Version classiqueVersion mobile

THATCamp Paris 2012

Instrumenter la recherche

L’historien proto-programmeur. Outils et méthodes pour (re)travailler ses données

Proposé par Sylvain Machefert

Collectif

Résumé

Entre l’historien programmeur et l’historien « wordiste », uniquement capable de manipuler sommairement un traitement de texte, il faut aussi accorder une place à l’historien « bidouilleur », que l’on préfèrera appeler l’historien proto-programmeur. Celui-ci est capable d’exploiter au mieux ses données sans s’arrêter à un tableur, sans pour autant maîtriser un langage de programmation ou attendre qu’un informaticien traite ses données. Cette figure intermédiaire est essentielle au développement des humanités numériques. Le logiciel Google Refine est un bon exemple d’instrument accessible sans apprentissage de la programmation, proposant pourtant des fonctionnalités assez avancées de traitement de l’information. Google Refine (GR) est issu d’un logiciel libre, Freebase gridworks, que Google a acheté en 2010. GR est un logiciel libre et gratuit, multiplateforme (Linux/Windows/Mac) qui permet, selon le propos de la page d’accueil du site : « Google refine is a power tool for working with messy data » (« Google Refine est un outil de productivité pour travailler avec des données désordonnées ».) Tout un programme, propre à séduire un historien dont les données initiales sont souvent d’inégale qualité !

Entrées d'index

Texte intégral

L’autonomie dans la manipulation de ses données

1L’intérêt principal de ce type d’outil est l’autonomie qu’il offre au chercheur dans le traitement de ses données. Le besoin de nettoyage et de modification de données est fréquent, mais il se rencontre particulièrement lors du passage d’un logiciel à l’autre. Ce sont les passages entre deux logiciels, offrant des fonctionnalités différentes, qui constituent souvent un obstacle majeur au traitement heuristique.

2Les données restent stockées localement, mais il est possible de les consolider à partir de données distantes. Ainsi, lors de la constitution d’une base de données prosopographique, il est possible d’utiliser les données issues de DBpedia, puis de les corriger.

3Google Refine est adapté pour de petites tâches quotidiennes du chercheur sur ses données. Par exemple, si les villes ne sont pas dans le champ « ville », il est possible de les y déplacer automatiquement. Il est également possible de créer un morceau de code permettant de répéter une opération autant de fois que nécessaire. Ce code permet de créer un bouton automatisant une tâche répétitive.

4Google Refine n’est pas le seul outil de ce type. On peut par exemple utilise RelFinder (Interactive Relationship Discovery in RDF Data).

La structuration des données

5Alors que le Web de données manque encore de maturité, il est nécessaire d’y contribuer pour le faire progresser. Or, les outils utilisés le plus largement sont assez frustres. C’est le cas de Microsoft Word ou de Google Books, qui font partie de la panoplie quotidienne de l’historien, sans proposer aucune structure forte des données qui sont collectées. On trouve des dispositifs permettant de passer de fichiers bureautiques à une TEI structurée de façon minimal en utilisation Lodel ou Oxgarage. D’autres utilisations structurantes sont possibles, comme le passage d’un traitement de texte vers un tableur, voire, idéalement, vers une base de données.

6On bloquera souvent sur le problème de l’identification unique des objets manipulés. Une des pistes permettant de relier les données entre elles est l’utilisation de l’International Standard Name Identifier (ISNI), un identifiant unique pour les « identités publiques », qui joue un rôle comparable à celui joué par l’ISBN dans le monde du livre.

7The International Standard Name Identifier (ISNI) is an ISO standard (ISO 27729) that identifies public identities of parties. Essentially, this means the identities used publicly by individuals or organizations involved in creating, producing, managing and distributing content. The ISNI system uniquely and authoritatively identifies Public Identities across multiple fields of creative activity. ISNI provides a tool for disambiguating Public Identities that might otherwise be confused (such as Michele Smith the female singer, and Michele (Italian form of "Michael") Smith the male author). The ISNI is not intended to provide direct access to comprehensive information about a Public Identity – instead, it’s a tool that can provide links to other systems where such information is held.

