Science ouverte : plus facile à dire qu’à « FAIR »…

Qui d’entre nous n’a pas encore entendu parler de « science ouverte » et des « principes de la science ouverte » ou « principes FAIR » qui nourrissent les injonctions adressées en ce domaine au monde de la recherche ? Mais « ouverte » à qui, et comment ? Parle-t-on là de science largement publiée ? de science partagée, c’est-à-dire offerte à chacun pour qu’il ou elle s’en empare ? de science compréhensible par chacun ? Quatre lettres et un acronyme (« FAIR ») paraissent fournir une clé de réponse : « F » pour facile à trouver, « A » pour accessible (plus ou moins librement), « I » pour interopérable, « R » pour réutilisable. Les trois premières renvoient à un environnement technique, clair pour « F » et « A », bien plus opaque pour les non-initiés en ce qui concerne le « I », qui fait le plus souvent l’objet d’une interprétation ultra-techniciste, pas vraiment dans l’esprit de l’article fondateur de la démarche, plus ouvert quant à son mode d’application (Wilkinson et al 2016). Reste le « R » qui, au-delà de sa dimension technique (jeux de données versus PDF), pose la question de l’intercompréhension des vocabulaires scientifiques utilisés, d’une équipe à une autre.

Les mots pour le dire

S’inscrire dans le Web dit « sémantique » ou « Web des données » (par opposition au Web des documents que nous pratiquons tous depuis 25 ans), constitue le Graal d’une telle stratégie FAIR : il s’agit de décrire individuellement ses données dans un format (une syntaxe formelle et le langage d’instructions associé) qui articule les termes de cette description de façon transparente pour des ordinateurs (Bermès Poupeau 2012). Encore faut-il que ces termes soient définis sans ambiguïté…

Cette condition n’est pas triviale : la réunion de lancement de projets ANR ciblés « données ouvertes » a ainsi permis à l’auteur de ces lignes de découvrir que, dans les bases de données de Météo France, le terme « température » pouvait renvoyer à des définitions différentes selon le jeu de données dans lequel on le trouvait, ce qui rendait certaines comparaisons, donc les calculs de variations climatiques, fort complexes à mettre en œuvre ; on devine l’enjeu pour le « R » des climatologues.

Or l’archéologie, passé l’acte fondateur individuel du terrain, est avant tout un discours. Les jeux de données contiennent, certes, un certain nombre de données factuelles répondant à un protocole de mesure précis ; en revanche, la description de la réalité observée, même appuyée sur des listes d’occurrences pré-établies dans les systèmes d’enregistrement, repose tout entière sur le postulat que le vocabulaire utilisé sera compréhensible sans ambiguïté tout au long de la chaîne d’interprétation heuristique qui mène à la publication d’une synthèse.

Au cœur du système de connaissances figurent les concepts que représentent les termes employés et les relations qui les organisent en un système sémantique. L’outil « thésaurus » régulé par une norme ISO (ISO 25964) a pour vocation de structurer et représenter un tel système (Fig. 1) ; la plateforme Opentheso, conçue et développée au sein de la MOM pour le GDS Frantiq par Miled Rousset (plateforme technologique Web sémantique et thesauri), s’est affirmé comme une référence pour la création et la diffusion de tels thésaurus (Nouvel, Rousset 2018).

Or, un système de connaissances est, par nature, évolutif, voire élastique. Si cette évidence signifie concrètement que les termes pour qualifier un phénomène peuvent varier dans le temps, elle veut aussi dire que la signification des termes employés peut elle-même évoluer pour rendre compte de nouvelles interprétations des réalités précédemment observées et décrites. En outre, dans les domaines les plus éloignées des sciences dites « exactes », l’absence d’autorité centralisatrice ou normative constitue un handicap sévère. Exemple radical de cette situation mouvante : l’élaboration de typologies, qui définissent ou ré-organisent des regroupements de formes répondant à des critères/définitions exprimés dans la publication qui les diffuse auprès de la communauté scientifique (Fig. 2).

