1Les humanités numériques, vues comme les recherches en humanités centrées sur les traces et les écritures numériques (documents, messages, traces, Internet des objets, etc.), posent le problème préliminaire de l’accès aux données avant celui de l’éducation et de l’accompagnement à la prise de compétences associées à la conception d’outils méthodologiques. Le Digital Humanities 2.0 Manifesto1 « ne les définit pas comme un champ unifié mais comme un ensemble de pratiques qui convergent vers l’exploration d’un univers où l’imprimé n’est plus le seul moyen de diffusion de la connaissance, de la science » (Burnard 2012). Ainsi, aucune des disciplines des sciences humaines et sociales n’est épargnée par la focalisation sur la dimension « texte », indépendamment du changement paradigmatique et épistémologique sous-tendu (Ollion 2015 ; Vayre 2014, 2018 ; Theviot 2016).
2En général, les humanités sont traversées simultanément par l’émergence des écritures numériques et l’extension du domaine des traces (Berry 2008 ; Kitchin et Dodge 2011), ce qui confère une grande hétérogénéité sémiotique aux capta (traces comportementales, temporelles, géolocalisées, etc.). En considérant cette documentation du monde comme un ensemble de « complexes relationnels » répondant à l’irrésistible montée de l’algorithmique jusqu’à l’intelligence artificielle (Carmes et Noyer 2014), on peut en produire une autre lecture.
3La montée des empiries numériques offre des manières nouvelles à la fois de percevoir notre environnement mais aussi de penser selon de nouvelles réflexivités, modélisations ou simulations. La sociologie, le marketing, l’économie, le droit, l’histoire, par exemple, mais aussi les médias et la documentation (Thiault 2020), articulent la pratique des travaux de recherche à un « terrain numérique » par l’utilisation d’une instrumentation des plus variées, à laquelle s’ajoutent l’adaptation et la préparation des données. Nous notons ainsi, quelle que soit la discipline, la nécessité d’élaborer au cas par cas des méthodes qui sous-entendent l’acquisition de compétences-clés développées ci-après, allant depuis la formulation des hypothèses, la constitution de corpus et leur nettoyage jusqu’à leur exploration et exploitation, quitte encore à revenir sur les hypothèses par leur analyse (Ollion 2020). Dès lors, il ne s’agit plus d’une méthodologie d’analyse à « dérouler » mais d’une méthodologie à construire (Morin et Le Moigne 1999) et à adapter au fur et à mesure de l’analyse.
4Dans ce contexte, il nous semble plus que jamais nécessaire de développer une propédeutique élémentaire ciblant la compréhension des méthodes de traitement des données, la constitution des corpus de recherche, les écritures de sémantique de la donnée, ou simplement les pratiques cartographiques, en complément de l’outillage statistique (Noyer 2017).
5Nous présentons, sous forme de processus, les caractéristiques principales de cette propédeutique émergente (en direction des enseignants-chercheurs et des étudiants en sciences de l’information et de la communication [SIC] mais pas seulement). Nous en indiquons aussi les conséquences pour l’élaboration de compétences professionnelles de nature variée, toutefois concentrées autour de quelques principes-clés (Grandi et Ruiz 2012) :
-
apprentissage des concepts des données massives et de numérisation, des diverses formes d’indexation et de classification
-
identification et légitimation des sources de données (plateformes de données ouvertes, archives, bases de données) et construction des couples problème-corpus (Mayer-Schönberger et Cukier 2013)
-
connaissance élémentaire de langages de traitement de données (Dacos et Mounier 2014)
-
visualisation, utilisation des informations relationnelles et de la connectivité
-
textométrie, mots associés et fouille documentaire (Mayaffre 2002, 2014)
-
dissémination, présentation des résultats, partage, développement des intelligences collectives
6Ces compétences réclament une attention particulière car, si l’utilisation de logiciels spécialisés est relativement développée, ces derniers sont souvent employés de manière réductrice, en enfermant l’utilisateur dans une vision trop spécifique, dans un concept unique ou un sous-domaine dudit concept. Réciproquement, ces principes-clés, relativement nouveaux pour l’ensemble des formations en humanités, conduisent à une mise en pratique d’autant plus délicate à orchestrer que le public présente souvent un niveau d’intérêt et des compétences variés.
