- 1 J.-P. Dedieu, 2017.
- 2 H. C. F. Barthélemy, 1885, p. 55.
- 3 J.-P. Dedieu, 2011.
1L’évolution récente de la méthodologie des sciences sociales impose à la recherche historique un suivi individualisé et multidimensionnel des acteurs qu’elle décrit et de leurs conduites dans le temps1. Elle exige ainsi de centrer la recherche non seulement sur l’analyse d’équilibres globaux, mais sur celle de conduites individuelles, qui sont autant de processus, ou plutôt d’agencements de comportements successifs, construits par chacun des acteurs étudiés à force de tâtonnements, par essais et échecs. Décrire ces processus est une opération complexe, car à chaque étape de leur cheminement ils laissent à l’acteur étudié le choix entre des voies divergentes et font appel à des facteurs d’une extrême diversité, souvent étrangers à la situation de départ. Ainsi, telle candidature au Conseil d’État napoléonien passe-t-elle par l’achat d’une robe pour la maîtresse de Cambacérès2. Ce caractère rend parfois difficile de prédire les éléments dont aura besoin le chercheur pour rendre compte des comportements qu’il observera par la suite. L’incertitude quant à cette prédiction est d’autant plus élevée que l’historien travaille sur des mondes qui, pour gérer leurs relations sociales, utilisaient des règles différentes de celles qu’il a lui-même appris à manier au cours de son propre apprentissage de la vie collective actuelle. Ce sont ces outils anciens, et non ceux qu’utilisent nos propres sociétés, qui produisent et structurent l’information brute livrée par les sources. Ils fournissent ce que nous appellerons le « signal », par assimilation à ce que le physicien reçoit de son appareillage. Or, la connaissance de ces outils structurants anciens qui informent l’input premier de son système interprétatif n’est pas donnée au départ à l’historien. Elle est le résultat attendu de sa recherche. Ce décalage crée un risque de contresens dans la compréhension des sources, si des précautions ne sont pas prises pour éviter toute interprétation hâtive qui enfermerait l’herméneutique du signal dans une sémantique étrangère à sa nature. Le débat actuel qui traverse l’historiographie espagnole sur l’interprétation de la vénalité des charges (corruption, conformément à la sémantique actuelle de la vénalité, versus échanges de grâces et services, conformément à la sémantique mise en avant par les contemporains) en est un bon exemple3. L’historien dispose d’une gamme d’outils méthodologiques pour faire face à ce hiatus interprétatif qui correspondent aux principes fondamentaux de la science historique établis par nos prédécesseurs depuis le xixe siècle au moins, dont Charles Seignobos est, pour l’historiographie française, le porte-parole le plus abouti. Il convient donc de souligner que la structuration de la base de données doit permettre la mise en œuvre de ces outils, et d’insister sur les contraintes que la construction d’une information historique exerce sur la structuration même de la base.
- 4 Précisons le sens du terme « ontologie » : « En informatique et en science de l’information, une on (...)
- 5 C. V. Langlois & C. Seignobos, 1898, livre II, chap. IV, pour une description et une mise en contex (...)
2Nous distinguons ainsi de ce point de vue, en ce qui concerne les matériaux historiques, quatre niveaux de bases de données, qui non seulement se différencient par leurs objectifs, mais qui entraînent aussi une structuration des données fort différente : l’image numérisée ; la gestion avancée des sources ; la construction des données ; la publication des données. Nous détaillerons plus loin le contenu de chacun d’eux. Nous insisterons particulièrement sur le troisième niveau, celui où l’on dépasse la simple mise à disposition d’un signal pour transformer son contenu en données, par insertion d’une ontologie minimale et uniforme4, qui permet en elle-même un maniement de ces données équivalent à celui que fournissait la fiche papier de la méthodologie classique5 ; puis en information, par l’ajout d’annotations ontologiques complexes particulières à chacune des données, permettant de les intégrer dans des éléments conceptuels plus vastes et autorisant des traitements infiniment plus puissants. Ce processus pourrait être largement accéléré dans un futur proche par l’intelligence artificielle, ce qui augmente la nécessité d’une prise de conscience des opérations à l’œuvre dans la phase de formalisation des données pour éviter des erreurs dans la réalisation de cet outil.
3Pour la mise en œuvre de ce troisième niveau, nous avançons cinq propositions, dont la plus importante consiste à séparer clairement la phase d’insertion, dans la base, des données sous ontologie minimale de la phase d’annotation sous ontologies complexes. C’est la méthode développée par le système Fichoz, sur lequel reposent les contributions de ce dossier. Ce déport de l’annotation complexe résout les difficultés qui dérivent du maniement d’ontologies dépassant les capacités cognitives de l’opérateur dans l’étape du chargement des données. Il permet aussi à un nouveau projet de recherche de réutiliser facilement des données antérieurement insérées dans une base par d’autres projets. Les porteurs du nouveau projet n’auront qu’à retravailler la couche ontologique complexe sans toucher aux données sous ontologie minimale qui lui servent de support. En conclusion, nous évoquerons un défi majeur, commun à l’ensemble des bases de données existantes et à venir, quel que soit leur niveau et leur structure : celui de leur préservation à long terme.
- 6 Notre travail est fondé sur les distinctions suivantes, que nous reprenons de Luciano Fioridi : le (...)
- 7 C. Seignobos, 1901, notamment p. 4 et suiv.