De la ligne de commande aux interfaces visuelles

8Reste à convaincre les chercheurs de faire évoluer leurs pratiques. Trop de chercheurs perdent du temps à construire à la main l’index de personnes de leur ouvrage, alors qu’il existe des outils bureautiques simples pour automatiser cela. La formation est un levier majeur pour résoudre cette difficulté. Des exemples édifiants peuvent aussi nourrir l’argumentaire. Une enquête historique mal montée pourra être partiellement récupérée avec une utilisation raisonnée de Google Refine, par exemple. Les interfaces en ligne de commande permettent depuis longtemps de réaliser ce type de traitement. Ce qui change avec un outil de la famille de Google Refine, c’est l’interface, très proche de celle d’un tableur, qui rend l’outil à la fois abordable et visible, c’est-à-dire rassurant. Il ne faut pas sous-estimer la capacité à l’auto-formation et respecter la diversité des usages, pour ne pas introduire un rapport contraint à la technique. En sociologie des médias, les figures du nul en informatique ou du super-geek permettent d’évacuer certains problèmes.

9Montrer concrètement comment on peut insérer une référence bibliographique structurée dans Word avec Zotero remplace beaucoup de discours sur l’utilité des bibliographies structurées. De même, les tutoriels de Google Refine sont d’excellents ambassadeurs pour favoriser l’appropriation. Il faut aussi miser sur un continuum temporel, avant et après la formation, pour initier, construire et consolider les méthodes transmises en formation, afin de s’assurer que la greffe prenne, selon le rythme et les besoins de l’utilisateur. Enfin, le rapport à la documentation et à la recherche de solution (forums, listes de discussion, etc.) doit évoluer, pour devenir plus maîtrisé et moins timoré, afin de permettre une plus grande autonomie.

Conclusion

10Si Google Refine a servi de fil conducteur à cette réflexion sur l’historien proto-programmeur, il n’est qu’un exemple marquant, et il faut éviter de s’arrêter à un outil particulier. Les logiciels proposant de structurer les données de l’historien avec plus de simplicité qu’avec des instructions saisies en ligne de commande se multiplient, et c’est un atout pour l’émergence de compétences plus fortes dans la recherche en sciences humaines et sociales. La condition de la réussite de leur implantation dans les usages quotidiens est l’existence d’une formation bienveillante, autant que la possibilité de recourir à l’auto-formation, à condition que les usages potentiels soient promus et illustrés de façon concrète et convaincante.

Les fonctionnalités de Google Refine

Google Refine est un logiciel libre écrit en JAVA, sous licence BSD. Il fonctionne comme une application web, mais s’utilise de façon locale, sur un poste personnel.

Il permet :

    • L’analyse des données, de manière simple : facettes sur occurrence, sur valeurs numériques et options d’analyse ;

    • De gérer des volumes assez importants (centaines de milliers de lignes) ;

    • De nettoyer ses données, notamment les erreurs de saisie ou les données non normalisées : rapprochement « sonore », distance de Levenstein, unification de la casse, normalisation des informations ;

    • D’enrichir ses données depuis des données du web (web services et linked data) :

      • Connexion à des services web : par exemple récupérer les coordonnées géographiques via geocode de Yahoo,

      • Connexion au LinkedData (LinkedGeoData par exemple) ;

    • De transformer ses données grâce à des expression régulières, à l’aide du langage Google Refine Expression Language (GREL et de Jython (variante Python pour java) ;

    • D’importer / d’exporter ses données :

      • Assez ouvert en termes de format : CSV, XML, Triplets RDF, Json, xls, etc.

      • En entrée : CSV, Excel, HTML, RDF,

      • Des templates permettent de générer des sorties à façon,

      • Export en RDF (une sorte de première étape d’Open Data structuré dans une norme du web de données).

Ressources

11Google Refine: http://code.google.com/p/google-refine/
Didacticiels vidéos sur Google Refine, notamment dans la perspective de publier des données dans le Linked Data : http ://freeyourmetadata.org/
OxGarage :http ://oxgarage.oucs.ox.ac.uk :8080/ege-webclient/
RelFinder: http://www.visualdataweb.org/relfinder.php/
ISNI: http://isni.org/
Freebase: http://www.freebase.com/
Zotero : http ://www.zotero.org/

Auteur

CC-BY-SA-4.0

Le texte seul est utilisable sous licence CC BY-SA 4.0. Les autres éléments (illustrations, fichiers annexes importés) sont « Tous droits réservés », sauf mention contraire.

Lire

Open access

Acheter

Rechercher dans OpenEdition Search

Vous allez être redirigé vers OpenEdition Search