Version classiqueVersion mobile
OpenEdition Books

Les débats du numérique

 | 
Maryse Carmes
, 
Jean-Max Noyer

Wicri pour l’appropriation du numérique, nouveau paradigme de la recherche

Jacques Ducloy

Résumé

Cet article présente le quatrième paradigme de la science créé par Jim Gray pour caractériser les ruptures dans les pratiques de la recherche confrontée au déluge des données. En France, l’investissement d’avenir ISTEX introduit une dimension supplémentaire avec un très haut niveau de diversité de traitements et d’hétérogénéité de données. Dans ce contexte nous présentons le projet Wicri, réseau de wikis sémantiques et plates-formes de curations et d’explorations de corpus.

This paper introduces the fourth paradigm of Jim Gray as a thinking basis related to data deluge in scientific activities. In France, the ISTEX project gives a framework that gets a very high level of applications diversity and data heterogeneity. At least we introduce the Wicri network of semantic wikis that is completed with data curation and exploration area.

Texte intégral

Remerciements
Je tiens à remercier Thierry Daunois pour ses critiques dans la relecture de cet article et Jean-Pierre Thomesse, DRRT Lorraine, pour son soutien aux motivations du projet Wicri. Ce projet a par ailleurs bénéficié de soutiens financiers de la Région Lorraine et du FEDER.

Introduction

1Aux États-Unis, pour décrire les bouleversements dans la recherche confrontée au déluge de l’information numérique, la NSF (National Science Foundation) émet l’hypothèse d’un nouveau paradigme de la science. Cette formule caractérise une révolution qui touche les pratiques des chercheurs où les ordinateurs se substituent aux paillasses. Elle concerne également tous les acteurs qui analysent et traitent et diffusent la connaissance scientifique et technique.

2La communauté académique doit déjà s’adapter aux évolutions successives du Web, 2.0 pour les aspects collaboratifs, et 3.0 pour la modélisation des connaissances. Elle doit également faire face aux déluges du numérique. La communauté académique française vient par exemple de bénéficier d’un investissement nommé ISTEX qui va donner accès à des millions de documents en texte intégral, avec un très haut degré d’hétérogénéité dans les structures de données et vocabulaires associés. Ce programme concernant l’ensemble des thématiques scientifiques, les usages potentielt également très diversifiés. Dans ce cadre, l’Université de Lorraine avance sur la construction d’un démonstrateur, basé sur le réseau Wicri, pour sensibiliser les chercheurs à l’usage de « l’infodiveristé ».

3Dans cet article, nous mettrons en relief des facteurs qui illustrent les ruptures. Ensuite nous présenterons les approches utilisées dans Wicri pour la construction de connaissances à partir de l’analyse de corpus. Enfin nous discuterons des paradoxes entre la disponibilité d’une approche très puissante et les difficultés de son appropriation.

Autour du quatrième paradigme de Jim Gray

4Jim Gray émet l’hypothèse de deux récents changements de paradigmes dans la science, ancrés sur des défis technologiques. Nous montrerons en fait leur continuité, dans un mouvement progressif qui touche l’ensemble des chercheurs mais également toutes les communautés scientifiques dans leur toile de relations.

5Concernant plus particulièrement la communication scientifique et technique nous montrerons comment Wikipédia illustre cette rupture paradigmatique. Nous montrerons également ses limites qui nous ont amené à nous appuyer sur cette technologie pour développer un projet mieux adapté aux communautés de la recherche et de l’innovation.

Le paradigme

  • 1 Jim Gray a disparu en mer en janvier 2007.

6Jim Gray, titulaire du prix Turing en 1998, était chercheur senior1 au centre de recherche Microsoft (San Francisco) et expert de la National Science Foundation (NSF). Il développait une argumentation intitulée « le quatrième paradigme de la Science » où il utilisait fréquemment une diapositive [Gray 2006] largement reprise par les porteurs de l’e-Science au Royaume-Uni (et notamment Tony Hey [Hey 2009]).

7La figure 1 illustre cette vision en quatre étapes.

Figure 1 : le quatrième paradigme

Figure 1 : le quatrième paradigme

8L’activité scientifique a démarré il y a quelques millénaires avec une méthodologie empirique basée sur la tentative d’explication des phénomènes observables,

  • Depuis quelques siècles, les pratiques scientifiques deviennent de plus en plus théoriques, utilisent des modèles, font massivement appel aux abstractions et généralisations.

  • Depuis 1950, soit depuis quelques décennies, les scientifiques utilisent des ordinateurs pour modéliser des phénomènes complexes. La programmation devient un outil de travail et un nouveau mode d’expression du chercheur.

  • Nous entrons maintenant dans une nouvelle ère, celle de l’eScience où les scientifiques sont confrontés au déluge des données qu’ils produisent par leurs expérimentations et leurs calculs, ou par celles de l’ensemble des praticiens.

9Cette notion de changement de paradigme nous paraît particulièrement intéressante car elle sous-entend une profonde révolution dans les pratiques de la recherche. En revanche, sa généralisation à l’ensemble des pratiques de la science mérite d’être approfondie.

Maîtriser déluge et... infodiversité

10Jim Gray évoque deux paradigmes liés à l’irruption de l’informatique dans les pratiques de la recherche. À partir de quel moment peut-on réellement parler de changement de paradigme ?

11Le simple fait d’introduire un ordinateur dans un laboratoire (ou d’y donner accès) ne saurait, à notre avis, être considéré comme un critère suffisant, tant qu’il ne porte que sur des substitutions simples par rapport aux approches antérieures. Par exemple, dans les années 1970, le simple remplacement des règles à calcul par des calculatrices à main a introduit plus de confort mais n’a pas forcément ouvert la voie pour de nouvelles classes de problèmes. En revanche, l’apparition initiale de l’Eniac, avec l’architecture Von Neumann [Connolly 2011] a réellement changé les pratiques (et problématiques) mais pour les seules communautés scientifiques confrontées aux limites du calcul manuel. Dans les autres domaines des sciences exactes, les mutations ont été progressives et les chercheurs se sont adaptés en utilisant de fait un formalisme assez proche (Fortran) de leur pratique courante.

