HyperThésau : résultats et perspectives

Dans le cadre du Labex Intelligence des Mondes Urbains, HyperThésau a été lancé en 2018 par Archéorient avec le laboratoire informatique ERIC et un consortium très interdisciplinaire. Nous ne reviendrons pas ici sur la présentation du projet, sujet de précédents billets de blog (ici et là). Il a montré l’intérêt de développer conjointement trois outils ou méthodes du cycle de vie des données archéologiques : un thésaurus-métier, pivot entre le vocabulaire utilisé par chaque chercheur et les référentiels canoniques du Web sémantique ; un lac de données archéologique, architecture informatique puissante pour regrouper, transformer et traiter des données et documents hétérogènes sans recours à une modélisation préalable ; la science participative, qui fait de l’amateur un opérateur de la connaissance qu’il découvre et enrichit dans le même mouvement.

Élaboration d’un thésaurus pivot archéologique

Emmanuelle Perrin, terminologiste d’HyperThésau, a théorisé et mis en pratique la réalisation de micro-thésaurus thématiques appelés à servir de pivots entre le vocabulaire-métier utilisé au quotidien par tout chercheur, dans son système d’information et dans ses publications, et les référentiels du Web sémantique (participation d’Emmanuelle Perrin aux colloques Dahlia et Humanistica). Ces derniers ont été élaborés pour un usage documentaire, très majoritairement au sein des bibliothèques, à un niveau de généralité optimal pour décrire rapidement le sujet d’une publication. Par surcroît, la hiérarchie formelle de leurs termes et une partie de ceux-ci reflètent – comme toute taxonomie – un état de l’art parfois daté, car ces outils complexes à maintenir évoluent très lentement, c’est-à-dire moins vite que les pratiques – donc le langage – de la recherche. Ils n’en sont pas moins les relais incontournables, donc indispensables, du partage des données et de la diffusion des connaissances. Plutôt que de tordre ou simplifier à l’extrême la description sémantique des données scientifiques, HyperThésau a fait le choix du passage par un relais traducteur : un thésaurus pivot. Il est à noter que le thésaurus PACTOLS du GDS Frantiq, utilisé entre autres par l’Inrap, a fait le même choix, au moment même où HyperThésau entamait ses travaux (Nouvel et al. 2020).

Le thésaurus pivot a été élaboré avec le souci de « désambiguïser » en profondeur chacun des termes retenus : concrètement, au-delà de son insertion dans une logique formelle respectant la norme ISO 25964 d’interopérabilité des thésaurus documentaires, chaque concept a été doté d’une définition sourcée et de relations logiques avec d’autres concepts, puis aligné avec une dizaine de grands référentiels internationaux du monde des bibliothèques, piliers du Web sémantique. Pour réaliser une micro-preuve de concept très appliquée, HyperThésau a réuni autour de notre terminologiste un panel d’une dizaine de chercheurs en spatialisation des données et en techniques géophysiques, afin d’élaborer un « thésaurus-métier » de la prospection instrumentée en archéologie. À l’issue d’un an de travail, ce vocabulaire-métier structuré et défini constitue le cœur d’HyperThésau, thésaurus méthodologique de l’archéologie (± 500 termes répartis en sept domaines) ; HyperThésau est publié en accès libre sur la plateforme Opentheso de la Maison de l’Orient et de la Méditerranée (sommaire Opentheso). Cette collaboration a d’ailleurs amené Emmanuelle Perrin à créer le premier tutoriel complet de la plateforme (opentheso.hypotheses.org). L’expérience a confirmé qu’une alliance étroite entre des compétences de terminologiste et des compétences d’archéologue était indispensable à la réussite de l’exercice. Par ailleurs, dans le cadre du projet dérivé « Bulliot, Bibracte et moi » (cf infra), un micro-thésaurus des toponymes du mont Beuvray (site de Bibracte) a pu être amorcé (Perrin 2020).