Le vocabulaire du terrain scientifique est donc, dès sa première expression, fondamentalement différent du vocabulaire compilé dans les référentiels du Web sémantique les plus connus et reconnus : les référentiels bibliographiques et d’autorités-auteurs des grandes bibliothèques (BNF et ABES-IdRef en France, Library of Congress ou VIAF à l’international, par exemple) dont la caractéristique est de compiler des données « mortes », intangibles, dont la certitude peut être vérifiée. Leur première qualité est, au contraire du vocabulaire scientifique, d’être parfaitement stables dans le temps. Le vocabulaire associé est donc parfaitement adapté au Web des données. Le vocabulaire d’indexation bibliographique qui est associé à ces référentiels (Rameau en France, LCSH pour le monde anglo-saxon) a hérité de cette stabilité ; les entités qui les gèrent répugnent d’autant plus à des évolutions trop rapides liées à des granularités sémantiques très fines qu’elles indexent des publications, c’est-à-dire des synthèses pour lesquelles un niveau de granularité générique offre des descripteurs suffisants.

Mettre en thésaurus les mots de l’archéologie

Souvent présenté comme le « thésaurus de l’archéologie en France », les PACTOLS, créés et supportés par le GDS Frantiq, sont eux aussi issus du monde des bibliothèques ; ils s’ouvrent peu à peu aux scientifiques pour élaborer, dans des groupes de travail thématiques, un vocabulaire plus précis faisant office de « pivot » entre le vocabulaire bibliographique et le vocabulaire de la recherche, mais néanmoins toujours raccordé au Web sémantique (Nouvel 2020).

HyperThésau, initié en 2018-2019 par Marie-Odile Rousset (Archéorient), a mis en application au même moment ce principe du thésaurus « pivot » et l’a appliqué en particulier au vocabulaire de la prospection géophysique (Fig. 3), publié sur Opentheso en 2020 (Rousset et Girard 2021). La constitution de ce vocabulaire a soulevé bien sûr des questions méthodologiques : comment optimiser le choix, la définition et la structuration de concepts de regroupement qui pourraient enrichir des thésaurus de haut niveau mais en les fondant sur une réalité matérielle plus proche du terrain ? Ce niveau de normalisation sémantique doit être construit dans un dispositif de coopération régulée qui associe un ou des locuteurs de la langue du domaine, spécialistes-experts (en l’espèce : des archéologues géophysiciens), et un.e « ingénieur.e de la connaissance » maîtrisant ici l’usage de la norme des thésaurus. Ce dernier rôle n’est plus celui d’un arbitre décisionnaire, comme dans l’élaboration d’un vocabulaire d’indexation bibliographique, mais celui d’un « facilitateur méthodologique » de l’élaboration d’une sémantique réellement collégiale (Bachimont 2000).

Ce dispositif a prouvé son efficacité, mais, comme pour le vocabulaire de l’anthropologie traité dans le même temps par les PACTOLS, il l’a prouvé au sein d’un univers où l’archéologie se fond dans les sciences exactes (physique d’un côté, médecine de l’autre).

La journée Thésaurus Rex, organisée le 30 novembre dernier par l’axe thématique « Les données de la recherche, de l’acquisition à l’archivage » de la Maison de l’Orient et de la Méditerranée, a permis d’éclairer les pratiques du monde de l’archéologie dans des domaines au cœur des humanités et de les confronter à cette démarche de synthèse.

Pour les besoins de la publication d’un corpus numérique des Inscriptions grecques et latines de Syrie (IGLS) dans le modèle EpiDoc, l’équipe des IGLS a constitué une typologie ainsi qu’un thésaurus contenant plus de 1 500 labels/concepts épigraphiques ou géographiques (epigraphie.mom.fr). Ni les PACTOLS, ni les vocabulaires spécialisés existants (Eagle pour l’épigraphie, Pleiades pour la toponymie des sites antiques) ne répondaient au souci de détail ou de rigueur recherché par le projet. Créer le vocabulaire dans Opentheso a ensuite permis d’exploiter les adresses pérennes procurées par la plateforme pour automatiser une partie du processus d’édition et d’indexation des volumes numériques de la collection.

Le projet AgrocCCol, qui analyse l’élaboration et la transmission du savoir agronomique antique, a constitué, entre autres réalisations, un dictionnaire structuré du vocabulaire des plantes qui dépasse de beaucoup [± 400 références) le  nombre de labels/concepts que proposent les PACTOLS. Ce thésaurus multilingue et multi-alphabets est considéré comme une publication scientifique à part entière. Il sera l’une des colonnes vertébrales du site Internet du projet, qui se nourrira en temps réel du contenu de la fiche définissant et documentant chaque concept.

