Piia de Majorque (2024) Ducloy : Différence entre versions
(→Les CMS pour les archives ouvertes, les revues numériques et les données de la recherche) |
(→Les CMS pour les archives ouvertes, les revues numériques et les données de la recherche) |
||
Ligne 252 : | Ligne 252 : | ||
Dans un système comme HAL, le modèle de données du SGBD gère à la fois les transactions (dépôt...) et la structure des documents. Le dépôt est une opération technique relativement facile. En revanche, une université ou un laboratoire qui souhaite une évolution dans le modèle se heurte à un barrière très complexe. En effet, elle doit négocier avec le CCSD pour introduire sa requête dans la version suivante. Le passage à la DTD TEI a apporté une certaine souplesse par rapport au schéma initial. Dans Dspace, le schéma de métadonnées est le Dublin Core. | Dans un système comme HAL, le modèle de données du SGBD gère à la fois les transactions (dépôt...) et la structure des documents. Le dépôt est une opération technique relativement facile. En revanche, une université ou un laboratoire qui souhaite une évolution dans le modèle se heurte à un barrière très complexe. En effet, elle doit négocier avec le CCSD pour introduire sa requête dans la version suivante. Le passage à la DTD TEI a apporté une certaine souplesse par rapport au schéma initial. Dans Dspace, le schéma de métadonnées est le Dublin Core. | ||
− | Une nouvelle génération de CMS permet maintenant de paramétrer son ou ses schémas de données. | + | Une nouvelle génération de CMS, (de Spip à Omeka an passant par OpenEdition) permet maintenant au secrétaire de rédaction de paramétrer son ou ses schémas de données et aux contributeurs d'intervenir directement. |
Dans tous les cas, ces applications simplifient les activités informationnelles qui accompagnent la recherche mais sans modifier les habitudes de laboratoire. De même elles ne demandent qu'un faible investissement au numérique. | Dans tous les cas, ces applications simplifient les activités informationnelles qui accompagnent la recherche mais sans modifier les habitudes de laboratoire. De même elles ne demandent qu'un faible investissement au numérique. |
Version du 30 janvier 2024 à 12:50
Piia de Mallorca est un groupe de travail sur les pratiques informationnelles à l'heure de l'Intelligence Artificielle.
Sommaire
- 1 Vers un cinquième paradigme avec Wikipédia et l'IA
- 2 Les comportements informationnels, de l'antiquité au temps de l'intelligence artificielle
- 2.1 Depuis l'antiquité
- 2.2 L'imprimerie au service de la connaissance
- 2.3 Les pionniers de la programmation au début des ordinateurs
- 2.4 Les grandes applications pour les pionniers des humanités numériques
- 2.5 Des progiciels pour maitriser les mutations numériques
- 2.6 Stations de travail Unix et XML une clé pour aborder l'intelligence artificielle
- 2.7 Les CMS pour les archives ouvertes, les revues numériques et les données de la recherche
- 2.8 Les wikis programmables et sémantiques
- 2.9 Les enjeux de l'information numérique à l'heure de l'IA
- 2.10 Bibliographie
- 3 A réintégrer
Vers un cinquième paradigme avec Wikipédia et l'IA
L'hypothèse de Jim Gray sur les pratiques scientifiques met en perspective quatre changements de paradigmes dans les pratiques scientifiques :
La groupe de réflexion Piia de Mallorca explore, notamment en SHS, un cinquième paradigme introduit par les pratiques numériques coopérativo-sémantique et par l'intelligence artificielle.
Les comportements informationnels, de l'antiquité au temps de l'intelligence artificielle
Depuis l'an 2000, une simple phrase comme « j'ai lu dans Google que... » remplace « J'ai lu dans le Larousse que » dans les années 90. Elle pose déjà, pour le public, la difficulté d'évaluer la fiabilité d'un message. En 2024, dans le recherche de connaissance, comment est vécue l'explosion de l'intelligence artificielle ?
Dans ses missions éducatives, l'Université doit enseigner comment lire dans un monde informationnel débordé par la désinformation. Elle doit le faire dans un paysage technologique très complexe, celui de l'hypertexte, de l'hypermédia, des robots informationnels et maintenant de l'IA. Mais l'universite doit maitriser une autre explosion, celle de l'évaluation bibliométrique d'un déluge d'articles de 9-12 pages en double aveugle, ce qui met à mal sa disponibilité pour répondre aux défis les défis de l'information numérique.
Or le numérique offre une gigantesque palette de possibilités avec le multimédia, l'écriture numérique et depuis 15 ans la généralisation de l'écriture collaborative, programmatique, l'hypertexte et maintenant l'IA. Comment repenser l'écriture numérique de la science, de la technique et de la culture dans toutes ces dimensions ?
Les chercheurs, praticiens et médiateurs de l'information (conservateurs, éditeurs, bibliothécaires, archivistes, rédacteurs de l'innovation) ont su faire évoluer leurs pratiques sur plusieurs millénaires en fonction de l'évolution des supports. Ils disposent d'une offre d'outils de plus en plus sophistiquée avec les logiciels d'édition, les systèmes de gestion de contenu, wikis programmables et sémantiques, et maintenant l'IA. Comment former les ingénieurs de la connaissances pour qu'ils encadrent les praticiens et les chercheurs pour qu'ils s'approprient des nouvelles pratiques informationnelles en pleine mutation.
