Cf. les 2 billets précédents :
- 340 notices en Unimarc LRM. 1 : Intentions et méthodologie
- 340 notices en Unimarc LRM. 2 : Les oeuvres
Le jeu de données est présenté dans ses deux billets, mais surtout sur Zenodo, à travers la « communauté » créée par le groupe Systèmes et Données de la Transition bibliographique (çàd regroupement de publications/jeu de donneées/docs divers ayant le même centre d’intérêts) :
- Jeu de notices en UNIMARC conforme au modèle IFLA LRM – documentation
- contenant notamment la liste des référentiels utilisés
- Liste des zones UNM/A dans les notices d’oeuvre et d’expression
Mais quoi qu’il en soit, il est très difficile de comprendre ce qu’il y a dans ce jeu de données et de le manipuler, de se l’approprier. Les graphes sont un certain mode d’approche, mais au-delà d’un effet de curiosité, je ne suis pas sûr que nos cerveaux y soient suffisamment habitués (sur d’autres contextes) pour que ça fasse vraiment sens.
La vraie manière dont nous nous approprions habituellement un ensemble de notices, c’est sous forme de liste de résultats + notices détaillées.
C’était précisément l’objectif de cette série de billet (ce 3e billet n’en est pas pour autant le dernier) : arriver à reproduire des pages de résultats et affichages détaillés appliqués à ce jeu de données en Unimarc entités (il a été suggéré en journée de groupes Transition bibliographique d’éviter l’appellation « Unimarc LRM » — je ne rentre pas dans les détails ici).
J’aurais beaucoup de choses à vous en dire, mais je me rends compte de vouloir toutes les énoncer en amont retarde la publication de ce billet, et la diffusion de ces listes de résultats. J’ai vite pris conscience qu’il fallait prendre certaines décisions (donc renoncer à des possibilités) pour commencer à construire une navigation. C’est collectivement qu’il faudrait reprendre toutes ces décisions, en réalité.
Vous avez deux modalités pour constater l’avancement de mes expérimentations
Notebook Affichage des résultats
Le notebook génère et emmagasine les notices, puis lorsque vous faites une recherche par mots, il va créer des pages HTML de résultats correspondants, permettant en parallèle de naviguer soit par oeuvres, soit par expressions.
Si vous vous contentez de l’afficher dans Github, vous serez certainement déçu, car le code ne s’exécute pas en ligne : il faut pour cela télécharger le notebook et être en mesure de l’exécuter sur son poste — en ayant installé préalablement Python, Jupyter et les librairies nécessaires : elles sont toutes standard et installées en même temps de que Python, sauf peut-être Graphviz, Unidecode et (certainement) SRUextraction. Il faut aussi télécharger les scripts Python liés au Notebook dont le code s’exécute de manière masquée, pour permettre au notebook de contenir très peu de code : ce sont tous les fichiers .py du dossier UnimarcLRM sur Github.
Liste des résultats
Mais vous pouvez aussi récupérer directement l’ensemble des pages de résultats, correspondant à une liste de tout le jeu de données : sur Zenodo
Récupérer les pages de résultats HTML
Une fois le ZIP téléchargé et décompressé, vous pouvez ouvrir par exemple le fichier form.html avec le navigateur, « mimer » une recherche, et obtenir une page de résultats (mais quelle que soit la recherche, ce sera toujours la même liste de résultats, avec toutes les oeuvres, ou toutes les expressions).
À suivre
Comme je le disais, j’ai plein d’autres choses à expliquer, signaler, commenter.
Mais pour l’instant, déjà, je publie le jeu de données et le Notebook (les deux sont très susceptibles d’évoluer dans les semaines à venir) et je vous laisse éventuellement les découvrir par vous-mêmes.
Notice détaillée d’expression
Bloc d’infos professionnelles en bas de notice détaillée d’oeuvre
Alors, c’est très moche, je n’ai aucun bon goût ni don pour le graphisme, mais l’ensemble de la navigation est presque interactive.
Le département des Métadonnées recrute !
On recherche un ou une chef-fe d’équipe Analyse et traitement des données, adjoint-e de la cheffe de service (de 20 personnes)
C’est une équipe formidable de 10 personnes, conservateurs ou catalogueurs, qui porte le projet data.bnf.fr et la qualité des données du catalogue (avec des enjeux particuliers sur le projet de réinformatisation de la BnF, qui vise à mettre en oeuvre à échéance de 2 ans, un catalogage par entités LRM en appliquant RDA-FR). Les enjeux contiennent beaucoup d’innovation, de conduite du changement, de défis d’avenir passionnant.
Le service s’appelle « Ingénierie des métadonnées », l’équipe s’appelle « Analyse et traitement des données » — et rien que ces noms, je les trouve merveilleux !
Et l’encadrement est formidable aussi (et je ne dis pas ça parce que j’en fais partie : au contraire, ça me permet d’être d’autant mieux renseigné !).
Ah oui, sinon, d’autres bibliothèques recrutent aussi :
Après 6 mois à bloquer sur des problèmes techniques pour livrer une nouvelle version de Bibliostratus, j’ai enfin pu y arriver, et vous livrer une version 1.35.
Voici les mises à jour concernées : ils concernent tous le module blanc Alignements bibliographiques.
Télécharger Bibliostratus 1.35
Amélioration de la recherche par titre-auteur-date
Suite à une erreur dans le code, le nom de l’auteur était jusque là dans une forme non nettoyée (normalisation sur les espaces, les accents, etc.), ce qui peut empêcher certains alignements.
Les alignements sur les recherches par mot y seront donc plus nombreux.
Contrôle de date sur un alignement par ISBN
En plus du contrôle sur le titre, l’alignement est aussi contrôlé sur la date de publication (à 1 an près).
En effet il est arrivé que certains (rares) éditeurs réutilisent le même ISBN pour des rééditions du même documents plusieurs années ou dizaines d’années plus tard.
Contrôle sur le nom de l’éditeur
Depuis plusieurs années, le format en entrée de Bibliostratus imposait une colonne « Editeur » pour les monographies imprimées, sans que j’ose vraiment l’utiliser : en effet la manière de saisir l’éditeur peut être très variable d’une base à l’autre, avec des règles de saisie, des abréviations, des non-mentions, etc. très différentes.
Il semblait donc risqué de mettre en place un contrôle sur les données trouvées, par rapport aux données entrantes : on risquait de générer de nombreux faux négatif (aucun alignement trouvé, parce que « C.-Lévy » ne correspond pas à « Calmann-Lévy », ni « GF » à « Garnier Flammarion »).
Est proposé désormais un paramétrage laissé à la main de l’utilisateur, dans les préférences, permettant de mettre un contrôle de 0 (pas de contrôle) à 3 (contrôle strict)
Le contrôle sur l’éditeur ne se fait qu’à partir du moment où il y a une proposition d’alignement (faite sur une recherche par ISBN, EAN, Titre-Auteur-Date)
- 0 : pas de contrôle, les données en entrée dans la colonne Editeur ne sont pas comparées avec celles trouvée dans la notice alignée
- 1 : la valeur de l’éditeur en entrée est présente dans la notice trouvée — ou l’inverse
- Si le fichier en entrée contient « Flammarion » et la notice Sudoc/BnF contient : « Garnier Flammarion », le contrôle validera l’alignement
- Si le fichier contient « G.Flammarion », la chaîne de caractère (nettoyée) « g flammarion » n’est pas présente dans « garnier flammarion », donc l’alignement sera rejeté
- Si le fichier en entrée a une colonne vide, et que la notice Sudoc/BnF contient « Garnier Flammarion », l’alignement se fait
l’absence de valeur dans une des deux notices comparées entraîne l’absence de contrôle
- 2 : même contrôle qu’en 1. La seule différence est que s’il y a une valeur vide, ça n’annule pas la comparaison : il faut dans ce cas que pour les 2 notices aucun éditeur ne soit mentionné
- 3 : l’alignement n’est validé que s’il y a une valeur strictement équivalente de part et d’autre
- En cas de proposition d’alignement, si le fichier en entrée contient « Flammarion », l’alignement ne sera valide que si la notice trouvée contient aussi « Flammarion », mais ni « Garnier-Flammarion » ni « GF »
- si la colonne est vide d’un côté, il faut que la valeur le soit aussi dans la notice trouvée
J’ai rédigé un notebook qui donne plusieurs exemples (avec valeurs d’éditeur trouvées) où un alignement se fait avec la valeur 0, mais pas avec la valeur 1 — ou avec la valeur 1, mais pas avec la valeur 2, etc. Avec plein d’exemples sur :
- Editions du Seuil <->Seuil
- British Library <-> The British Library
- Librarie Académique Perrin et Cie <-> Perrin
- Ernest Flammarion <-> E. Flammarion
Sachant qu’il y a plein d’autres cas aussi où, naturellement, le contrôle sur l’éditeur permet de lever des erreurs.
En tout cas vous aurez désormais pour faire vous-même votre choix, y compris en comparant les résultats avec les différents niveaux, selon votre corpus, vos règles de catalogage, la période des documents à aligner, etc.
340 notices en Unimarc LRM. 2 : Les oeuvres
Après un premier billet, je continue mon exploration du corpus en prenant le temps de regarder les oeuvres.
Je rappelle que cette exploration se fait via un Notebook Jupyter, qui manipule les informations.
Le script ouvre chacun des 4 fichiers (items / manifestations / oeuvres et expressions / autres entités) et pour chaque notice crée un objet qui reprend à la fois le contenu de la notice, et va récupérer l’ensemble des liens. Toute la partie 1. Construction des données importe les fichiers et crée pour chaque notice XML :
- un mode « Notice abrégé »
- une vue « textuelle » (en grille de catalogage)
- la liste des lien vers les autres entités de l’arbre OEMI (y compris : de l’oeuvre vers les items, des items vers les expressions, etc.) uniquement (pour le moment) selon les relations de base (en laissant de côté les adaptations, etc.)
