Réutilisabilité – Réutiliser les corpus numériques

En décembre dernier, à l’initiative d’Anne Garcia-Fernandez, Élisabeth Greslou (ELAN – UMR 5316) et Richard Walter (THALIM – UMR 7172), s’est réuni un groupe de travail issu du consortium CAHIER intitulé « Réutilisabilité », dont l’objectif est de questionner les problèmes liés à la réutilisation des corpus numériques.

La recherche produit depuis près de vingt ans corpus textuels et éditions numériques ; elle a traversé une phase d’expérimentation durant laquelle s’est élaborée, avec l’appui de CAHIER, une réflexion collective sur les bonnes pratiques, et où normes, standards et processus se sont progressivement structurés et consolidés. Les participants de ce groupe de travail ont ainsi, pour la plupart, produit des corpus littéraires, généralement dans une perspective éditoriale, qui sont aujourd’hui mis à disposition de la communauté scientifique, ou en voie de l’être. Selon les cas, ces données sont disponibles sous différentes formes – images numérisées de manuscrits, transcriptions encodées en XML-TEI de manière plus ou moins riche, documents PDF, entrepôts OAI-PMH – et plus ou moins éditorialisées ; elles ont fait l’objet d’efforts considérables en vue de leur « fairisation » : alignement avec des référentiels, structuration qui les rend moissonnables, encodage en TEI….

Cependant, dans les faits, ces données que leur conformité aux principes FAIR rend réutilisables sont peu réutilisées. Qu’est-ce qui freine alors cette appropriation des données produites par d’autres chercheurs ? Qu’est-ce qui peut au contraire l’encourager ? L’enjeu de cette première réunion, auquel quelques membres du réseau SHN ont pu se joindre – ses questionnements rejoignant ceux du programme REUSE -, est de partir des pratiques et des réflexions des participants pour travailler sur ces questions.

La nature des données

Quand on parle de « données », s’agissant de corpus textuels, de quoi parle-t-on au juste ? Des fac-simile (numériques ou non), par exemple, peuvent-ils être considérés comme une donnée ? Et une transcription – encodée ou non -, une édition en ligne, des notices… ? La question n’est pas si simple à trancher, ni si anodine.

Je me permettrais ici une digression par rapport aux échanges de la journée, car le problème me semble intéressant à recontextualiser : la difficulté à identifier précisément l’objet « donnée » concerne en effet l’ensemble de la communauté scientifique, et traverse plus encore les sciences humaines et sociales, devant lesquelles on agite souvent l’exemple des « sciences dures » sans prendre en compte la spécificité des matériaux avec lesquels elles travaillent. Matériau, source, donnée : est-ce la même chose, d’ailleurs ? Et peut-on tracer clairement, d’autre part, la frontière entre une « donnée » et un « produit » ?

Aucun consensus réel n’émerge des différentes définitions émanant des instances concernées par la question. Dans le livre blanc du CNRS paru en 2016, il est indiqué que les « données de la science » sont

composées :

• des résultats scientifiques en ce compris les résultats publiés par un éditeur scientifique;
• des données de la recherche entendues comme les données ayant servi à établir ces résultat¹

Définition extensive, qui n’aide pas à préciser la notion de réutilisation : aux deux types de « données » mentionnés correspondent des usages ou ré-usages bien différents. La première catégorie ne paraît pas vraiment poser problème – si ce n’est qu’elle semble relever davantage de ce qu’on appelle communément les « produits » de la recherche ; mais elle renvoie en tout cas à des objets connus et éprouvés (article, ouvrage, communication), dont les normes ont été définies bien avant l’avènement de la « science ouverte » et la généralisation des outils numériques, et dont les principes de réutilisation obéissent à des règles consensuelles : tout scientifique, toutes disciplines confondues, s’appuie sur des travaux antérieurs, les cite, les prolonge ou les discute.

Mais il n’en va pas de même pour ce que certains appellent les « données – sources » ; toutes n’ont pas « servi à établir des résultats », d’abord : il existe dans tout projet un certain nombre de données produites mais non utilisées – et ce sont justement celles-ci qui pourraient au premier chef être concernées par une réutilisation…Sans compter que cette conception, sous-jacente dans cette définition, des données comme « sources » de la recherche, ne correspond que rarement à la réalité.