Enfin l'IA est de fait alimentée par des gigantesques corpus de données textuelles. Les algorithmes d'apprentissage sont particulièrement consommateurs de données de synthèse : résumés, indexation et ontologies. Comment produire des ensembles informationnels de haute qualité, de bonne fiabilité pour un bon usage de l'intelligence artificielle.
Nous proposons une réflexion historique pour mieux comprendre ces multiples évolutions des comportements informationnels. Elle inclura quelque témoignages de l'auteur de cet article.
Depuis l'antiquité
La fabrication des premiers supports d'écriture (tablette, papyrus ou parchemin) était complexe (et coûteuse). La pratique de l'écriture était limité à la classe des érudits. Mais déjà, les premiers auteurs ont du faire évoluer leurs comportements pour passer de la tablette au volumen puis au codex. Ce dernier modèle, très proche du livre actuel pour la rédaction d'un roman ou d'un poème épique, ouvrait la porte à de nouvelles pratiques de lecture comme le feuilletage.
Le monde de l'édition était représenté par les scribes et les copistes.
Une œuvre littéraire pouvait évoluer assez naturellement, chaque copiste pouvant introduire des modifications (ou faire des erreurs). Voici un exemple sur la Chanson de Roland.
Manuscrit d'Oxford : 2ème quart du XIIe siècle. Carles apelet Rabe 7 Guineman ; |
Manuscrit de Châteauroux : XIIIe siècle. Carllemene apele Rabel et Guineraant |
Manuscrit de Paris : XIIIe siècle. Charles apelle Sanson et Guinemant : |
Manuscrit de Venise IV : : XIIIe siècle, dialecte franco-italien. Çarllo apella Rabels e Guinimant. |
Il s'agit bien du même passage. Charlemagne de retour à Roncevaux demande à deux de ses pairs de prendre la place d'Olivier et de Roland (l'un portant l'épée et l'autre l’olifant). Chaque version est adaptée à différents niveaux de langue. On notera des différences sensibles (par exemple, Rebel devient Sanson). Le style des lettrines évolue.
Au delà des poèmes, des textes administratifs ou religieux, la volonté de rassembler des connaissances a provoqué la naissance des encyclopédies. Dès le troisième millénaire avant Jésus-Christ, on trouve en Mésopotamie des tablettes contenant des listes (par exemple de noms de villes). En Grèce, dans l'île de Kos, l’École d'Hippocrate produit un ensemble d'ouvrages médicaux.
L'Histoire naturelle de Pline l'Ancien marque une recherche d'exhaustivité dans la production de connaissances. Cette tradition se poursuit au Moyen Âge avec par exemple Etymologiae d'Isidore de Séville. Cet ouvrage comporte 20 livres et 448 chapitres et a fait l'objet de plus d'un millier de copies. En Perse, vers 1020, Avicenne rédige le Kitab Al Qanûn fi Al-Tibb ( Le Livre de la Loi concernant la médecine - كتاب القانون في الطب).
Le classement alphabétique, qui est devenu banal n'est en fait réellement apparu qu'au XIIIe siècle.
La multiplication des livres a commencé à poser quelques problèmes de stockage, et d'usage collectif. Par exemple, à Ninive des archéologues ont retrouvé vingt-deux mille tablettes d'argile dans les ruines d'un palais. La bibliothèque d'Alexandrie contenait suivant les auteurs de 40.000 à 400.000 ouvrages. Plus modestement la bibliothèque de Celsus à Ehèse contenait 12.000 volumens (soit un investissement d'environ 1000 hommes-années avec les évaluations technocratiques du XXIe siècle). Dans la Rome antique l'usage des bibliothèque s'est démocratisé chez les romains fortunés, mais également dans des lieux publics comme les thermes. Au Moyen Âge, ce sont essentiellement les monastères (et les universités) qui entretiennent et enrichissent les bibliothèques. En Tunisie, la Grande Mosquée de Kairouan date de 670. Elle devient un centre de formation dont la bibliothèque était célèbre dès le IXe siècle.
Depuis plus de deux millénaires les érudits ont inventé des dispositifs artificiels pour se repérer dans un univers de connaissance supérieur à leur propre mémoire humaine. Ils ont écrits (γραφία) des livres sur les livres (βιβλίον), autrement dit des bibliographies ( Βιβλιογραφία ). Par exemple, au troisième siècle avant J.-C., Callimaque aurait rédigé une bibliographie sur la littérature grecque de cette bibliothèque. De même par exemple à Kairouan un inventaire de la bibliothèque a été établi en 1294.
L'imprimerie au service de la connaissance
Vers 1450, Gutenberg initialise un changement de paradigme majeur dans les pratiques rédactionnelles avec l'invention de l'imprimerie.
En fait cette mutation s'est étalée sur cinq siècles. Par exemple, le coût d'une édition était considérable au départ. Et il a fallu de nombreuses innovations pour arriver à une démocratisation. La première parution du journal des Sçavants (et des Philosophical Transactions of the Royal Society) date de 1665 (soit deux siècles plus tard). Dans les années 1700, en musique, les livrets étaient imprimés mais les partitions pour les orchestres étaient encore recopiées.
Pour le grand public, la bibliothèque bleue (de colportage) démarre de 1602 et trouve son apogée au XVIIIe siècle.
L'accès du public à des images de qualité date pratiquement de la Révolution avec l'imagerie d’Épinal. La fabrication du papier va bénéficier de multiples améliorations au XIXe siècle qui va notamment conduire aux formats de type livres de poche qui se généralise vers 1925.
