakala pour choisir le lieu d’hébergement pour publier les données ayant été utilisées pour la rédaction des publications éditées par nos soins ou les données complémentaires qui pourront ainsi plus facilement être réutilisées que des banque d’images, des tableaux statistiques, des reproduction de documents, etc.

Nous avons donc choisi pour accompagner la revue Chrétiens et Sociétés xvi^e-xxi^e siècles (https://journals.openedition.org/chretienssocietes/) et la collection « Chrétiens et Sociétés. Documents et mémoires » (https://books.openedition.org/larhra/634) de créer une collection dans Nakala.

Nakala ? Qu’est que c’est ?

Nakala est l’un des centres de référence de l’écosystème national Recherche Data Gouv.fr, Un écosystème au service du partage et de l’ouverture des données de recherche. Se rapprocher de réseaux structurés comme ceux sur lesquels s’appuie Nakala permet de bénéficier de services offrant stabilité et visibilité… Contrairement à d’autres entrepôts de données comme Zenodo porté par le CERN (Conseil européen pour la recherche nucléaire), il s’agit d’un entrepôt de données spécialisé en SHS. Lancé dès 2014, il répond aux besoins d’accès persistant et interopérable aux données numériques. Il se compose de deux ensembles :

• un visible de tous permettant l’accès aux données

• un qui sera utilisé par les robots pour pouvoir moissonner les données qui contient la présentation des métadonnées

La qualité et le soin apporté au traitement des métadonnées sont la clef de voûte pour une meilleure exposition des données de la recherche. Les métadonnées, c’est-à-dire des informations de description ou « données à propos des données », permettent de décrire les caractéristiques d’une donnée ou d’un jeu de données, par exemple :

• auteurs/autrices

• description du contenu

• date de création

• lieu de capture/de production

• raison pour laquelle les données ont été générées

• comment les données ont été créées

• etc.

Les métadonnées doivent être aussi riches, précises et exactes que possible.

Nakala propose des services interopérables de présentation des métadonnées

• exposition dans un triplestore RDF5

• accès via un entrepôt OAI-PMH6.

Outre cette structuration des données, Nakala assure l’accès aux données :

• accès et citation par un identifiant pérenne (Digital Object Identifier, DOI)

• stockage sécurisé

• accès permanent.

Construire ses données dans Nakala

Un dépôt, au sens où Nakala l’entend, est un regroupement d’informations contenant

• des données : des fichiers numériques (au minimum 1)

• des métadonnées

• un identifiant pérenne de type DOI attribué automatiquement à chaque donnée publique et déclaré auprès de DataCite.

Nakala contient aussi d’autres informations

• des collections (regroupements de références à des données)

• des référentiels (vocabulaires utilisés dans les descriptions).

C’est cet ensemble qui doit être appréhendé pour comprendre et pouvoir réutiliser les données.

Les métadonnées dans Nakala

Les données déposées, mais aussi les collections et les référentiels, doivent être accompagnés de métadonnées :

• certaines sont générées par Nakala

• les autres sont ajoutées par le déposant.

Les métadonnées générées par Nakala

Les métadonnées générées automatiquement par Nakala se composent d’informations de gestion :

• dates de dépôt et de dernière modification, version, statut, identification du déposant, identifiant du dépôt

et d’informations techniques sur les fichiers :

• taille (en octets), type de média (mime), empreinte digitale (sha-1).

Les métadonnées à ajouter par les déposants

Ce sont les informations documentaires qui vont permettre d’identifier la donnée à deux niveaux.

• Au niveau du dépôt :

avec cinq champs obligatoires : Titre(s), Auteur(s), date de création, licence, type
et des champs facultatifs : le déposant peut ajouter l’ensemble des champs du vocabulaire Dublin-Core qualifié7.

• Au niveau des fichiers :

la date de visibilité (embargo) : par défaut c’est la date du dépôt
une description facultative mais fortement conseillée afin de valoriser les données.

Où peuvent se retrouver les métadonnées en dehors de Nakala ?

Excepté la page d’administration qui n’est visible que par le seul déposant, tous les autres accès sont susceptibles d’être consommés par des services extérieurs à Nakala. Toutes les personnes et services qui moissonnent ces métadonnées sont susceptibles de les réexposer et leurs réexpositions d’être moissonnées et réutilisées à nouveau par d’autres personnes ou services.

Cela peut se faire :

• automatiquement par la découverte par des robots

• par les moteurs de recherche type Google, Google data search, Google scholar

• dans leurs articles, ouvrages, blogs, etc.