C’est ainsi que d’autres définitions très restrictives au contraire rencontrent vite leurs limites : pour l’OCDE par exemple, les données sont des

enregistrements factuels (chiffres, textes, images, sons) utilisés comme sources principales pour la recherche scientifique et généralement reconnus par la communauté scientifique comme nécessaires pour valider les résultats de la recherche²

Il serait commode en effet de considérer que les « données » sont des « sources », brutes ou purement factuelles, c’est-à-dire n’ayant fait l’objet d’aucune intervention, d’aucun traitement ; mais d’abord on ne voit pas comment, en SHS, pourrait exister une donnée ou un fait « brut » : un document devient une « donnée » à travers la problématique qui lui donne vie, la remise en contexte et l’examen critique qu’il doit subir pour être exploité. La « donnée » est déjà un résultat : elle contient alors l’ensemble du processus intellectuel, méthodologique et technique qui l’a constituée comme donnée, et qui lui devient consubstantiel – la « donnée », si mal nommée, est le résultat d’un travail d’élaboration et c’est peut-être tout simplement cela qui la différencie d’un matériau ou d’une source. Mais c’est aussi ce qui la rend potentiellement « réutilisable », même si cette ambiguïté pose de multiples questions.

Dans les études littéraires, l’établissement d’une édition diplomatique et philologique à partir d’une ou plusieurs sources sélectionnées par un chercheur est en soi (a toujours été) un travail scientifique : le résultat de ce travail n’est-il pas pourtant une « donnée », au sens où il devient utilisable par d’autres ? L’existence de ce travail, et la présence éventuelle d’un environnement éditorial, obèrent-ils au contraire la possibilité d’une exploitation ultérieure, et à quel point ?

Réutiliser des données textuelles : quelques pistes

(préconisations et points de blocage)

Posons le problème autrement : si l’on admet que la “donnée” est peu ou prou un construit et qu’elle incorpore, de façon plus ou moins explicite, à des degrés variables, le processus de recherche qui l’a constituée en tant que donnée, de quelle manière cela influe-t-il sur ses réutilisations ultérieures ?

La plupart des chercheurs et chercheuses présent.e.s à la réunion s’accordent sur un point : une présence trop massive – si l’on peut dire – du producteur de la donnée et de sa problématique constitue un frein à sa réutilisation. Il est ainsi contre-productif de vouloir « suréditer », prévoir tous les usages, encoder tous les phénomènes – ce qui conduit souvent à l’enlisement d’un projet, et finit par décourager sa réexploitation – y compris par le producteur du corpus lui-même, s’il le reprend à quelques années d’intervalle : on atteindrait là à une limite au-delà de laquelle la donnée est dénaturée par la question de recherche qui lui a donné forme, comme si un encodage trop présent verrouillait le texte. À l’inverse, une donnée textuelle parfaitement « brute », coupée de toute contextualisation et de tout environnement éditorial – en admettant que ce soit envisageable – deviendrait totalement hermétique ; d’ailleurs, s’agissant de textes, une transcription paraît un minimum (et constitue déjà une intervention), le manuscrit numérisé ne suffisant pas à constituer une « donnée » : le texte doit pouvoir être traité par des moyens informatiques.

Pour les données se situant entre ces deux extrêmes (texte seulement photographié et texte surencodé), quelques recommandations font l’objet d’un consensus :

1) Les critères scientifiques 

• La qualité scientifique du texte établi – donc la confiance que l’on peut placer dans le corpus ou l’édition constitués par un chercheur – reste fondamentale ; une transcription qui aurait « écrasé » un texte original en modernisant sa langue, par exemple, ne peut être considérée comme réutilisable dans le cadre d’un projet de recherche.

• Pour autant, dans le cadre d’un projet donné, on ne s’interdira pas de proposer, à côté d’une transcription diplomatique, une version normalisée qui facilitera l’accès au texte : il faut laisser place, si possible, à des usages différents, allant de la simple lecture à un traitement numérique. Pour la même raison, on pourra prévoir une édition « multicouches », avec différents niveaux d’encodage, allant du plus simple au plus riche.

• Si une interface de consultation fonctionnelle garantit l’accès du plus grand nombre aux données textuelles (de même qu’un travail d’éditorialisation, même minime), elle ne suffit pas à assurer pas la possibilité de les réutiliser véritablement dans un cadre scientifique, qui nécessite de les manipuler : une solution d’exportation dans un format interopérable devrait donc être proposée.

2) Les critères juridiques

Ils ont été évoqués rapidement , mais leur importance a été soulignée : dans la perspective d’une réutilisation, il est capital de rendre parfaitement accessibles et claires les conditions dans lesquelles une donnée peut être reproduite et transformée, en veillant à distinguer notamment l’image du manuscrit, sa transcription éventuelle, les métadonnées associées,… qui peuvent être soumis à des régimes juridiques distincts. (voir le guide proposé par le consortium CAHIER)

3) Les critères techniques : repenser la « fairisation »en direction de la réutilisation ?