7Nous pensons que la base de données mondiale des brevets constitue une mine pour la recherche, pour la formulation de nouveaux problèmes ou la reformulation de problèmes. La liberté de construction des couplages problème-corpus donne en effet à la pratique de l’enseignant-chercheur des dimensions pédagogiques renouvelées (Reymond 2020). Pour chacun des principes-clés, nous avons donc élaboré et éprouvé un ensemble d’instruments visant à former à l’analyse, à partir de cas pratiques représentatifs de transformations à l’œuvre dans le champ des humanités et en traitant des données économiques, technologiques, historiques qui sont, de surcroît, multimodales (texte, images, graphes).
- 2 Une demande de brevet propose la solution à un problème donné et constitue un évènement finalisant (...)
8Les analyses illustrant des événements de recherche2, des relations, des enjeux technologiques et sociétaux s’effectuent à l’aide d’une instrumentation relativement complexe (cartographies synthétiques, cartes heuristiques, analyse de graphes, statistiques textuelles, classement automatique, cartes conceptuelles) que l’on convoquera pour expliquer, explorer, étudier des corpus documentaires et exprimer des problématiques de recherche spécifiques.
9Tout cela se fait autour d’une gamme d’outils (dans notre cas open source) mis en convergence (Reymond 2017) afin de se familiariser avec de nouvelles herméneutiques possibles de rapprochements inédits de données, bien que cela suppose une prise de compétences sur la durée (Delamotte 2009). Par extension, nous proposons ici une exploration documentaire inédite pour mettre en évidence les pratiques intellectuelles émergentes associées.
10Les principes-clés de Grandi et Ruiz sont par nature au croisement de différentes disciplines. Les données massives relèvent d’interrogations informatiques et mathématiques concernant les problèmes dits des « 5 V » (volume, valeur, variété, véracité et vélocité) et les caractéristiques qui leur sont associées (incertitude, temps réel, bruitage, etc.) (Costa et Santos 2017 ; Saheb et Saheb 2020). Une des architectures de référence des big data, celle du National Institute of Standards and Technology (NIST), montre les défis actuels dans ces domaines, en englobant le « fournisseur d’applications de mégadonnées » au sein d’un ensemble gérant les questions de sécurité, d’indexation, de ressources physiques ou virtuelles, etc. (NIST Big Data Public Working Group 2019).
- 3 En d’autres termes, former à la mise en application de ces algorithmes afin de discuter de cette to (...)
11Toutefois, les algorithmes d’extraction et de fouille (text data mining), ou encore de classification ont d’ores et déjà fait leurs preuves et sont applicables « tels quels » avec une marge d’erreur tolérable3. Les procédés à mettre en œuvre dans le cas de corpus documentaires sont relativement simples en se positionnant à un haut niveau d’abstraction. La chaîne proposée entre le « data provider » et le « data consumer » dans le document du NIST (2019) sur le schéma Big Data Reference Architecture (NBDRA) p. 11 montre une instance simplifiée du cadre conceptuel « fournisseur d’applications de mégadonnées documentaires ». Le chercheur en humanités numériques construirait de telles chaînes afin d’aborder les problématiques des humanités (Ollion 2015, 2020 ; Boullier 2015 ; Flyverbom et Murray 2018). Nous ne discuterons pas du point d’entrée des données, laissé dans la flexibilité de l’open data, que l’on réduit ici à tout ce qui est ouvert et facilement utilisable via une API (Application Programming Interface) permettant d’interroger ou de collecter aisément des données.