12Les mutations liées au traitement des données nous semblent plus sensibles car elles impliquent des ruptures plus fortes et concernent des populations croissantes de chercheurs. En effet, si l’écriture d’un algorithme scientifique simple utilise un formalisme voisin de l’analyse numérique, la manipulation de données implique, en revanche, le recours à des techniques informatiques sophistiquées et fortement éloignées des pratiques initiales.

13La simple modernisation de l’instrumentation courante entraîne déjà des bouleversements dans le traitement des données. Dans les disciplines de l’environnement, comme la pollution des sols, un tableur suffisait pour gérer la collecte d’une dizaine de paramètres par jour dans une démarche individuelle. L’achat collectif d’un appareil coûteux va offrir une production d’une centaine de paramètres par minute à distribuer à une dizaine d’équipes qui n’auront pas les mêmes droits sur les données. Un tel investissement va en fait leur imposer d’acquérir des compétences dans les systèmes de gestion de bases de données, avec des volumes déjà conséquents et des contraintes de type temps réel – ce qui n’est plus du tout en continuité avec leurs formalismes traditionnels.

14Dans les sciences humaines, la rupture est encore plus marquée. La manipulation de corpus demande l’utilisation d’outils, qui relèvent de la compilation, de la recherche d’information ou de l’intelligence artificielle et qui ne se situent plus du tout dans la simple continuité des formalismes antérieurs. De plus ces informations possèdent des structures très diversifiées. À titre indicatif, la Text Encoding Initiative (TEI) totalise plus de 500 éléments de description2 qui se combinent de multiples façons. Ainsi, un petit corpus de 1 000 documents peut donner lieu à des milliers de problèmes à résoudre, là où des calculs de type cumul sur des dizaines de millions de mesures physiques peuvent s’avérer triviaux.

ISTEX et l’infordiversité

15Le projet ISTEX peut jouer un rôle fondamental dans la confrontation à cette diversité. Issu des programmes d’Investissement d’Avenir, il a pour principal objectif d’offrir, à l’ensemble des communautés de l’enseignement supérieur et de la recherche, un accès en ligne aux collections rétrospectives de la littérature scientifique dans toutes les disciplines3. La TEI citée plus haut n’y serait qu’un schéma de données parmi d’autres tout aussi complexes. Cette dispersion se retrouvera au niveau des terminologies, très diversifiées suivant les thématiques scientifiques. Enfin, les applications potentielles sont également multiples.

16Les médiateurs de l’information, bibliothécaires ou documentalistes, sont particulièrement concernés. Dans une bibliothèque classique, ils accompagnent les chercheurs à accéder à quelques articles pertinents. Une fois l’information trouvée, un chercheur n’a plus besoin d’être accompagné pour procéder à sa lecture. Avec ISTEX, ce chercheur aura la possibilité de décharger des dizaines de milliers de documents en texte intégral. Que pourra-t-il en faire sans outils et formation spécifique, et donc sans accompagnement ?

17Le domaine d’intervention des médiateurs va donc évoluer en profondeur, à la fois dans la relation avec les chercheurs et par l’appropriation d’une culture numérique. Dans l’informatisation des bibliothèques entre les années 1980 et 2000, il ne s’agissait que d’automatiser une organisation sans réellement la changer. Passer d’un réservoir intra-muros et homogénéisé à l’hypertexte dans sa dimension quasi infinie est réellement un changement de paradigme.

Wikipédia, rupture dans les pratiques éditoriales

18Face aux défis de ce nouveau paradigme, déluge des données d’une part et infodiversité de l’autre, la mutation de l’encyclopédie, confrontée elle aussi au déluge des informations et à la diversité des savoirs est intéressante à étudier. En particulier, Wikipédia est particulièrement révélatrice de profondes mutations dans les pratiques de production éditoriale de masse. Plusieurs projets d’encyclopédies citoyennes ont été proposés dans les années 2000, citons par exemple celui de Richard Stallman [Stallman 1999]. Ils étaient basés sur des approches relativement classiques, avec un SGBD sous-jacent et un protocole de production basé sur une validation a priori.

19À partir du lancement de sa version anglaise le 15 janvier 2001, Wikipédia est venu bousculer la plupart des fondements informatiques et éditoriaux des dictionnaires et autres encyclopédies.

20Par exemple, du point de vue informatique, au 22 février 2013, la seule version anglaise contient 4 170 894 articles, 29 512 272 pages avec 18 286 452 inscrits. Nous sommes ici très loin d’une « maquette de laboratoire » mais plutôt au cœur des volumes gérés par des réalisations qualifiées d’industrielles. Et pourtant : où est le cahier des charges ? Où sont les études préalables ? Quid du chef de projet utilisateur ?

21Bien entendu, le même type de remarque s’applique au processus éditorial proprement dit : où est la chaîne de production avec ses étapes de validation ? Qui aurait pu parier en 1999 sur l’avenir d’un projet d’encyclopédie rassemblant des dizaines de milliers de contributeurs, sans concertation institutionnalisée ?

22À titre personnel, j’avoue avoir été très dubitatif quand j’ai eu connaissance du projet en 2002. J’avais même émis un jugement quelque peu définitif : « ça ne pourra jamais marcher, ça ne peut que diverger complètement ». Je n’étais pas le seul à penser ainsi et la suite de l’histoire nous a prouvé le contraire.

23Ceci étant, si Wikipédia montre une cohérence informationnelle inattendue, et donc en rupture, la fiabilité des informations et l’adaptation aux pratiques scientifiques suscitent de nombreuses réserves. Par exemple, concernant l’adéquation des efforts de rédaction par rapport à l’importance d’un sujet, une énumération sommaire réalisée pour cet article montre les chiffres suivants : 100 pages pour l’ensemble de l’œuvre de Georg Friedrich Händel, 200 pour la série Desperates Housewives et... 600 pages pour les seules actrices américaines ayant joué dans des films pornographiques.