- liens aux oeuvres : propriété .toOeuvres
- liens aux expressions : propriété .toExpressions
- liens aux manifestations : propriété .toManifs
- liens aux items : propriété .toItems
C’est une mise à jour du billet précédent : on a bien des liens à tous les niveaux, des raccourcis d’oeuvre à manifestations ou d’item à expressions
- les liens aux mentions de responsabilités
- la liste des mots à indexer si on voulait faire une recherche plein texte sur la notice (et les métadonnées des entités liées) : les propriétés .self_index, .linked_entities_index, .resp_index, .linked_resp_index, .global_index prévoient ainsi plusieurs cercles de recherche (sur la notice, ses mentions de responsabilité, les netités liées, l’ensemble de tout ça) pour tester plusieurs cas de figures et comportements
Pour n’importe quelle notice, appelable par son numéro, on peut ainsi saisir la commande
print(dict_entities["numéro de notice"])
et voir ce qu’elle contient.
Voyons ce que ça donne pour les oeuvres.
Les oeuvres
Il y a un fichier oeuvres_expressions contenant 103 notices Unimarc(A). Le script les distingue entre les 2 types d’entités, et nous apprend (partie 2 du notebook) qu’il y a 50 oeuvres (donc 53 expressions).
J’ai fait une table des matières, mais les liens internes ne fonctionnement apparemment pas sur Github (alors qu’ils fonctionnenent en local) pour les notebook
Le notebook contient la liste des titres des oeuvres, avec le nombre d’expressions, manifestations et items liés.
Ce même tableau est fourni au format Excel.
Pour une oeuvre précise
J’ai retenu dans la liste ci-dessus l’oeuvre la plus rééditée : il s’agit du Dracula de Bram Stoker, pour lequel le notebook affiche 3 niveaux d’informations :
- les métadonnées de base
- les expressions et items rattachés
- les adaptations
Bram Stoker, Dracula
Stoker, Bram (1847-1912) Date de première publication : 1897. Date d’écriture : 08/03/1890 id : UMLRM0004 type initial : oe ; type : o label : Stoker, Bram (1847-1912), Dracula Notice : 000 05455cx a2200637 4500 001 UMLRM0004 005 20220905######.D 033 $a http://ark.bnf.fr/ark:/12148/cb12312986p $2 BnF 033 $a http://viaf.org/viaf/194144783017853134071 $2 Viaf 033 $a https://www.wikidata.org/wiki/Q41542 $2 Wikidata 033 $a https://data.bnf.fr/ark:/12148/cb12312986p $2 data.bnf.fr 035 $a 03202066X $2 SUDOC 100 $a 20220825afrey50 ba0 101 0 $a eng 102 $a GB 104 $a d1897 125 0 $a m 140 $a te $b rofan $2 BnF-GenreLitt 140 $a te $b roepi $2 BnF-GenreLitt 145 0 $a i 152 $a RDA-FR 154 $a xa 241 1 $3 FRBNF11925586 $o ISNI 0000 0001 2122 2356 $a Stoker, Bram (1847-1912) $t Dracula $7 ba0yba0y $8 freeng 378 $a Le Dracula de Bram Stoker est une application très réussie du roman épistolaire au genre fantastique. Tout commence avec le journal de Jonathan Harker, jeune clerc de notaire envoyé en Transylvanie alors qu’il est sur le point d’épouser sa fiancée, Mina Murray. Jonathan Harker a pour mission de rencontrer le comte Dracula, lequel vient de se porter acquéreur d’une propriété dans les environs de Londres. Une fois entre les murs sinistres et inquiétants du château du comte, Jonathan Harker se rend très vite à l’évidence: si Dracula le laisse aller presque à sa guise dans le château, il n’en demeure pas moins prisonnier de l’antique demeure et de son maître de maison. Et tandis que Jonathan se retrouve confronté non seulement à lui-même et à ses convictions, mais aussi à des créatures plus diaboliques qu’humaines, le comte prépare son départ vers Londres… $b Vampirisme.com $z fre 501 1 $3 FRBNF11925586 $7 ba0yba0y $8 freeng $o ISNI 0000 0001 2122 2356 $a Stoker $b Bram $f 1847-1912 $4 070 531 $5 xxr $p Oeuvre étudiée dans $3 UMLRM0081 $7 ba0yba0y $8 freeng $a "Dracula" : l'oeuvre de Bram Stoker et le film de Francis F. Coppola 531 $5 xxf $p A pour illustration $3 UMLRM0152 $7 ba0yba0y $8 frefre $a [Photographies extraites du film "Dracula" de Tod Browning] $k Tallandier $d 1932 531 $5 xxm $3 UMLRM0154 $7 ba0yba0y $8 fre### $a Dracula $c film $d 1931 531 $5 xxm $3 UMLRM0007 $7 ba0yba0y $8 freger $a Nosferatu, Phantom der Nacht $c film 531 $5 xxm $3 UMLRM0135 $7 ba0yba0y $8 freeng $a Dracula, pages from a virgin's diary $c film 531 $5 xxm $3 UMLRM0090 $7 ba0yba0y $8 freeng $a Nosferatu, the wrath of Malachi $c jeu vidéo 531 $5 xxm $3 UMLRM0105 $7 ba0yba0y $8 freeng $a Dracula has risen from the grave $c film 531 $5 xxm $3 UMLRM0180 $7 ba0yba0y $8 freeng $a Dracula $c film ; série 531 $5 xxc $p A pour adaptation dans un autre mode de création de [œuvre] $3 UMLRM0001 $7 ba0yba0y $8 freger $a Nosferatu, eine Symphonie des Grauens $c film 531 $5 xxc $p A pour adaptation dans un autre mode de création de [œuvre] $3 UMLRM0078 $7 ba0yba0y $8 freeng $a Bram Stoker's Dracula $c film 531 $5 xxc $p A pour adaptation dans un autre mode de création de [œuvre] $3 UMLRM0191 $7 ba0yba0y $8 freeng $a Dracula $c émission radiophonique $d 1938 531 $5 xxc $p A pour parodie $3 UMLRM0120 $7 ba0yba0y $8 freeng $a Dracula, dead and loving it $c film 531 $5 xxr $p Oeuvre étudiée dans $3 UMLRM0081 $7 ba0yba0y $8 freeng $a "Dracula" : l'oeuvre de Bram Stoker et le film de Francis F. Coppola 541 1 $5 xxk $p A pour œuvre préparatoire $3 UMLRM0126 $7 ba0yba0y $8 freeng $a Stoker, Bram (1847-1912) $t Manuscrits $c Choix $k Eighteen-Bisang ; Miller 541 1 $5 xxm $3 UMLRM0099 $7 ba0yba0y $8 frefre $a Druillet, Philippe (1944-....) $t Nosferatu 541 1 $5 xxr $p A pour sélection [oeuvre] $3 UMLRM0037 $7 ba0yba0y $8 fre### $a Stoker, Bram (1847-1912) $t Dracula $c Choix $k Cassou-Noguès ; Langenhagen $7 ba0yba0y $8 freeng 541 1 $5 xxc $p A pour adaptation pour la jeunesse dans le même mode création [œuvre] $3 UMLRM0034 $7 ba0yba0y $8 freeng $a Humphries, Tudor (1953-….) $t Dracula 541 1 $5 xxi $p A pour antépisode $3 UMLRM0075 $7 ba0yba0y $8 freeng $a Stoker, Bram (1847-1912) $t Dracula's guest 541 1 $5 xxh $p A pour suite $3 UMLRM0114 $7 ba0yba0y $8 freeng $a Stoker, Dacre $3 FRBNF16166639 $o ISNI 0000 0001 0923 8478 $a Holt, Ian (1964-….) $t Dracula, the un-dead 608 $3 FRBNF17863011 $a Roman fantastique $2 rameauGenre 608 $3 FRBNF11949798 $a Roman épistolaire $2 rameauGenre 640 6 $0 Date de première publication $f #1897##### 640 5 $0 Date d’écriture $f #18900308# $i #18970526# 676 $a 823 $v 23 801 0 $a FR $b FR-751052119 $c 20220905 810 $a Dictionnaire historique, thématique et technique des littératures : littératures française et étrangères, anciennes et modernes / sous la direction de. Jacques Demougin. – Paris : Larousse, 1985-1986. – [Texte noté : sans médiation]. Sous : Stoker, Abraham, dit Bram 810 $a The Oxford companion to English literature. – Fifth ed. / edited by Margaret Drabble. – Oxford : Oxford university press, 1985. – ISBN 0-19-866130-4. Sous : Dracula et sous : Stoker, Bram (Abraham) 810 $a Wikidata : https://www.wikidata.org/wiki/Q41542. (2022-09-13) $b Date de création : 8 mars 1890 - 26 mai 1897 810 $a Dracula / Bram Stoker ; traduit de l'anglais par Lucienne Molitor ; introduction de Tony Faivre. – Verviers : Gérard et Cie, 1963. – [Texte noté : sans médiation] 810 $a Vampirisme.com : https://www.vampirisme.com/livre/dracula-de-bram-stoker/ (2022-09-18) $b Résumé 810 $a Data.bnf.fr - https://data.bnf.fr/12312986/bram_stoker_dracula/ Indexation : http ark bnf fr ark 12148 cb12312986p$?http viaf org viaf 194144783017853134071$?https www wikidata org wiki q41542$?https data bnf fr ark 12148 cb12312986p le dracula de bram stoker est une application tres reussie du roman epistolaire au genre fantastique tout commence avec le journal de jonathan harker jeune clerc de notaire envoye en transylvanie alors qu'il est sur le point d'epouser sa fiancee mina murray jonathan harker pour mission de rencontrer le comte dracula lequel vient de se porter acquereur d'une propriete dans les environs de londres une fois entre les murs sinistres et inquietants du chateau du comte jonathan harker se rend tres vite l'evidence si dracula le laisse aller presque sa guise dans le chateau il n'en demeure pas moins prisonnier de l'antique demeure et de son maitre de maison et tandis que jonathan se retrouve confronte non seulement lui meme et ses convictions mais aussi des creatures plus diaboliques qu'humaines le comte prepare son depart vers londres... stoker bram Liens aux autres entités : Vers expressions : defaultdict(, {'UMLRM0005': 'Stoker, Bram (1847-1912), Dracula', 'UMLRM0020': 'Stoker, Bram (1847-1912), Dracula', 'UMLRM0041': 'Stoker, Bram (1847-1912), Dracula', 'UMLRM0050': 'Stoker, Bram (1847-1912), Dracula', 'UMLRM0053': 'Stoker, Bram (1847-1912), Dracula', 'UMLRM0056': 'Stoker, Bram (1847-1912), Dracula', 'UMLRM0059': 'Stoker, Bram (1847-1912), Dracula', 'UMLRM0065': 'Stoker, Bram (1847-1912), Dracula', 'UMLRM0068': 'Stoker, Bram (1847-1912), Dracula', 'UMLRM0187': 'Stoker, Bram (1847-1912), Dracula'}) Vers manifestations : defaultdict(, {'UMLRM0006': 'Dracula, Bram Stoker, Pan books - Imprimerie Firmin-Didot, 1992', 'UMLRM0018': 'Dracula, by Bram Stoker, W. Rider and son, 1992', 'UMLRM0021': "Dracula, Bram Stoker, J'ai lu - mprimerie Brodard et Taupin, 2005", 'UMLRM0024': 'Dracula, Bram Stoker, Gérard et Cie, 1963', 'UMLRM0027': "Dracula, Bram Stoker, Éd. J'ai lu - mprimerie Brodard et Taupin, 1992", 'UMLRM0030': 'Dracula, Bram Stoker, Hachette - Imprimerie Brodard et Taupin, 1988', 'UMLRM0042': "Dracula, Bram Stoker, J'ai lu, 2012", 'UMLRM0045': 'Dracula, Bram Stoker, Le camion blanc - Imprimerie Acort Europe, 2010', 'UMLRM0051': 'Dracula, Bram Stoker, Pointdeux, DL 2013', 'UMLRM0054': 'Dracula, Bram Stoker, le Livre de poche jeunesse, DL 2015', 'UMLRM0057': 'Dracula, Brahm Stoker, l’Édition française illustrée, 1920', 'UMLRM0060': 'Dracula, Brahm Stoker, Éditions J. Tallandier, 1932', 'UMLRM0063': 'Dracula, Bram Stoker, les Éditions des Quatre-vents, 1946', 'UMLRM0066': 'Drácula, Bram Stoker, Maxtor, DL 2017', 'UMLRM0069': "Dracula\u200e, Bram Stoker\u200e, l'École des loisirs\u200e - Imprimerie CPI Firmin-Didot, DL 2019", 'UMLRM0077': "Dracula - suivi de L'invité de Dracula, Bram Stoker, Pocket, 2011", 'UMLRM0110': 'Dracula, Bram Stoker, Éditions Opta, 1968', 'UMLRM0178': 'Dracula, Bram Stoker, Hachette - Imprimerie CPI Bussière, 2011', 'UMLRM0179': 'Dracula, Bram Stoker, Hatier, DL 2013', 'UMLRM0188': 'Dracula, Bram Stoker, Livraphone, [DL 2009]'}) Vers items : defaultdict(, {'UMLRM1001': 'BM_CELESTEVILLE > ADULTES > COTE_UMLRM1001', 'UMLRM1005': 'BM_CELESTEVILLE > ADULTES > COTE_UMLRM1005', 'UMLRM1006': 'BM_CELESTEVILLE > ADULTES > COTE_UMLRM1006', 'UMLRM1007': 'BM_CELESTEVILLE > ADULTES > COTE_UMLRM1007', 'UMLRM1008': 'BM_CELESTEVILLE > ADULTES > COTE_UMLRM1008', 'UMLRM1009': 'BM_CELESTEVILLE > JEUNESSE > COTE_UMLRM1009', 'UMLRM1013': 'BM_CELESTEVILLE > ADULTES > COTE_UMLRM1013', 'UMLRM1014': 'BM_CELESTEVILLE > ADULTES > COTE_UMLRM1014', 'UMLRM1016': 'BM_CELESTEVILLE > ADULTES > COTE_UMLRM1016', 'UMLRM1017': 'BM_CELESTEVILLE > JEUNESSE > COTE_UMLRM1017', 'UMLRM1018': 'BM_CELESTEVILLE > LANGUES > COTE_UMLRM1018', 'UMLRM1019': 'BM_CELESTEVILLE > MEZZANINE > COTE_UMLRM1019', 'UMLRM1020': 'BM_CELESTEVILLE > ADULTES > COTE_UMLRM1020', 'UMLRM1021': 'BM_CELESTEVILLE > LANGUES > Cote_UMLRM1021', 'UMLRM1022': 'BM_CELESTEVILLE > JEUNESSE > COTE_UMLRM1022', 'UMLRM1024': 'BM_CELESTEVILLE > ADULTES > COTE_UMLRM1024', 'UMLRM1035': 'BM_CELESTEVILLE > ADULTES > COTE_UMLRM1035', 'UMLRM1052': 'BM_CELESTEVILLE > ADULTES > COTE_UMLRM1052'})
Expressions et manifestations
En gras : les expressions ; avec alinéa : les manifestations
Stoker, Bram (1847-1912). Anglais. Dracula
Date de première publication : 1897
|--- UMLRM0006 Dracula, Bram Stoker, Pan books - Imprimerie Firmin-Didot, 1992
|--- UMLRM0018 Dracula, by Bram Stoker, W. Rider and son, 1992
Stoker, Bram (1847-1912). Français. Dracula
Date de première publication : 1963
|--- UMLRM0021 Dracula, Bram Stoker, J'ai lu - mprimerie Brodard et Taupin, 2005
|--- UMLRM0024 Dracula, Bram Stoker, Gérard et Cie, 1963
|--- UMLRM0027 Dracula, Bram Stoker, Éd. J'ai lu - mprimerie Brodard et Taupin, 1992
|--- UMLRM0030 Dracula, Bram Stoker, Hachette - Imprimerie Brodard et Taupin, 1988
|--- UMLRM0110 Dracula, Bram Stoker, Éditions Opta, 1968
Stoker, Bram (1847-1912). Français. Dracula
Date de première publication : 2010
|--- UMLRM0042 Dracula, Bram Stoker, J'ai lu, 2012
|--- UMLRM0045 Dracula, Bram Stoker, Le camion blanc - Imprimerie Acort Europe, 2010
Stoker, Bram (1847-1912). Français. Dracula
Date de première publication : 1979
|--- UMLRM0051 Dracula, Bram Stoker, Pointdeux, DL 2013
|--- UMLRM0077 Dracula - suivi de L'invité de Dracula, Bram Stoker, Pocket, 2011
Stoker, Bram (1847-1912). Français. Dracula
Date de première publication : 2011
|--- UMLRM0054 Dracula, Bram Stoker, le Livre de poche jeunesse, DL 2015
|--- UMLRM0178 Dracula, Bram Stoker, Hachette - Imprimerie CPI Bussière, 2011
|--- UMLRM0179 Dracula, Bram Stoker, Hatier, DL 2013
Stoker, Bram (1847-1912). Français. Dracula
Date de première publication : 1920
|--- UMLRM0057 Dracula, Brahm Stoker, l’Édition française illustrée, 1920
|--- UMLRM0063 Dracula, Bram Stoker, les Éditions des Quatre-vents, 1946
Stoker, Bram (1847-1912). Français. Dracula
Date de première publication : 1932
|--- UMLRM0060 Dracula, Brahm Stoker, Éditions J. Tallandier, 1932
Stoker, Bram (1847-1912). Espagnol. Dracula
Date de première publication : 2017
|--- UMLRM0066 Drácula, Bram Stoker, Maxtor, DL 2017
Stoker, Bram (1847-1912). Français. Dracula
Date de première publication : 2005
|--- UMLRM0069 Dracula, Bram Stoker, l'École des loisirs - Imprimerie CPI Firmin-Didot, DL 2019
Stoker, Bram (1847-1912). Français. Dracula
Date de première publication : 2009
|--- UMLRM0188 Dracula, Bram Stoker, Livraphone, [DL 2009]
Adaptations
Toutes les notices dont la 541$3 contient un lien vers la notice du Dracula initial :
1 - Nosferatu, eine Symphonie des Grauens, film (UMLRM0001) Est une adaptation dans un autre mode de création de [œuvre] Dracula, Stoker, Bram (1847-1912) 2 - Nosferatu, Phantom der Nacht, film (UMLRM0007) Dracula, Stoker 3 - Stoker, Bram (1847-1912), Choix, Dracula (UMLRM0031) Est une sélection de [œuvre] Dracula, Stoker, Bram (1847-1912) 4 - Humphries, Tudor (1953-….), Dracula (UMLRM0034) Est une adaptation pour la jeunesse dans le même mode de création de [œuvre] Dracula, Stoker, Bram (1847-1912) 5 - Stoker, Bram (1847-1912), Choix, Dracula (UMLRM0037) Est une sélection de [œuvre] Dracula, Stoker, Bram (1847-1912) 6 - Stoker, Bram (1847-1912), Dracula's guest (UMLRM0075) Antépisode de Dracula, Stoker, Bram (1847-1912) 7 - Bram Stoker's Dracula, film (UMLRM0078) Est une adaptation dans un autre mode de création de [œuvre] Dracula, Stoker, Bram (1847-1912) 8 - "Dracula" : l'oeuvre de Bram Stoker et le film de Francis F. Coppola (UMLRM0081) Est une étude de [œuvre] Dracula, Stoker, Bram (1847-1912) 9 - Nosferatu, the wrath of Malachi, jeu vidéo (UMLRM0090) Dracula, Stoker, Bram (1847-1912) 10 - Druillet, Philippe (1944-....), Nosferatu (UMLRM0099) Dracula, Stoker 11 - Dracula has risen from the grave, film (UMLRM0105) Dracula, Stoker, Bram (1847-1912) 12 - Hughes, William (1964-....), Bram Stoker’s Dracula : a reader’s guide (UMLRM0111) Est une étude de [œuvre] Dracula, Stoker, Bram (1847-1912) 13 - Dracula, dead and loving it, film (UMLRM0120) Est une parodie de Dracula, Stoker 14 - Stoker, Bram (1847-1912), Choix, Manuscrits (UMLRM0126) Est une œuvre préparatoire pour Dracula, Stoker, Bram (1847-1912) 15 - Druillet, Philippe (1944-....), [Illustrations pour "Dracula" de Bram Stoker] (UMLRM0150) Illustre Dracula, Stoker, Bram (1847-1912) 16 - [Photographies extraites du film "Dracula" de Tod Browning], 1932 (UMLRM0152) Illustre Dracula, Stoker 17 - Deane, Hamilton (1879-1958) - Balderston, John L. (1889-1954), Dracula (UMLRM0155) Est une adaptation dans un autre mode de création de [œuvre] Dracula, Stoker, Bram (1847-1912) 18 - Dracula, film ; série (UMLRM0180) Dracula, Stoker, Bram (1847-1912) 19 - Dracula, émission radiophonique, 1938 (UMLRM0191) Est une adaptation dans un autre mode de création de [œuvre] Dracula, Stoker 1 - Nosferatu, eine Symphonie des Grauens, film (UMLRM0001) Est une adaptation dans un autre mode de création de [œuvre] Dracula, Stoker, Bram (1847-1912) 2 - Nosferatu, Phantom der Nacht, film (UMLRM0007) Dracula, Stoker 3 - Stoker, Bram (1847-1912), Choix, Dracula (UMLRM0031) Est une sélection de [œuvre] Dracula, Stoker, Bram (1847-1912) 4 - Humphries, Tudor (1953-….), Dracula (UMLRM0034) Est une adaptation pour la jeunesse dans le même mode de création de [œuvre] Dracula, Stoker, Bram (1847-1912) 5 - Stoker, Bram (1847-1912), Choix, Dracula (UMLRM0037) Est une sélection de [œuvre] Dracula, Stoker, Bram (1847-1912) 6 - Stoker, Bram (1847-1912), Dracula's guest (UMLRM0075) Antépisode de Dracula, Stoker, Bram (1847-1912) 7 - Bram