Contrairement aux pratiques des copistes, l'imprimerie produit une reproduction à l'identique quelle que soit la culture de la cible...
Du côté des auteurs, l'imprimerie favorise l'apparition des éditeurs-imprimeurs-bibliothécaires qui favorisent l'émergence d'auteurs identifiés (Montaigne en 1580) ou les compositeurs de la Renaissance grâce à Pierre Attaingnant qui invente un procédé d'impression de la musique par caractères mobiles.
Avant l'invention des phonographes vers 1870, la lecture musicale collective est le seul moyen de découvrir une œuvre. L'émergence des éditeurs est corrélé avec celle de la propriété intellectuelle et droits d'auteurs. Paradoxalement une technologie qui favorise la diffusion à grande échelle induit des pratiques de restriction d'accès.
L'imprimerie va naturellement soutenir le développement des outils de diffusion de la connaissance avec un auditoire de plus en plus large. En 1674, Jehan Lagadeuc publie le Catholicon (du grec Καθολικόν, « universel »), premier dictionnaire trilingue du monde (breton-français-latin). Il sera imprimé en 1499 (et réimprimé en 1521) voir ci dessous. Il faut attendre encore un siècle pour voir apparaitre les dictionnaires monolingues qui associent un mot à une définition. Le premier est le Tesoro de la lengua castellana o española (Sebastián de Covarrubias, 1611). Un peu avant, en France Jean Nicot avait composé le Thresor de la langue françoyse tant ancienne que moderne (qui contient à la fois des traductions franco latines et des définitions). L'Académie française démarre en 1638 la rédaction d'un dictionnaire qui sera imprimé en 1694. Elle obtient un privilège de l'interdiction de vente en France d'autres dictionnaires (En 1680 César-Pierre Richelet imprime un tel dictionnaire depuis Genève). Ce phénomène s'accentue au XVIIIe avec par exemple celui de Trévoux (1704). Le petit Larrousse illustré, à grande diffusion est rédigé en fait par Claude Augé parait en 1905.
![]() |
![]() |
En parallèle avec les dictionnaires de langue, les encyclopédies et les dictionnaires se multiplient et se complexifient. En 1620, Francis Bacon réfléchit sur la façon d'organiser les sujets scientifiques et démarre une encyclopédie le Novum Organum dont seulement 2 volumes (sur 6 prévus) seront réalisés. En Italie, Vincenzo Coronelli, projette, en 1701, une encyclopédie en quarante-cinq volumes. Seuls les sept premiers ont été réalisés. En effet, les encyclopédies deviennent quasiment des projets industriels de grande ampleur à long terme où il faut animer une équipe de collaborateurs et faire imprimer des collections d'ouvrages considérables. Par exemple l'Histoire naturelle de de Buffon a vu se publier 36 ouvrages de son vivant (de 1749 à 1789) et 8 après sa mort.
L’Encyclopédie ou Dictionnaire raisonné des sciences, des arts et des métiers est une gigantesque aventure éditoriale menée par Diderot et d'Alembert. Le projet démarre en fait en 1746, il rassemblera 150 collaborateurs et un millier d'ouvriers. Le premier volume parait en 1751. Avec de multiples confrontation avec la censure, l'édition complète représente 35 volumes. Le tirage de plusieurs éditions sera de 4.255 exemplaires. Un siècle plus tard Pierre Larousse, de 1866 à 1876, entreprendra le Grand Dictionnaire universel du XIXe siècle (15 volumes, 24.000 pages).
En parallèle avec les livres, les revues et périodiques se développent, là encore avec une évolution continue sur plusieurs siècles. Au départ, les nouvelles se diffusaient essentiellement par vois orale (avec une assistance par des manuscrits pour l'orateur). Les placards imprimés ou manuels étaient affichés sur les murs généralement à l'initiative du pouvoir. La première gazette connue est un hebdomadaire de 4 pages publié à Strasbourg en 1605 par Johann Carolus (Relation aller Fürnemmen und gedenckwürdigen Historien). Les premiers grands titres de la presse pré-contemporaine datent du début du XIXe siècle comme par exemple Le Figaro en 1826.
A la suite du Journal des Sçavants, des revues spécialisées apparaissent au XVIIIe comme, en médecine, le titre Medical Essays and Observations a été publié à Édimbourg en 1731. Aux États-Unis, la première revue médicale est The Medical Repository, dont le premier numéro date de 1797. Au XIXe les revues scientifiques « générales » se développent dans la mouvance des sociétés scientifiques, comme les Comptes rendus hebdomadaires des séances de l'Académie des sciences en 1835.
Le prix des livres est encore élevé et souvent inabordable au niveau individuel. En revanche, il devient très acceptable au niveau collectif et les bibliothèques se multiplient et s'agrandissent. De plus l'instauration du dépôt légale par François Ier en 1537 va conduire à la création de la bibliothèque du Roi qui, depuis le site de la rue Vivienne, sera ouverte au public en 1692 (sous Louis XIV). Dans les domaines scientifiques les bibliothèques se développent, citons par exemple La bibliothèque du Surgeon General's Office en 1835 à Washington qui deviendra la National Library of Medicine (NLM).
La taille croissante de ces bibliothèques entraînent le développement d'outil assistance à la mémoire humaine dans sa dimension collaborative quand le nombre de bibliothécaires se multiplie dans les établissements. Les premiers catalogues accompagnés de fichiers matière sont manuscrits et utilisent parfois des supports originaux comme des cartes à jouer recyclées sous la révolution française.