24Concernant plus particulièrement son utilisation par la recherche, Wikipédia demande, avec raison, de ne rédiger des articles que s’il existe des sources scientifiques par ailleurs. Or la recherche produit des connaissances nouvelles et donc non sourcées. De même, la confrontation des idées est omniprésente et ne peut pas s’exprimer réellement dans l’anonymat.

25D’où la question : est-il possible de produire des informations originales, pouvant prêter à controverses, avec un mécanisme éditorial inspiré, mais pas identique, à celui de Wikipédia.

Le projet Wicri

  • 4 Ce sigle a été construit par analogie avec TICE, bien connu dans le monde de l’éducation.

26Le projet Wicri est né dans le contexte d’une mission nommée TICRI (Technologies de l’Information Communication pour les Communautés de la Recherche et de l’Innovation4). Il s’agissait de sensibiliser les chercheurs aux nouvelles pratiques du numérique. Partant d’une réflexion assez simple, sensibiliser à l’intérêt de pratiques inspirées de Wikipédia, le projet s’est transformé en un réseau cohérent de sites de construction de connaissances avec une structuration sémantique, alimentés par des mécanismes d’exploration de corpus.

Construire de la connaissance scientifique ou culturelle en mode coopératif avec modération « a posteriori »

27Dans un premier temps, nous avons simplement cherché à utiliser MediaWiki, le moteur de Wikipédia, pour des « applications simples » comme : alimenter un site d’information sur l’utilisation des TIC en Lorraine, ou monter un site de coopération pour un groupe de laboratoires. Nous avons immédiatement été confrontés à deux types de difficultés : la technicité de l’écriture scientifique et technique, d’une part, et la maîtrise de la croissance informationnelle de l’autre.

28La mise en œuvre de MediaWiki paraît relativement simple. En quelques dizaines de minutes (ou en quelques jours suivant son niveau technique), un ingénieur arrive à installer un site et peut commencer à rédiger. Après une première étape euphorique « baliser un titre c’est facile », les difficultés surgissent rapidement, par exemple, pour insérer une note en bas de page ou une formule mathématique. On découvre alors qu’il faut intégrer des extensions, ce qui peut demander une expertise technique conséquente. Par exemple, pour bénéficier des formules mathématiques, il faut installer un moteur LaTeX.

29Une première conclusion s’impose alors : la rédaction scientifique avec MediWiki demande un soutien logistique effectif.

30Dans nos premières expérimentations, nous avons remis en ligne des articles de la revue Ametist, initialement créée avec Lodel [Dacos 2009]. Une comparaison des deux approches a permis de mieux situer leurs potentiels réciproques. La prise en main est beaucoup plus rapide et plus simple avec Lodel ; mais pour un processus éditorial classique et une écriture plutôt littéraire. En revanche, les avantages de MediaWiki se révèlent dès qu’il faut monter en complexité, ou, plus précisément, lorsqu’il qu’il faut gérer un problème technique imprévu. Par exemple, nous avons rencontré des difficultés avec des caractères mathématiques ensemblistes. Avec Lodel, un palliatif demande une intervention manuelle à chaque génération, ce qui est particulièrement pénalisant en phase de relecture. Avec MediaWiki, le même type d’opération s’intègre sans difficulté au niveau le langage de script et devient par la suite totalement transparent. Cela dit, MediaWiki demande clairement une expertise technologique plus forte, ou plus précisément un soutien logistique expert de proximité.

31Wikipédia offre de nombreux exemples de traits éditoriaux adaptés aux documents techniques : la géo-localisation, les boîtes pour taxonomies ou les images cliquables. Le projet Proteopedia [Hodis, 2008] va plus loin avec la manipulation d’objets de biologie moléculaire comme des protéines, l’ARN ou des fragments d’ADN5. Un internaute peut ainsi utiliser des « liens verts » qui permettent d’interagir sur des représentations 3D par l’intermédiaire d’une applet Java (jmol). La généralisation d’une telle approche demande une intégration plus forte de la modélisation XML, avec l’intervention de contributeurs ayant acquis une solide pratique des langages de balisage.

  • 6 Notre analyse porte sur des utilisations relativement anciennes de SPIP qui évolue régulièrement da (...)

32Mais, l’avantage déterminant d’un moteur tel que MedaWiki vient de son adaptabilité aux changements. Dans sa version native, les modèles permettent de programmer des adaptations au fur et à mesure de l’évolution des besoins, et non, avant le démarrage, comme avec un produit tel que SPIP6, ou plus encore, avec une procédure par cahier des charges sur une souche SGBD.

Un réseau multidisciplinaire à composantes régionales

33En pratique, nous sommes très rapidement passés d’un premier wiki « à but pédagogique » à des réseaux de wikis. Pour être tout à fait transparent, ce choix a été motivé au départ pour des raisons techniques et institutionnelles. Il nous semblait qu’il fallait prévoir des sites institutionnels, de taille raisonnable pour permettre une appropriation par des laboratoires, communautés scientifiques ou groupes de travail. L’expérience Wikipédia montrait également qu’il fallait prévoir des familles de wikis, un par langue, pour gérer le multilinguisme.

34Le réseau initial de 2008 (figure 2) montre une vision encore immature.

Figure 2 : le réseau initial (fin 2008)

Figure 2 : le réseau initial (fin 2008)
  • 7 Délégation Régionale à la Recherche et à la Technologie.

35À gauche sont placés un wiki pour le financeur initial (DRRT Lorraine7) et le groupe de travail. Au centre, une famille contient « en vrac » ce qui peut réellement intéresser le public. À droite, un wiki nommé MEPP, dédié à un pôle de recherche sur les matériaux a servi de structure d’accueil pour une expérimentation sur les wikis sémantiques. Ce dernier nous a aidé à identifier l’intérêt majeur de la structuration en réseau : la possibilité de développer un modèle sémantique propre à une thématique. Plus généralement, le réseau ouvre la possibilité de traiter un sujet de façon différenciée en fonction du cadre thématique.