Stoker's Dracula, film (UMLRM0078) Est une adaptation dans un autre mode de création de [œuvre] Dracula, Stoker, Bram (1847-1912) 8 - "Dracula" : l'oeuvre de Bram Stoker et le film de Francis F. Coppola (UMLRM0081) Est une étude de [œuvre] Dracula, Stoker, Bram (1847-1912) 9 - Nosferatu, the wrath of Malachi, jeu vidéo (UMLRM0090) Dracula, Stoker, Bram (1847-1912) 10 - Druillet, Philippe (1944-....), Nosferatu (UMLRM0099) Dracula, Stoker 11 - Dracula has risen from the grave, film (UMLRM0105) Dracula, Stoker, Bram (1847-1912) 12 - Hughes, William (1964-....), Bram Stoker’s Dracula : a reader’s guide (UMLRM0111) Est une étude de [œuvre] Dracula, Stoker, Bram (1847-1912) 13 - Dracula, dead and loving it, film (UMLRM0120) Est une parodie de Dracula, Stoker 14 - Stoker, Bram (1847-1912), Choix, Manuscrits (UMLRM0126) Est une œuvre préparatoire pour Dracula, Stoker, Bram (1847-1912) 15 - Druillet, Philippe (1944-....), [Illustrations pour "Dracula" de Bram Stoker] (UMLRM0150) Illustre Dracula, Stoker, Bram (1847-1912) 16 - [Photographies extraites du film "Dracula" de Tod Browning], 1932 (UMLRM0152) Illustre Dracula, Stoker 17 - Deane, Hamilton (1879-1958) - Balderston, John L. (1889-1954), Dracula (UMLRM0155) Est une adaptation dans un autre mode de création de [œuvre] Dracula, Stoker, Bram (1847-1912) 18 - Dracula, film ; série (UMLRM0180) Dracula, Stoker, Bram (1847-1912) 19 - Dracula, émission radiophonique, 1938 (UMLRM0191) Est une adaptation dans un autre mode de création de [œuvre] Dracula, Stoker
Précision méthodologie à ne pas perdre de vue : cet épluchage par lots et par échantillon du fichier me permet de m’approprier le contenu des notices, les zones utilisées, celles notamment qui portent du sens et celles qui tissent des liens. L’enjeu est d’arriver, à la fin de cette exploration, à tester des modalités de recherche et d’affichage dans un lot de 340 entités LRM. On n’est donc là que dans une étape, au début du parcours.
Les zones particulièrement structurantes vont être identifiées dans le fichier common_dicts.py, notamment à partir de la ligne 7 (dans la version de ce jour) :
tags_manif2expressions = {"507": "point d'accès autorisé Titre (manifestation pointant vers expression)", "577": "point d'accès autorisé Auteur-Titre (manifestation pointant vers expression)"}tags_expression2oeuvres = {"232": "point d'accès autorisé Titre",
"242": "point d'acècs autorité Auteur-Titre" }tags_oe2expression = {"532": "Point d’accès autorisé – Titre (expression pointant vers oeuvre)",
"542": "Point d’accès autorisé – Auteur/titre (expression pointant vers oeuvre)"}tags_oe2oeuvre = {"531": "Point d’accès autorisé – Titre (expression pointant vers oeuvre)",
"541": "Point d’accès autorisé – Auteur/titre (expression pointant vers oeuvre)"}# Zones utilisées pour faire des liens aux Personnes et collectivités (avec indicateurs de relations autre que sujet)
tags_resp = {"o": {"501": "Lien aux mentions de responsabilité Personne depuis des oeuvres",
"511": "Lien aux mentions de responsabilité Collectivité depuis des oeuvres"},
"e": {"502": "Lien aux mentions de responsabilité Personne depuis des expressions",
"512": "Lien aux mentions de responsabilité Collectivité depuis des expressions"},
"m": {"702": "Lien de manifestation à une mention de responsabilité Personne",
"712": "Lien de manifestation à une mention de responsabilité Collectivité"}}# Pour chaque type d'entité, les zones à indexer
tags_indexation = {"m": "200,214$a$c$d,225$a$c,307$a,320$a,327$a,330$a".split(","),
"e": "232$a,371$a".split(","),
"o": "033$a,052$a,231$a,370$a$c,378$a".split(","),
"i": "252$a$b$j".split(","),
"p": []
}
Courage !
Un petit billet quasi-anecdotique pour commencer l’année (ça me repose des longs cycles sur le traitement des données ou la Transition bibliographique).
Est sorti peu avant les vacances de Noël un service de chatbot adossé au modèle d’entraînement de langage GPT-3 : ChatGPT.
Ayant absorbé plusieurs milliards de page de contenu, avec un modèle déjà bien éprouvé d’analyse et de vectorisation du langage, le chatbot s’avère remarquablement robuste dans tout un tas de types de conversations.
Nombreux sont ceux qui ont relevé ses limites dans le domaine de l’humour (je vous recommande notamment ce fil de P.-C. Langlais)
Et peut-être plus nombreux encore ceux qui ont constaté qu’il était très performant pour ce qui relevait des exercices un peu scolaires (voire universitaires), à la fois grâce à sa maîtrise du langage et à la masse d’informations absorbées :
Ces résultats sont si pertinents que certains ont signalé qu’il faudrait rapidement changé le type d’exercices qu’on demande aux élèves/étudiants ; d’autres en ont conclu que c’était la preuve que ces exercices ne mobilisaient nulle intelligence.
Il me semble que ce sont là deux erreurs qui se focalisent sur le résultat au lieu de s’intéresser à ce qu’est une formation ; et à ce qu’est une IA qui fonctionne par machine learning.
Le machine learning consiste à alimenter un programme avec un corpus d’exemples, avec que l’IA soit capable de reproduire le même genre de résultats dans des situations comparables.
Une formation consiste à transmettre des enseignements à une classe d’élèves, mais aussi, dans de nombreux cas, à enseigner le format des livrables :
- à quoi doit ressembler une démonstration scientifique
- ce qu’est un commentaire composé
- quelles sont les codes d’une lettre de motivation ou d’un CV
- etc.
Par définition, ces formations donnent lieu à des documents produits correspondants à certains critères formels. L’objectif n’est pas l’originalité, mais d’apprendre aux élèves à s’approprier un certain moule, qui fait partie des conditions de communication entre le rédacteur du document et son futur lecteur. Et l’apprentissage de cette forme est partie intégrante de la formation — et pour moi il est important qu’elle le soit : il ne s’agit pas de brider la créativité des élèves, mais de les amener à partager des codes communs en vigueur, qui permettent à un article scientifique d’être un article scientifique et pas un billet de blog (sachant que le premier peut avoir un contenu lamentable, et le second être passionnant et pertinent).
Par définition encore, des exemples de ces livrables (sous forme d’exercices publiés, de corrigés, etc.) vont pulluler sur le web.
Les enseignants doivent continuer d’enseigner les formes de certains types de documents à leurs élèves — il me semble difficile de le faire sans qu’ils le pratiquent.
Il est donc inévitable que des IA soit alimentés aussi avec ce genre de textes — et cela n’a rien à voir avec le degré d’intelligence de ces documents.
Il est certain, effectivement, que les enseignants doivent être conscients du copier-coller possible — trop tentant ! — pour envisager quelles mesures prendre.
Mais il me semble non pertinent de considérer pour autant que rédiger une dissertation ne fait pas appel à l’intelligence sous prétexte qu’une IA sait l’imiter (elle ne saurait pas le faire sans corpus d’entraînement), ou qu’il faille renoncer à enseigner à écrire des dissertations.
Attention, je ne dis pas que la dissertation soit un exercice absolu et pertinent : je me doute qu’elle a ses contestataires, et il est probable que pour apprendre à des élèves la rédaction et la synthèse, il y ait mieux (je ne suis pas pédagogue). Mais dès lors qu’on demandera des documents aux élèves, répondant à certains critères formels, ceux-ci pourront venir entraîner une IA ultérieure.
Je vous laisse, j’ai un rapport d’activité à rédiger. Tiens, au fait….
La 7e journée Métadonnées organisée par le groupe Systèmes et Données du programme Transition bibliographique a eu comme principal ordre du jour de présenter un ensemble de 340 notices d’items, manifestations, expressions et oeuvres cataloguées en Unimarc.
Sauf si vous avez suivi de bout en bout l’ensemble des étapes, cette nouvelle devrait déjà vous laisser perplexe.
D’abord sur le principe même : des notices en Unimarc correspondant à entités du modèle IFLA LRM ? Est-ce seulement possible ?
Alors qu’on sait bien que l’Unimarc est organisé en 2 branches :
- Unimarc pour les notices d’autorité [Unimarc (A)]
- Unimarc pour les notices bibliographiques [Unimarc (B)]
et que le modèle IFLA LRM est organisé autour de 4 classes (les OEMI), sans compter les relations de responsabilité et de sujet qui gravitent autour.
Et pourtant !
