Concilier interopérabilité et réutilisabilité des données ou comment trancher le nœud gordien du web sémantique en archéologie ?

Il y a 23 siècles, Alexandre le Grand, confronté à un problème théorique inextricable, choisit de faire confiance à son intuition et à sa pratique expérimentale : que faire lorsque les différentes composantes d’un problème (en l’espèce, un timon et un joug) sont reliés par des liens si bien emmêlés que les dénouer paraît insoluble ? Trancher ! L’ouverture et le partage des données archéologiques, envisagées sous l’angle de la démarche FAIR (= Findable, Accessible, Interoperable, Reusable : Wilkinson et al. 2016) promue comme l’alpha et l’oméga d’une stratégie de la science ouverte, posent à certains égards des questions du même ordre : les exigences de l’interopérabilité (le « I » de FAIR) et de la réutilisabilité (le « R ») des données sont-elles conciliables et démêlables dans la mise en œuvre d’une démarche du type « web sémantique » (dit aussi « web des données ») ?

Pour cette démarche, l’expression sémantique de ces données (vocabulaire de description, relations formelles entre elles) doit être dénuée d’ambiguïté, c’est-à-dire extraite du langage naturel et, si possible, normalisée – une approche expérimentée de longue date dans la recherche historique (Beretta 2017). L’interopérabilité de bases de données hétérogènes repose alors sur le rapprochement (on parle « d’alignement ») de leurs modèles de données (c.-à-d. l’organisation des relations entre les champs des bases de données) ; leurs contenus (les données elles-mêmes) sont reliés dans ce but à des catégories (Fig. 1) d’un haut niveau conceptuel (les « classes » d’une « ontologie », cet outil intellectuel créé par la philosophie mais détourné dans les années 1990 pour l’informatique documentaire) ; ces classes correspondent à une sorte de plus grand dénominateur sémantique (Doerr et al. 2015, Marlet et al. 2019).

Un tel processus rend néanmoins délicate une compréhension fine des spécificités d’un domaine et d’une recherche singulières (ainsi le concept « objet physique fabriqué par l’homme », par exemple, agrègera des pièces de monnaie et des arquebuses). Qu’en est-il alors d’une réutilisabilité réelle, conçue dans la démarche FAIR comme la possibilité d’automatiser des algorithmes de comparaison et de calcul entre les machines hébergeant ces jeux de données ?

HisArc-RDF a cherché à minimiser cet effet d’imprécision en faisant reposer en amont l’interopérabilité, certes sur un modèle conceptuel aligné avec des ontologies documentaires de référence, tel le Cidoc-CRM, mais aussi sur l’articulation des libellés du modèle avec des vocabulaires contrôlés et structurés dans des référentiels-thésaurus de terminologies scientifiques (Fig. 2), tels que théorisés dans le projet HyperThésau (Rousset et Darmont 2020, Perrin 2021). Pour être efficientes, ces terminologies doivent, autant que possible, descendre jusqu’à un niveau de granularité bien plus proche du « terrain » que les vocabulaires (bibliographiques) traditionnels (Durost et al. 2022).

HisArc-RDF, un projet à la fois théorique et expérimental

Construit autour des laboratoires Archéorient et LARHRA, HisArc-RDF a réuni de 2020 à 2022 un consortium pluridisciplinaire (archéologie, histoire, terminologie, bibliographie et informatique) qui s’est attaché à développer le prototype d’une chaîne d’opérations pour le partage de données archéologiques et historiques, rendues « FAIR » par l’articulation de méthodes et d’outils développés initialement dans chaque discipline. Pour créer un ensemble de relations entre un modèle conceptuel et une terminologie, une API (Application Programming Interface) a été développée entre la plateforme OntoME, de l’Axe de Recherche en Histoire Numérique du LARHRA, et la plateforme de gestion de thésaurus Opentheso, développée à la MOM. OntoME permet la création d’ontologies et/ou l’utilisation d’ontologies préexistantes adaptées au domaine étudié ; Opentheso permet de structurer formellement des vocabulaires de recherche que l’usage de la plateforme a inscrits de facto dans le web sémantique. Dans le cadre d’HisArc-RDF, un pas supplémentaire a été franchi avec l’interconnexion d’Opentheso à OntoME (ainsi qu’à la plateforme IdRef qui gère les autorités de l’Agence bibliographique de l’enseignement supérieur).