36Un exemple caractéristique nous a été donné par la Grande Région. Celle-ci est un regroupement de six communautés européennes : Lorraine, Luxembourg, Rhénanie-Palatinat, Sarre, Wallonie, en incluant pour la Belgique les communautés française et germanophone. Nous avons été amenés à créer un wiki pour chacune de ces provinces européennes, et pour les pays associés. Ainsi, en rapport avec le projet « Université de la Grande Région », on peut développer des analyses sur les différences et complémentarités entre les systèmes académiques en s’appuyant sur leurs descriptions dans leurs environnements respectifs. Par exemple, la définition de bachelier (ou de baccalauréat) n’est pas identique pour la France et la Belgique. Les pages consacrées à ce diplôme seront donc très différentes sur ces wikis et sur celui de la Grande Région. De même sur le wiki d’une région, comme par exemple la Lorraine, on donnera les résultats régionaux, en plus des définitions.

37Au fur et à mesure de son évolution, le réseau s’est donc structuré avec différents types de wiki. Par exemple, un wiki institutionnel est propre à une institution qui en définit les règles et le cadre éditorial. En revanche, les wikis communs sont partagés par l’ensemble des contributeurs inscrits. Ces wikis sont également répartis en 3 catégories :

  • Les wikis régionaux. Nous en avons donné des exemples avec la Grande Région. Ils recouvrent des zones de surface variable depuis la région jusqu’aux continents, en passant par les pays.

  • Les wikis thématiques. En raison d’un soutien financier lié à l’environnement, ce thème est présent à travers 5 familles de wikis : eau, forêts, sols urbains, agriculture, terre. Les thématiques propres aux sciences de l’information sont présentes à travers l’informatique, la linguistique et les TICRI.

  • Les wikis techniques. Enfin le réseau dispose d’un ensemble de wikis à vocation technique. On y trouve, par exemple, un wiki dédié à la formation ou un autre pour les outils informatiques. La cohérence du réseau met en œuvre 2 wikis. Le wiki Wicri/Métadonnées contient des recommandations et le wiki Wicri/Base contient des bibliothèques de modèles qui sont exportés sur tous les wikis.

38La figure ci-dessous donne la carte de navigation dans les familles de wikis communs.

Figure 3 : le réseau Wicri en début 2013

Figure 3 : le réseau Wicri en début 2013

39Au 20 février 2013, le réseau contient environ 50 000 pages dont 12 000 qualifiées de réelles. Comment naviguer dans tel ensemble et comment y maintenir la cohérence ?

Construction de connaissances en mode sémantique

40Comment maintenir la cohérence et la navigabilité dans un wiki et a fortiori dans un réseau de wikis. Le moteur MediaWiki offre déjà une base solide que nous avons complétée avec les extensions sémantiques.

41Concernant Wikipédia, la version anglaise contient plus de 20 000 000 pages, qui possèdent un identifiant symbolique unique. A côté des outils de gestion de pages, les modèles jouent un rôle fondamental pour maintenir la cohérence.

42Par exemple, les palettes de navigation associées à un pays, avec énumération des régions, permettent à un contributeur de prendre connaissance très rapidement de la toponymie associée.

43Par ses catégories et mécanismes de nommage, MediaWiki offre donc les fonctionnalités d’un système documentaire classique avec son indexation (catégories) et ses relations hiérarchiques, génériques et spécifiques.

44Mais le mécanisme qui fait réellement entrer dans le monde sémantique est celui de l’extension Semantic MediaWiki [Krötzsch 2007]). Cette extension permet de transformer des liens simples en liens sémantiques, ou qualifiés par des attributs. Par exemple, la page sur la ville de Pittsburgh dans le wiki Wicri/Eau se présente comme suit :

Figure 4 : Pittsburgh à la source, par confluence, de la rivière Ohio

Figure 4 : Pittsburgh à la source, par confluence, de la rivière Ohio

45On y lit que « Pittsburgh est située au confluent des rivières Allegheny et Monongahela qui forment l’Ohio, un affluent du Mississippi ».

46La visualisation du texte source montre l’écriture des liens sémantiques.

Figure 5 : liens sémantiques sur l’hydropgraphie de Pittsburgh

Figure 5 : liens sémantiques sur l’hydropgraphie de Pittsburgh

47Sur cette page, « Pittsburgh » est lié à la rivière Monongahela par la relation : « sur le cours d’eau ». Pour l’Ohio, le lien porte sur « Ohio (rivière) » et non sur la page de l’état correspondant. Pour le Mississipi, le lien n’est pas sémantique (il existe ailleurs un lien sémantique entre l’Ohio et le Mississippi).

48En fin de la page « Pittsburgh », une boîte, construite automatiquement, invite à naviguer dans le wiki

Figure 6 : boîte de faits associés à Pittsburgh

Figure 6 : boîte de faits associés à Pittsburgh

49En empruntant la relation « sur le cours d’eau », on peut atteindre d’autres combinaisons de villes et de rivières. Par exemple, la figure 7 montre une liste de la navigation en suivant cette relation.

Figure 7 : extrait de la navigation sur la relation « sur le cours d’eau »

Figure 7 : extrait de la navigation sur la relation « sur le cours d’eau »

50On peut ainsi repérer les villes de confluences situées sur plusieurs rivières.

51Les relations sémantiques présentent d’autres intérêts, et en particulier la possibilité de faire des calculs. La page sur la rivière Ohio en donne un exemple.

Figure 8 : la page Ohio et ses listes calculées

Figure 8 : la page Ohio et ses listes calculées

52On y remarque deux listes affichées comme calculées. Elles sont générées par un appel à une requête sémantique.

53La requête demande de créer la liste des noms de pages qui sont reliées par une relation « sur le cours d’eau » à la page courante, ici « Ohio (rivière) ».

Figure 9 : requête sémantique provoquant l’impression de la liste

Figure 9 : requête sémantique provoquant l’impression de la liste
  • 8 http://www.w3.org/RDF/
  • 9 Les limites sont liées aux relations internes à une page donnée. Par exemple, dans une page dédiée (...)