Conception, implémentation et test d’un lac de données archéologiques

Liu Pengfei, docteur en informatique, a conçu et implémenté, pour sa part, une architecture générique de lac de données. Cette solution vise à pallier l’absence de normalisation pour les formats des systèmes d’information archéologiques et de consensus sur les outils-supports ; les formats de description et d’archivage informatiques diffèrent d’un chercheur à l’autre et sont par ailleurs en évolution constante, y compris au sein d’un même projet de recherche (Lukas et al. 2018). Le laboratoire ERIC a défini  en 2019 un lac de données comme un système de stockage et d’analyse de données et documents de tous types, dans leur format natif [c’est-à-dire sans schéma de données prédéfini], doté d’un système de métadonnées (Scholly et al. 2019). Dans le cas de corpus de données textuelles, les métadonnées incluent des ressources globales telles que des thésaurus (Sawadogo et al. 2019) et des métadonnées sémantiques propres à chaque fichier, reliées à ce référentiel. Pour implémenter le lac de données sur les serveurs de Lyon 2 (Liu et al. 2020 et Darmont et al. 2020, colloques DH2020 et ddh2020), Liu Pengfei a mis en place une architecture de serveurs opérée par des outils adaptés aux big data permettant d’ingérer pour les analyser les fichiers et documents proposés par des partenaires du consortium (Bibracte, ArAr-Artefacts).

Fig. 1 et 2 : les étapes du traitement des données et l’architecture technique du lac de données.

Le travail de recherche interdisciplinaire s’est ensuite concentré autour de deux axes : la qualité des données et de leur documentation à l’aide de métadonnées sémantiques.

La qualité d’un jeu de données correspond à sa capacité à respecter ses caractéristiques explicites (par ex. : des nombres dans un champ destiné au calcul) ou implicites (par ex. : la graphie constante d’un nom propre) ; c’est le respect de ce préalable qui permet de réaliser des opérations répétitives sur l’ensemble des données. HyperThésau a montré que le garantir n’est pas du tout trivial, pour des jeux de données alimentés sur une longue durée par de multiples intervenants.

Pour l’opération de « documentarisation » sémantique des données et documents, HyperThésau a fait développer une passerelle logicielle sous la direction de Miled Rousset (plateforme Web sémantique et thésauri de la MOM) permettant d’importer dans l’outil ad hoc du lac (Atlas, cf illustration) un référentiel créé dans Opentheso. Ensuite, le projet devait explorer l’apport de l’intelligence artificielle à l’exploitation croisée du thésaurus et des contenus du lac (reconnaissance et extraction-documentarisation de termes), mais a très vite buté sur un problème logistique… d’accès bloqué aux serveurs de Lyon 2 durant le confinement du printemps 2020, alors que l’architecture et les outils employés, bien que duplicables sur un ordinateur personnel, n’y étaient pas opérationnels faute de puissance de calcul. Avoir rappelé ce risque de blocage inhérent à une architecture « client-serveur » est, paradoxalement, l’un des résultats importants de cette partie du projet. Un autre rappel méthodologique a trait à la notion d’« utilisabilité » (Le Coadic 1997) : HyperThésau a confirmé que faire du lac un véritable outil heuristique (capable d’opérer dans le cadre de raisonnements disciplinaires) nécessite que les archéologues puissent, au moins jusqu’à un certain point, y intervenir directement (nettoyer leurs données, interroger le corpus, transformer ou analyser conjointement les données structurées comme non structurées) via une interface web en langage naturel, fondée sur une analyse de l’expérience-utilisateur des non-informaticiens (cf supra Darmont et al. 2020).

Archéologie participative : une émulation scientifique collective plus forte  que la pandémie

Pour expérimenter l’archéologie participative, HyperThésau a développé un projet de transcription des carnets de fouille manuscrits de J.-G. Bulliot, découvreur et premier fouilleur du site gaulois de Bibracte au XIXe siècle : « Bulliot, Bibracte et moi ».

Le dispositif repose sur des amateurs férus d’archéologie, habitants du territoire ou pas, et s’appuie sur l’intelligence artificielle avec l’utilisation de Transkribus, plateforme Internet créée par un consortium européen H2020 (conduit par l’Université d’Innsbrück et l’Université polytechnique de Valence) pour la transcription automatique de textes manuscrits (Transkribus a dû devenir entretemps, pour assurer sa pérennité, une société coopérative européenne). L’intelligence artificielle du moteur de reconnaissance de texte doit être entraînée avec des données d’apprentissage produites par les participants ; les mêmes contrôlent et enrichissent in fine par un balisage la transcription produite par le moteur ; ils participent aussi à l’écriture d’un carnet de recherche sur Hypotheses.org.