En faisant le choix de « ranger » les expressions du côté des autorités, c’est-à-dire d’utiliser le format Unimarc(A) pour décrire des expressions, on utilise pour la partie haute de l’arbre 2 notices d’autorité (Oeuvre et Expression) liées entre elles par des $3, et une notice bibliographie (Manifestation) liée à l’expression.
Ces 3 notices sont par ailleurs susceptibles d’être liées à des notices d’autorité Personne et Collectivité pour les mentions de responsabilité ; et le niveau Oeuvre peut être avoir une indexation Sujet.
Processus d’exploration
J’ai commencé un Notebook Python (cf. ce billet qui explique qu’un notebook est un document textuel qui inclut des parties de code exécutable) qui :
- importe les 4 fichiers UnimarcXML
- items
- manifestations
- oeuvres et expressions
- autres entités (personnes, collectivités, genre-forme)
- pour chaque notice trouvée, crée un objet Python en lui ajoutant des attributs à partir du contenu des notices.
La liste de ces attributs peut évoluer, mais à ce stade il s’agit de :- l’identifiant : .id
- le type d’entité : .type
- la notice en XML et en texte : .xml et .txt
- un « label » (pas tout à fait un point d’accès en bonne et due forme) : .label
- les statistiques des zones et sous-zones (dictionnaire) : .stats_zones
- les liens aux mentions de responsabilités (dictionnaire) : .resp
- chaque entité a des attributs supplémentaires pour les liens vers l’entité « supérieure » :
- items : .toManifs
- manifs : .toExpressions
- expressions : .toOeuvres
Puis j’ai ajouté des mécanismes complémentaires pour pouvoir facilement :
- pour une manifestation donnée, avoir les items liés
- pour un identifiant, récupérer l’objet Python complet (donc avec sa notice initiale, son label, etc.) quel que soit son type
- d’autres « passerelles » (un identifiant renvoyant des informations) apparaîtront sans doute ultérieurement en fonction des besoins que je constate
Les objectifs
L’idée de tout ce dispositif est ensuite de pouvoir manipuler les données pour, notamment :
- afficher une notice précise avec des informations enrichies
- identifier des erreurs potentielles pour les corriger
- à force de manipulations un peu aléatoires, identifier ce qui est significatif, ce qui me permet de comprendre ce qu’il y a vraiment dans ce jeu de données
- expérimenter la datavisualisation en graphe, pour une notice précise ou pour le graphe complet
- tester des règles d’affichage d’un résultat ou d’une liste de résultats, en pouvant interagir avec le jeu de données
Si je propose sur ce notebook une sorte de boîte de recherche (permettant de chercher un mot, par exemple) et que le programme associé à ce formulaire me renvoie les notices contenant ce terme :- que se passe-t-il si le mot doit être présent dans la manifestation, ou l’expression, ou l’œuvre, et que je ne « remonte » que cette entité ?
- que se passe-t-il si j’essaie de concevoir une manifestation enrichie des expression(s) et œuvre(s) liées, et que la recherche porte sur l’arbre complet ? (ou chercher ? que ramener en liste de résultats ?)
Pour la suite
Le prochain billet fournira simplement un certains chiffres ou listes sur ces données Unimarc LRM, obtenus avec ce notebook (essayant de répondre à la question : quelles informations l’esprit juge-t-il significatif pour se dire au bout d’un moment « je sais ce qu’il y a dans ce corpus de 340 entités »)
NB : pour ceux que le code intéresse
Afin de faciliter la lecture et l’exécution du Notebook (si certains compte récupérer le dossier complet, avec fichiers de notices et scripts), j’ai déplacé une partie du code dans 2 fichiers :
- Record.py : la définition des classes
- common_dicts.py : ensemble de dictionnaires utiles (codes fonctions, zones de liens entre entités, etc.)
Il me semble que je deviens un peu trop assertif dans le contenu de ce billet. Mais ce n’est pas parce que je me prends parfois au sérieux que vous devez me prendre au sérieux vous aussi.
Dans un récent billet, je revenais sur l’affirmation selon laquelle la Transition bibliographique (TB) « sert à mettre les catalogues dans le web de données.
Or si la TB permet de faire cela, elle ne s’y limite pas, et heureusement : car si on ne cherche qu’à mettre ses données sur le web, il y a d’autres méthodes, et moins coûteuses.
Et donc, pourquoi avoir engagé cette Transition bibliographique, et pourquoi la continuer ?
Pourquoi avoir engagé la Transition bibliographique ?
En substance, parce que les catalogues étaient (et sont encore, tant que tout ça n’est pas terminé) sont complètement inadaptés à l’environnement du web numérique.
Un catalogue de bibliothèque, qu’est-ce que c’est ? Comme pour un catalogue de commerçant : la liste de tout ce qu’une bibliothèque possède. Il sert avant tout à une bibliothèque à gérer son stock. C’est une mission importante, indispensable même ! Il faut que les personnes qui travaillent dans une bibliothèque puissent savoir ce qu’elles possèdent déjà, ce qu’elles n’ont pas, etc.
Exemple d’une information dont les lecteurs n’ont généralement que faire, mais qui est cruciale pour les bibliothécaire : la hauteur de chaque livre. Elle est indispensable pour savoir où il va pouvoir le ranger, s’il lui faut bientôt des étagères supplémentaires de la bonne taille ou non.
Le niveau de granularité du catalogue est donc (pour les livres) le produit éditorial. Or je ne connais qu’une situation (j’exagère à peine) où un lecteur va vouloir une édition précise d’un texte : quand c’est demandé par le prof de français ou par la maîtresse, qui veut pouvoir dire « Pour lundi prochain, lisez les pages 22 à 73 » (en s’épargnant autant que possible les « Madame, moi je n’ai pas la même édition »).
Se débarrasser (ou presque) de l’ISBD
Les formats Marc sont conçus pour produire les éléments d’information de l’ISBD en en facilitant la saisie (et fournir au passage quelques mécanismes complémentaires, comme l’utilisation de référentiels, voire de liens entre notices). Ils sont hérités d’une conception de ce qu’est une référence bibliographique embarquant l’intégralité des éléments d’information.
La norme ISBD mélange des consignes sur le fond (liste de éléments à fournir et où les trouver) et la forme (ordre des informations, signes de ponctuation pour les séparer les unes des autres).
Or ce mélange du fond et de la forme est complètement contraire au web, et à l’informatique en général (cf. cet article Wikipedia, par exemple). L’usage, bien répandu depuis plusieurs années à présent, des logiciels de gestion de référence bibliographique comme Zotero en atteste : ce qui est important, c’est de stocker l’information de manière structurer, et de disposer d’outils, de mécanismes, pour la restituer dans divers formats d’affichage (les différents styles des revues scientifiques) ou d’échange (les formats d’export RIS, BibTex, etc.).
Pour l’instant, aucun autre modèle alternatif à l’ISBD n’était clairement proposé, pensé nativement pour un environnement numérique de gestion de l’information, qui déconstruise un bloc (le pavé ISBD) où un programme informatique à un mal fou à identifier les différents éléments d’information.
L’ISBD, c’est la perpétuation du modèle de fiche : la notice est un bloc, dont certaines informations sont extraites par le système pour servir à l’indexation, aux filtres ou au tri — mais chaque élément d’information n’existe pas en tant que tel, il n’est pas accessible de manière isolée, si on n’a pas décidé de l’extraire de la notice pour permettre de le manipuler à part. Si un chercheur veut s’intéresser à l’évolution du nombre moyen de pages dans la littérature pour adolescents (pour mesurer l’impact du phénomène Harry Potter dans le monde de l’édition, par exemple), l’information « Nombre de pages » n’est pas stockée dans une table, au sein d’une base de données relationnelles, associant le numéro de notice à son nombre de pages. Elle est juste à l’intérieur de la notice, dans la table « record », et pour y accéder il faut l’en extraire.
N’est-ce pas dommage d’avoir saisi cette information pour pouvoir n’en disposer qu’à l’affichage de la notice détaillée ? N’y reconnaît-on pas pourtant un élément granulaire d’information, qu’on a rendu inaccessible pour cause de modèle inadapté.
J’insiste sur le fait que ce besoin est né de l’informatique, et non du web. Il est compréhensible que les bibliothèques aient perpétué, lors de leurs premières informatisations, un schéma de pensée concernant leur catalogue qui reprenait les traditions antérieurs. Mais au bout d’un moment, il faut tout de même changer de paradigme (oui, je sais, l’expression est un peu trop à la mode, mais je trouve que ça s’applique bien. Et encore, je n’ai pas parlé de changer de logiciel !).
Le modèle FRBR (dont IFLA LRM est l’héritier) est né dans les années 1990, dans un monde où les manières de penser l’information étaient naturellement numériques (mais avant l’explosion des usages de l’internet), avec une question : si on devait partir de rien, dès lors qu’on dispose d’un ordinateur, comment repenser l’objet livre afin de pouvoir le décrire de manière satisfaisante ?
Bref, il fallait bien quand même arriver à passer à un autre modèle que l’ISBD. Cela fait 60 ans qu’on a des catalogues informatiques, et 25 ans que FRBR existe : ne faut-il pas se décider, à un moment, à basculer ?
Modèle conceptuel et non modèle technique
Sur ce point, je suis encore moins sûr de ce que je pense et de là où ça pourrait mener.
Il me semble que le modèle FRBR, et après lui IFLA LRM, est avant tout un modèle conceptuel de représentation de certains objets du monde (la création intellectuelle et ses productions concrètes sous forme d’objets). Sa première vocation n’est donc pas de servir de socle structurant à une base de données relationnelles, mais de nous donner à voir la nature profonde de ces créations intellectuelles (et leurs avatars physiques) : tout n’est pas au même niveau. Plus exactement, il y en a quatre, de niveaux — là où d’autres en auraient dégagé peut-être cinq, ou trois (coucou Bibframe).