12Cette réduction n’est pas en soit limitative car la production informationnelle atteint des niveaux si imposants que l’enjeu est de pouvoir explorer, réduire et filtrer pour pouvoir appréhender. Il convient de mettre à l’œuvre des modalités d’exploration rapide, tels les concepts de lecture distante de Moretti (2013), que l’on limite ici, dans un premier temps, à la classification et à la textométrie basique.
13L’identification et la légitimation des sources de données sont des fondamentaux des sciences de l’information et de la documentation, la progression didactique impose la discussion des choix des sources puis la construction de requêtes qui cernent la problématique identifiée. À ces compétences élémentaires s’adjoignent alors les compétences d’interrogation des API pour collecter massivement des données. Les connaissances d’algorithmique et des langages de traitement de données utiles ici sont élémentaires et se distinguent de l’informatique traditionnelle : le développement technique des processeurs fait qu’il n’est nul besoin d’aborder la gestion de la mémoire ou la vitesse d’exécution des algorithmes, les bibliothèques se chargent de ces difficultés informatiques. En utilisant des bibliothèques de haut niveau, quelques lignes de code suffisent à implémenter un collecteur et préparateur de données. Les langages de programmation tels Python4 ou R sont riches de bibliothèques qui facilitent la mise en œuvre de traitements complémentaires utiles aux diverses situations : depuis les clients adaptés à la plupart des API de collecte (sur les réseaux sociaux, les archives documentaires, les services de données comme data.gouv.fr), jusqu’à l’implémentation d’un traitement au niveau sémantique par le traitement automatique des langues (TAL) avec les bibliothèques Spacy5 ou GPT d’Open AI (Brown et al. 2020), par exemple : extraction des entités nommées, étiquetage grammatical automatique. À nouveau, quelques lignes de code suffisent pour les appliquer et ce pour une vingtaine de langues différentes.
14Ce processus d’exploration préliminaire s’appuie alors sur la visualisation des données traitées pour analyser, représenter et communiquer. Ces compétences sont primordiales car, même s’il fleurit des solutions « clés en main » des plus évoluées comme Gargantext (Lobbé, Delanoë et Chavalarias 2022) ou Visa TM6 permettant des analyses sémantiques et des explorations cartographiques, il faudra nécessairement passer par le formatage initial des corpus ou la mise en relation des données. Ces compétences algorithmiques et en traitements basiques de données textuelles sont largement débattues par ailleurs, nous abordons dans ce qui suit une instrumentation qui permet de projeter chacun au niveau où il est nécessaire de cartographier, représenter, explorer des données documentaires pour répondre à des questionnements qui peuvent être techniques mais aussi culturels, organisationnels, économiques ou sociétaux en général.
15Les chaînes de traitement de Patent2Net (P2N) (Reymond 2016a) mettent en œuvre, à partir de l’API Espacenet, la base mondiale des brevets hébergée par l’Office européen des brevets, toute une série d’opérations de collecte, filtrage, traitement et présentation des masses documentaires collectées, applicable dans des contextes de formation en STIC, en veille documentaire ou de formation à la recherche (Reymond et Quoniam 2018). Ces chaînes synthétisent aussi les principales dynamiques qui travaillent la recherche, l’écriture et la pensée dans les humanités et dans les sciences humaines et sociales en général (Reymond 2020, 2017).
16En effet, nous inscrivons ce dispositif comme un outil de formation et d’apprentissage de compétences dans le domaine des humanités numériques en continuité de travaux déjà anciens de l’infométrie-scientométrie, en cumulant les résultats issus de différents secteurs de la recherche qui se sont approprié ou ont développé des méthodes et traitements spécifiques. Nous indiquons, de manière synthétique, les points stratégiques qui jalonnent cette transformation depuis le milieu du siècle précédent (et qui courent de Derek de Solla Price à Bruno Latour) ou encore traversent les champs disciplinaires variés (histoire, archéologie, linguistique, sociologie, histoire des sciences, etc.) et s’incarnent en des dispositifs sociocognitifs plus ou moins sophistiqués, comme les couplages complexes avec les nouvelles « mains de l’intellect » (Jacob 2011), ou encore en technologies de l’esprit (Lévy 2014 ; Teil et Latour 1995). Nous subsumons l’ensemble de ces couplages, de ces écritures, de ces médiations, de ces algorithmes, sous l’expression « technologies intellectives ».