![]() |
![]() |
La multiplication des écrits sous forme de livres ou de revues va entrainer le développement de publications relevant de l'information scientifique (au sens bibliographique du terme). Voici quelques exemples. En 1672, Laurent d'Houry, imprimeur-libraire publie un petit catalogue (4 pages) sur les livres de médecine consultable dans sa bibliothèque. Il publie également des journaux de médecine de 1683 à 1709 (Observations des plus fameux médecins, chirurgiens & anatomistes de l'Europe, tirées des journaux des pays étrangers, et des mémoires particuliers envoyez à Monsieur l'abbé de La Roque). Toujours en médecine, un siècle plus tard (en 1879) la NLM publie l'Index Medicus qui sera la fondation de la base MEDLINE en 1972. En Allemagne, mais en chimie cette fois, la revue signalétique Chemisches Zentralblatt démarre en 1830.
Bien entendu une des plus importantes références avant l'apparition des ordinateurs est Paul Otlet en Belgique qui invente la classification décimale universelle (CDU) avec le projet de cataloguer la production imprimée mondiale à l'Office international de bibliographie à Bruxelles,
Pour ces derniers exemples qui préfigurent les bases de données, il ne s'agit pas d'intelligence artificielle proprement dite mais de la volonté de créer une mémoire universelle pour gérer et explorer la connaissance publiée.
Les pionniers de la programmation au début des ordinateurs
A la fin de la deuxième guerre mondiale, un ordinateur comme l'ENIAC est plutôt dédié à la construction de la bombe nucléaire dans un modèle de type Analyse numérique. En revanche au Royaume-Uni, Alan Turing travaille sur le déchiffrage des codes allemands, dans une démarche qui préfigure l'intelligence artificielle. Mais la manipulation de ces machines était très complexe et très proche du hardware.
Assez rapidement, avec les architectures Von Neumann, les langages de programmation émergent dans les années 50. En 1954 (ou plus précisément 1957 pour une version opérationnelle) le langage Fortran a permis une première démocratisation des pratiques numériques vers les ingénieurs. Signalons également Algol 60 qui introduit la structure de bloc (et la récursivité), mais qui dans sa version de base est limité au numérique. La société Burroughs Large Systems a lancé une gamme de machines à pile (B5000...) dont le système était écrit avec un sur-ensemble d'Algol (ESPOL). A la même époque le langage Lisp a ouvert la voie aux travaux d'informatique théorique et d'intelligence artificielle.
Cela dit, ces innovations n'étaient réservés qu'à une toute petite élite. En 1965, dans les concours de grandes écoles, les épreuves de calcul numérique étaient basés sur la règle à calcul ou sur les tables de logarithmes. Sur une ville comme Nancy quelques établissements (école d'ingénieur, institut de calcul) disposaient parfois d'un ordinateur (CAE 510, IBM 1401) avec un lecteur de carte et une machine à écrire (et sans disque). En France, dans la mouvance du Plan Calcul, il faudra arriver, dans les années 72, à l'apparition des systèmes en multiprogrammation et temps partagé sur les ordinateurs de la Cii (Siris 7, Siris 8, sur 10070 puis Iris 80) pour que l'on puisse monter des séances de travaux pratiques à grande échelle.
Dans ce paysage très spécialisé, quelques ingénieurs souvent issus de l’analyse numérique ont appliqué leur expérience sur des actions culturelles. Ils écrivent des programmes pour résoudre des problème rencontrés dans les SHS. La Chanson de Roland a par exemple inspiré Joseph J. Duggan () qui a publié en 1969 des concordances sur le manuscrit d'Oxford. Sur ce même sujet, en Italie, Gian Piero Zarri a tenté des rapprochements entre plusieurs manuscrits.
Les grandes applications pour les pionniers des humanités numériques
A la même période, en France, le CNRS crée le CRTLF (Centre de Recherche pour un Trésor de la langue française). Cette unité va réaliser le dictionnaire Trésor de la langue française. Pour ce projet, programmé sur 20 ans, le CNRS fait l'acquisition d'un Gamma 60, l'ordinateur le plus puissant réalisé en France et lance des développements qui préfigurent l'intelligence artificielle. Le lancement du Plan Calcul va conforter ce projet.
Si les concepteurs informatiques étaient en position de pionniers de numérique, les rédacteurs travaillaient uniquement sur des listings et n'avaient aucun « contact physique » avec le numérique.
Les techniques émergences étaient essentiellement basées sur les listes de concordances. Cette approche était sans problème pour les termes de faible fréquence dans le corpus. Pour les termes de fortes fréquences une stratégie nommée « groupe binaire » avait été développée. En fait, il s'agissait d'un algorithme de classification basée sur les co-occurences (simple lien). Dans les années 1970, environ 1000 textes avait été saisis (les termes étaient catégorisés). Les traitements informatiques étaient basés sur des manipulations de bandes magnétiques (il fallait par exemple 6 dérouleurs pour réaliser un tri). Un traitement de type groupe binaire s'étalait sur environ un mois. Il ne faut que quelques minutes en 2020.
Du côté des publications bibliographiques, en 1966 aux États-Unis, le Lockheed Palo Alto Research Laboratory, soutenu par la NASA, développe Dialog, le premier grand système de recherche d'information. Son architecture était basée sur un moteur de recherche avec fichier inverse qui rappelle naturellement les fichiers auteurs ou matière d'une grande bibliothèque de l'époque. Comme pour le TLF, on traite de larges corpus. En revanche le résultat final devient interactif pour l'utilisateur qui peut exprimer une équation de recherche.