Cela signifie qu’il est possible d’adhérer à cette vision du monde sans être en mesure (ou même sans souhaiter) pour autant l’implémenter dans la technicité des outils de catalogage. Cette adhésion pourrait avoir comme conséquence, par exemple :
- d’être sensible à l’importance de certains éléments d’information, en ce qu’ils caractérisent tel ou tel niveau de l’arbre OEMI : l’illustrateur devient co-auteur de l’oeuvre (et non valorisateur du texte) ; le traducteur identifie la traduction ; le titre original mérite d’être mentionné tel quel, même s’il est identique au titre traduit (Moby Dick)
- une prise en compte lorsqu’on refond une interface de consultation : créer des facettes « Auteur » distinctes selon que les fonctions ressortissent de tel ou tel niveau d’entité implicite dans la notice bibliographique préservée
Je ne prétends pas qu’il faut faire une telle chose: je dis juste que voir dans chaque notice de son catalogue un arbre œuvre-expression-manifestation caché peut induire certains aménagements.
Les évolutions du web 2000-2020
Vous ne l’avez peut-être pas relevé, mais ci-dessus je posais aussi la question « pourquoi la continuer ? » (la Transition bibliographique) : car oui, il est bon de s’assurer qu’on est toujours sur une trajectoire souhaitable, se réassurer que les raisons initiales étaient bonnes, ou que d’autres raisons encore meilleures sont venues s’y justifier, et se rassurer qu’on n’a pas fait tout ça pour rien !
La Transition bibliographique, c’est un pack de décisions pour former un tout aussi cohérent que possible :
- l’implémentation du modèle FRBR, puis IFLA LRM
- l’adoption, avec ce modèle, d’une structure de l’information en mode Entité-relation, caractéristique des bases de données relationnelles (alors qu’un stock de notices, un catalogue, fonctionne plutôt comme une base orientée documents — cf. ci-dessus)
- la diffusion de nos métadonnées dans le web de données, en utilisant pour cela le standard international que constitue RDF
L’utilisation de RDF, une grammaire élaborée hors du monde des bibliothèques (au rebours d’un outil comme Z39.50, par exemple, que personne n’aurait l’idée de nous envier) était là aussi pour se rassurer sur le fait que nous allions nous intégrer dans un monde global et en marche
Sans vouloir retracer brillamment et synthétiquement 10 années d’internet, je voudrais évoquer plusieurs choses qui n’étaient pas là (ou pas si bien identifiables) au lancement de la Transition bibliographique.
Sur l’adéquation entre FRBR / LRM et le monde du web
En 2011 est sorti schema.org, co-publié par Microsoft, Yahoo et Google avec une vocation universaliste : proposer des schémas de métadonnées pour tous types de produits et ressources qu’on trouve sur le web.
Leur objectif était certainement avant tout commercial (pouvoir décrire, dans la partie Shopping d’un moteur de recherche, un produit qui pourrait s’acheter ; pouvoir alimenter le Knowledge graph — pour Google — ou autres outils d’affichages plus pertinents de manière général), mais l’argent est un moteur puissant ! Or pour les livres, la modélisation de schema.org ne ressemble pas vraiment à l’arbre Oeuvre-Expression-Manifestation.
Vers qui le monde (culturel et commercial) du livre va-t-il vouloir se tourner ? Les interfaces vont-elles plutôt évoluer pour s’adapter au modèle de Google ou à celui des bibliothèques ?
Sur la transformation du web en web de données
Telle était la vision de Tim Berners-Lee : que les concepteurs de site web, qui diffusaient sous forme de pages HTML le contenu déstructuré de leurs bases de données sous-jacentes, exposent aussi ces mêmes données selon la formalisation RDF
<sujet URI> <prédicat URI> <objet URI ou autre valeur>
Cette technologie a eu de beaux succès, de belles réalisations, mais a tout de même souffert dans les faits de deux limites :
- à mettre en place par le producteur, et à utiliser par l’utilisateur, c’est compliqué !
La moindre information prend 8 fois plus de temps à écrire ou à manipuler
Pour utiliser une propriété, il faut d’abord l’avoir déclarée dans une ontologie (alors que pour documenter un lot de balises XML, un petit PDF ou une page HTML de documentation suffit) - Les performances quand on requête une base de triplets se révèlent souvent problématiques lorsqu’on est sur de la grosse masse.
Le RDF a connu sa petite courbe du hype pour être adoptée par les communautés pour lesquelles il est pertinent, en étant abandonné par les autres. Le « web de données » (ou « web sémantique », ou « web 3.0 » n’est plus vraiment au centre de l’intérêt :
Evolution des termes web 3.0 – web de données – web sémantique
Et encore si la notion de « web 3.0 » est encore en 2022 utilisé (cf. par exemple cet article, ou celui-ci) — ce sont toutes sortes de technologies qui peuvent se cacher derrière :
- blockchain
- intelligence artificielle
- interopérabilité
- métavers
- internet des objets
- et d’autres petites choses
En gros, tout le monde a bien compris que le web 2.0 était déjà réalisé. Mais le 3.0 est encore tout juste devant nous.
Les formats de diffusion de jeux de données
Pendant que les bibliothèques travaillent à un modèle entité-relation et l’expression de ses données en RDF, le format d’échange qu’elles aiment bien manipuler (XML) n’est plus celui utilisé massivement par les fournisseurs de jeux de données et de web services : le JSON, ou le CSV.
A l’issue de ce processus, ne risque-t-on pas de produire des données dans un modèle que personne ne connaît, selon une technologie que personne n’utilise ?
D’où ma question : on a eu des raisons pour commencer, a-t-on raison de continuer ?
Question de modèle ou de technologie ?
Sur la question des technologies en adéquation ou non avec celles prévues pour les données des bibliothèques : il faut en réalité reconnaître que c’est en partie un faux problème.
Le modèle en cours d’adoption se veut absolument granulaire. A partir de là, tout est possible.
- si vous avez une zone d’information comportant « Prénom Nom », il est parfois compliqué de distinguer le nom du prénom : quand le prénom ou le nom sont doubles, quand il n’y a pas de « prénom » (Stendhal) ou pas de « nom » (Marie de France)
- en revanche si vous avez deux zones (voire même un typage des zones pour préciser les cas non pertinents, comme l’absence de prénom ou de nom), vous pouvez générer sans difficulté un élément « Prénom Nom »
Ce qui veut dire qu’une structuration interne complexe permettra d’exposer des données dans des formats extrêmement simple (en CSV, par exemple) : cela peut avoir un côté frustrant, sauf pour l’utilisateur. Surtout, cela permet de construire une stratégie de services qu’on peut mieux penser en fonction des usages et des attendus pour structurer davantage les formats de sortie (format au sens large : une liste de résultats dans un catalogue en ligne est un format d’affichage).
Ce n’est pas anodin : il faut prévoir une source d’informations (quels utilisateurs attendent quoi ? quelle population représentent-ils ? etc.), du temps d’instruction (apporter une réponse datavisuelle à un besoin beaucoup plus confusément exprimé) et des compétences (en ergonomie, en manipulation des données).
Dans le cas contraire, si on ne dispose ni de ces informations, ni du temps, ni des compétences, on restera tributaire du modèle brut. Or, comme je l’ai indiqué plus haut, il ne correspond pas aux usages quotidiens du web, et on peut donc partir sur l’hypothèse qu’en l’état (œuvre/expression/manifestation), il ne sera pas utilisable par les lecteurs.
Quels nouveaux services ?
On évoque beaucoup les nouveaux services pour justifier l’intérêt de la Transition bibliographique. Il y en aura certainement. Les autres communautés pourront s’emparer de nos données pour imaginer de nouveaux usages. D’une certaine manière, on anticipe ces réappropriations en constatant ponctuellement des demandes auxquelles on ne sait pas encore correctement répondre (les œuvres les plus empruntées dans les bibliothèques ? les œuvres anglaises les plus rééditées en France du XVIIIe au XXe siècle ? etc.). Mais il n’est pas nécessaire d’aller trop loin dans l’imagination pour postuler que ces usages auront lieu, dès lors que nos données seront structurées de manière à pouvoir les satisfaire et qu’on disposera d’une organisation, d’une disponibilité (d’une réactivité ?), pour accompagner ces usages.
Mais en réalité il faut aussi se convaincre que les besoins actuels seront mieux rendus. Logiquement, le passage du catalogue à la version numérique a dû nous frustrer nous-mêmes dans les besoins quotidiens, normaux pour accéder et donner accès aux collections :
- Epargner à l’internaute les 3 pages de résultats quand il cherche Harry Potter et peine à expliquer qu’il voudrait en fait un des 8 films, en version DVD, et disponible (non déjà emprunté) dans la bibliothèque où il se trouve
- Si un service de réservation multisite existe, lui permettre une réservation portant sur tous les exemplaires de plusieurs notices rattachées à la même expression, parce que c’est une édition française de l’Odyssée qu’il doit lire.
Je sais qu’il y aura probablement plusieurs traductions possibles : mais si l’internaute ne peut pas déclarer indifférent le critère « traducteur », alors on aura sans doute échoué dans l’offre de services.
On revient là sur un point que je mentionnais à propos de Sparnatural : il faut penser une interface en contexte d’utilisation, par rapport aux usages des internautes, pas par rapport au modèle sous-jacent, qu’ils n’ont pas connaître.
Le modèle extrêmement souple qu’on est en train d’adopter permettra de tout faire — y compris des choix, qu’il faudra absolument faire (et requestionner régulièrement). - Concevoir une politique documentaire en fonction de l’offre et des usages (stats de prêt) au niveau des oeuvres et des expressions, mais pas des manifestations (la notice bibliographique et l’exemplaire étant à ce jour les deux seuls niveaux de manipulation disponibles)
Le modèle LRM est plus complexe que le « modèle bibliographique-autorité ». Il ne faut pas pour autant rendre les interfaces plus complexes : elles doivent manipuler des raccourcis, des fonctionnalités simples, correspondant à leurs attentes (et correspondants aux usages normaux d’une collection de bibliothèque) rendus possibles précisément par la Transition bibliographique.
Les « nouveaux services » viendront plus tard.Ils viendront à la fois de nouvelles populations d’utilisateurs, et de nos lecteurs traditionnels à qui nous pourrons enfin répondre positivement à des attendre frustrées depuis si longtemps, attentes générées par leurs pratiques ailleurs sur le web (en terme de recommandation notamment, et d’articulation avec les autres espaces de production de connaissance et d’information). Mais il faut arriver à se persuader (ou risquer de conserver un sentiment de bricolage, il me semble) que ce nouveau modèle vient en réponse à la frustration actuelle causée par la tension entre possibilités informatique et catalogue pensé sur un ancien modèle.
Et donc, cette Transition bibliographique ?