4Dans le sens le plus large, une base de données est un système qui stocke et délivre, à la demande, le signal produit par les sources, préalablement dégagé du bruit qui l’accompagne. Pour cela, ce signal a été segmenté en unités signifiantes, engrangées, structurées et annotées de façon systématique. Autrement dit, le signal a été transformé en données, que cette structuration et cette annotation rendent maniables6. Ainsi une inscription latine : l’inscription elle-même est le signal ; une fois les abréviations développées et les parties manquantes restituées selon des règles sur lesquelles il y a consensus parmi les spécialistes, elle devient une donnée ; les inscriptions concernant le même individu, remontées en série chronologique, nous indiquent que l’auteur fut d’abord centurion en Espagne, puis légat en Syrie et enfin sénateur à Rome, ce qui est une information ; déterminer que cette information constitue un cursus honorum, exige l’injection du concept de cursus honorum, un élément qui ne figurait pas dans l’information, ce qui transforme cette dernière en connaissance. Cette connaissance permet de restituer par inférence des données manquantes et d’intégrer l’information à une théorie globale de l’Empire romain. La distinction entre le signal et la donnée, dans le domaine historique, constitue le leitmotiv fondamental de l’école méthodique7, aux observations de laquelle il n’y a pas grand-chose à ajouter, qu’on utilise l’informatique ou non.
5Une base de données doit donc, en toute rigueur, s’en tenir aux données, tout en permettant à l’utilisateur d’élaborer à partir de celles-ci de l’information, qu’il créera en dehors de la base, en fonction des besoins de sa recherche, en combinant les données. Les règles qui président à l’extraction des données sous ontologie minimale, que nous détaillons ci-après, garantissent à ce niveau un résultat uniforme, ou des résultats compatibles, quel que soit l’opérateur. En revanche, la combinaison des données sous ontologies complexes, et plus encore les éléments utilisés dans la construction de connaissances, sont hautement dépendants de l’initiative du chercheur, de ses présupposés et de facteurs personnels, ce qui amenait Seignobos à douter que l’histoire fut une science. Tout en étant plus réservé que lui sur ce dernier point, nous retiendrons qu’une base de données ne doit pas intégrer des éléments de connaissance, au sens que nous avons défini ci-dessus, et qu’elle doit permettre de bien distinguer les éléments sous ontologie minimale des éléments sous ontologies complexes, sous peine d’interdire une utilisation collective des données ou tout retour en arrière en cas d’erreur.
- 8 M. Díaz Ordoñez, D. S. Rodríguez Baena & B. Yun Casalilla, 2023, p. 1-19.
- 9 Ce schéma est explicité dans les paragraphes qui suivent.
6Dès lors qu’elle dépasse la simple reproduction de textes bruts, la base de données impose un traitement spécifique de l’information livrée par les sources. Le traitement informatique des données permet d’organiser le travail de manière efficace selon les paramètres épistémologiques que nous avons décrits au tout début de ce texte. D’un point de vue pratique, ceux-ci imposent de faire converger dans un espace homogène, autour d’un nombre a priori indéterminé d’acteurs, l’ensemble des données qui décrivent leur comportement, en agrégeant sans cesse à l’univers de départ, au fur et à mesure qu’ils émergent dans la documentation, de nouveaux intervenants, de nouvelles actions et de nouveaux plans de réalité. Cette masse indéterminée d’informations est fournie par des sources multiples et différenciées, qui toutes envoient des signaux formatés de façon différente. Elle doit être transformée par la base en données, en grains uniformes d’information, se présentant de façon identique, homogénéité qui rend possible leur maniement par l’ordinateur. Le chercheur doit veiller à éliminer les doublons que fatalement contiennent les sources, tout en conservant la possibilité de défaire les éléments précédemment construits et de les rebâtir à nouveaux frais pour faire face à des développements imprévus ou corriger des erreurs d’interprétation, sans avoir à restructurer la base depuis la racine. Cela crée des exigences de souplesse et nécessite une capacité d’improvisation qui sont à l’opposé de ce que propose la pratique classique des bases de données, fondée sur l’élaboration préalable de corpus, d’ontologies et de schémas rigides d’organisation de l’information8. Tel est le défi que la recherche historique pose à l’informaticien. L’expérience engrangée depuis plusieurs décennies dans la construction, le chargement, la correction et la mise en œuvre de bases de données, nous a conduit à distinguer quatre niveaux de bases de données, correspondant à quatre degrés d’élaboration de l’information d’origine et à quatre usages des données produites (Figure 1)9.
Figure 1. Les quatre niveaux de traitement
7Le premier type de base de données (document I, niveau I) s’en tient à la reproduction de l’image de la source (image numérisée). La source est numérisée page à page, ou objet par objet. Chaque cliché se voit attribuer automatiquement une indication de source, un titre, un identifiant unique (DOI) et les indications bibliographiques courantes telles que définies, par exemple, par le Dublin Core10 ou toute autre ontologie standard. L’image des textes est transformée en chaînes de caractères, par OCRisation ou grâce à des systèmes d’intelligence artificielle ; si les moyens automatiques ne le permettent pas, elle est transcrite manuellement. Cette opération n’est pas indispensable, mais extrêmement utile, car elle permet ultérieurement de récupérer le contenu du document original pour le traiter sous des logiciels d’exploration des données (data mining)11 ou d’intelligence artificielle par apprentissage sémantique. L’utilisation de l’intelligence artificielle, dont l’approche est fondée sur les structures linguistiques, rendra sans doute indispensable, à court terme, la transcription en chaînes de caractères des documents textuels. Antérieurement même à tout découpage ou transcription – opérations toujours longues si l’on veut obtenir un texte irréprochable –, les bases de données ainsi constituées rendent d’énormes services en mettant en ligne des documents originaux12. Nous restons cependant dans le cadre de la publication classique de documents, simplement facilitée par les outils numériques : les indications sur le contenu se limitent au titre, et l’information est livrée en bloc d’une page – ou d’un cliché –, dans la forme typographique de la source, unités formelles qui ne correspondent pas nécessairement à des unités de sens.