Du côté du TLF, à Nancy, une version du jeux du mot le plus long a été développée vers 1975 (par le rédacteur de cet article). Un résultat secondaire des traitements des textes su TLF était un fichier (sur bande naturellement) qui inventoriait toutes les formes fléchies des termes issus des textes du trésor. Cette application est basée sur un algorithme de parcours dans un arbre des anagrammes triés (exemple, « aaabc » pour « abaca » ) de ces formes fléchies. Relativement simple à écrire maintenant avec la taille actuelle des mémoires, il avait été optimisé pour que ce parcours se traduise par un accès séquentiel d'un fichier disque. La fabrication de l'arbre trié demandait plusieurs heures de calcul. En revanche il était accessible en temps partagé et donnait tous les anagrammes d'un terme en quelques secondes. Il était notamment destiné aux visites des écoles et du grand public dans les contres de calcul universitaires. Pour ce public étonné (le jeu était alors très populaire à la télévision) l'ordinateur battait l'homme dans une démarche apparemment « intellectuelle ».
Pour revenir aux grandes applications, en médecine, le système MEDLARS (Medical Literature Analysis and Retrieval System) a été lancé en 1964 par la National Library of Medicine à partir de l'Index medicus. En 1965 environ 170.000 articles par an sont traités. Le service sera accessible à distance en 1971 vers quelques sites privilégiés au départ (bibliothèques) avant un plus large déploiement à partir de 1975 (via des services comme Dialog).
En 1965, à la Library of Congress, Henriette Avram développe les formats MARC pour l'informatisation des bibliothèques, dans la perspective d'échanges de catalogues.
En France et au CNRS, Nathalie Dusoulier et Pierre Buffet réalisent l'informatisation des bulletins signalétiques du CNRS (400.000 analyses pas an) pour fabriquer la base Pascal avec un formalisme basé sur la norme ISO 2709 utilisée pour les formats MARC. Pascal sera accessible sur le réseau Cyclades avec le logiciel MISTRAL. Cependant la rédaction des notices bibliographiques reste manuelle. En effet, les ingénieurs analystes rédigent des bordereaux qui sont traités par un imprimeur (Jouve SA).
En France, en 1965, Jacques-Émile Dubois met au point le système DARC (acronyme de « Description, acquisition, restitution, corrélation ») qui permet d'explorer les relations entre structure et propriétés. Il permet notamment d'effectuer des recherche de structures chimiques dans des bases de données.
Toutes les applications citées dans cette section sont opérées par des équipes d'informaticiens autour de gros systèmes informatiques (mainframe). Une évolution s'amorcent avec l'apparition de progiciels, toujours sur gros systèmes mais qui peuvent être opérées par des bibliothécaires ou des documentalistes.
Des progiciels pour maitriser les mutations numériques
En 1973, aux États-Unis,la compagnie IBM lançait le logiciel STAIRS (Storage and Information Retrieval System). Sa mise en œuvre sous CICS (gestionnaire de transactions) avec des moniteurs orientés gestion (IBM 3270) pour la gamme IBM/360 était relativement complexe.
En France, dans la dynamique du Plan Calcul, pour répondre aux besoins du CNEXO (qui est devenu l'IFREMER), la Cii lançait sur IRIS 80 le logiciel MISTRAL. La première version (cartes perforées - imprimante) était très complexe (quasiment inutilisable) à mettre en œuvre (bandes magnétiques uniquement). Mais très rapidement (1973-1974), une version basée sur la mémoire disque, préfigurait les moteurs de recherche des années 2000.
Voici un nouveau témoignage de l'auteur qui était à l'époque ingénieur système chargé de la mise en place des progiciels, notamment pour le TLF. À Nancy, en 1973, les étudiants de l'IUT en option documentation ont pu expérimenter des fonctionnalités qui ne sont devenues disponibles dans les humanités numériques que dans les années 2000. En effet, les étudiants ont bénéficié d'un protocole étudié pour le TLF. Les premiers essais avec des cartes et des résultats sur imprimantes ont été un peu « accrobatiques ». Mais, en 1975, grâce notamment au TLF, le centre de calcul de Nancy est devenu testeur d'une version avancée du système de temps partagé (Siris 8) avec une version expérimentale de MISTRAL. Celle-ci offrait une navigation interactive avec des requêtes booléennes, des recherches plein texte et une navigation dans un thésaurus. Nous n'avions pas encore de corpus réel à offrir aux étudiants. Nous avons monté des séances de travaux pratiques (sur les bandes dessinées) où les étudiants pouvaient expérimenter une démarche complète (paramétrage, saisie de documents et de relations, interrogation). Deux ans plus tard, en 1976, nous avons monté avec le TLF une base bibliographique réelle sur le BALF (bulletin analytique de la langue française). Les étudiants ont alors expérimenté des recherches documentaire en vraie grandeur, et, par leurs erreurs ou approximations, découvrir la sérendipité. De plus, en 1979, dans un contexte différent (l'ANL - voir plus loin) les étudiants ont navigué dans un ensemble plus complexe : un inventaire de logiciels issus de la recherche en génie logiciel et intelligence d'une part, et l'ensemble des laboratoires producteurs d'autre part. A côté d'un catalogue papier (mais déjà généré dans un contexte numérique). Avec les étudiants nous avons pu montrer qu'un système documentaire pouvant traiter d'autres types de données que des références bibliographiques (association fiche logiciel et fiche organisme).