54Les relations sémantiques constituent en fait un mécanisme très puissant, très proche du formalisme RDF8, et qui permet d’automatiser des calculs ou énumérations. Sur le réseau Wicri, ces possibilités sont en cours de développement pour la modélisation des acteurs et projets de la recherche. Par exemple, dans les pages relatives aux appels aux communications, les membres du comité de programme sont qualifiés par une relation « A pour membre du comité de programme ». On peut ainsi construire un réseau d’experts sur un domaine donné. De la même façon, on peut traiter sous forme sémantique la plupart des métadonnées bibliothéconomiques courantes9.

55Plus généralement les relations sémantiques permettent notamment de construire le squelette d’un « Système d’information sur les recherches en cours » ou CRIS (Current Research Information System) dans la terminologie européenne.

Vers l’exploration des connaissances

56Un wiki sémantique, et, a fortiori, un réseau de wikis, offre une palette d’outils et d’informations très riche pour construire des connaissances. Ainsi, un rédacteur peut, sur un sujet donné, mettre en ligne et faire interagir très rapidement des informations ou documents distribués dans un hypertexte sémantique. Le problème qui se pose alors est celui de la recherche d’informations synthétiques pour alimenter le wiki en connaissances nouvelles.

57Pour reprendre le cadre ISTEX cité précédemment : comment des chercheurs pourront utiliser des réservoirs de plusieurs millions de documents pour localiser rapidement l’essentiel d’une thématique donnée ? Les mécanismes de recherche d’information (information retrieval) ne permettent en fait que de retrouver une information dont on connaît l’existence mais dont on a perdu la trace. Ici, le problème est de trouver des informations dont on ignore déjà l’existence.Les démarches exploratoires liées au pilotage de la recherche sont une véritable mine de mise en situation. Par exemple, dans une application concrète comme l’analyse des partenariats entre la France et le Japon, nous pouvons rencontrer plusieurs niveaux de difficultés.

  • Une question du type « le laboratoire CRPG de Nancy a-t-il des coopérations avec l’Université de Tokyo ? » se résout assez facilement avec une requête sur Google Scolar.

  • Cherchons maintenant les laboratoires de Nancy qui ont une relation avec Tokyo. La requête « Nancy Tokyo » sur Google Scolar devient beaucoup plus difficile à exploiter à cause des homonymies liées à Nancy comme prénom féminin. En revanche « Vandœuvre-les-Nancy Tokyo » commence à donner quelques éléments de réponse.

  • Pour être plus exhaustifs, nous pouvons lancer une requête de ce type sur les affiliations d’une base bibliographique comme Pascal, afin de repérer des co-publications. On obtient ainsi une vision plus large dans un paysage multidisciplinaire.

  • Si nous recherchons un niveau d’exhaustivité supplémentaire dans l’environnement, la médecine ou les sciences du vivant, on voudra naturellement exploiter Medline. Mais la même requête n’est pas viable car cette base ne conserve la trace que d’une seule affiliation. Grâce à ISTEX, un filtrage sur le texte intégral d’un corpus Medline sélectionné par « Nancy OR Tokyo » est alors envisageable. Le volume de données à manipuler est déjà conséquent. Si la requête « (Nancy[Affiliation]) AND Tokyo[Affiliation] » ne donne aucun résultat, l’opérateur OR donne 196 000 documents dont 10 000 pour Nancy. Ce volume encore relativement modeste demande un filtrage et des regroupements pour être exploitable dans un rapport.

  • Pour aller au-delà, une demande du type « quelles sont les coopérations entre des laboratoires lorrains et le Japon est encore plus complexe car la notion de « laboratoire Lorrain » n’est pas explicite dans les bases bibliographiques. Une recherche de première approche peut être obtenue à partir d’une analyse des codes postaux dans une base comme Pascal. En revanche, avec Medline, un filtrage des documents sur le texte intégral, dans la partie en-tête, devient nécessaire. À titre indicatif, la requête « (France[Affiliation]) OR Japan[Affiliation] » produit 1 232 961 réponses au 5 mai 2013. On commence à entrer dans le champ des données « un peu massives », mais avec une stratégie algorithmique de type filtrage.

  • Les 2 exemples précédents se contentent d’observer une situation. Une vraie démarche prospective demande de sauter un pas de plus dans la complexité. Par exemple, nous pouvons nous poser la question : « avec quels laboratoires français nous pouvons faire alliance pour enrichir nos coopérations avec le Japon ? ». Il faut alors, sur le corpus précédent (plus d’un million de documents), passer à une algorithmique qui devient combinatoire. En effet, il faut rechercher par exemple « les laboratoires français qui ont des coopérations importantes avec le Japon et avec lesquels nous avons déjà l’habitude de travailler ».

  • Enfin, on peut passer au niveau européen et aborder des problèmes tels que : « Comment améliorer les relations scientifiques de Grande Région avec l’Extrême-Orient ». Au lieu de se limiter aux acteurs de la France pour localiser les lorrains comme dans le cas précédent, il faut passer à quatre pays (Allemagne, France, Luxembourg et Belgique) pour identifier les acteurs de la Grande Région.

58Cette suite d’exemples montre l’intérêt potentiel de l’investissement ISTEX dans l’accompagnement du pilotage de la recherche. Elle met également en évidence un niveau de difficulté qui interdit, au moins à moyen terme, de penser en termes de « prestations automatisées par des web services ». L’approche que nous voulons mettre en place est donc plutôt basée sur l’expertise dans la manipulation d’outils disponibles sur des plates-formes pour la curation et l’exploration de corpus de données.

59De façon générale, un utilisateur avancé va pouvoir explorer un ensemble de « ressources brutes » à travers une plate-forme d’exploration et de curation de données.

60Le serveur d’exploration (Explor) est une application informatique générée à partir d’une boîte à outils. Il offrira diverses façons d’explorer un corpus. Par exemple, notre prototype actuel permet d’explorer par mots-clés avec des mécanismes de classification, ou des corrélations entre affiliations et mots-clés.

61Le serveur d’exploration est construit à partir de sources hétérogènes auxquelles on associe des flux de curation. La figure ci-dessous montre un flux de confluence (Merge) alimenté par divers flux en amont.