- 13 Un cas typique est celui des articles de presse, fragmentés en plusieurs blocs répartis sur plusieu (...)
8Le deuxième type de bases de données (document I, niveau II) résout cet inconvénient. Il découpe le document-source en blocs ou fragments signifiants, indépendamment de la forme typographique du texte. Il remonte ces blocs en ensembles qui font sens pour le chercheur. Un même ensemble peut rassembler des blocs issus de plusieurs pages de la source, et laisser de côté ceux qui, au gré de l’utilisateur, n’apportent pas d’information signifiante13. Une base de données indépendante permet de gérer ces fragments : elle constitue un descriptif qui permet de procéder à des requêtes sur les mots du titre, la date, le(s) signataire(s), la version linguistique, autrement dit les métadonnées fournies par la source. Les bases de données de niveau II sont extrêmement utiles, et multiplient la valeur des bases de niveau I. Mais leur dépendance vis-à-vis de la forme du document les handicape considérablement comme instrument de recherche.
9Une donnée, dans le sens que nous accordons à ce terme, est un fragment de signal, extrait d’un document ou d’une source quelconque, réduit à un degré de granularité minimal, encapsulé dans un container uniforme qui permet de manier avec les mêmes outils toute entité ainsi constituée, quel que soit son contenu (document I, niveau III). Étant donné que le paradigme actuel des sciences sociales accorde une grande importance à l’acteur perçu comme la somme de ses actions, le degré de granularité le plus fin et le plus général est selon nous l’action, définie comme un changement d’état (What) de l’acteur (Who), en un lieu donné (Where), à un moment donné (When), affectant éventuellement un autre acteur (With whom). L’encapsulage de chaque action doit comprendre, dans tous les cas, ces cinq facettes, qui constituent ce que nous appelons une ontologie minimale (Figure 1, niveau III). L’acteur ici considéré peut être un individu mais il peut aussi être un objet (un navire, un fief, une publication, une société, etc.). Nous reviendrons sur cette généralisation de la notion d’acteur. Les bases de données de niveau III livrent l’information structurée de cette façon, sous forme de données, directement utilisables par l’historien pour l’élaboration de ses conclusions. Le découpage en actions n’est pas imposé par la source, mais résulte d’une décision du chercheur. Rappelons que ce dernier ne fonde pas ses conclusions sur les traces que lui livrent les sources, mais sur des artefacts qu’il construit à partir de ces traces. Ce sont eux que doit enregistrer la base de données à partir de laquelle il bâtira ses conclusions, et non pas un quelconque reflet supposé objectif d’une source quelconque.
- 14 Nous ratifions totalement les conclusions de M. Díaz Ordoñez, D. S. Rodríguez Baena & B. Yun Casali (...)
10Ce premier découpage/annotation minimale uniforme n’est pas suffisant. Il permet de manier les données, mais si le texte ainsi obtenu est compréhensible par un lecteur qui connaît le contexte dans lequel la source a été rédigée, il ne l’est pas par la machine. L’ordinateur ne sait pas d’emblée que Madrid est une ville, par exemple. Chaque élément de l’action doit donc être affecté d’un certain nombre de caractères, d’étiquettes, qui permettront à la machine de retrouver instantanément les actions de même type. Nous donnons à l’ensemble de ces éléments de caractérisation de l’information le nom d’ontologies complexes. La plupart des bases de données tendent à introduire les éléments d’une ontologie complexe lors du chargement des données, voire les inscrivent dans la structure informatique de la base. Nous estimons que c’est une erreur14. La répartition de la matière entre les champs [Who], [With whom], [What], [Where], [When] est en elle-même une ontologie, une ontologie minimale, qui permet un maniement suffisant des données pour les opérations de chargement et de maintenance courante, mais aussi pour un grand nombre de traitements, sans introduction d’éléments de connaissance autres que ceux, clairement identifiables, qui président, par consensus universel, à la structuration du récit. Il est donc possible de remettre, sans paralyser la base, l’introduction d’ontologies plus avancées, décrivant en détail le contenu de chaque élément, tels que codage, regroupement, classement géographique ou institutionnel, description des relations entre acteurs, entre acteurs et objets, etc., au moment où l’on disposera d’une masse de données importante, susceptible de laisser voir des structures sous-jacentes complexes.