Concernant les données elles-mêmes, trois jeux-tests de données en archéologie préventive (fouilles urbaines à Vienne en Isère), archéologie du Proche-Orient (prospection à l’échelle de la région des Marges arides de Syrie du Nord) et historiographie de littérature régionale (en langue bretonne) ont été réunis. Ces jeux de test ont été documentés grâce à une chaîne de traitement fondée :

•  sur l’usage de micro-thésaurus (dans Opentheso) et d’un référentiel d’autorités bibliographiques (IdRef) dont les concepts descripteurs sont précisément définis (Fig. 3), les labels de haut niveau (top terms) étant appariés avec ceux d’autres référentiels présents dans le web sémantique ;
• sur l’alignement des top terms de ces thésaurus avec les libellés des classes des ontologies conçues et documentées dans OntoME (Fig. 4).

Ces micro-thésaurus documentent à la fois les libellés des champs des bases de données et les valeurs utilisées à l’intérieur de ces champs pour décrire les faits observés. Ils répondent aux besoins des deux communautés documentaire et scientifique.

Pour boucler la boucle de la chaîne opératoire, les jeux de données et toute leur documentation graphique doivent être publiés dans des entrepôts publics ouverts (tels que Nakala ou Zenodo), chacun de ces éléments étant lié à Opentheso par une ou plusieurs métadonnées (les labels des thésaurus de rang inférieur aux top terms) ; les adresses d’accès à chaque donnée ou document fournies par l’entrepôt sont elles-mêmes reportées dans Opentheso pour rendre la relation réciproque.

En fin de chaîne, les données ainsi traitées doivent être exprimées en langage informatique RDF (l’un des langages d’expression du web sémantique) ; devenues interopérables, elles peuvent être déposées dans un entrepôt spécifique permettant leur publication et leur interrogation, dans l’optique d’une réutilisation pour de nouvelles recherches.

Acquis et limites du projet

Le résultat le plus important ne figurait pas en tant que tel dans les attendus initiaux, mais il est vite devenu le premier enjeu du projet ; il s’est agi d’acculturer progressivement une communauté d’archéologues au vocabulaire et à la pratique concrète de la création d’une ontologie adaptée à ses jeux de données.

Les bases de données archéologiques de la discipline lient des enregistrements (traduction des observations et trouvailles de terrain) à des tables, elles-mêmes liées entre elles, qui structurent la représentation informatique (Fig. 5). Cette modélisation, qui peut être jugée « inconsciente ou non réfléchie » (Beretta et Vernus 2012) en ce qu’elle est avant tout le reflet de la pratique quotidienne d’un groupe de recherche particulier, n’autorise guère l’interopérabilité des données et rend même aléatoire leur réutilisation lorsque ces dernières sont transmises « de la main à la main »… sans parler de la transmission en PDF de tableaux exportés depuis la base de données… ni de l’évolution des systèmes d’enregistrement sur la longue durée de certaines fouilles majeures (Lukas et al. 2018).

Néanmoins, organiser l’enregistrement des faits archéologiques en une logique d’entités (« classes ») regroupant des individus (« instances ») possédant les mêmes attributs qui reflètent leur essence (d’où la reprise à la philosophie du terme « ontologie »), les classes étant reliées par des associations (ou « propriétés ») devant respecter une logique formelle héritée de classe en classe, exige de passer à un modèle d’abstraction qui, pour être passionnant, n’en reste pas moins très éloigné de la structuration, mûrement réfléchie quoi qu’on en dise, héritée de la démarche d’observation sur le terrain.

À la recherche d’un compromis méthodologique entre les deux approches, plusieurs équipes de recherche se sont d’ailleurs efforcées récemment de définir et publier des « ontologies de domaine » pour l’étude de la céramique archéologique jusqu’à une granularité très fine des données (Brancato et al. 2019, Tong et al. 2021), en fondant leur analyse sur une approche de la théorie des ontologies très différente de l’approche du Cidoc-CRM.

« Acculturation » signifie donc d’abord mesurer, au-delà de la complexité technique, les effets positifs et/ou négatifs du changement de paradigme. Comment évaluer le potentiel heuristique du regard réflexif porté sur les objectifs, les méthodes et les outils d’enregistrement de l’archéologie ? Comment choisir entre les différents paradigmes ontologiques qui sont en concurrence ? Comment arbitrer entre une modélisation qui favorisera l’interopérabilité des données au prix d’une certaine imprécision, et une modélisation a contrario plus fine, qui favorisera leur interprétation et leur réutilisabilité ? Malgré la bonne volonté exprimée de part et d’autre, cette démarche a pris beaucoup de temps et n’est pas pleinement achevée à l’issue du projet.