Les identifiants dans Nakala

Chaque donnée déposée dans Nakala se voit attribuer un identifiant pérenne : un Digital Object Identifier (DOI)8. Les DOI sont mis à disposition par Datacite9. L’identifiant (DOI) sert à construire des URLs pour obtenir l’accès aux différents éléments d’un dépôt

Pour accéder à la page d’accueil (landing page) d’un dépôt les URLs sont les suivants :

• https://nakala.fr/[DOI] ou https://doi.org/[DOI]

• https://nakala.fr/10.34847/nkl.4b33r2h4

• https://doi.org/10.34847/nkl.4b33r2h4.

Par extension cet URL est souvent considéré comme l’identifiant du dépôt.

Les images dans Nakala

Nakala intègre le protocole IIIF (International Image Interoperability Framework). Intégrer la communauté permet de mieux valoriser les documents numérisés (reproduction de documents, photographies d’œuvres ou de lieux, etc.) en donnant aux utilisateurs la possibilité d’accéder facilement aux images et au contexte de production de celles-ci. Mais surtout il s’agit d’un format interactif qui apporte aux images des fonctionnalités avancées de visualisation et de manipulation des documents (zoom profond, visualisation de documents en haute résolution, gains d’accessibilité, facilités d’accès et de partage des ressources grâce à des liens en principe pérennes, etc.).

IIIF : International Image Interoperability Framework

IIIF désigne à la fois une communauté et un cadre d’interopérabilité pour diffuser, présenter et annoter des images et documents audio/vidéo sur le Web, qui s’est imposé en quelques années comme un standard et une brique technologique essentielle pour décloisonner les collections numérisées des institutions patrimoniales à l’échelle mondiale. Cela recouvre un modèle pour présenter et annoter des contenus numériques (images, documents audio et vidéo) et un cadre de réflexion sur les mécanismes d’échange des images entre entrepôts numériques : Nakala, BnF, BL, Cornell, Los Alamos National Laboratory, NL of Norway, Oxford, Stanford…

IIIF propose un cadre technique commun grâce auquel les fournisseurs et créateurs d’images numériques peuvent :

• délivrer leurs images de manière standardisée sur le Web

• les rendre consultables, manipulables et annotables

• rendre cela possible pour n’importe quelle application ou logiciel compatible.

Utiliser les standards du IIIF c’est offrir aux images utilisées pour la rédaction d’ouvrages et d’articles scientifiques une visibilité et une interopérabilité qu’elles ne pourraient avoir en restant seulement insérées dans un texte même publié en accès ouvert sur une plateforme10.

Générer un site web personnalisé avec « Nakala_Press »

À terme, il est prévu de générer un site web avec Nakala-Press, lorsque nous aurons accumulé dans notre collection Nakala suffisamment de données liées à Chrétiens et Sociétés pour l’alimenter de façon conséquente. Nakala-Press est un module de publication qui permet de créer un site web autour de données publiques déposées dans Nakala. Ce site web permettra de mettre en valeur les données rassemblées et d’en faciliter l’accès à un public plus large.

La « collection » Chrétiens et Sociétés sur Nakala

Le premier volume publié en association OpenBooks/Nakala sera le tome 4 des Matériaux pour l’histoire religieuse du peuple français Bourgogne, Franche-Comté et Lyonnais Savoie et Dauphiné Grand Midi et Algérie (figure 1)11.

Les notices seront mises en ligne sous la forme d’un volume de la collection Chrétiens et Sociétés. Documents et Mémoires sur OpenBooks (https://books.openedition.org/larhra/634)12.

Il s’agira ensuite de déposer le reste du volume sur Nakala. Nous aurons deux types de données :

• une « donnée » [au sens Nakala] qui rassemblera l’ensemble des tableaux avec un fichier par département, ce qui reprend la structuration du volume papier, avec une feuille pour chaque tableau, le tout en .csv13.

• une « donnée » qui rassemblera l’ensemble des cartes au format pdf. Le format pdf a été retenu de façon à pouvoir conserver la même configuration que pour les tableaux, soit un fichier par département contenant un ensemble de carte.

La convention de nommage des fichiers reprendra celle des tableaux de la version papier. Le choix de la même structure pour les fichiers des tableaux et des cartes permettra de mettre facilement en regard les tableaux mais ne permettra pas d’appliquer le protocole IIIF. C’est un choix éditorial pour s’intégrer au mieux à la structure des textes du volume mis en ligne sur OpenBooks. Cela n’empêchera pas de créer un jeu de métadonnées développé pour donner visibilité et accessibilité tant aux cartes qu’aux tableaux.