11Publier une base de données s’entend en réalité de deux manières. La première consiste à mettre à disposition de la communauté les bases de niveau III15. Leur intérêt s’accroît considérablement lorsqu’elles sont d’usage collectif, ce qui implique qu’elles soient installées sur un serveur, dont il suffit d’ouvrir l’accès (en lecture) au public général, éventuellement après préparation de routines d’interrogation et de visualisation simplifiées. Les données qu’elles contiennent sont fluides et sujettes à des transformations constantes, ce qui rend difficile de garantir aussi bien leur stabilité que l’absence d’erreurs. Elles abordent des domaines variés, souvent de manière pointue. Ces caractéristiques en réservent l’usage à un public averti de chercheurs. Nous savons également par expérience qu’avant d’en utiliser les données, il est prudent que l’utilisateur s’assure de leur qualité, ce qui n’entre ni dans les souhaits ni dans les compétences du lecteur moyen.
12Au niveau IV, il s’agit en revanche de procéder à des publications pour le public en général (document I, niveau IV). Ces publications sont issues soit de bases de traitement avancé de l’image (niveau II), qui n’autorisent qu’une mise en œuvre assez semblable à celle d’un texte imprimé amélioré ; soit de bases de construction des données (niveau III), une fois celles-ci figées, ce qui permet une réelle mobilisation des données par l’utilisateur pour ses fins propres. Mais alors que les bases de niveau III se caractérisent par des transformations constantes, au fur et à mesure de leur enrichissement quantitatif et qualitatif, les bases de publication ne doivent plus être sujettes à transformations, du moins à des transformations fréquentes. Elles ont été stabilisées : c’est indispensable pour qu’un public de non-spécialistes les comprenne mais aussi pour garantir une parfaite qualité des données. Cette phase de stabilisation s’accompagne utilement de l’ajout d’une nouvelle ontologie standard simplifiée qui facilite le maniement des données par l’utilisateur. Ces transformations exigent des moyens considérables. Certaines publications de ce type ont acquis une grande notoriété, telle SlaveVoyages16, sur la traite atlantique des esclaves (par exception, régulièrement mise à jour), devenue une référence sur une question hautement mémorielle. D’autres restent confidentielles et le resteront en dépit de la qualité du travail sous-jacent, en raison du caractère très spécifique des sources mobilisées. La première question à se poser est donc de savoir si la publication d’une base de données de niveau IV se justifie ou s’il suffit plutôt de mettre en ligne la base de type III (voire une base de niveau II). Les appels à projets de recherche sont habituellement ambigus sur ce point.
13Une publication de niveau IV exige la création d’un produit nouveau, indépendant de la base de niveau III. Les données à publier doivent être sélectionnées, nettoyées de doublons, soigneusement vérifiées, corrigées. Elles seront ensuite exportées dans un autre conteneur informatique, réservé à la consultation, qui permettra de continuer à travailler sur la base de type III sans enfreindre la règle de fixité que doivent conserver des données de type IV. Elles peuvent être restructurées pour mieux s’adapter à leur nouvel environnement. Elles doivent s’accompagner de formats d’écran permettant une lecture aisée, éventuellement simplifiée, des données de départ. Il sera souvent illusoire de chercher à publier toutes les informations. Il faudra procéder à une sélection mais aussi fournir des éléments de contexte qui permettent à l’utilisateur non averti de comprendre le sens des informations fournies et de situer les données partielles qu’il extrait dans des ensembles plus vastes. Le logiciel de publication peut être différent de celui utilisé pour le niveau III, et donner la priorité non pas à la souplesse pour l’introduction des données, mais à la facilité de publication. Des scripts doivent en faciliter l’usage. Bref, il s’agit d’un travail à part entière qu’il convient de bien distinguer de la construction des données proprement dite.
- 17 URL : https://bases.hypotheses.org/fichoz.
- 18 Laboratoire de recherche historique Rhône-Alpes, UMR 5190 (CNRS, ENS-Lyon, Universités Louis Lumièr (...)
- 19 Institut d’Asie orientale, UMR 5064 (CNRS, ENS-Lyon, IEP Lyon, Université Louis Lumière-Lyon 2).
14Les auteurs qui présentent ce dossier travaillent selon des principes qui permettent de résoudre la contradiction entre les exigences de souplesse et de capacité d’improvisation inhérentes au travail de l’historien d’une part, et la pratique classique des bases de données, fondée sur l’élaboration préalable de corpus, d’ontologies et de schémas rigides d’organisation de l’information, d’autre part. Ils appartiennent à un collectif plus vaste qui a donné naissance à une famille de bases de données collectivement connue sous le nom de Fichoz17. Elle a été progressivement développée au sein d’équipes du CNRS depuis 1989, d’abord à la Maison des pays ibériques (Bordeaux), puis au LARHRA (Lyon)18, enfin à l’IAO (ENS-Lyon)19. Plus de 200 chercheurs, français, chiliens, espagnols, portugais, italiens, allemands et tunisiens l’ont utilisée efficacement. Ce dossier d’Histoire & Mesure présente la démarche suivie dans trois projets de recherche. Le modèle Fichoz a été repris par Silvia Marzagalli dans le cadre du programme « Navigocorpus », a servi de base de départ à Gunnar Knutsen pour la réalisation de la base de données EMID (Early Modern Inquisition Database), fondée sur les procès de l’Inquisition espagnole et portugaise, et a été utilisé par Albane Cogné dans le cadre du programme « Les élites italiennes et les monarchies européennes : circulations et réseaux de pouvoir (xvie-xviiie s.) » (Elitesit, 2017-2021). Dans les deux premiers cas, une base de données spécifique au programme a été élaborée, en suivant le modèle Fichoz et en respectant les grands principes sur lesquels nous allons revenir. Dans le dernier cas, celui du programme « Elitesit », les données ont conflué dans la première base de données élaborée à partir de 1989 dans une perspective prosopographique et intitulée Fichoz-Actoz.