17Ce qui suit peut être transposé à tout ensemble documentaire au format texte, à condition de le formater pour les différents outils. Tout domaine technologique peut être abordé puisque nous utilisons la base mondiale des brevets. Alan Liu (2015) propose une étude des brevets américains depuis 1976 portant sur les humanités et comportant les termes « humanities » ou « liberal arts » de façon explicite (76 brevets) ou à partir de la forme tronquée (336 documents). Nous utiliserons par la suite un corpus mondial de brevets identifié par la requête « humanit* or ‘liberal art*’ » dans le titre ou le résumé. Un total de 2 564 documents de demandes de brevet7 issus de la base de données mondiale permet d’étendre le tour d’horizon des technologies associées aux humanités proposé par Liu.
18D’après l’auteur, « Much of the leading-edge scholarly response to public discussion about the apparent decline of the humanities has revolved around translating the older notion of “general” and (more recently) “flexible” humanities knowledge into such terms relevant to current socioeconomic change as “open access” and “collaboration.” Normally, these concepts are seen through the lens of copyright issues. Little attention has been paid to patents as part of the modernization of the humanities ». À travers l’analyse ciblée du corpus mondial des brevets, nous mettons en lumière cette modernisation tout en soulignant les concepts-clés et les compétences traversées que l’outil met à un niveau opérationnel, depuis la présentation de concepts sous-jacents externes aux disciplines des humanités jusqu’à leur appropriation par la pratique. La structure par les titres donnés à ce qui suit reprend chacun des principes-clés pour en expliciter des scénarios d’usages, leur intérêt et, le plus souvent, proposer une projection de progression pédagogique sous-tendue par les limites des outils, limites qui seront contournées en offrant un point de départ vers des instrumentations plus spécifiques.
- 8 Il s’agit d’obtenir par exemple « le brevet B1 est relié au brevet B2 car ils partagent la propriét (...)
19Les tris croisés généralement produits au sein de feuilles de calcul s’épuisent dès qu’il s’agit de tableaux de grande taille. En effet Coutenceau et Barbara (2014, 55) remarquaient que la présentation de données relationnelles sous forme de listes possède ses limites car ces listes « ne relient pas toujours les données qui interagissent entre elles ». Par exemple, la liste des brevets déposés dans l’office d’un pays ne permet pas d’établir directement les technologies déposées dans cet office : le tableau listant les pays et leurs brevets doit être croisé avec le tableau listant lesdits brevets et les technologies associées. Abiteboul (2013) pose une démonstration algorithmique de ce phénomène non évident : le calcul relationnel (qui s’appuie sur des « listes ») ne permet pas d’exprimer l’existence d’une relation par un nombre d’intermédiaires8 quelconque car il nécessiterait une disjonction infinie alors que le problème est résolu à l’aide de graphes. En effet, cet ensemble de questions est plus facilement traité sous forme de graphes réseaux ou de matrices (Dou, Mohellebi et Kister 2012) qui représentent les entités différentes (déposants et technologies, dans notre exemple) faisant abstraction du document brevet qui sert de pivot pour la construction du graphe. Représenté graphiquement, ce dernier favorisera la lecture de ces informations de relations.
20Ainsi, pour notre corpus documentaire, la figure 1 montre les pays (représentés par leur code issu de la norme ISO 3166), qui sont les nœuds de couleur cyan dont la taille est proportionnelle au nombre de technologies déposées (identifiées dans les brevets de leur office de dépôt). Pour faciliter la lecture, ces nœuds sont reliés aux codes IPC (International Patent Classification avec 7 chiffres de précision). Si la figure apparaît statique, différentes explorations sont possibles et probablement nécessaires pour visualiser et étudier ce graphe : technologies communes aux pays, différences entre deux pays, etc. L’enjeu pédagogique est ici de donner à pratiquer les représentations des relations pour les explorer et les expliciter en les mettant en contexte.
