Afficher l’image

1Proposer une mise en perspective théorique, assortie d’un guide méthodologique et d’exemples de terrain rendant compte des enjeux et difficultés rencontrées dans la constitution, l’organisation, la gestion, la pérennisation, le partage et la réutilisation des gros volumes de corpus de données que permet aujourd’hui de constituer le numérique, telle est l’ambition de L’enjeu des métadonnées dans les corpus textuels : un défi pour les sciences humaines, dans un contexte scientifique où les chercheurs en sciences humaines et sociales commencent seulement à se familiariser avec les questions préalables à l’utilisation et l’annotation des grosses données informatisées.

3Posant le contexte dans lequel s’inscrit cet ouvrage, l’introduction par Philippe Caron rappelle que, s’il est désormais techniquement relativement aisé de constituer des corpus de données comprenant plusieurs mégas voire giga-octets, aucun texte n’est jamais numérisé ou archivé de façon brute mais doit faire l’objet d’une réflexion en amont, tenant compte des objectifs et perspectives du projet de recherche dans lequel s’inscrit cet enregistrement, mais aussi de multiples possibilités d’analyse à partir d’un même corpus, tout en leur conservant la latitude de les mettre en interconnexion avec d’autres corpus. Une réflexion qui concerne aussi bien les données déjà enregistrées nécessitant une mise à jour afin d’autoriser leur intégration dans un corpus plus large comme de nouvelles analyses, que les données nouvelles. Il évoque ainsi les difficultés à encoder un signal sonore en lui conservant toute sa richesse comme les questions préalables à l’océrisation d’un texte et celles relatives à l’usage des métadonnées qui enrichissent également la malléabilité d’analyse des corpus textuels par le jeu des annotations et balises de contenus.

4L’ouvrage est composé de trois parties. La première s’attache avec la contribution de Marie-Hélène Lay, à souligner le changement de paradigme qu’opèrent ces nouvelles possibilités d’analyse de données ainsi que les enjeux contemporains de l’usage des métadonnées et à interroger la place de l’annotation dans les pratiques scientifiques au sein des sciences humaines et sociales. L’auteure évoque également les résistances rencontrées à l’utilisation des grosses données informatisées par cette communauté qui doit désormais se familiariser avec les questions inhérentes à la constitution de métadonnées, à la standardisation et l’interopérabilité de ces données pour une exploitation systématique et un accès délinéarisé au texte afin d’offrir de multiples possibilités d’analyse.

5La seconde partie est dédiée à la présentation des outils actuellement à disposition des chercheurs. Lou Burnard présente la TEI (Text Encoding Initiative) et approfondit cette question des normes et de la nécessaire standardisation de l’encodage textuel permettant d’étiqueter les composants d’un texte. Etiquetage qui repose sur la connaissance fine de l’objet à baliser pour concevoir différents types de standards qui soient à la fois adaptés aux travaux de recherche en cours mais aussi compatibles avec d’autres corpus, ce qui ne va pas sans poser de multiples questions auxquelles la TEI s’efforce d’apporter des réponses. Des questions que soulève Jean-Marie Pierrel en évoquant les enjeux techniques et politiques de la modélisation des langues pour leur préservation patrimoniale et leur diffusion, qui sont au cœur de la plateforme ORTOLANG (Outils et Ressources pour un Traitement Optimisé de la LANGue) visant la valorisation et la mutualisation de ressources linguistiques, plateforme dont il présente l’histoire comme les objectifs, caractéristiques et services proposés. La contribution suivante se concentre sur la question de l’exploitation des données avec une exploration de l’univers R par Nicolas Ballier. À la fois langage de programmation et environnement de travail, R permet de manipuler et traiter simultanément des jeux de données pluriels « comportant potentiellement des métadonnées, des extractions de données annotées et des ré-annotations générées automatiquement », contribuant ainsi à renouveler les conditions de production des connaissances en favorisant le travail collaboratif et interdisciplinaire.

6La troisième partie aborde le terrain et la mise en œuvre de ces outils au travers de trois exemples. Gabriel Bergounioux propose ainsi de se pencher sur la constitution des corpus oraux avec l’Enquête sociolinguistique à Orléans (ESLO) et plus précisément sur l’étape de la transcription comme pivot du passage du signal acoustique en une représentation graphique. Il interroge les choix opérés en termes d’annotations au signal sonore, qui constituent une première étape d’interprétation lexicale et morpho-syntaxique ainsi que le complément des métadonnées permettant de contextualiser mais aussi d’en garantir l’archivage et l’accès ultérieur. Philippe Caron et Louise Dagenais retracent l’historique de la démarche et des choix opérés lors du travail de rétroconversion du Dictionnaire critique de la langue française de Féraud mais aussi de son supplément manuscrit, accessibles via le site du CNRTL. Ils pointent ainsi les difficultés rencontrées en termes d’utilisation de métadonnées et de balisage, afin de « faire entrer un texte existant, complexe et hétéroclite, dans un ensemble de routines informatiques » autorisant une interrogation fine du corpus ainsi constitué. La question de ces choix et de leur adéquation à l’évolution des possibilités techniques comme des besoins en termes de recherches également évolutives, est au cœur de la dernière contribution proposée par Nicolas Videau, Nicolas Trapateau, Jean-Louis Duchet et Sylvie Hanote. S’appuyant sur deux corpus de langue anglaise distincts, l’un oral (extraits de radios) et l’autre écrit (dictionnaires de prononciation) ils développent les difficultés rencontrées dans la constitution et le balisage de ces ressources et leurs modalités de résolution, tout en interrogeant les conditions de fiabilité et de représentativité de ces données.

7La constitution, la gestion, la pérennisation et l’interopérabilité de corpus comprenant de grandes masses de données, aujourd’hui permis par les outils numériques représentent un défi et de multiples opportunités pour les sciences humaines et sociales, et plus particulièrement dans la recherche sur les données langagières. Ce sont précisément ces enjeux que la conclusion générale de Marie-Hélène Lay met en exergue, et notamment le changement de paradigme qu’opère l’inscription de l’opération d’annotation dans l’environnement numérique, conduisant à interroger les statuts respectifs de données et métadonnées. Un changement qui s’inscrit dans la construction des humanités numériques auxquelles les recherches ici décrites contribuent, tant par les réflexions menées que les choix opérés pour prendre en compte les spécificités propres à des données hétérogènes, tout en autorisant leurs analyses croisées. Des travaux autour du traitement automatique des langues qui sont aussi susceptibles, au-delà des pratiques de recueil et d’analyse de données, de repenser la conceptualisation même des objets de recherche dans le big data.

8En effet, de nombreux événements scientifiques sont aujourd’hui consacrés à ces questions, comme la Semaine "DATA SHS" organisée par les Plateformes Universitaires de Données (du 7 au 11 décembre 2020). Ainsi, dans un contexte scientifique où les projets de recherche doivent inclure un « plan de gestion des données » et s’attacher à rendre pérennes et partageables les données recueillies, cet ouvrage contribue à faire le point sur l’avancée des connaissances en matière de gestion des données et traitement automatique des langues mais également, par son accessibilité à des néophytes, à familiariser les enseignants-chercheurs en SHS avec ces enjeux et pratiques.