En un peu plus d’un an, un groupe d’une douzaine de volontaires a été accompagné par Emmanuelle Perrin, Philippe Chassignet (recruté grâce à un financement complémentaire du ministère de la Culture au titre des « Services numériques innovants 2019 ») et Claire Dépalle (Bibracte). Les participants ont transcrit, relu et corrigé les presque 700 pages des carnets de J.-G. Bulliot, et les ont aussi balisées pour signaler les noms propres, toponymes, dates et références bibliographiques présents dans le texte.

Nos amateurs se sont aussi attaqués au déchiffrement du Livre d’or des visiteurs de J.-G. Bulliot, ce qui a donné naissance à d’inattendus et passionnants développements sur l’histoire des années 1880 en France (« Jules Grévy […] contre les Khroumirs »). In fine, « Bulliot, Bibracte et moi » est référencé dans l’Observatoire des plateformes contributives, référentiel pérenne créé par l’ANR Collabora.

Pour consolider l’émulation propre au groupe, soutenir la réflexion collective et accompagner le travail en ligne, HyperThésau a organisé un cycle d’ateliers rythmant la progression des différentes phases du travail, en particulier la plus délicate : la phase initiale de création du jeu d’essai. À ce stade, il n’était pas question de faire des volontaires de « petits archéologues » mais au contraire de capitaliser sur leurs qualités personnelles d’attention, de curiosité, de capacité à résoudre les nuées de micro-énigmes que pose la reconnaissance de la forme et du sens des mots d’un manuscrit. Pour entretenir, entre deux ateliers, le lien entre les animateurs et le groupe et entre les volontaires eux-mêmes, il a été fait appel à des outils « sociaux » en ligne. Confronté, à partir de mars 2020, au défi de maintenir cette dynamique dans le contexte de la pandémie de Covid-19, le projet a basculé dans une logique d’ateliers virtuels intégrant aussi des moments de découverte ludique historico-muséographiques (en lien avec l’initiative #culturecheznous) ; notre espace « Bulliot » sur la messagerie professionnelle Slack s’est révélé un excellent support pour cela. Ainsi l’isolement né du confinement a-t-il pu être en partie transcendé par un rapport au groupe renforcé. Cette approche de l’animation d’un projet de science participative a été mise en valeur lors du webinaire « Participer depuis chez soi » organisé par le réseau Particip-Arc – Recherche culturelle et sciences participatives.

La transcription des carnets de J.-G. Bulliot sera publiée en 2021 et progressivement enrichie dans le cadre d’une collection « Perséide », sur la plateforme de la bibliothèque numérique Persée (Perséides). Ce sera la conclusion du projet « Bulliot, Bibracte et moi » : mener en co-construction avec les amoureux d’un territoire un projet scientifique de transcription, d’étude et de publication dans le Web sémantique d’une archive centenaire, désormais « nativement numérique » et bientôt accessible à tous.

Résultats et perspectives

Il faut noter que, malgré la pandémie, l’essentiel des objectifs d’HyperThésau a été atteint et a, directement ou incidemment, produit des apports méthodologiques concrets. HyperThésau a aussi permis de constituer autour d’Archéorient une communauté durable de partenaires qui a donné naissance à une brassée de nouveaux projets (outre « Bulliot, Bibracte et moi », déjà cité) :

• « HisArc-RDF » (porté par Archéorient et financé par l’ANR Flash « Données ouvertes ») cherche à marier une approche fondée sur un thésaurus à la démarche de modélisation portée par le développement de l’ontologie Cidoc-CRM – créée à l’origine pour le monde des musées ; le projet associe, entre autres, le LARHRA, Archéodunum, Bibracte, la MOM-Opentheso et l’ABES ;