Figure 10 : exploration de connaissances et de corpus

Figure 10 : exploration de connaissances et de corpus

62Les mécanismes statistiques ne permettant pas de déterminer des causalités, le wiki est censé donner des informations synthétiques, élaborées par des spécialistes à l’issue d’exploration des corpus. Une distinction visuelle entre les pages contenant de l’information validée (les wikis) et celles qui contiennent des bibliographies obtenues de façon automatique nous paraît donc essentielle.

Figure 11 : exemple de message d’avertissement dans les pages d’exploration

Figure 11 : exemple de message d’avertissement dans les pages d’exploration

Figure 12 : flux de curation de données

Figure 12 : flux de curation de données

63Un flux de curation se compose d’une série d’étapes matérialisées par des serveurs intermédiaires et des traitements généralement paramétrés par des tables. Par exemple, pour un corpus issu de Pascal, une première étape va convertir les codes ISO des pays (comme LUX pour Luxembourg), en expressions compatibles avec la nomenclature utilisée dans le réseau de wikis et, dans ce cas, par « Luxembourg (pays) ». L’étape suivante va chercher à identifier les régions au sein d’un pays donné, en utilisant, par exemple, les codes postaux dans une démarche algorithmique propre à chaque pays.

64En pratique, cet ensemble est en phase de démarrage et nous prévoyons un premier plan de développement sur 2 ans. Les systèmes de normatifs de convergence sont en cours d’affinage. Les couches de base sont naturellement Xml et UTF8. Pour un schéma de structuration commune, la TEI (Text Encoding Initiative) semble donner de bons résultats. Pour les vocabulaires, au niveau général, le thésaurus EuroVoc présente l’avantage d’être disponible dans une vingtaine de langues. Dans les applications médicales ou en santé, nous comptons utiliser le MeSH et l’UMLS comme outils de navigation et de curation.

65Le réseau de wikis va également servir au paramétrage, aux consignes de mise en œuvre et à la gestion des exceptions terminologiques. Nous disposons déjà d’un ensemble de démonstrations de faisabilité portant sur quelques flux de curation10.

Discussion sur l’appropriation

66Le projet Wicri a maintenant plus de quatre années d’existence. Parti de l’idée « un Wikipédia de la recherche est-il possible ? » il débouche sur une plate-forme multidisciplinaire et multilingue qui couvre l’ensemble des aspects liés à la connaissance numérique : écriture scientifique collaborative, structuration sémantique, curation et exploration des connaissances. Le bilan est contrasté entre des avancées techniques ou culturelles très gratifiantes et une appropriation difficile par les acteurs de la recherche et de l’innovation. Les résultats et expérimentations peuvent être discutés suivant quatre axes : technologie, pratiques, appropriation individuelle, et enfin, appropriation collective.

67Remarque préliminaire : il n’est pas facile d’être objectif dans une démarche pionnière dont les résultats vont bien au-delà des ambitions initiales et qui se heurte à de très nombreux obstacles liés à l’appropriation, et principalement dans ses volets institutionnels. Cette section est donc plutôt un témoignage sans prétentions scientifiques.

Aspects techniques

68Sur un plan technique, par rapport à un article précédent [Ducloy 2010], nous avons beaucoup progressé en dissociant un espace privilégiant rédaction et construction de connaissance (les wikis sémantiques) des espaces de curation et d’exploration. Nous sommes notamment devenus beaucoup moins dépendants d’un moteur de wiki et pouvons envisager des solutions mixtes. Deux points à améliorer sont liés aux aspects réseau. En premier lieu, nous n’avons pas réussi à installer un pool d’images au niveau d’un réseau mais seulement au niveau d’un site (au sens file system). Or, une vraie politique de mutualisation demande une répartition physique des applications.

69Ensuite, la gestion des changements de versions devient très fastidieuse au-delà d’une dizaine de wikis. Il faudra réaliser des études et développement pour résoudre ces deux aspects mais, à première vue, ils nous paraissent raisonnables (quelques hommes mois pour chacun).

70Un point plus délicat concerne le modèle sémantique et sa relation avec la structure du document. Le modèle sémantique de Semantic MediaWiki crée des liaisons au niveau des pages, et non au niveau des parties de document. De façon symétrique la structure des pages de MediaWiki est alignée sur HTML. Il serait probablement très intéressant de pouvoir disposer d’un moteur de wiki gérant des pages en TEI avec un mécanisme sémantique du type RDF-a.

Les pratiques de lecture et de contribution

71Concernant les pratiques, considérons d’abord deux cas extrêmes : les lecteurs béotiens du numérique et les contributeurs experts. Le site Wicri est un réseau d’hypertextes relativement complexe, en construction permanente avec des liens sémantiques et catégories, et des possibilités infinies de combinaisons de modèles. Nous devons en fait gérer une situation paradoxale où plus on ouvre de possibilités à l’expert et plus on multiplie les risques d’égarement pour les lecteurs.

72En fait, le lecteur, même béotien, arrive sans trop de problèmes à se repérer dans un îlot de connaissance rédigé par un contributeur expert. En revanche, le plan d’un site de 100 000 pages étant impossible à faire, il sera en grande difficulté pour naviguer dans l’ensemble du réseau, là où l’expert sera ravi de naviguer avec une démarche différente à chaque pas.

73Concernant l’apprentissage des contributeurs, le niveau d’expert est relativement complexe à atteindre (plusieurs mois de pratique). En revanche, dans une démarche d’accompagnement, une stratégie progressive avec résultats immédiats, et donc gratifiants, peut être mise en place.

Appropriation, niveau individuel

74De façon générale, les problèmes techniques de base, comme la syntaxe, apparaissent comme un obstacle très perturbant. En fait, ils sont vite maîtrisés en pratique par ceux qui acceptent de franchir cette première barrière (ou par ceux qui jonglent par ailleurs avec des formalismes informatiques). Les vrais problèmes, ceux qui vont demander une formation conséquente, sont liés à la rédaction hypertextuelle et à la définition de l’architecture terminologique et sémantique.

75Compte tenu de ces deux niveaux de difficultés, l’ignorance de la nécessité d’une appropriation individuelle est donc source de nombreuses désillusions. Des mesures logistiques d’accompagnement nous apparaissent donc indispensables.