21P2N construit d’autres réseaux relationnels dont l’étude nécessite des connaissances basiques liées à la théorie des graphes. La théorie des graphes, pilier des formations en sciences « dures », n’est à notre connaissance pas abordée dans l’enseignement des humanités. Selon nous, il est nécessaire de s’approprier la notion de relation, les concepts-clés (nœuds, attributs) et les techniques d’extraction d’informations qui en découlent. En particulier, l’intermédiarité, la centralité et le plus court chemin, développés le plus souvent en sociologie, permettent de dénoter des éléments (nœuds dont la nature varie) centraux dans la plupart des réseaux. Pour la pratique pédagogique, on retrouve les graphes des collaborations (lorsque deux inventeurs ou déposants ont participé à un dépôt de brevet) ou encore les graphes des citations (tel brevet cité par tel autre) pour identifier les brevets composés, les degrés d’utilisation des technologies, etc.
Figure 1. Croisements des technologies et pays : quelles sont les technologies déposées dans quel pays ?
Image produite par les auteurs
22La représentation montre la complexité de la situation dans le domaine étudié. L’interface permet d’explorer et de simplifier pour mettre en avant l’essentiel dans chaque analyse. L’image ne rend pas compte de la variabilité des navigations et de leurs dynamiques. Penser avec les « relata (relations, données mises en réseau) » c’est ce que permet le dispositif. L’utilisation pédagogique est souple, depuis des cheminements guidés jusqu’à l’expérimentation in silico d’hypothèses (p. ex. « certains dépôts de brevets sont très discutables du point de vue des libertés individuelles » pour révéler les conditions culturelles propres à certains pays). L’interface est grandement inspirée du dispositif Graph Recipes de l’équipe de Mathieu Jacomy au Médialab9.
23L’interface primaire proposée par P2N permet de simplement déterminer la taille des nœuds sur des attributs simples (degré, taille des familles, nombre de classifications d’un document, etc.), leur couleur (type de nœud affiché, etc.) et d’appliquer une représentation de positionnement (Force Atlas 2). L’interface permet ainsi d’acquérir des compétences élémentaires mais aussi de pouvoir exporter le réseau au format GEFX (utilisable dans Gephi) intégrant les différents attributs mis en évidence par l’interface. La progression pédagogique est ainsi simplifiée : Gephi prend le relais de P2N pour les traitements avancés des réseaux. Notez aussi que le dossier de données de P2N offre un accès aux mêmes réseaux intégrant une dimension temporelle (comportant « Dyn » dans leur dénomination) pour une analyse historique des évolutions des réseaux (Reymond 2016b).
24P2N permet aussi, sur les documents collectés, des traitements de textométrie initiant à l’analyse de données textuelles. Les développements théoriques de ces travaux remontent aux années 1980 (Callon et al. 1983). Il s’agit d’opérer des calculs au niveau des termes utilisés dans ces parties textuelles des documents brevets. L’analyse se situe d’abord au niveau lexicosémantique en produisant l’inventaire lexical et terminologique de l’univers brevet afin d’en extraire l’essentiel, en application de la lecture distante (Moretti 2013). Puis il s’agit de construire les réseaux de notions identifiées par les associations terminologiques au sein des documents. La flexibilité du point d’entrée (les notions) est nécessaire pour que l’utilisateur opère à l’utilisation contextuelle de cette exploration.
- 10 Co-words analysis (principe de cooccurrence).
25Pour faciliter la lecture, il s’agira alors de visualiser les termes les plus fréquents, les formes d’associations lexicales, par des techniques issues de la méthode Leximappe10 (Callon, Courtial et Turner 1991). En complément, la technique de classification hiérarchique ascendante associée à la méthode Alceste (Reinert 1983, 1986, 1990) facilitera le regroupement en classes des différentes associations terminologiques autour d’éléments sémantiques forts identifiés dans le corpus. Pour compléter l’instrumentation, le texte est marqué par les descripteurs issus des données bibliographiques (date, classification, auteur). Ce marquage permet l’introduction de points de vue spécifiques aux visualisations : par date, par déposant, par classification pour faciliter la lecture et le traitement.