• « Bibracte Ville Ouverte » (porté par la MSH Ledoux et financé par le GIS Collex-Persée) s’appuiera sur un thésaurus de la protohistoire européenne pour documenter finement et verser dans le catalogue collectif indexé Frantiq les notices de la bibliothèque de Bibracte, ressource de référence pour cette période ; le projet associe, entre autres, Bibracte, Frantiq et à nouveau la MOM-Opentheso et l’ABES ;
• « Intelligence artificielle et analyse d’un «lac de données» […] pour l’archéologie », porté par ERIC et financé par la Région Auvergne Rhône-Alpes, vise à prolonger HyperThésau en explorant les enjeux d’intelligence artificielle appliqués à un lac de données (archives et carnets de fouille) catalanes ; le projet associe, entre autres, l’Université autonome de Barcelone et le musée d’Archéologie de Catalogne.

Dans son évaluation du dossier HyperThésau, en 2018, le Labex IMU relevait « le défi qui consiste à conduire la communauté scientifique à adhérer consensuellement autour d’un thesaurus de référence. Mais ce beau projet a été reçu comme pouvant relever d’un pré-calibrage pour un futur montage ANR voire européen ». Le défi principal, on l’a vu, a été relevé grâce à la complémentarité des compétences de notre terminologiste et de celles des archéologues. Le second n’a pu se concrétiser que grâce à la décision de l’IMU d’affecter un poste à l’animation de la communauté interdisciplinaire réunie par et autour d’HyperThésau, bien au-delà de son suivi administrativo-opérationnel. En l’occurrence, « communauté » n’est pas qu’un mot, mais la traduction de la chaleur et de la convivialité des moments et travaux collectifs advenus en 2019… et même, malgré la pandémie, en 2020.

Fig. 5 à 7 : capture d’écran du comité de pilotage d’HyperThésau en visioconférence, en juin 2020, puis…
les mêmes à Bibracte, déconfinés, un mois plus tard.

Bibliographie HyperThésau

Thésaurus HyperThésau : thesaurus.mom.fr/opentheso/

Carnet de recherche « Bulliot, Bibracte et moi » : bbm.hypotheses.org

Chassignet P. et Perrin E., 2020. Bibracte Bulliot et moi, Participer depuis chez soi. Le confinement : source d’innovations pour les recherches culturelles participatives ?, webinaire organisé par le réseau Particip-Arc, 7 juillet 2020. [En ligne] www.participarc.net/ressources/rbyny-2020-participez-depuis-chez-soi

Colin F., 2020. Le pharaon Jules Grévy à Bibracte et la campagne de Tunisie contre les Khroumirs, Carnet de laboratoire en archéologie égyptienne,10 août 2020. [En ligne] https://clae.hypotheses.org/487

Darmont J., Favre C., Loudcher S. et Noûs C., 2020. Data Lakes for Digital Humanities, 2^nd International Digital Tools & Uses Congress (DTUC 2020), Hammamet, Tunisia,  October 2020, 38-41. [En ligne] https://ddh20.sciencesconf.org/resource/page/id/2

Dépalle C., Durost S., Girard J.-P., Perrin E., “Bulliot, Bibracte et moi”, une expérience de science participative en archéologie, Culture et recherche, Recherche culturelle et sciences participatives, jan.-fév. 2020, p. 78.

Girard J.-P., Durost S., Perrin E., Rousset M.-O., 2019. HyperThésau – Bibracte Numérique. Archéologie, le trésor est noyé dans la brume des données, on cherche un phare… ou une boussole, Séminaire Données de lʼhistoire de lʼart et de lʼarchéologie du GDR MaDICS-Entrepôts et analyse de documents (ADOC), 37^e congrès INFormatique des Organisations et Systèmes dʼInformation et de Décision (INFORSID), université Paris-Dauphine, Paris, juin 2019. [En ligne] eric.univ-lyon2.fr/adoc/

Girard J.-P., Perrin E., Guillaumet J.-P., Chassignet P., 2019. Une seconde vie pour les archives archéologiques : les amateur.e.s à la rescousse !, ArchéOrient – Le Blog, 6 décembre 2019. [En ligne] https://archeorient.hypotheses.org/13123.

Le Coadic, Y. F., Usages et usagers de l’information, Paris, Nathan, 1997.