Figure 1. Mise en ligne du tome 4 des Matériaux pour l’histoire religieuse du peuple français Bourgogne, Franche-Comté et Lyonnais Savoie et Dauphiné Grand Midi et Algérie

Réalisation Christine Chadier

Le rôle de l’éditrice ou de l’éditeur14

Ce nécessaire travail de relecture et d’harmonisation qui apparaît dans le cadre de la mise en ligne des données des « Matériaux Boulard » soulève la question de l’éditorialisation des données15. En effet, si on peut envisager, dans le cadre d’un projet de recherche ou d’un simple « work in progress », de déposer des données directement issues de la recherche qui constituent en soi un ensemble unique, cela me paraît plus difficile dans le cadre d’une collection en appui de plateformes d’édition. L’édition impliquant en effet tout un travail d’harmonisation et de suivi afin de valoriser le texte publié, il convient de prévoir le même travail d’harmonisation sur les données si l’on souhaite les valoriser au-delà de la seule mise à disposition de la communauté. Le travail d’éditorialisation est essentiel pour favoriser la lisibilité des données. Le dépôt des données « brutes » suffit pour de la simple récupération de données en vue de leur réutilisation ou le moissonnage par les machines, mais si l’on veut qu’elles puissent être consultées aisément, il faut un travail de préparation.

Dans ce cadre, il me paraît indispensable d’avoir des données structurées de façon identique, par exemple par ouvrage ou par numéro de revue, avec des conventions de nommage qui permettent de rattacher facilement la donnée à son ouvrage ou son numéro de revue et obtenir des URL un minimum standardisées. C’est pourquoi il me semble nécessaire que la personne responsable de la collection dans Nakala soit également la·le responsable des sites de publication sur les plateformes. La publication des données viendrait donc s’ajouter aux compétences de l’éditrice ou de l’éditeur. L’édition électronique est venue s’ajouter à l’édition imprimée à la fin des années 1990 et au début des années 2000 comme la publication des données et la gestion d’un entrepôt de données vient s’ajouter aujourd’hui à l’édition électronique.

L’évolution des compétences doit donc suivre l’évolution des types de contenus à publier et des outils. Cela nécessite une collaboration accrue avec les auteurs pour valider l’éditorialisation des données qu’il a précieusement accumulées au cours de ses recherches et qu’il n’avait pas forcément prévu de publier. Le rôle des chercheurs est de veiller à la qualité des données publiées et le rôle de l’éditrice ou de l’éditeur, comme elle·il le fait déjà pour les revues ou les ouvrages, est de veiller au respect du travail du chercheur mais également à la bonne visibilité des données, aux conditions de réutilisation et à ce qu’elles puissent bénéficier d’un stockage « pérenne », autant que nous puissions l’envisager.

Il est à noter que cette montée en compétences de l’éditrice ou de l’éditeur, rendue possible en s’inscrivant, par exemple, dans des réseaux « métiers » ou des listes de diffusion16, permet une montée en qualité des revues ou des collections et de quitter le statut de « laboratoire-éditeur » pour rejoindre le cercle des 106 éditeurs scientifiques publics recensés par Caroline Dandurand lors de son enquête de 202217 aux côtés des Presses universitaires de Lyon, des Presses universitaires de Rennes, de Sorbonne Université, des Presses UGA Éditions, des Publications de l’École française de Rome, d’ENS Éditions, de MOM Éditions - Maison de l’Orient et de la Méditerranée, etc. En choisissant de rejoindre en 2023 Nakala après avoir rejoint en 2008 OpenEdition, Chrétiens et Sociétés suit le même chemin que Gallia Archéologies des Gaules, revue CNRS. Cette évolution ne serait pas possible sans s’appuyer sur un contenu scientifique reconnu par la communauté et validé par ses pairs. La raison d’être du travail réalisé est d’apporter des outils de diffusion de qualité à un contenu de qualité.

Figure 2. Le rôle de l’éditrice ou de l’éditeur

Musique d’ensemble, Testu & Massin (Paris) [18], EST 5 C/43, Estampe https://selene.bordeaux.fr/ark:/27705/330636101_EST_5_C_43/v0001.simple.highlight=musique%20d’ensemble.selectedTab=thumbnail