Ce serait intéressant aussi d’évoquer la question des coûts : ce que coûte la Transition bibliographique, ce qu’on en attend en bénéfice retour, etc. Mais par rapport à ce que j’évoquais plus haut à propos de l’ISBD, il me manque une évaluation (je ne sais pas comment on ferait ça) de ce que nous coûte l’implémentation actuelle d’un modèle non adapté au monde numérique : des technologies très spécifiques ; une politique documentaire sans visibilité propre au niveau des œuvres et des expressions, une inadéquation entre les centres d’intérêt des lecteurs et ce qu’on lui offre ; toutes les demandes frustrées des chercheurs qui souhaiteraient utiliser les catalogues (et les collections à travers eux) comme révélateur d’un monde particulier.
Il y a certainement des scénarios alternatifs : la preuve, d’autres pays adoptent d’autres « transitions ». Le monde anglo-saxon, dont le point de départ est catalographiquement différent (beaucoup moins de liens entre notices, notamment) a visé une évolution moins forte en laissant de côté les données existantes pour se consacrer sur la production actuelle et à venir ; ou en implémentant RDA sans implémenter IFLA LRM (cf. mes remarques sur LRM comme modèle conceptuel et non technique).
A présent qu’on est dans l’intérieur de cette transition (j’entends beaucoup moins de personnes demander : « alors, c’est pour quand ? »), il s’agit « simplement » d’en venir à bout, pour enfin n’avoir plus besoin d’en parler ! Comme d’avoir traîné un peu trop longtemps un vieux modèle de voiture, et se dire, en sortant de chez le concessionnaire avec une voiture neuve, que la voiture ne sera désormais plus un sujet 🙂
Python : scripts et notebooks
J’y faisais allusion dans le précédent billet sur Annif, donc une petite digression sur les notebooks.
Ceci est donc un petit retour d’expérience sur mon usage (enfin, non-usage puis usage partiel) des notebooks Python.
Contexte
En arrivant à la BnF en 2016, je me suis mis à apprendre le langage de programmation Python parce que data.bnf.fr était écrit en Python. L’équipe avait donc développé une compétence technique sur l’utilisation de ce langage, pour satisfaire des besoins dans le traitement de données qui auraient aussi pu être satisfaits avec d’autres langages.
Depuis plusieurs années, j’écris donc des scripts (avec l’interface de développement ci-dessus, Visual Studio Code, qui est un éditeur adaptés pour divers codes, dont Python, mais n’est pas un framework de développement) qui me permettent de répondre à des demandes d’extractions ou de traitements divers liés à mon activité au département des Métadonnées de la BnF.
Le plus souvent, ces scripts me permettent de produire des fichiers Excel, donc quand je programme suite à la demande de collègues, ces derniers voient uniquement le résultat sous forme de tableaux.
S’ensuit un processus de travail assez bien rôdé, et plutôt satisfaisant :
- je rédige une version 1 du script, sur la base de consignes initiales assez simples
- ce qui produit une version 1 correspondante du rapport Excel
- le collègue analyse le résultat, fait une série de remarques
- je les prends en compte dans le code, fait une version 2 du script –> version 2 du fichier Excel
- et ainsi de suite jusqu’à ce que le résultat final soit satisfaisant
On alimente donc progressivement un document de suivi, organisé de manière antéchronologique (le document en question est géré dans une base de documents, logiciel Lotus Notes d’IBM, qui permet comme pour une page web d’intégrer des fichiers au sein d’un texte global)
Et sinon, quand je bricole des trucs dans mon coin en essayant de me souvenir de ce que j’ai fait, j’ai évidemment ce genre de dossiers que je redécouvre 1 ou 2 ans plus tard.
Les notebooks Jupyter : définition
La première copie d’écran ci-dessus montre un fichier qui est un script brut : il ne contient que du code et des commentaires, le tout conforme à la syntaxe de Python. On peut le faire exécuter par le fichier python.exe.
J’ai appris il y a 3 ans environ l’existence de « notebooks Jupyter« . Un notebook est un autre type de fichier, qui permet de mélanger du code et du commentaire en langage Markdown, ce qui permet d’avoir en plus de la mise en forme : on peut structurer le déroulé d’un programme en parties, sous-parties, avec des chapitres, des paragraphes, des listes, etc. qui précèdent et suivent les blocs de codes.
Ce qui est précédé de la mention Entrée [ ] est du code (et chaque bloc peut s’exécuter séparément, contrairement à un script « normal » qui s’exécutera d’un bout à l’autre), le reste est du commentaire.
Notebook : quoi-n’en-faire ?
Pendant plusieurs années, après avoir vaguement testé cet outil, je n’ai pas vraiment su dans quels cas l’utiliser.
Lorsque Google a mis en place Google Colab (une version cloud de Jupyter, hébergée dans Google Drive, mis en place vers 2019 ? — pour plus d’explications), j’ai trouvé deux cas d’usage très convaincants :
- tester rapidement un bout de code, et éventuellement le partager avec quelqu’un (une simple fonction, une expression régulière, etc.) et le tester ensemble
- faire des formations à Python, sans s’embarrasser de problèmes d’installations
(parce que quand on forme des étudiants à un langage comme Python, on passe forcément trop de temps à résoudre les problèmes d’installation, de systèmes d’exploitation multiples, d’ordinateurs empruntés)
Mais pour ce qui est de programmes pour extraire, manipuler, corriger des données en masse, le script — comme fichier ne contenant que du code, s’exécutant d’un bout à l’autre, lancé souvent en ligne de commande — me semblait beaucoup plus satisfaisant. Notamment pour des raisons de performance : si l’ordinateur n’est pas occupé à afficher ce qu’il fait, il l’exécute souvent plus rapidement (l’affichage prend de la mémoire).
Faire du work in progress en temps réel
Et finalement j’ai réalisé qu’un notebook, mélangeant code et commentaires, ressemblait beaucoup au document de projet montré au tout début de ce billet : du code, du paratexte, des jeux de données.
Donc de plus en plus, quand je me lance dans un projet d’extractions/corrections qui va demander des allers et retours, je suis tenté d’ouvrir un notebook du projet (plutôt qu’un ensemble de fichiers, dont un baptisé readme.md).
Évolutions dans la manière de coder : pandas et matplotlib
L’utilisation d’une interface plus visuelle, qui permet de voir les traitements étape par étape (et non en se contentant des données en entrée, puis des fichiers en sortie) incite à faire des « rapports d’étape », c’est-à-dire voir un état des données au nème (mais pas dernier) traitement, sous forme de table (d’extrait de table) ou de graphe fournissant quelques stats (souvent, un histogramme de distribution).
Et pour cela je me suis mis à utiliser des librairies dont je n’avais pas l’usage (même si je connaissais leur existence : pandas (pour gérer des tableaux, alors que jusque là je gérais tantôt des listes de listes, tantôt des listes d’objets dont j’avais moi-même défini la classe — désolé si cette phrase est obscure) et matplotlib qui contient tout un tas d’outils pour générer des graphiques.
Je ne sais pas trop comment interpréter le fait que mon outil de saisie évolue influe sur ma manière de coder, alors que mes besoins (en tant que séries de transformation à infliger aux données) n’ont pas vraiment changer.
Des notebooks articulés avec ce blog
Et donc mon idée est aussi de concevoir certains notebooks en vue d’être articulés avec des billets de blogs, pour rendre compte du travail réalisé et, potentiellement, vous permettre de récupérer et ré-exécuter plus facilement du code (sait-on jamais?). A suivre notamment concernant Annif.
Exemple de notebook (extraction de données du SRU de la BnF [?])
Remarque supplémentaire sur le choix de Python
Comme je l’ai indiqué plus haut, je me suis mis à Python (après de nombreuses années passées avec XSL/XSL-T, mon premier amour) pour des raisons contextuelles : l’équipe que j’ai rejointe en 2016 connaissait ce langage-là.
Cet aspect conjoncturel, ou opportunisme (mon voisin de bureau le fait, donc je le fais) ne me semble pas anodin. Quand j’assure des formations à Python, et que j’essaie d’expliquer pourquoi se former à ce langage-là plutôt qu’à un autre (dans le monde des bibliothèques et des sciences de l’information), les 3 principaux arguments que je donne sont :
- aspect communautaire : Python a connu une croissance énorme dans le monde des humanités numériques, qui, dans le monde universitaire, est ce qui se rapproche le plus du monde des bibliothèques (au moins par le parcours disciplinaire de la majorité de ses membres)
- rapidité de prise en main pour des non-informaticiens
- intelligence artificielle
Bref, dans nos métiers il est utile de disposer d’outils pour manipuler les données (ou de disposer de gens qui savent utiliser les outils qui permettent de manipuler les données). Python est l’un de ces outils.
La lecture d’un article du dernier numéro de Code4Lib m’a remis dans les affres de l’indexation automatique, que j’avais commencé à expérimenter juste avant le Covid, à travers l’outil Annif.
Rappel : aviez-vous oublié Annif ?
Moi, non, même si je n’avais rien écrit depuis avant le Covid. Donc pour rappel, ce billet de décembre 2019 explique de quoi il s’agit.
Et je m’étais retrouvé confronté à un certain nombre de questions, et même de problèmes, insolubles à ce moment-là — j’avais donc un peu tout laissé en plan (en testant quelques trucs en plus, sur les corpus, les modèles, etc.). En outre, j’avais rencontré un blocage technique (une librairie C++ que je n’arrivais pas à installer pour ajouter des options et logiquement de la pertinence à mes résultats)
Parmi les problèmes / questions rencontrées :
- quelles métadonnées utiliser pour entraîner une IA ?
(sachant que dans mes corpus disponibles je considère pour le moment les résumés et textes intégraux comme inaccessibles, jusqu’à ce qu’il soit démontré que s’en passer est impossible)
L’éditeur, le nom de la collection, les codes fonctions, sont-ils des informations utiles ? - comment gérer la dispersion statistique des indexations Rameau ?
l’indexation Rameau est construite, et non sous forme de mots-clés –> chaque chaîne d’indexation est, sinon unique, du moins très peu représentée dans les notices récupérées - comment gérer l’hétérogénéité des notices : dans leur traitement catalographique comme dans leur contenu intellectuel ?