26Les données sont ainsi formatées pour l’outil IRaMuTeQ (« interface de R pour les analyses multidimensionnelles de textes et de questionnaires11 ») de Pierre Ratinaud (2008), outil qui fournit une interface simple à la réalisation de ces opérations.
27La figure 2 montre quelques statistiques élémentaires : nombre de textes (2 107), nombre de termes (396 033), formes identifiées (11 140), hapax (4 073) et moyenne des occurrences par texte (188). Le nombre d’hapax est relativement élevé en raison, d’une part, de la spécificité de certains brevets et, d’autre part, des fréquentes erreurs d’OCR.
Figure 2. Statistiques descriptives du corpus : formes, hapax, occurrences terminologiques
Image produite par les auteurs
28La caractérisation est toutefois utile pour apprécier l’ensemble documentaire en vigueur et la qualité des contenus traités. Les formes et les hapax identifiés servent à l’usager de références pour les traitements postérieurs, notamment ceux visant à exclure des termes (erreurs) ou, au contraire, à opérer des regroupements sémantiques (tels que ceux pratiqués par Alan Liu qu’il représente par des nuages de mots). Selon nous, l’accès à cet outil de textométrie est un premier pas d’initiation. Le formatage des données textuelles vers d’autres logiciels est élémentaire : TXM12 pour l’apprentissage de traitements plus évolués (telle la recherche de motifs linguistiques), ou Gargantext13 pour, non seulement, étendre les compétences de fouille de données textuelles mais aussi collaborer à ces traitements. Gargantext crée ainsi une continuité pédagogique ouverte. Ces derniers outils requièrent des compétences avancées en TAL alors qu’IRaMuTeQ permet de poser les fondements de l’apport textométrique pour la fouille de textes. Il introduit les concepts-clés (représentation des documents en matrice des occurrences terminologiques, dictionnaires d’exclusions terminologiques, nettoyage au niveau lexical et cooccurrences terminologiques contextuelles) pour, d’une part, poser les limites et incidences de ces représentations et prétraitements et, d’autre part, marquer une progression pédagogique vers la fouille de données textuelles.
29Le marquage des textes par leurs métadonnées bibliométriques permet de construire la mise en relation des associations lexicales (les mots qui se retrouvent à côté d’autres au sein d’une fenêtre prédéterminée et paramétrable dans le logiciel) et de segmenter selon des vues propres aux métadonnées (dates, mandataires, inventeurs, etc.).
Figure 3. Analyse factorielle des correspondances
Image produite par les auteurs
Figure 4. Métadonnées sur la même projection
Image produite par les auteurs
30Les figures 3 et 4 montrent un des résultats de traitement d’analyse factorielle des correspondances par IRaMuTeQ. La fiabilité de la projection est déterminée par le pourcentage dans chaque dimension (45 en abscisse et 34 en ordonnée, ce qui est relativement bon). Cinq catégories sont identifiables par couleur et permettent de visualiser les applications médicales ou transhumanistes (en rouge), les applications de traitement des données (en bleu) et les applications en humanités (vert, gris et violet). La figure 4 permet d’appuyer cette lecture à l’aide des métadonnées – classification (champs classification internationale des brevets [CIB]), dates ou numéro de brevet (label) –, de positionner les termes les plus proches de leurs métadonnées associées (pays, date) en prenant garde aux erreurs de projection. Le lecteur intéressé par cet outil se référera à Marty, Marchand et Ratinaud (2013). IRaMuTeQ réalise nombre de cartographies après un traitement lexical classique (lemmatisation, fenêtres) paramétrable et appuyé sur des dictionnaires : nuage de mots, classification ascendante hiérarchique de Reinert et analyses multidimensionnelles selon les cooccurrences terminologiques.