Malheureusement, avec l'arrêt du plan calcul, l'aventure MISTRAL comme progiciel, s'est également achevée. En effet, l'équipe MISTRAL a été débauchée par la société TéléSystèmes pour devenir Questel. Avec une facturation au temps de connexion, la navigation sur le thésaurus n'était plus utilisée, et cette fonctionnalité a été arrêtée. Ce type d'interrogation est devenu financièrement inaccessible pour les étudiants jusqu'en 2000. Concernant les logiciels, nous nous sommes recentré sur TEXTO, plus facile à mettre en œuvre mais avec de nombreuses restrictions, notamment l'absence de navigation dans une ontologie. Il faudra quasiment attendre MediaWiki en 2005 pour retrouver le niveau de fonctionnalité de MISTRAL en 1980 (avec un saut offert par les extensions sémantiques).
Nous avions des contacts avec les auteurs de MISTRAL, des informaticiens qui s'étaient complètement approprié les problématiques des Systèmes de Recherche d'information (SRI). Du côté des bibliothèques, grâce à l'INIST (voir plus loin) nous avons pu travailler avec les équipes de la société canadienne GEAC qui avaient le même type d'expertise. Ils ont su monter une application que des bibliothécaires pouvaient totalement s'approprier.
Une réserve/remarque cependant : les praticiens des bibliothèques (Geac) ou de la documentation (MISTRAL) sont totalement autonomes sur ce type de système mais leurs pratiques sont très proches de celles qu'ils avaient avant le numérique avec la maintenance des fichiers matière. Les modes d'actions sont plus rapides, plus efficace mais l'appréhension du système est la même.
Stations de travail Unix et XML une clé pour aborder l'intelligence artificielle
Nous avons évoqué plus haut un inventaire des logiciels d'intelligence artificielle en 1980. A cette époque, les chercheurs étaient très dépendants des gros systèmes universitaires, avec plusieurs types de restrictions. Par exemple, la disponibilité d'un logiciel de bon niveau (exemple LISP) était différente sur un Vax, un Iris 80 ou un IBM 370. De plus les travaux informatiques étaient « partiellement financés » par un ticket modérateur. Une erreur dans un programme de calcul numérique se traduit généralement par un arrêt au bout de quelques secondes. Une erreur dans un programme LISP génère souvent une boucle qui peut n'être détectée qu'au bout de quelques minutes et donc coûter relativement cher. Enfin, même dans des conditions de gratuité (mini-ordinateur de laboratoire), deux chercheurs travaillant simultanément en LISP (ou Prolog) pouvaient saturer la machine.
Les stations de travail comme Sun, aux Etats-Unis, ou, en France, la SM 90 ont transformé leur vie, et pas seulement du côté du hardware. En effet, le système Unix s'avérait particulièrement commode pour explorer ou gérer des corpus. Ce système avait été conçu dans les années 70 par une équipe d'ingénieurs du Bell Labs mené par Ken Thompson. Ils avaient participé à l'expérience Multics et ont cherché à faire plus simple en introduisant des dispositifs particulièrement bien adaptés aux traitements de textes, comme le mécanisme des pipes qui permet un mode de modularité par programme ou la banalisation d'outils de compilation comme l'analyseur lexical lex.
Au même moment, Charles Goldfarb qui avait conçu chez IBM un langage de balisage nommé GML Generalized Markup Language conçoit SGML (Standard Generalized Markup Language), publié en 1986 comme norme ISO (ISO 8879:1986). Puis Tim Berners-Lee invente HTML pour le web et Lou Burnard anime le projet TEI.
Du côté du TLF, Jacques Dendien conçoit le moteur Stella pour explorer Frantext qui contient les textes qui ont servi à constituer le dictionnaire dans une normalisation XML/TEI. Ce moteur permet des recherches avancées (avec notamment des expressions régulières).
Même si elles sont relativement coûteuses dans les années 80, les solutions Unix deviennent à la portée de petites équipes pour des développements innovents. Voici deux témoignages consécutifs.
En 1980 le CNRS et l'Agence de l'Informatique ont soutenu un groupement scientifique (ANL - Association Nationale du Logiciel - dont j'étais le directeur) pour la diffusion de logiciels issus de recherche en Génie Logiciel et intelligence artificielle. Dans le cadre de l'expérience SM 90, L'ANL a constitué un ensemble informationnel associant des dossiers produits et des dossiers d'institutions. Il a permis de réaliser, sur un système Unix, un ensemble éditorial avec la production de multiples catalogues papier et un serveur, au départ sur Cyclades, puis sur Minitel. Pour faire des démonstrations nous avions hébergé sur cette machine un ensemble de logiciels issus de laboratoires et notamment Prolog, LeLisp, Aïda ou LaTeX. Nous avons rencontré de nombreux problèmes d’interopérabilité qui ont été résolus assez facilement par un balisage encore approximatif et une utilisation assez conséquente de lex (et de l'éditeur emacs).
Dans les années 87, Alain Madelin supprime l'Agence de l'Informatique ce qui entraîne l'arrêt de l'ANL dont une partie de l'équipe rejoint l'INIST en création. Sous la direction de Goéry Delacôte et de Nathalie Dusoulier le démarrage est une réussite technique, avec le premier système de fourniture de document totalement numérisé et une reprise de la fabrication des bases de données Pascal et Francis.