15C’est à partir de l’expérience engrangée à travers l’accompagnement de divers projets de recherche que nous proposerons des principes généraux transposables à tout autre système d’information. Nous le ferons en cinq points, quitte à reprendre, pour les préciser dans une autre perspective, des thèmes que nous avons déjà exposés.
16La première proposition établit que la réponse aux problèmes que posent les bases de données fondées sur un matériau historique ne consiste pas en un remodelage du système informatique, mais en une meilleure analyse des données pour les adapter aux principes qui président au fonctionnement de l’instrument informatique. En règle générale, il convient dans un premier temps de les diviser en éléments de granularité fine ; puis de les encapsuler dans une enveloppe formelle, toujours identique, qui permettra à la machine de les manier – ces deux opérations offrent le maximum de recombinaisons entre les éléments sans toucher à la structure formelle qui les encapsule – ; enfin, il faut fonder l’encapsulage sur les caractères formels que présentent les données et en aucune façon sur une analyse de leur contenu. Explicitons chacun de ces points. Par encapsulage, nous signifions des éléments systématiquement liés à la donnée qui permettent à la machine de la manipuler et de la sélectionner. Cet encapsulage est fondé sur des caractères formels, c’est-à-dire que ces éléments doivent reproduire l’information contenue dans la donnée sans interprétation aucune. Si le nom d’un acteur dénommé Jean Dupont sert d’élément d’encapsulage, il doit rester noté Jean Dupont, sans plus et sans inclure dans l’élément d’encapsulage aucun autre renseignement sur sa personne. Par granularité, nous signifions que les éléments qui composent la base de données sont réduits à la plus petite taille possible compatible avec la description des objets dont ils rendent compte, uniformisés dans leur présentation de manière à être accessibles dans un même espace informatique, et munis des métadonnées nécessaires à leur maniement. La taille requise des grains d’information varie selon l’usage auquel les données sont destinées.
- 20 Nous ne distinguons pas, à ce stade, action (intentionnelle) et événement (non intentionnel), leur (...)
- 21 B. Latour, 2005.
- 22 Sur la reconstruction des itinéraires de navires après attribution des identifiants et ordonnanceme (...)
17La deuxième proposition pose qu’un acteur est décrit par la suite des actions qu’il mène à bien ou qu’il subit. La base de données historique doit donc consister fondamentalement en la description d’un ensemble d’actions. C’est l’action qui doit servir de base à la segmentation granulaire dont nous venons de parler. L’information doit donc être réduite à une suite d’actions, et celles-ci doivent être présentées en utilisant les éléments descriptifs les plus généraux de l’action, déjà mentionnés dans ce texte : un acteur (Who), réalisant ou subissant une action (What), en un lieu (Where), en un moment (When), éventuellement en relation avec un autre acteur (With whom)20. Nous parlons à ce propos des cinq fonctions « W ». Nous prenons par ailleurs le terme « acteur » au sens que lui donne Bruno Latour : toute instance qui intervient dans un jeu de relations entre individus ou entre groupes21. En ce sens, un navire, dans une base de données sur les liaisons maritimes, est un acteur, au même titre que son capitaine, et l’opération d’identification est la même : c’est le cas dans la base de données Navigocorpus exploitée par Pierre Niccolò Sofia et Silvia Marzagalli dans ce dossier22. Dans le cas de la base Elitesit, les fiefs représentent des acteurs, tout comme les nobles qui les détiennent, mais ils possèdent un système d’identifiants propre, différent de celui des individus. Cette stratégie simplifie radicalement la base de données. Le travail du chercheur consiste donc à segmenter les sources en séquences de ce type, jusqu’à les épuiser, selon le degré de granularité qu’il estime nécessaire pour la tâche en cours. Il lui est loisible de faire varier celui-ci, soit en regroupant des éléments fins en éléments plus vastes, soit en ajoutant des entrées supplémentaires qui partitionnent les éléments existants en éléments plus fins mais, en tous les cas, en s’appuyant sur l’existant et sans avoir à reprendre à zéro le travail de chargement du signal fourni par les sources. L’action « bataille de Waterloo », par exemple, doit éventuellement pouvoir être décomposée en « charge de la cavalerie lourde française », « rencontre de Blücher et Wellington », etc. Il est dès lors possible de traiter sous une même structure formelle, donc dans le même espace informatique, toute information quelle que soit sa forme de départ ou sa source d’origine. Chaque action doit être unique. Une action introduite dans la base ne doit constituer une entrée nouvelle que si l’un des éléments de l’ontologie minimale, [Who], [With whom], [What], [Where], [When], change, et en ce cas seulement. Si une autre source décrit la même action, les données déjà chargées peuvent être complétées ou corrigées, en aucun cas répétées, ce qui fausserait les résultats. Dans la pratique, on posera comme règle qu’avant d’introduire toute donnée nouvelle dans la base, l’opérateur vérifiera qu’elle ne s’y trouve pas déjà. La découpe des données en actions autosuffisantes, de granularité fine, permet d’introduire des informations nouvelles sans avoir à bouleverser la base.
