Hyper thesaurus et lacs de données : fouiller la ville et ses archives archéologiques (1/2)

HyperThésau. Derrière cet acronyme se cache un projet associant des acteurs de deux disciplines en sciences de l’ingénieur et sciences de la vie à un consortium archéologique diversifié, le tout porté par le laboratoire Archéorient et financé par le Labex IMU.

Enrichir des jeux de données ou des lots d’archives pour les rendre “interopérables”

Au commencement était, non pas le Verbe, mais le Substantif. Soit un ensemble structuré de mots descripteurs des briques élémentaires de l’archéologie – éléments de terrain (couches, US/UF, fosses, etc.), vestiges bâtis, objets, monnaies, céramiques, etc. –, de définitions scientifiques et des relations entre ces « mots ». Autrement dit une ontologie, idéalement commune à tous les archéologues. Elle permet d’associer des ensembles sémantiques normalisés aux typologies, qui sont à la base de la connaissance archéologique et de sa caractérisation. Ceci représente un avantage majeur dans le cas d’une recherche en ligne : une première recherche textuelle automatisée sur le réseau (“moissonnage”) peut théoriquement précéder la consultation des données, allégeant la masse des corpus à consulter.

Pour être plus efficace (plus rapide et moins aléatoire) que la recherche dite « en texte intégral » qui s’est imposée depuis deux décennies (et qu’utilise, par exemple, la base de données en ligne d’objets archéologiques Artefacts) , l’usage d’une ontologie doit néanmoins surmonter trois obstacles : l’hétérogénéité des descripteurs utilisés d’un archéologue à l’autre pour le même phénomène, la cohérence hiérarchique nécessaire à toute ontologie, enfin le multilinguisme (traduction ou équivalence automatique).

L’élaboration d’un référentiel, ou thésaurus, associant des « mots » descripteurs à leurs définitions, permet de passer de ces « mots », qui ne valent que pour les lettres les constituant, à un ensemble de « concepts » constitués par l’association du mot et de sa définition, maintenus par une autorité consensuelle. Chacun d’entre eux  bénéficie, dans notre monde numérique, d’une adresse Internet unique, intangible et librement accessible. Associé à un modèle de relations entre les concepts, le thésaurus permet de mettre en œuvre des « alignements », déclarations d’équivalence entre concepts, soit au sein d’une même langue, soit entre langues différentes.

La création de référentiels et de portails Internet permettant d’interroger des bases de données éparpillées est donc, aujourd’hui, un enjeu méthodologique essentiel pour espérer relier et étudier les myriades de données compilées, isolément, par tout un chacun. C’est, par exemple, l’objet du projet européen ARIADNE (fig.1). En jargon d’administrateur système, cela s’appelle « l’interopérabilité » au sein du « web des données ».

HyperThésau, phase 1 : vers un référentiel-métier de l’archéologie de terrain

Cette voie aride de la formalisation est mise en œuvre depuis plusieurs années dans le monde des bibliothèques (norme de catalogage Dublin Core, modèle conceptuel FRBR) et des musées (modèle conceptuel Cidoc-CRM), dont les modèles tendent à fusionner. Les deux mondes gèrent en effet des stocks de données stables autour de créations de l’esprit humain, décrites dans une documentation ou matérialisées dans une œuvre. On trouvera une représentation synthétique et claire de l’univers de ces modèles sur le site de l’Equipex Biblissima.

Le thésaurus PACTOLS (fig. 2) est né de cet effort de structuration dans le champ documentaire de l’archéologie de l’Antiquité ; il a été créé et est supporté par le GDS Frantiq (Nouvel et Rousset, 2015), dont la plate-forme Têtes de Réseau Documentaire de la MOM assure la direction informatique et pour lequel Miled Rousset (MOM), a développé un logiciel de gestion de thésaurus OpenTheso.