Enfin, dans un domaine – la céramologie – où la diversité des vocabulaires des équipes de recherche et des systèmes d’enregistrement paraît défier toute tentative de normalisation, le projet « Bibracte Ville Ouverte » a expérimenté une chaîne opératoire originale : transposer sous la forme d’un thésaurus (dans Opentheso) la totalité de la typologie de la céramique du site gallo-romain de Bibracte, ainsi que le modèle des tables et des relations de sa base de données. Puis, Bibracte a documenté avec ces labels – qui constituent autant de métadonnées – un dépôt dans l’entrepôt Nakala (Huma-Num) de la totalité des dessins des tessons et des tableaux de données issus de son système d’enregistrement. De « système propriétaire » et fermé, ce dernier est ainsi devenu un « système partagé », intégralement documenté. Une démarche identique de documentation du vocabulaire et du modèle de données des systèmes d’enregistrement de la céramique de l’Inrap et du logiciel Syslat est maintenant lancée, pour exploiter les propriétés de graphe des thésaurus créés dans Opentheso et en aligner les labels/concepts… donc les données. Grâce à ces propriétés de l’outil thésaurus, il deviendra théoriquement possible de regrouper, comparer et analyser ensemble ces données (Fig 4), sans avoir transformé les jeux d’enregistrement originels (Durost et al. 2021).

Conclusion

La mise en place d’une « chaîne opératoire supervisée » et collaborative permettant de rapprocher des vocabulaires scientifiques sans chercher à les fondre dans une norme ou à les aligner sur un « pivot », mais en exploitant les capacités de graphe sémantique qu’embarque la norme ISO qui définit les thésaurus, propose un glissement méthodologique radical. À la place (ou en complément) de thésaurus particuliers pensés comme des vocabulaires pivots d’un domaine, l’accent est mis sur le thésaurus-graphe (Fig. 5) pensé comme un outil pivot d’une interopérabilité calculée entre un vocabulaire et un processus d’édition-diffusion numérique ou entre des vocabulaires dont les particularités ne sont pas gommées : c’est la qualification de leurs relations qui permet de réutiliser pleinement des jeux de données distincts en faisant basculer l’archéologie dans le monde des big data.

Bibliographie

Wilkinson, M. D. et al., 2016. The FAIR Guiding Principles for scientific data management and stewardship. Scientific Data 3:160018. [En ligne] doi.org/10.1038/sdata.2016.18

Bermès E., Poupeau G., 2012. Les technologies du web appliquées aux données structurées. Calderan L., Laurent P., Lowinger H., Millet J. (éds), Le document numérique à l’heure du web, ADBS, pp.41-84, 2012. [En ligne] https://hal.archives-ouvertes.fr/hal-00843775

Nouvel B., Rousset M., 2018. Produire et diffuser des métadonnées thématiques pour l’archéologie : entre savoir-FAIR et pratique collaborative. Interopérabilité et pérennisation des données de la recherche : comment FAIR en pratique ?, Mission pour les Initiatives transverses et interdisciplinaires (MITI) du CNRS, groupe de travail inter-réseaux « Atelier données », Nov 2018, Paris, France. [En ligne] https://hal.archives-ouvertes.fr/halshs-02097601

Nouvel B., 2020. Deconstructing for reconstructing : the use of the BackBone Thesaurus for reorganizing 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

Rousset M.-O, Girard J.-P., 2021. Thesauri and Terminologies as Sources for the Interoperability of Archaeological Data: The Case of Prospection Vocabulary. ArcheoSciences vol. 45-1, 2021, pp. 191-195. [En ligne] doi.org/10.4000/archeosciences.9549

Bachimont B., 2000. Engagement sémantique et engagement ontologique : conception et réalisation d’ontologies en Ingénierie des connaissances. Charlet (J.), Zacklad (M.), Kassel (G), Bourigault (D.) (éds.), Ingénierie des connaissances, évolutions récentes et nouveaux défis, Eyrolles, 2000. [En ligne] www.utc.fr/~bachimon/dokuwiki/_media/fr/ontologie-icbook.pdf

Durost S., Reich G., Girard J.-P., 2021. Terminologies, modèles de données archéologiques et thésaurus documentaires : réflexions à partir d’une typologie de céramique, 2021. [En ligne] https://hal.archives-ouvertes.fr/hal-03278684

L’auteur

Jean Pierre Girard est expert indépendant en conception et accompagnement numérique de projets culturels et archéologiques, cheville ouvrière de la création du consortium et du projet HyperThésau.

---

---