- 23 Ou similaire dans les bases de données qui n’utilisent pas la notion d’enregistrement.
- 24 M. Díaz Ordoñez, D. S. Rodríguez Baena & B. Yun Casalilla, 2023. La seule énumération des types de (...)
18La troisième proposition est une restriction au principe précédent. Elle pose que les données ci-dessus décrites doivent être extraites des signaux fournis par les sources, et chargées dans la base, dans un premier temps, au plus près de la manière dont elles se présentent dans ces mêmes sources, mises en forme par une ontologie minimale, sans autres liens entre elles que leur succession chronologique (donnée par le facteur « When ») et leur attribution au même acteur (donnée par le facteur « Who »), sans autre codage, marquage ou interprétation du contenu que la répartition en actions, autrement dit, sous une ontologie reposant sur la contiguïté des éléments composant une même action (les cinq W) au sein d’un même enregistrement informatique23, contiguïté et non lien sémantique. La nature de l’action doit être simplement décrite par un texte en langage naturel décrivant « What », texte construit par l’historien à partir du signal, l’équivalent d’un regeste dans la méthodologie historique classique. Cette mise en forme limitée et réduite à une méthodologie éprouvée garantit la neutralité de ce premier chargement quant à la structure de la base, rendue de ce fait indépendante de l’interprétation ultérieure des données, lui assurant souplesse, pérennité et clarté, et permettant, comme nous le verrons ci-dessous, un véritable travail collaboratif. Elle a pour objet surtout – on ne soulignera jamais assez l’importance de ce point – l’encadrement du travail de premier chargement des données par des règles strictes et une simplification de la tâche qui permettent d’éviter une surcharge cognitive de l’opérateur comme c’est le cas lorsqu’il faut introduire une ontologie complexe dès le premier chargement des données, car il est inévitable que cette ontologie complexe acquière rapidement un volume et un degré de complication très importants24.
19Ce point n’est pas une question de confort, mais une condition pratique sine qua non de réalisation de la base. Si l’on admet que c’est l’historien qui modèle ses données, qui les sculpte en quelque sorte ; que même lorsque les sources les lui livrent apparemment mises en forme, cette mise en forme primitive est un « effet de source », soit la trace de l’auteur du document sur des phénomènes dont il ne rend qu’un compte imparfait ; alors, même si le pilotage de la base n’exige pas de l’utilisateur moyen des connaissances informatiques très élevées, il requiert en revanche des connaissances historiques approfondies. Il n’y a pas de garde-fou artificiel imposé par une structure informatique rigide. Le chargement des données de niveau III est pratiquement libre de contraintes physiques. Il doit en revanche être guidé strictement par les règles de l’herméneutique historique. Il exige une totale compréhension des termes de la source ; et ce dans des domaines divers, souvent éloignés les uns des autres. En effet, la base permettant de croiser des données recueillies à partir de perspectives variées, l’utilisateur se trouve parfois malgré lui confronté à des univers sociaux qu’il ignore mais dans lesquels il retrouve les acteurs qui l’intéressent. La distinction entre ontologies minimale et complexe permet l’utilisation dans la première phase, désormais simplifiée, encadrée par des règles précises fondées sur la forme et non plus le contenu des objets, de personnels plus légèrement formés ou en cours de formation dans le domaine historique.
- 25 M. Díaz Ordoñez, D. S. Rodríguez Baena & B. Yun Casalilla, 2023, avec bibliographie.
- 26 L’ontologie complexe caractérise donc chacun des éléments de l’action et les enrichit d’information (...)
20La quatrième proposition concerne les ontologies complexes. Elle pose que toutes les annotations nécessaires à la mise en œuvre des données (par données nous entendons le signal segmenté, épuré et standardisé) contenues dans la base, à savoir codage, regroupement, classement géographique ou institutionnel, description des relations entre acteurs, entre acteurs et objets, etc., doivent se faire en interprétant la matière fournie par le premier chargement des données sous ontologie minimale et postérieurement à lui, dans une surcouche informatique qui n’affecte pas ce premier chargement. Ceci permet au chercheur tâtonnements et repentirs sans remettre en question la description des actions précédemment chargées. Elle permet d’obvier à la définition a priori de classes qu’il est difficile de faire évoluer par la suite si elles se révèlent inadaptées aux données trouvées, phénomène qui conduit à des conséquences tragiques pour le résultat de la recherche25. Insérer l’ontologie complexe dans la base de telle sorte à pouvoir la modifier sans avoir à toucher la structure de celle-ci et sans affecter les ontologies minimales ou complexes préalablement installées garantit la qualité des annotations fournies. La contribution de Pierre Niccolò Sofia et Silvia Marzagalli dans ce dossier illustre cette manière de procéder, que ce soit par la création d’un agrégat des ports siciliens pour le besoin de cette recherche, ou par l’insertion de l’indication des distances entre toutes les paires de ports reliés entre eux, faite à la fin de la collecte des données. Dans le cas du projet « Elitesit », les appartenances géographiques des individus ne sont pas des catégories plaquées a priori mais des étiquettes amovibles et modifiables, apposées après le chargement de l’ensemble des données. Les critères de définition de ces appartenances peuvent en effet varier selon les projets de recherche qui utiliseront la base, voire même entre différents chercheurs à l’intérieur d’un même projet. Le respect des ontologies simplifiées primitivement créées est, comme nous le verrons, l’une des conditions nécessaires pour un usage collectif de la base de données qui dépasse la simple fourniture passive d’information26.