Au fil des discussions, la question de la réutilisabilité se révèle comme un test des autres principes du FAIR : elle apparaît comme un horizon et un point de convergence.

• L’interopérabilité des données (donc la possibilité de rendre un jeu de données indépendant de son environnement de diffusion initial, de garantir sa migration d’un outil à l’autre), doit en permanence être mise à l’épreuve : elle fera l’objet de plusieurs expérimentations par la suite au sein du groupe.

• L’accessibilité achoppe quant à elle sur le problème de la documentation des données et de leur contextualisation : il arrive souvent que les métadonnées ne suffisent pas à renseigner suffisamment l’utilisateur sur leurs conditions de production, ni sur les choix d’encodage, de traitement, d’édition dont elles ont pu faire l’objet – ce qui compromet significativement l’intelligibilité d’un corpus numérique. Dans la lignée des réflexions du groupe ReUSE, j’ajouterai qu’elles ne gardent généralement pas non plus la trace du processus scientifique et technique, avec ses renoncements et ses impasses éventuelles, qui a conduit au « produit » final – processus dont le récit pourrait être déterminant dans le choix de réutiliser ou non un corpus, et permettre, au-delà de la réutilisation des données, une meilleure réutilisation des méthodes et des processus à l’œuvre dans les projets de recherche.

• Concernant la possibilité de « trouver » les données (le « Findable » de FAIR), le signalement dans un entrepôt OAI-PMH se révèle généralement insuffisant, parce qu’une recherche efficace nécessite des compétences spécifiques, de même, souvent, que l’exploitation des information récupérées ; les plateformes de signalement comme Isidore ou Europeana qui les recensent restent elles aussi d’un maniement complexe (le passage par l’API est presque incontournable). Sur la plateforme E-Man, l’entrepôt est d’ailleurs négligé au profit … des exports en PDF : ici le véritable problème semble être le décalage entre les préconisations techniques du FAIR et les compétences effectives de la communauté de recherche concernée.

• Autre problème mentionné par plusieurs participants : l’absence de référencement systématique et unifié des corpus produits. Les données sont trop disséminées, et restent en conséquence souvent ignorées de la communauté à laquelle elles s’adressent. Une bibliothèque des corpus numériques, ou un point d’accès à l’ensemble des corpus produits dans les unités de recherche au niveau national, par exemple, et qui pourrait s’appuyer sur le réseau existant des bibliothèques universitaires, reste à imaginer.

Des freins qui tiennent (aussi) au fonctionnement de l’institution

L’anticipation de la réutilisation en amont même de la production des données est indispensable, mais il est compromis, outre par la difficulté éventuelle, pour un chercheur, de se projeter dans d’autres questionnements (y compris dans d’autres disciplines que la sienne) et de prévoir en outre les dispositifs qui permettront de les nourrir, par le fonctionnement même de l’institution. Les producteurs de données font face :

• aux contraintes de temps et de budget : anticiper la réutilisation de ses données, pour un chercheur, demande du temps et des compétences, dans un environnement où les laboratoires manquent souvent de ressources humaines, où les projets bénéficient d’un temps limité, et où cette activité n’est pas encore suffisamment valorisée comme une activité de recherche à part entière .

• À la discontinuité des équipes : la systématisation des contrats courts, qui se succèdent au cours d’un même projet, rend difficile ce qui reste un travail de longue haleine, à penser et à mettre en place tout au long du projet de recherche. Cette précarité rend également difficile la mise en œuvre d’une éventuelle politique de curation des données à l’échelle d’un laboratoire ou d’une université.

Conclusion (provisoire)

Les travaux du groupe ne font que s’amorcer : cette réunion préparatoire sera suivie d’ateliers d’expérimentation, à partir de corpus encodés par d’autres , visant à éprouver leur réutilisabilité réelle. Les questions (et les réponses à leur apporter) sont encore nombreuses, et naîtront de ce partage de données et de pratiques.

1. CNRS/Direction de l’information scientifique et technique, Livre blanc — Une Science ouverte dans une République numérique. Nouvelle édition [en ligne], Marseille : OpenEdition Press, 2016 : p.71. Disponible sur Internet : <http://books.openedition.org/oep/1548>. [↩]
2. OCDE, Principes et lignes directrices pour l’accès aux données de la recherche financée sur fonds publics, éditions de l’OCDE, 2007 : p.18. Disponible sur internet : <http://www.oecd.org/fr/science/inno/38500823.pdf> [↩]

---

---