31Plusieurs scénarios à l’aide de P2N conduisent à l’identification thématique du corpus telle que la propose Alan Liu (2015). La première consiste à extraire des sous-corpus propres à la métadonnée de classification internationale. Par conséquent, le sous-corpus montrera les seuls textes associés dans la base à la métadonnée choisie. L’autre méthode consiste à utiliser un algorithme de classement automatique qui aura pour mérite, par rapport à la première méthode, de rassembler les brevets qui se ressemblent dans la description qui en est faite (et pas seulement dans le « à quoi ils s’appliquent »). Les données sont formatées pour le logiciel Carrot2 (Weiss et Osinski 2004 ; Gonzales-Aguilar et Ramírez-Posada 2012) qui permet d’utiliser différents algorithmes et de paramétrer l’exploration en fonction d’un nombre de classes que le logiciel se charge de représenter.
Figure 5. Classification des documents à l’aide de Carrot2
Image produite par les auteurs
32La figure 5 montre le résultat pour 21 classes obtenues par l’algorithme de classement conceptuel Lingo (Osinski et Weiss 2005). Le sélecteur à gauche permet de choisir les métadonnées sources pour la classification, de choisir les algorithmes, de configurer le nombre de classes à identifier, de déterminer le mode de calcul de dénomination des classes et d’effectuer une sous-requête par mots. La zone centrale affiche les différentes classes de documents correspondant à la requête (ici art*) et celle de droite, le contenu des documents sélectionnés par la classe. L’interface est intégrée à partir du code de Carrot2, version open source14. Dans cette visualisation interactive, les documents dont le contenu a été calculé comme similaire sont rassemblés et représentés par un label paramétrable constitué des mots les plus fréquents. Chacun de ces labels est cliquable et permet de retrouver sur la zone à droite les textes identifiés. Au-delà des nombreuses classes triviales (« method can be used », « system includes », « device main part ») dues au mode de rédaction des brevets, apparaissent les classes essentielles des brevets en humanités : « students in learning » et « teaching comprises » se réfèrent à des outils ou méthodes d’enseignement, « light » tout ce qui est relatif à l’éclairage, etc. L’analyse de ces groupes peut se faire à différents niveaux (technologique ou culturel par exemple). Enfin, « top board », « supporting surface », « display screen » sont des classes qui se distinguent des autres et qui posent la question des applications projetées par ces inventions. Les autres classes sont plus brouillées quant à leur association et restent à analyser finement : pour ce degré d’exploration approfondi, l’interface de classification de document Carrot2 s’appuie dans l’architecture P2N sur le moteur Elasticsearch et son langage DSL (Domain Specific Language) pour produire dynamiquement des sous-corpus en fonction de requêtes avancées15 (sélection de métadonnées, opérateurs booléens, caractères génériques). L’approfondissement à l’aide de ces outils permet de travailler les concepts-clés de l’indexation et des moteurs de recherche, de comprendre les associations entre les différents contenus réalisées par les différents algorithmes et d’inférer l’incidence sur ses propres recherches.
33Les descripteurs (ou métadonnées) permettent ainsi l’accès à la construction de points de vue spécifiques (une date, un déposant ou même les deux) pour élaborer des stratégies d’analyse différentes offrant une « herméneutique numérique du texte flexible » et relativement aboutie pour reprendre l’expression de Mayaffre (2014). La progression pédagogique dans l’acquisition de compétences en fouille de données se fait ainsi en deux étapes : après un premier survol enrichi par la classification automatique (avec des paramètres à expliciter), l’étudiant devra procéder à la contraction du corpus initial selon des modes de regroupement par métadonnées ou des extractions lexicales avancées pour cibler une analyse particulière.
34Les cartes heuristiques sont également utiles pour comprendre un problème, en cerner la complexité, collaborer et partager sur un sujet donné. Une des propriétés remarquables du document brevet est sa description par la classification internationale (Reymond 2017, 157-162).