Enfin, une fois l’effort conceptuel accompli, un dernier obstacle est à surmonter : développer le code informatique qui transcrira en langage RDF la modélisation créée et documentée avec la terminologie ad hoc. Il s’agit donc de mener à son terme un processus reposant fortement sur l’informatique… dans des laboratoires très majoritairement dépourvus d’informaticien de métier. En ce sens, HisArc-RDF a contribué à éclairer, pour ses membres, la grande difficulté du consortium MASA à réellement populariser son travail ; MASA a en effet été, d’une part, contraint de recruter in fine des ingénieurs pour les mettre à disposition des laboratoires désireux d’exprimer leurs données dans le modèle mis au point par le consortium (à partir du Cidoc-CRM) et a de facto peiné, d’autre part, à entraîner derrière lui l’ensemble de la discipline, malgré la qualité technique reconnue de ses livrables.

Le nœud gordien

C’est pourquoi HisArc-RDF en est venu à explorer – au service de l’objectif central d’ouverture et de partage de données archéologiques interopérables et réutilisables – deux voies distinctes : l’une s’est efforcé de construire une chaîne opératoire « idéale » d’expression des données au travers d’une ontologie de haut niveau couplée à une terminologie permettant de la préciser dans une certaine mesure, comme décrite plus haut, en privilégiant l’interopérabilité ; l’autre, développée en articulation avec le projet Collex-Persée Bibracte Ville Ouverte, a mis au point une chaîne opératoire « machine-humain-machine » centrée sur la terminologie mais fondée sur des outils « du coin de la rue » (tableur, métadonnées embarquées dans un fichier de dessin vectoriel, entrepôt Nakala d’Huma-Num) pour viser une réutilisabilité maximale des données… et de la méthodologie de partage mise en œuvre.

Ces deux approches sont-elles opposées ou complémentaires ? En l’état, à la différence d’Alexandre, les archéologues d’HisArc-RDF ont choisi de… ne pas (encore) trancher.

Bibliographie

Beretta F., 2017. « L’interopérabilité des données historiques et la question du modèle : l’ontologie du projet SyMoGIH », in Enjeux numériques pour les médiations scientifiques et culturelles du passé, coll. « Notions et méthodes », Presses universitaires de Paris Nanterre. shs.hal.science/halshs-01559816

Beretta F., Vernus P., 2012. « Le projet SyMoGIH et la modélisation de l’information : une opération scientifique au service de l’histoire », Les Carnets du LARHRA 1|2012. shs.hal.science/halshs-00677658

Brancato R. et al., 2019. « An Ontology for Legacy Data on Ancient Ceramics of the Plain of Catania », in Proceedings of the 34th Italian Conference on Computational Logic, University of Trieste.

Doerr M. et al. 2015. Mapping archaeological databases to CIDOC-CRM, in Proceedings of the 43rd Computer Applications and Quantitative Methods in Archaeology Conference “Keep the Revolution Going” (CAA’15), 443-452. www.archaeopress.com/Archaeopress/Products/9781784913373

Durost S., Reich G. et Girard J.-P., 2022. « Terminologies, modèles de données archéologiques et thésaurus documentaires : réflexions à partir d’une typologie de céramiques », Humanités numériques [en ligne], 6|2022. doi.org/10.4000/revuehn.3119

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.

Marlet et al., 2019. OpenArchaeo for Usable Semantic Interoperability. Proceedings of the First International Workshop on Open Data and Ontologies for Cultural Heritage (@CAiSE 2019). https://ceur-ws.org/Vol-2375/

Perrin E., 2021. « Thésaurus et interopérabilité des données archéologiques : le projet HyperThesau ». Humanités numériques 4|2021 [en ligne]. doi.org/10.4000/revuehn.2384

Rousset M.-O., Darmont J., 2020. HyperThésau : résultats et perspectives, ArchéOrient – Le Blog (Hypotheses.org). [En ligne] https://archeorient.hypotheses.org/15576

Tong W. et al. 2021. « An Ontology of Chinese Ceramic Vases », in Proceedings of the 12th International Joint Conference on Knowledge Discovery, Knowledge Engineering and Knowledge Management (IC3K2020), Vol.2 : KEOD. doi.org/10.5220/0010110600530063

Wilkinson, M. et al. 2016. « The FAIR Guiding Principles for scientific data management and stewardship », Scientific Data 3|2016. doi.org/10.1038/sdata.2016.18 Addendum, Scientific Data 6|2019. doi.org/10.1038/s41597-019-0009-6

L’auteur

Jean Pierre Girard est chercheur associé de l’UMR 5133 Archéorient, concepteur et coordinateur de projets consacrés à l’ouverture et au partage des données archéologiques.

---

---