Liu P., Loudcher S., Darmont J., Perrin E., Girard J.-P., Rousset M.-O., 2020. Metadata model for an archeological data lake, Digital Humanities (DH 2020), Ottawa, Canada, juillet 2020. [En ligne] https://dh2020.adho.org/

Lukas D., Engel C., Mazzucato C., 2018. Towards a Living Archive: Making Multi Layered Research Data and Knowledge Generation Transparent, Journal of Field Archaeology, vol. 43, 2018 doi.org/10.1080/00934690.2018.1516110.

Nouvel B., 2020. Deconstructing for reconstructing : the use of the BackBone Thesaurus for reorganising the PACTOLS thesaurus. FAIR Heritage – Digital methods, scholarly editing and tools for cultural and natural heritage, Tours, juin 2020. [En ligne] hal.archives-ouvertes.fr/halshs-02890892

Perrin E., 2020. Les données de l’archéologie au prisme des humanités numériques : thésaurus et interopérabilité sémantique, Colloque Humanistica 2020 (congrès reporté à 2021). [En ligne] hal.archives-ouvertes.fr/hal-02865148

Perrin E., 2020. L’interopérabilité par le vocabulaire : l’élaboration d’un thésaurus pivot de l’archéologie, Humanités Numériques (en ligne), à paraître

Perrin E., Chassignet P., 2020. Rendre visible la face cachée de l’iceberg, ArchéOrient – Le Blog, 27 mars 2020, [En ligne] https://archeorient.hypotheses.org/14807

Perrin E., Chassignet P., 2020. Extraire et structurer des informations géographiques sur les lieux de fouille archéologiques : le référentiel du site de Bibracte (mont Beuvray, Morvan), Assises MAGIS 2020, GDR MAGIS, Juin 2020, Paris. [En ligne] hal.archives-ouvertes.fr/hal-02882058

Perrin E., Girard J.-P., Durost S., Rousset M.-O., 2020. Thésaurus et terminologies à la sourcede l’interopérabilité des données archéologiques, Atelier Dahlia – EGC, 28 janvier 2020, Bruxelles. [En ligne] dahlia.egc.asso.fr/atelierDAHLIA-EGC2020

Sawadogo P.N., Kibata T., Darmont J., 2019. Metadata Management for Textual Documents in Data Lakes. 21^st International Conference on Enterprise Information Systems (ICEIS 2019). [En ligne] hal.archives-ouvertes.fr/hal-02012092

Scholly É., Sawadogo P.N., Favre C., Férey É., Loudcher S., Darmont J., 2019. Metadata Systems for Data Lakes: Models and Features. Communications in Computer and Information Science, 1064, p. 440-451

Les auteurs

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.

Jérôme Darmont est professeur d’informatique à l’université Lumière Lyon 2, spécialiste des bases et entrepôts de données et de l’informatique décisionnelle « dans le nuage » – directeur de l’Unité de Recherche 3083 des universités Lyon 2 et Lyon 1 ERIC.

Sabine Loudcher est professeure d’informatique à l’université Lumière Lyon 2, spécialiste de l’analyse des métadonnées pour les humanités numériques – co-responsable de l’axe Sociétés et Humanités numériques de la MSH Lyon-Saint Étienne.

Vincent Guichard est archéologue, directeur général de Bibracte EPCC et directeur scientifique du centre archéologique européen de Bibracte (mont Beuvray).

Miled Rousset est informaticien, responsable de la plateforme Web sémantique et thesauri de la Maison de l’Orient et de la Méditerranée, Lyon.

Liu Pengfei est docteur en informatique, spécialiste de la conception et de l’exploitation de lacs de données en entreprise et dans le monde de la recherche – a conçu et mis en place le lac de données.

Jean Pierre Girard est chercheur associé de l’UMR 5133 Archéorient, coordinateur des projets HyperThésau et « Bulliot, Bibracte et moi ».

Sébastien Durost est archéologue, responsable du programme Bibracte numérique et des publications du centre de recherche de Bibracte, coordinateur d’HyperThésau pour Bibracte.

Claire Dépalle est médiatrice, responsable de la médiation numérique au musée de Bibracte, co-animatrice de « Bulliot, Bibracte et moi ».

---

---

---