Mais, pour les bases de données, l'informatique de l'INIST était encore très dépendante de sociétés extérieures. Goéry Delacôte avait créé un "Département Recherche et Produits Nouveaux" (DRPN) à l'imitation des centres de recherche et développements des opérateurs anglais ou américains (notamment le centre de recherche de l'OCLC). Il m'avait demandé de travailler sur l'autonomie numérique de l'INIST et sur l'indexation assistée par des techniques de l'intelligence artificielle. Je lui ai proposé de prendre la direction alors vacante du DRPN pour développer une action de recherche et développement dans cette direction. L'Inist manipulait des formats de type MARC adapté aux les bases bibliographiques (proche du CCF Current Communication Format). D'un point de vue informatique, les notices MARC (norme ISO 2709) ont en fait une structure arborescente assez simple mais qui se manipule assez mal dans les SGBD traditionnels. Or SGML venait de faire son apparition et pouvait manipuler des arbres complexes. J'ai donc lancé un ensemble d'action basé sur ce formalisme. De plus, au CDST (ancêtre de l'INIST) William Turner avait instruit une réflexion sur de la fouille de données dans une optique infométrique. Cette activité avait été reprise par le DRPN et me semblait un excellent terrain d'application pour une première étape vers l'indexation assistée. En 1991, le DRPN a donc développé une bibliothèque de composants XML pour traiter notamment des fichiers MARC. Cette boîte à outils permettait de créer des systèmes de recherche d'information (je me suis notamment inspiré de la structure interne de MISTRAL). Du côté de l'infométrie, les algorithmes d'analyse d'information se sont appuyés sur la modularité imposée par les bandes magnétiques dans les groupes binaires.
La figure ci-dessous montre une partie des chaines du TLF avec des bandes magnétiques.
La plupart des algorithmes disponibles au DRPN étaient implémentés sous la forme de grands programmes assez complexes où les données étaient soumises à de nombreuses manipulation de type tri de données. Curieusement, le mécanisme de pipe d'unix a permis de développer une forme de modularité par programme directement inspiré des chaînes TLF. Voici une extrait d'un programme d'affichage des termes d'un corpus par fréquence décroissante.
cat myCorpusPascal.xml
| SxmlSelect -p notice/f100/sA p notice/f010/sB /* extraire les titres (zone f100) et le numéro de notice */
| sort /* donne des couples triés tels que : « chanson 000100 » « Roland 000100 » */
| BuildIndex /*. <index><terme>chanson</arbre><freq>50</freq><list><i>000100</i> ... </list></index>
...
Le développement du noyau de la boîte à outils demande de fortes compétences en algorithmique, compilation, architecture informatique. En revanche son utilisation est accessible à des bibliothécaires et ingénieurs des domaines d'application avec une formation de quelques semaines.
L'analyse des corpus d'information scientifique devient donc accessible à l'ensemble des acteurs de la recherche. Cette progression est concomitante avec la généralisation des logiciels pour la science ouverte.
Les CMS pour les archives ouvertes, les revues numériques et les données de la recherche
Les réflexions sur la science ouverte sont déjà anciennes. Le site ArXiv a été créé par Paul Ginsparg en 1991. Les réflexions de Richard Stallman sur le logiciel libre datent de 1983. Le système Unix BSD date de 1977. Les premiers programmes d'analyse numérique figuraient parfois en annexe d'articles pour que n'importe qui puisse les réutiliser. En chimie théorique, le Quantum Chemistry Program Exchange (QCPE) est un service d'échange de programmes conçu en 1962 et qui a débouché sur une revue en 1963.
Mais la technologie n'était pas toujours au rendez-vous. Par exemple, en 1967 à Nancy, sur une CAE 510, les chercheurs pouvaient reproduire des programmes exécutables en copiant des rubans perforés, mais il n'était pas encore possible, faute d'un terminal de perforation de cartes perforées, de reproduire les bibliothèques de fonctions mathématiques en fortran... En 1971, sur un CII 10070, Jean-Marc Villard avait fait réaliser un bulletin nommé crésus. En effet, dans les files d'entrée, une carte « !JOB » servait à séparer les travaux. En ajoutant une carte « !CRESUS » à la suite le chercheur pouvant faire imprimer une gazette sur la deuxième page de son résultat sur imprimante. La formule publicitaire était « pauvre comme Job, riche comme Crésus ». Dans les années 1980 des revues scientifiques (papier) diffusaient parfois des articles imprimés en majuscule issus d'imprimantes à aiguille. En effet, les systèmes unix depuis 1970 disposaient d'une série de logiciels de composition (nroff, troff, groff...). Pour les mathématiciens TEX (1976), puis LATEX (1980) permettaient de produire des articles avec une qualité éditoriale professionnelle. Mais la production d'un document étaient réservé aux informaticiens ou aux chercheurs qui faisaient l'effort de se former à la manipulation d'un langage de commande balisé.
Il a fallu attendre 1985 pour disposer de solutions type Macintosh avec imprimante à laser pour que « n'importe qui puisse produire facilement un article imprimable dans une revue ».
Bien entendu, une étape décisive est arrivée avec la création du WorldWideWeb en 1991 (avec le premier site français - IN2P3 - en 1992). La première revue française (Solaris) a été créée en 1994 par Ghislaine Chartron, Jean-Max Noyer et Sylvie Fayet-Scribe. Ce n'était pas encore à la portée de tout un chacun. En effet, il fallait alors mettre en ligne les articles en codant directement en HTML (sous emacs par exemple). Des premiers services, opérés par des spécialistes du numérique, ont alors émergé (Erudit au Canada, la mise en ligne des thèses à Lyon).