21La cinquième proposition, enfin, est une affirmation d’humilité. Il nous paraît évident qu’il faut renoncer à rendre les données totalement transparentes pour l’ordinateur. Les données historiques dépendent des exigences du chercheur. Elles sont par nature floues et rebelles à tout modèle fermé. Elles ne peuvent faire l’objet d’une formalisation complète et définitive. La base de données ne peut livrer que des données semi-structurées. Le système de traitement doit donc à tout moment, à toutes les étapes du processus, laisser la main à l’opérateur qui procédera à des formalisations successives, en fonction de ses besoins, dans le respect des règles de l’herméneutique historique. De ce constat découle la nécessaire séparation des bases de données de recherche (niveau III) et des bases de données publiées (niveau IV). Segmenter les données, faire varier en fonction des besoins leur granularité, fixer des ontologies en fonction de l’évolution des connaissances et des problématiques, ne sont que la mise en œuvre d’une pratique inhérente à toute science. Il n’en existe pas moins un risque d’anarchie. Toutefois, l’accord des chercheurs sur une ontologie minimale et sur les facteurs de granularité de l’action limite l’arbitraire et garantit l’homogénéité fondamentale des résultats. L’autonomie réciproque des ontologies minimale et complexe permet la constitution de bases de données qui superposent à un seul jeu de données sous ontologie minimale, plusieurs jeux sous ontologie complexe, appartenant à des utilisateurs différents. Elles permettent d’engranger dans un espace homogène des données apparemment disparates et de les combiner dans des opérations de recherches multiples.
- 27 Sur ce point, voir aussi P. Cornwell, 2022.
22La réalisation d’une base de données est une activité terriblement chronophage, et ce caractère a constitué longtemps un obstacle quasiment rédhibitoire à la constitution des outils massifs que paraissait appeler la recherche. La plupart des tentatives d’automatisation effectuées jusqu’ici, fondées sur les caractères externes de la mise en forme des données par la source, ne fonctionnaient efficacement que sur des documents où cette mise en forme était raisonnablement homogène ; elles exigeaient de toute façon de fastidieuses vérifications. Or il est probable que nous sommes à la veille d’avancées décisives en ce domaine. L’article de Gunnar Knutsen dans ce dossier esquisse ce que l’historien peut attendre de l’intelligence artificielle mise en œuvre par des outils d’apprentissage sémantique massif27. Les premiers résultats sont spectaculaires. Il reste à évaluer de façon précise l’enveloppe d’emploi de ces moyens et à procéder à l’acquisition des techniques nécessaires. Il semble également que les capacités nouvelles des outils sémantiques ne modifient en rien ce que nous avons dit plus haut quant à la structuration des bases de données, mais qu’elles en accélèrent singulièrement la mise en œuvre, tout en en réduisant spectaculairement le coût. Même ainsi, créer une base de données, soit ex nihilo, soit en agrégeant ses propres données à une base déjà existante, comme nous le préconisons, générera toujours un coût considérable, en temps et en argent. Tout chercheur, avant de décider la création d’une base de données, doit donc se poser la question de sa rentabilité : le bénéfice attendu sera-t-il à la hauteur de l’effort humain et financier nécessaire ?
- 28 Voir le document « Fichoz’s credits and credentials » mis en ligne sur le carnet de recherche (URL (...)
23La constitution d’une base de données d’une certaine ampleur exige la mobilisation d’une équipe. On peut envisager celle-ci de deux façons. La première consiste à rassembler en un même moment plusieurs chercheurs qui se partagent une tâche limitée, débouchant sur une base de données fortement centrée thématiquement et fermée. C’est la solution adoptée par la plupart des projets de recherche. La seconde consiste à mettre à disposition d’une communauté les données structurées sous ontologie minimale telles qu’elles ont été préparées par une recherche antérieure, permettant à un autre chercheur de reprendre plus tard cet ensemble pour le raffiner, le développer et l’enrichir, y agréger de façon tentaculaire des données supplémentaires, qu’il utilise pour des recherches totalement différentes. Le nouvel arrivant n’a plus qu’à développer son ontologie complexe sur le sous-ensemble des données déjà présentes sous ontologie minimale qui va lui être utile, et sur celui-ci seul. L’approche que nous suggérons, en deux couches d’annotations, autorise les deux stratégies, mais si elle ne change pas grand-chose à la première, elle sublime la seconde. Elle permet d’engranger dans un espace homogène des données disparates, produites par des chercheurs différents qui peuvent ne pas même se connaître, et de les combiner dans des opérations de recherches multiples, étant donné que l’insertion se fait sur les cinq W, des marqueurs neutres, indépendants du contenu de l’action. L’expérience a montré que des rencontres improbables mais fructueuses, parfois fondées sur le hasard, deviennent ainsi possibles et que si la valeur d’une base croît avec sa masse, elle croît surtout avec la variété des données qu’elle contient et des approches qu’elle reflète. Les bases de données devraient donc constituer, selon nous, des outils communautaires, non spécialisés thématiquement, des outils de groupes hétérogènes quant à leur thématique et leur problématique, où chacun dépose ses propres données et utilise librement en contrepartie celles des autres28. L’accord sur une ontologie minimale a permis, par exemple, de stocker dans un même espace des données biographiques et des données bibliométriques, permettant des approches inédites de la production intellectuelle espagnole à la fin de l’Ancien Régime.