PACTOLS, né sous des auspices bibliographiques, est en cours d’adaptation aux besoins des équipes de recherche (par ailleurs, ces données de la recherche ne constituent pas un stock, mais un flux de connaissance en évolution continue, parfois objet de controverses ou de remises en cause). Un grand chantier de refonte de PACTOLS ayant été lancé au sein du GDS Frantiq, ce dernier a logiquement sollicité la participation des équipes de recherche en ce sens. C’est ainsi que l’UMR CITERES se fonde sur PACTOLS pour travailler à l’interopérabilité des données issues de son système d’enregistrement de terrain (ArSol), dans le cadre du modèle conceptuel Cidoc-CRM (Marlet, 2014 et Rodier, 2018). HyperThésau ambitionne de prendre part à cet effort collectif.

Ce sera le premier objectif du projet : compléter un référentiel-métier centré sur l’archéologie de terrain, en particulier les objets, qui sera proposé par PACTOLS pour l’enrichir. Neuf équipes vont collaborer : Archéorient et ArAr (Artefacts), le centre de recherche de Bibracte, le Service archéologique de la ville de Lyon et Archéodunum pour le volet préventif, enfin l’université de Barcelone et le site d’Ullastret en Catalogne, avec le concours de la MOM et de l’UMS Persée pour l’expertise en ingénierie documentaire. Toutes accompagneront le travail d’un-e post-doctorant-e (en cours de recrutement) dédié à cette tâche durant un an, en étroite coordination avec les autres UMR lancées dans la même démarche.

Natation synchronisée dans un « lac de données » archéologiques

S’il n’existe pas de norme ISO pour la formalisation de la donnée archéologique, il n’existe pas plus de consensus sur les logiciels d’acquisition et de gestion des données (fig.3) : base relationnelle FileMaker maintenue depuis 1992 et dont la migration est en cours vers une base orientée graphe (Bibracte), serveur SQL et export à développer en XML (ArAr, base Artefacts) ; bases FileMaker séparées, dont la structure diffère d’un chercheur à l’autre (Archéorient)… Les dimensions spatiale (géoréférencement) et d’évolution de l’analyse scientifique dans le temps ne sont que très inégalement prises en compte dans la conception de ces outils ; enfin, la perception (donc la description) d’une trace archéologique diffère selon l’usage, l’usager et l’état des connaissances du moment (De Luca et al., 2015).

Maîtriser l’hétérogénéité des formats et des logiciels de gestion de données peut toutefois s’envisager en exploitant la méthode du « lac de données » :

If you think of a datamart as a store of bottled water – cleansed and packaged and structured for easy consumption – the data lake is a large body of water in a more natural state. The contents of the data lake stream in from a source to fill the lake, and various users of the lake can come to examine, dive in, or take samples (Dixon, 2010). »

Un lac de données vise en effet à conserver celles-ci, qu’elles soient primaires ou enrichies, dans la forme que leur a donné l’équipe de recherche ou de terrain ; elles demeurent ainsi des références aisément utilisables : chaque élément est seulement doté d’une adresse unique et de métadonnées le décrivant (cf. définitions ici et là).

Cette méthode s’oppose à celle de l’« entrepôt de données », qui est une base de données décisionnelle intégrée, très structurée et orientée sur un sujet précis, mais qui a l’inconvénient de diviser les données en silos étanches (Stein et Morrison, 2014), soit précisément la situation dont les archéologues veulent collectivement s’extraire. L’enrichissement des données archéologiques primaires peut également être aidé par des méthodes de fouille de données (« data mining ») ou de fouille de textes (« text mining »). À partir des journaux de fouille archéologique ou des publications académiques de Bibracte, des descripteurs sémantiques seront extraits par Archéorient (Sofiane Bouzid), par des méthodes statistiques de fouille de textes. Ces descripteurs sémantiques seront ensuite validés, triés et organisés et viendront enrichir les données archéologiques primaires. Ils seront également stockés et archivés dans le lac de données pour des usages ultérieurs.

HyperThésau, phase 2 : permettre l’enrichissement-indexation automatique, l’interrogation et l’exploitation efficaces de systèmes d’information isolés

Toutefois, les bonnes pratiques pour concevoir un lac de données étant peu ou prou inexistantes dans la littérature scientifique (elles relèvent à l’heure actuelle de pratiques industrielles peu divulguées), un deuxième objectif du projet HyperThesau sera de concevoir une architecture adéquate pour un « lac de données archéologiques » (fig.4).