76Au-delà des difficultés techniques, la transparence (ou la traçabilité) des contributions et actions pose souvent de sérieux problèmes, mais d’ordre psychologique. De façon générale, une bonne confiance en soi et un bon ego apparaissent quasi indispensables pour ne pas avoir peur de commettre des erreurs ou de laisser des imperfections en public, ou plus exactement sans garantie de confidentialité. Par exemple, le succès de Wikipédia tient notamment à sa politique de pseudo qui élimine ce problème.

77En voulant contourner ce barrage psychologique, nous avons rencontré d’autres difficultés. Par exemple, pour contourner le barrage de la « page blanche en public », nos premiers exercices sont basés sur des travaux qui ne demandent pas de rédaction (comme des rééditions numériques). Mais nous sommes alors parfois confrontés à un rejet par des cadres avec comme motivation : « ce n’est pas à nous de faire ce type de travail mais à des techniciens ».

  • 11 Le terme incompétent n’est pas pris dans un sens péjoratif et doit être compris dans une dimension (...)

78La situation semble particulièrement sensible en sciences de l’information où les difficultés d’apprentissage peuvent être d’autant plus mal vécues que les apprenants sont par ailleurs considérés comme formateurs ou spécialistes du numérique. La formulation de Jim Gray sur le changement de paradigme est ici particulièrement éclairante car celui qui était un spécialiste reconnu et incontesté devient brutalement incompétent11 dans le domaine qui était le sien s’il ne revisite pas en profondeur ses connaissances et son expérience.

Appropriation, niveau collectif

79Avec déjà quelques années d’expérience, le problème qui apparaît le plus crucial est celui de l’appropriation collective, ou plus exactement, institutionnelle. L’incompétence « paradigmatique » évoquée plus haut s’avère quasi omniprésente chez les décideurs, et cela, d’autant plus qu’ils ont été auparavant experts dans les domaines de l’informatique ou de l’information. De façon plus générale, la simple « mention d’intérêt pour Wikipédia » provoque souvent un rejet immédiat par la majorité des décideurs académiques, au motif qu’ils ont eu connaissance d’une erreur caricaturale. Cette perception annihile toute argumentation sur le caractère exceptionnel de la production collaborative de connaissance dans Wikipédia.

80De plus, la modération a posteriori, avantage décisif de la démarche Wikipédia, va à l’encontre de toutes les procédures de qualité basées sur la validation a priori.

81Au-delà de cette incompréhension des décideurs, la situation est aggravée par les aspects multidisciplinaires de la connaissance numérique. L’architecture de Wicri met en œuvre de multiples avancées technologiques. Or le mécanisme de publication privilégie les travaux spécialisés. Un chercheur qui investit sur l’ingénierie générale des connaissances est de ce fait pénalisé ; d’où la difficulté de trouver des équipes transversales compétentes. Du côté des sciences de l’information, les blocages liés aux publications sont également multiples. Nous avons par exemple cherché, sans succès, des équipes pour échanger sur les difficultés de l’écriture hypertextuelle. D’une part, la volonté de se distancier de l’informatique est souvent un frein pour acquérir un niveau de connaissance qui dépasse la barrière syntaxique. D’autre part, l’absence de protocole expérimental comme ceux qui existent en information retrieval ne permet pas de soutenir le même rythme de publications.

82Du côté des services, les directions informatiques ne sont pas organisées pour traiter ce qui relève de l’accompagnement. Les bibliothèques quant à elles, savent délivrer des documents et non manipuler du contenu.

83Mais, le niveau le plus critique est peut-être celui de la dimension collective, là où tous les acteurs fonctionnent et sont évalués sur des critères internes à une institution. Par exemple, pratiquement tous les organismes offrent des wikis réservés strictement à leurs collaborateurs internes. Mais à l’heure où l’on affiche une forte priorité politique sur les coopérations nationales et internationales, dopées par le numérique, il est très difficile de créer un wiki partagé par des acteurs appartenant au même ministère, mais relevant d’établissements distincts.

84Comme Wicri, d’autres initiatives cherchent à démontrer l’intérêt de démarches intégrant exploration ou construction de connaissance sur des plates-formes ouvertes et potentiellement collaboratives. Si elles arrivent au succès, on verra probablement les unités de recherche multiplier les projets de ce type, y affecter des moyens, mais bien cadrées au sein de stratégies internes. En revanche, imaginer quelques unités de soutien de 3 à 4 personnes pour la même activité mutualisée, collaborative, voire simplement interdisciplinaire, semble encore relever de la science fiction.

Conclusion

85La réflexion sur le quatrième paradigme met en exergue les données massives et met en avant des défis technologiques. Ils sont réels et les chercheurs devront s’approprier le savoir-faire correspondant et emettre en cause leurs pratiques individuelles. La maîtrise de l’infodiversité, qui rejoint les réflexions sur le Web 3.0, amplifie le phénomène et l’étend à l’ensemble des acteurs de la recherche et de l’innovation, et plus particulièrement aux praticiens de l’information scientifique culturelle ou technique. Wikipédia, a montré que des dizaines de milliers de volontaires anonymes pouvaient finalement maîtriser un point que nous avions identifié comme critique, la dimension collective de la construction de connaissances.

86Pour atteindre des objectifs propres au fonctionnement de la recherche, nous avons expérimenté Wicri. Les retombées techniques ou relatives aux pratiques ou pour l’adéquation des besoins que nous percevions ont dépassé nos espérances. Et pourtant, les retombées en termes de services effectifs résultants sont encore décevantes. Remarquons également l’absence d’initiatives académiques ayant acquis une taille critique du même ordre de grandeur que celles de Wikipédia.

87Nous avons attiré ici l’attention sur les limites de l’évolution de Wikipédia où la garantie d’indépendance scientifique peut poser problème dans un contexte aussi marqué par des pratiques anonymes et des intérêts financiers. Paradoxalement, nous rejoignons ainsi les critiques de nombreux décideurs universitaires que nous avions estimé sommaires. Et pourtant, sur le numérique souvent qualifié comme défi du XXIe siècle, l’Université peut-elle se défausser de sa mission de diffusion de la connaissance vers la société ?