- 29 Nous ne dirons jamais assez l’importance qu’ont eue pour nous la création de Huma-num et la collabo (...)
24Les chercheurs ayant utilisé Fichoz ont mis au point, au fil du temps, des procédures destinées à faciliter, selon ce principe, la transformation en données de classes entières de sources homogènes, permettant leur versement automatique ou semi-automatique au fichier des actions : listes de population, de contribuables, annuaires ; actes notariés, registres de baptêmes, mariages et décès ; documents portuaires ; généalogies ; documents textuels ; documents judiciaires, etc. Ils ont de même mis au point des outils facilitant l’annotation complexe, tels des répertoires géographiques ou des dictionnaires institutionnels. Les implications de cette approche fondée sur le collectif dépassent largement la seule question des données. En mettant en commun ces dernières, la base met aussi en commun les chercheurs et crée une dynamique de groupe qui rend possible le croisement des problématiques, des points de vue et des expériences. Ce versant communautaire, fondamental, pose néanmoins des problèmes d’accès aux données, non tant du point de vue de la propriété intellectuelle que de la pure technique informatique. Il ne s’agit pas seulement de publier des données totalement structurées : il s’agit de permettre de travailler collectivement des données semi-structurées sous ontologie minimale. Il faut pour cela des serveurs et des applications qui offrent la puissance nécessaire au maniement collectif de telles données29. Ce n’est pas le cas de la plupart des instruments de mise en ligne des bases de données actuellement disponibles. Il faut surtout assurer la permanence de l’accès, la base ayant vocation à rester active sur le long terme.
- 30 P. Cornwell, 2022.
- 31 P. Cornwell, 2022, p. 1 (traduit de l’anglais).
25Notre objectif n’est pas de fournir des recettes et encore moins un manuel, ni de décrire des opérations de traitement de données, mais d’indiquer des stratégies, de débroussailler concepts et méthodes, d’évaluer l’incidence sur les résultats des différents processus suggérés, ainsi que la charge de travail qu’ils impliquent, et de montrer en quoi l’adoption des quelques principes ici esquissés permet de soutenir une recherche spécifique dans des domaines fort différents. Nous souhaitons ainsi contribuer à une réflexion sur les rapports qu’entretient l’instrumentation, au sens le plus matériel du terme, avec la production de conclusions valides. Reste toutefois un ultime aspect à évoquer qui conditionne tout, celui de la préservation des données. Il s’agit d’un problème redoutable pour l’ensemble de la communauté scientifique, dont, comme le souligne Peter Cornwell, celle-ci n’a pas encore pris réellement la mesure des enjeux, à quelques rares exceptions près30. Créer des bases de données massives pour les laisser péricliter rapidement est absurde. Or, « au cours des deux dernières décennies, le volume de données de recherche générées et finalement perdues – principalement en raison de l’obsolescence des technologies et d’un manque de planification stratégique et financière – a augmenté de façon spectaculaire. Les bibliothèques des institutions scientifiques n’ont pas reçu les ressources supplémentaires significatives nécessaires, et n’ont pas été chargées de développer l’expertise et l’infrastructure dans ce domaine complexe ; de nouvelles structures n’ont pas non plus été créées expressément à cette fin […]. Entre-temps, les entreprises commerciales ont été encouragées à étendre les solutions de stockage propriétaires à la communauté des chercheurs, ce qui crée non seulement de nouvelles vulnérabilités dues au verrouillage des fournisseurs, mais limite également l’accessibilité pour les futurs chercheurs, puisque ces solutions ont été conçues à des fins commerciales31 ». P. Cornwell pointe aussi les limites des systèmes actuels de planification de la gestion des données (DMP) à ce niveau. Il rappelle que l’accessibilité des données, qui figure en bonne place dans l’acronyme des principes FAIR (pour « faciles à retrouver, accessibles, interopérables, réutilisables »), ne prend pas en compte la question de la conservation. Or, ces quatre principes n’ont aucun sens si les données ne sont pas conditionnées et préservées de manière efficace pour un accès ultérieur. La tension émergente entre les plateformes de dépôt de données de recherche à source ouverte et les services commerciaux de stockage de données, présentés comme des solutions de conservation, pourraient fournir l’occasion d’élaborer des solutions novatrices. L’une des tâches essentielles de la gestion des données issues de la recherche est de veiller à ce qu’elles puissent être réutilisées avec de multiples plateformes et avec les technologies du futur. Dans ce domaine, il s’avère également essentiel de veiller à la traçabilité des données : la garantie de leur fixité ne sert à rien si l’on n’est pas sûr de leur origine, d’où l’importance de la description du contenu des fichiers de données ainsi que leur relation avec l’activité de recherche au cours de laquelle ils ont été générés, sous forme de métadonnées, inséparables de leur référent.
26Qu’il s’agisse de construire des bases de données historiques ou d’en assurer la pérennité, l’imbrication de la méthodologie historique et de la technique, que nous défendons, exige une collaboration entre ingénieurs et chercheurs qui rend floue la frontière entre les deux activités et un strict partage des tâches, avec tous les problèmes de compréhension mutuelle qu’engendre la mise en contact de deux mondes qui obéissent à des logiques profondément différentes.