Puis en 1995/1996, l'apparition du langage PHP, des bases MySQL la stabilisation de quelques schémas XML ont favorisé une explosion, quelques années plus tard, de l'offre de solutions collectives pour créer des sites web et des revues.
Au niveau des usages, la présence de MySQL (ou de solution équivalentes) a permis aux chercheurs et praticiens d'intervenir directement sans passer obligatoirement par un secrétaire de rédaction. Les implémentations peuvent être sensiblement différentes.
Dans un système comme HAL, le modèle de données du SGBD gère à la fois les transactions (dépôt...) et la structure des documents. Le dépôt est une opération technique relativement facile. En revanche, une université ou un laboratoire qui souhaite une évolution dans le modèle se heurte à un barrière très complexe. En effet, elle doit négocier avec le CCSD pour introduire sa requête dans la version suivante. Le passage à la DTD TEI a apporté une certaine souplesse par rapport au schéma initial. Dans Dspace, le schéma de métadonnées est le Dublin Core.
Une nouvelle génération de CMS, (de Spip à Omeka an passant par OpenEdition) permet maintenant au secrétaire de rédaction de paramétrer son ou ses schémas de données et aux contributeurs d'intervenir directement.
Dans tous les cas, ces applications simplifient les activités informationnelles qui accompagnent la recherche mais sans modifier les habitudes de laboratoire. De même elles ne demandent qu'un faible investissement au numérique.
Les wikis programmables et sémantiques
Le terme wiki peut recouvrir des logiciels sensiblement différents. Ils ont en commun une grande aptitude aux traitements collaboratif dans un espace hypertexte.
MediaWiki se détache de la majorité des CMS par des multiples possibilités d'extensions. Au 25 janvier 2024, 1438 extensions sont disponibles. Mais ces extensions doivent être installées par des administrateurs au niveau système.
En revanche, MediaWiki offre un ensemble de dispositifs directement manipulables par les contributeurs. Par exemple, il est possible de créer à n'importe quel moment des catégories qui indexent les articles dans un graphe hiérarchique. Il en est de même avec l'extension MediaWiki pour les types et relations sémantiques.
Depuis sa création, MediaWiki offre la possibilité de définir des modèles qui sont des sous-programmes ouverts où il est possible de faire des calculs. La programmation de ces modèles est parfois un peu fastidieuse avec une multiplicité des contraintes lexicographiques (avec les accolades et crochets). Depuis une dizaine d'année il est possible de programmer des modules avec un langage de programmation (Lua) de bon niveau (récursivité par exemple).
Wikipédia démontre la puissance des wikis programmables puis sémantiques
Les enjeux de l'information numérique à l'heure de l'IA
Dominance américaine, désinformation multinationale
Après un incontestable succès initial le CNRS n'a pas su maintenir le niveau d'expertise des équipes initiales. Les deux institutions ont rencontré des difficultés croissantes pour aborder les mutations informatiques.
Malgré un sursaut du TLF vers 2985 avec une version numérique du dictionnaire qui sera disponible sur le Web, le CNRS a renoncé à mettre à jour le TLF.
Du côté des bases Pascal et Francis, le CNRS a créé l'INIST autour de 1990. Dans une première phase, l'INIST a su informatiser la bibliothèque, la fourniture de documents et la fabrication de bases Pascal et Francis. Malheureusement le CNRS a engagé deux réformes qui se sont avérées catastrophiques. En 1992, une première étape visait à créer un groupe commercial de vente de documents numériques en ligne. Suite à un premier fiasco en 1998 le CNRS a décidé, sans aucune étude préalable, de réduire de 50% les effectifs et ressources de l'INIST avec l'intention de produire les bases par des moyens automatiques dans système centralisé basé sur un SGBD relationnel.
Bibliographie
Déroche François. Autour de l'inventaire médiéval de la bibliothèque de la mosquée de Kairouan : livres et mosquées au Maghreb. In: Lieux de cultes : aires votives, temples, églises, mosquées. IXe Colloque international sur l’histoire et l’archéologie de l’Afrique du Nord antique et médiévale (Tripoli, 19-25 février 2005) Préface de Jean-Luc Sibiude, ambassadeur de France en Libye. Paris : Éditions du Centre National de la Recherche Scientifique, 2008. pp. 247-255. (Études d'antiquités africaines) https://www.persee.fr/doc/etaf_0768-2352_2008_act_1_1_914
A réintégrer
années 85 !- 2000 : boîtes à outils XML la conception des outils est complexe l’assemblage peut être réalisé par des informaticiens moins qualifiés en informatique mais double compétence (exemple iNRAE, INSERM) les utilisateurs très motivés peuvent devenir autonomes années 2000 CMS en PDP MySQL exemple OpenEdition, HAL, Omeka paramétrage par des équipes mixtes les pratiques restent traditionnelles années 2005 wikis puis wikis sémantiques les utilisateurs motivés deviennent concepteurs changement de paradigme du mode étitorial ‘hypertexte, hypermédia)
problème : grandes difficultés avec la départ des concepteurs initiaux
Habitudes organisationnelles issues de l'édition papier
- forte spécialisation des rédacteurs acteurs : les erreurs inter spécialité ne sont visibles que dans l'édition papier ou sur les serveurs.
- Intelligence économique
- IA au service de la mercantilisation du Web