88Dans les dernières décennies, celles du troisième paradigme, le fonctionnement des universités a été profondément modifié par une recherche de compétitivité basée sur des indicateurs purement algorithmiques, et donc robotisés.

89Ce que nous qualifions d’infodiversité montre la complexité de la connaissance et donc les limites des indicateurs. Le quatrième paradigme se traduira-t-il par un retour à l’humanisme pour les universités ?

Bibliographie

[Connolly 2011] Connolly, Mary V. « A Bit of History for Students Who Will Develop the Next Generation of Technology. » 44th Annual Conference June 12-16, 2011. 2011.

[Dacos 2009] Dacos, M., & Bester, E. (2009). Que savons-nous de l’identité, des comportements et des attentes des lecteurs de Revues.org en 2008 et 2009 ?.

[Ducloy 2010] Ducloy, Jacques et al. Métadonnées pour WICRI, un réseau de wikis sémantiques pour les communautés de la recherche et de l’innovation. Traduction d’un papier accepté à la conférence DC 2010, Pittsburgh.
http://ticri.univ-lorraine.fr/ticri.fr/index.php?title=DC_Pittsburgh_(2010)_Ducloy

[Gray 2006] Gray, Jim et Szalay, Alex, eScience : The Next Decade Will Be Exciting, Talk@ETH, Zurich 29 May 2006

[Hey 2009] Hey, Tony et al. The fourth paradigm : data-intensive scientific discovery

[Hodis 2008] Hodis, Eran zt al. Proteopedia – a scientific ‘wiki’ bridging the rift between 3D structure and function of biomacromolecules, Genome Biology 2008, doi :10.1186/gb-2008-9-8-r121

[Krötzsch 2007] Krötzsch, et al. Semantic Wikipedia. In : Journal of Web Semantics 5/2007, pp. 251–261. Elsevier 2007

[Stallman 1999] Stallman, Richard, The Free Universal Encyclopedia and Learning Resource, publié en ligne : http://www.gnu.org/encyclopedia/free-encyclopedia.en.html

Notes

1 Jim Gray a disparu en mer en janvier 2007.

2 http://www.tei-c.org/release/doc/tei-p5-doc/fr/html/REF-ELEMENTS.html

3 http://www.istex.fr/

4 Ce sigle a été construit par analogie avec TICE, bien connu dans le monde de l’éducation.

5 http://www.proteopedia.org

6 Notre analyse porte sur des utilisations relativement anciennes de SPIP qui évolue régulièrement dans un contexte compétitif entre les CMS.

7 Délégation Régionale à la Recherche et à la Technologie.

8 http://www.w3.org/RDF/

9 Les limites sont liées aux relations internes à une page donnée. Par exemple, dans une page dédiée à une référence bibliographique on ne sait pas relier un auteur à son affiliation par un lien sémantique.

10 http://ticri.univ-lorraine.fr/artist.fr/index.php/LorExplor,_exp%C3%A9rimentations

11 Le terme incompétent n’est pas pris dans un sens péjoratif et doit être compris dans une dimension temporaire et non intrinsèque. Nous utiliserons l’expression d’incompétence paradigmatique.

Table des illustrations

Titre Figure 1 : le quatrième paradigme
URL http://books.openedition.org/pressesmines/docannexe/image/1672/img-1.jpg
Fichier image/jpeg, 136k
Titre Figure 2 : le réseau initial (fin 2008)
URL http://books.openedition.org/pressesmines/docannexe/image/1672/img-2.jpg
Fichier image/jpeg, 56k
Titre Figure 3 : le réseau Wicri en début 2013
URL http://books.openedition.org/pressesmines/docannexe/image/1672/img-3.jpg
Fichier image/jpeg, 100k
Titre Figure 4 : Pittsburgh à la source, par confluence, de la rivière Ohio
URL http://books.openedition.org/pressesmines/docannexe/image/1672/img-4.jpg
Fichier image/jpeg, 128k
Titre Figure 5 : liens sémantiques sur l’hydropgraphie de Pittsburgh
URL http://books.openedition.org/pressesmines/docannexe/image/1672/img-5.jpg
Fichier image/jpeg, 80k
Titre Figure 6 : boîte de faits associés à Pittsburgh
URL http://books.openedition.org/pressesmines/docannexe/image/1672/img-6.jpg
Fichier image/jpeg, 84k
Titre Figure 7 : extrait de la navigation sur la relation « sur le cours d’eau »
URL http://books.openedition.org/pressesmines/docannexe/image/1672/img-7.jpg
Fichier image/jpeg, 40k
Titre Figure 8 : la page Ohio et ses listes calculées
URL http://books.openedition.org/pressesmines/docannexe/image/1672/img-8.jpg
Fichier image/jpeg, 260k
Titre Figure 9 : requête sémantique provoquant l’impression de la liste
URL http://books.openedition.org/pressesmines/docannexe/image/1672/img-9.jpg
Fichier image/jpeg, 44k
Titre Figure 10 : exploration de connaissances et de corpus
URL http://books.openedition.org/pressesmines/docannexe/image/1672/img-10.jpg
Fichier image/jpeg, 152k
Titre Figure 11 : exemple de message d’avertissement dans les pages d’exploration
URL http://books.openedition.org/pressesmines/docannexe/image/1672/img-11.jpg
Fichier image/jpeg, 44k
Titre Figure 12 : flux de curation de données
URL http://books.openedition.org/pressesmines/docannexe/image/1672/img-12.jpg
Fichier image/jpeg, 92k

Auteur

Jacques Ducloy, CNRS, exerce des missions de conseil à l’INPL et à la DRRT Lorraine. Il a été chargé de mission à la DRRT Lorraine. Dans ce cadre, il a animé la mission TICRI (Technologies de l’Information et de la Communication dans la Recherche et l’Innovation). Il a également travaillé au LORIA et à l’INIST autour de l’information numérique.
(jacques.ducloy@loria.fr).

© Presses des Mines, 2013

Conditions d’utilisation : http://www.openedition.org/6540

Acheter

Volume papier

Chargement

Unavailable