35Le classement est réalisé par les inventeurs, puis vérifié et amendé éventuellement par les examinateurs de brevets. En observant un brevet au moyen des codes de classification internationale, on ne dépend plus de la langue de l’invention. Chung-Huei et Chan-Yi (2015) prônent l’utilisation du document brevet comme ressource documentaire dans les bibliothèques et notent la nécessité de la prise en compte de la classification et de son organisation hiérarchique pour analyser les documents.
36P2N ouvre cette voie en réalisant, pour un univers brevet, une projection des classifications de chacun des documents sous forme de carte heuristique au format ouvert Freeplane (Polivaev 2000) (figure 6).
37Les codes de classification sont explicités par leur description en anglais pour faciliter la lecture, la taille de la police est fonction de la fréquence du code de classification, sa couleur fonction de la classe (huit au total dans la hiérarchie qui comporte dans la version actuelle plus de 100 000 nœuds). L’instrument permet alors de manipuler, commenter, organiser, dérouler la hiérarchie de la classification du corpus étudié, de composer aisément une cartographie du corpus et, dans le cadre d’une veille technologique, d’identifier des opportunités.
Figure 6. Carte heuristique des différentes branches technologiques représentées dans le corpus
Deux classes sont développées au premier niveau pour montrer les capacités d’exploration.
Image produite par les auteurs
38Ces représentations sont reconnues (Dirnberger 2016) pour faciliter la compréhension, la créativité, la communication et la médiation de ces documents (présentation, interactions, adjonction de figures, commentaires, etc.).
39L’open data ne comble pas la difficulté et la nécessité d’expliciter ce que « la donnée » est en réalité : une obtenue, selon la terminologie latourienne (Perret et Le Deuff 2019). Nous en faisons abstraction en dépassant ces compétences pour viser celles que l’utilisation de données massives requiert pour leur analyse. Le code open source de P2N est transparent sur les transformations réalisées, ce qui peut servir de base à un apprentissage dans la construction de nouvelles chaînes, complémentaires, vers d’autres logiciels ou en introduisant de nouvelles données de l’open data. Nous avons montré, à travers quelques exemples, l’intérêt de ces outils pédagogiques pour l’acquisition d’une littérature numérique. La mise en œuvre pédagogique et les apports de l’open data sont implicites, l’outil P2N pouvant fournir les données (brevets) sur « pratiquement tout ce qui nous entoure et construit notre société ». Les outils de fin de chaînes permettent la pratique des concepts-clés du numérique concernant plus particulièrement la volumétrie des données et leur mise en relation. Ce sont ainsi les mots associés, la fouille de documents, les statistiques élémentaires, les cartographies, l’exploration de réseaux et les cartes conceptuelles pour communiquer, partager et explorer qui peuvent être convoqués. Le dispositif présenté cible les variations des « habitats documentaires », des conditions d’exploration et le travail réflexif et critique, mais aussi l’apprentissage des concepts-clés, tout en étant ouvert sur ses propres conditions d’existence et sur sa productivité en termes d’herméneutique.
40Pour le cas pratique proposé, les outils nous ont permis de retrouver les résultats des travaux d’Alan Liu. On peut aisément construire d’autres problèmes et corpus (évolution historique d’une technologie, aspects économiques, une ressource naturelle, un pays pendant une période de temps donnée, ou une entreprise particulière, par exemple), ce qui laisse la possibilité d’appliquer à une très grande variété de situations pédagogiques nos chaînes de traitement et d’analyse et favorise, d’une part, l’appropriation des principes généraux sous-jacents, d’autre part, un éclairage pluridisciplinaire des résultats.
Remerciements. Développements techniques récents : Esteban Bara (stagiaire, université de Toulon) et Romaric Gauzi (stagiaire, Métiers du multimédia et de l’Internet [MMI], IUT Bordeaux Montaigne). Financements : projet Brevets du GIS Réseau URFIST et du pôle Information, numérique, prévention, santé (INPS) de l’université de Toulon.