Quelle modélisation pour les métadonnées associées ? Quel mode opératoire pour articuler l’enrichissement des données, leur archivage dans une base de données interopérable et les allers-retours entre ces processus ? Peut-on adapter à l’archéologie des méthodes, logiciels ou plates-formes déjà opérationnels dans d’autres disciplines (dans/hors sciences humaines) ? Peut-on définir un même mode opératoire pour toutes les données, y compris des archives numérisées ou des modèles 3D ?

Le laboratoire ERIC (Entrepôts, Représentation et Ingénierie des Connaissances, EA 3083 rattachée à la MSH Lyon Saint-Étienne) et l’UMS Persée joindront leur expertise en web des données à celle des archéologues du projet pour accompagner le travail d’un-e post-doctorant-e (recruté au printemps 2019) dédié à cette tâche durant un an. L’objectif est de créer un prototype testé sur des jeux de données réelles issues du terrain.

Articuler recherche fondamentale et «recherche-action »

En centrant la réflexion sur le rapport de l’humain-utilisateur à des « objets de savoir » archéologiques en contexte numérique, HyperThésau aborde de facto l’intersection de deux « cycles de vie » : d’une part le cycle scientifique des données acquises, organisées et partagées par les « savants corporatifs » (Macherey, 2009) ; d’autre part le cycle « expérientiel » de la communauté des amateurs, via les musées et toute autre forme de médiation/valorisation.

Cette rencontre inattendue peut devenir précieuse si l’on exploite son potentiel contributif par la (ré)intégration de formes « participatives » ou « citoyennes » (Houiller, Merilhou-Goudard, 2016), dans un processus de « recherche-action », protocole de recherche intégrant l’action d’acteurs en société comme une source de connaissance (Lewin, 1946, et Hess 1981). Ce sera l’objet du second épisode de ce billet, consacré à l’implication du public dans HyperThésau. À suivre…

Bibliographie

De Luca L. et al.2016. Patrimonialisation du numérique et numérisation du patrimoine, regards croisés, MI-CNRS, disponible sur : www.cnrs.fr/mi/IMG/pdf/synthesepatrimoine_numeriquevf.pdf

Hess R., 1981.  Lewin et la recherche-action, in La sociologie d’intervention, PUF, pp.99-109.

Houiller F., Merilhou-Goudard J.-B. 2016. Les Sciences participatives en France – État des lieux, bonnes pratiques et recommandations, Rapport aux ministres de l’Éducation nationale, de l’Enseignement supérieur et de la Recherche.

Lewin K., 1946. Action Research and Minority Problems,in Journal of Social Issues, vol. 2, p. 34-36.

Macherey P.2009. Kant et le conflit des facultés, in Savoir, Textes, Langages.

Marlet O., 2014. Une ontologie pour rendre interopérables les bases de données en archéologie ?, blog du concortium MASA,  : masa.hypotheses.org/60

Nouvel B., Rousset M. 2015. FRANTIQ : faciliter l’interconnexion des données de la recherche en archéologie et sciences de l’Antiquité, colloque Humanités numériques, l’exemple de l’Antiquité / Digital Humanities and Antiquity, Grenoble, France.

Rodier X., Marlet O. 2018. Exposer des données archéologiques dans le web sémantique selon les FAIR principles, Journées de la TGIR Huma-Num,  disponible sur : https://f-origin.hypotheses.org/wp-content/blogs.dir/1718/files/2018/07/MASA_Valpre2018-21.pdf

Stein B., Morrison A.2014. The enterprise data lake: Better integration and deeper analytics, Technology Forecast, 1.

L’auteur

Marie-Odile Rousset est archéologue, chargée de recherche CNRS, spécialiste du Proche-Orient médiéval. UMR 5133 – Archéorient, Maison de l’Orient et de la Méditerranée, Lyon.

---

---