Les notices du XIXe siècle ne ressemblent pas à celles du Dépôt Légal récent ; et leurs sujets ne sont pas non plus les mêmes. En outre, Rameau ayant été créé dans les années 1980, les notices indexées sont surtout postérieures à cette date. Est-il raisonnable d’indexer des notices de 1880 à partir d’une IA entraînée sur des notices d’ouvrages de 2010 ? - quel algorithme de classification/indexation utiliser (Annif en propose plusieurs) ? Et quelles règles de lemmatisation (quand on ramène les différentes variantes d’un mot, en genre et en nombre notamment, à la racine commune) ?
- ne faudrait-il pas plutôt définir des IA thématiques (une pour le droit, une pour les sciences, etc.) qui du coup seraient plus ciblées et potentiellement plus pertinentes ? Mais si oui, d’où viendrait l’information sur la thématique d’une ressource donnée, qui permettrait de sélectionner l’IA compétente ?
Surtout, j’essayais en un seul coup de :
- m’approprier Annif comme logiciel (ou comme solution technique) en devant développer les scripts appropriés pour le manipuler
- comprendre les algorithmes impliqués et sélectionner les « meilleurs »
- traiter un lot de notices et de collections complètement hétéroclites
- obtenir un résultat « définitif », c’est-à-dire des chaînes d’indexation qu’on pourrait injecter directement dans le catalogue
- alors même qu’on est en plein dans la réforme Rameau
C’était déraisonnable.
Simplifions le problème
Du coup, j’ai revu mes ambitions pour avoir des problèmes plus simples à traiter.
Plutôt que d’essayer d’emblée de produire des chaînes d’indexation (objectif qui correspondait à mes missions à la BnF : travailler à l’amélioration des données existantes dans le catalogue), j’en reviens à une démarche plus expérimentale :
- s’approprier Annif comme logiciel de traitement
- essayer de générer simplement des mots-clés pertinents (donc associer des documents à un ou plusieurs concepts Rameau), sans se préoccuper de construire d’emblée des chaînes d’indexation :
cela permet notamment de ne pas devoir respecter une certaine syntaxe ; et d’atténuer les problèmes de dispersion statistique (trop faible représentativité dans les données d’entraînement, donc les document eux-mêmes, de chaînes d’indexation trop peu utilisées en combinaisons) - au lieu de partir d’une extraction de notices bibliographiques, partir des notices Rameau pour récupérer des cas d’utilisation en nombre suffisant pour chacune des notices :
c’est là une révélation toute bête de la lecture de l’article de Code4lib mentionné plus haut. Plutôt que d’extraire un lot de XXX.000 notices et d’y trouver plein de concepts trop peu représentés, je pars de la liste des concepts, et je cherche à récupérer 5 à 10 notices bibliographiques qui leur soient liées.
Donc je recentre sur :
- mieux comprendre l’outil
- voir à quelles conditions on peut l’utiliser pour obtenir une indexation simple (sous forme de mots-clés)
Sérions le problème
Comme je l’évoquais, j’imagine (hypothèse de travail) que l’indexation sera plus pertinente si on indique déjà à l’IA la thématique concernée.
Pour le dire autrement, j’envisage de concevoir et d’entraîner une IA par discipline (ou par département thématique de la BnF, j’hésite encore) : chacune de ces n IA aura donc un nombre moindre de mots-clés à prendre en compte (on va considérer que la théorie quantique est peu présente au département des Lettres, même s’il y évidemment des contre-exemples.
Cela veut dire que pour chaque document, j’aurai par exemple le choix de l’indexer avec les propositions de chacune des n IA thématiques, chacune spécialisée dans son domaine :
Par exemple si le titre contient le mot fatigue, on a affaire à deux grandes sémantiques : la fatigue des métaux (leur endommagement sous certaines contraintes), et la fatigue pour les êtres vivants. Et en fonction des termes du référentiel rencontré dans les données d’entraînement, Annif va me proposer plusieurs termes d’indexation, avec des statistiques de probabilité.
Mais le fait de savoir que le livre relève des Sciences, techniques et médecine, ou du département Droit, économie, politique, orientera le choix de l’IA « Sciences & techniques » (entraînée à partir des collections de ce département) ou de l’IA « Droit, éco, politique » (entraînée de même). Et pour chacune de ces IA, la probabilité de choisir la plante ou le logiciel n’est pas la même.
On peut supposer une situation de ce type :
- Sur une IA générique, un titre comme Théorie de la fatigue se verra attribuer par Annif :
- Matériaux — fatigue : 85%
- Epuisement professionnel : 62%
- Fatigue (épuisement) : 77%
- Mais si on a déterminé au préalable l’information sur le département :
- sur une IA Sciences, techniques & médecine :
- Matériaux — fatigue : 92%
- Epuisement professionnel : 22%
- Fatigue (épuisement) : 88%
- sur une IA « Droit, éco, politique » :
- Matériaux — fatigue : 5%
- Epuisement professionnel : 95%
- Fatigue (épuisement) : 58%
- sur une IA Sciences, techniques & médecine :
Mais pour cela, il faut d’abord savoir si la ressource relève de tel ou tel département. Or au moment du catalogage cette information n’existe pas encore (dans le cas du Dépôt légal, par exemple) : en revanche elle peut elle même faire l’objet d’un calcul de classification avec une autre IA préalable (entraînée grâce à Annif aussi) :
On aurait donc une première étape d’attribution à un certain département, avec un calcul de probabilités : 55% Sciences, techniques et Médecine ; 90% Droit, économie, politique. Et selon la branche choisie, l’indexation retenue. Cette indexation finale se fait donc sous condition de la première classification.
C’est précisément (bon, pour ce que j’en ai compris) le principe du bayésianisme en calcul des probabilités : calculer la probabilité de X sachant Y1.
Il s’agit ici, dans un contexte de catalogage, d’enchaîner les choix successifs de classification et de s’appuyer dessus pour prendre les décisions suivantes.
- Si on ne sait rien de plus que son titre, il est assez probable (85%) que cet ouvrage Théorie de la fatigue porte sur la fatigue des matériaux.
- Si on sait que l’ouvrage relève des sciences, techniques et médecine, il peut autant porter sur les matériaux que sur la physiologie (ou les psychopathologies)
- Si on sait que c’est un ouvrage de droit, économie, politique (parce que l’éditeur est plutôt spécialisé en droit du travail), alors il y a de fortes chance que ce soit un ouvrage portant sur l’épuisement professionnel
On pourrait donc envisager une indexation automatisée comme une succession de décisions, que le catalogueur valide et ou l’étape suivante est recalculée en fonction des choix réalisés.
Mais ça vaudrait aussi le coup de considérer la probabilité de chacun des termes finaux au regard de la probabilité des choix précédents : il y a une formule pour prendre en compte l’inférence bayésienne qu’on étudiera (peut-être ?) une autre fois.
Pourquoi ça peut ne pas marcher
L’idée me semble très séduisante, suffisamment stimulante pour m’inciter à remettre le nez dans toute cette question. Néanmoins il y a plusieurs facteurs d’échecs possibles (et je suis incapable dans évaluer les probabilités…) :
- manque de temps pour concrétiser ce beau rêve (mais si vous vous sentez de le faire, ne vous en privez pas !)
- incompréhension complète de ma part du modèle bayesien et des manières correctes de s’en servir.
Ou en plus vicieux : l’hypothèse initiale pourrait être pertinente (concevoir l’indexation matière comme une succession de choix à décomposer) mais en identifiant mal les étapes ou le bon ordre de leur enchaînement fait foirer les résultats obtenus (et décourage le chaland). - métadonnées disponibles insuffisantes ou mal utilisées (je reste tributaire de notices, alors que souvent les algorithmes d’indexation travaillent sur du texte intégral, ou au moins des résumés et/ou tables des matières
Bon, si ça s’avère infructueux, au moins entre temps j’aurai remis les main dedans, réfléchi de nouveau à la question préalable de la lemmatisation (qui est le sujet de l’article cité plus haut, et qui rend compte d’un travail comparatif très intéressant sur différents algos existants), etc.
Pourquoi ça peut marcher
- Parce que la démarche me semble avoir une certaine cohérence quand même
- Parce que je me suis donné une ambition moindre (des données simplifiées, on n’essaie pas de produire du Rameau pour l’instant !)
- Parce que je vais me doter d’outils mieux conçus pour suivre mes expérimentations
Il y a deux ans, j’accumulais les fichiers de données, les fichiers de prise de notes (sous Evernote, ou avec des documents de type readme.md, etc.) et des scripts Python enrichis de plus ou moins de commentaires pour expliquer la démarche.
Comme je pars d’emblée sur une hypothèse d’architecture plus complexe, avec plusieurs IA qui ne sont pas en concurrence, ou ne sont pas des versions successives les unes des autres mais doivent fonctionner en parallèle au sein d’un même dispositif, je vais d’emblée élaborer :- une table de correspondance qui, pour chaque IA, fournit le code et un descriptif de son contenu (pour pouvoir s’y retrouver)
- un notebook qui documente les étapes
Ah oui, il faudra que je vous parle des notebooks [update : c’est fait], ces petits (ou grands) documents merveilleux pour architecturer un peu plus efficacement ce genre de projet, en mélant plus harmonieusement code, données et paratexte.
Et puis un petit billet sur ce sujet des notebooks me permettra de procrastiner le billet suivant concernant l’indexation automatique !
1. Pour avoir un aperçu du bayesianisme, vous pouvez par exemple regarder cette vidéo de Monsieur Phi (2016) : La loi de Bayes (1/2), voire la seconde : La loi de Bayes (2/2) (qui est très éloignée des questions d’indexation, mais est sympa quand même).
Je sais que j’ai laissé passé quelques années, mais pour cette fois-ci j’ai refait une carte des postes proposés au mouvement sur Poppee depuis 2 jours :
Au passage, vous y trouverez un super poste, vers lequel évidemment je ne peux pas pointer sur Poppee.
Mais il se trouve ici, et bien mieux détaillé : le Département des Métadonnées de la BnF vous tend les bras !
making-of : j’ai dû déplacer quelques adresses pour éviter les chevauchements de bulles, que Google ne gère pas très bien. Je n’ai pas non plus vérifié une à une si les adresses des SCD correspondaient aux adresses des BU d’affectation. Mais je trouve que ça donne quand même une petite idée :
Bibliothèques [reloaded] 