Les corpus des sciences humaines du numérique en Nouvelle-Aquitaine_


Qu’est-ce qu’un corpus pour e-c@na? Pour répondre à cette question, nous avons d’abord travaillé sur la notion de “corpus d’auteurs”. 

Dans un premier temps, nous avons soumis aux bibliothèques du territoire un sondage permettant de situer, de leur point de vue, la notion de “corpus d’auteurs”. L’enquête, lancée en même temps qu’une autre, mise en place par la BnF dans le cadre du projet de “Pôle associé régional”, a recueilli les réponses de toutes les bibliothèques universitaires de la région. Seules les bibliothèque de lecture publique des anciennes régions Poitou-Charentes et Limousin n’ont pas répondu. Les réponses recueillies nous ont montré qu’il était nécessaire d’étendre la notion de “corpus d’auteurs” à celle “d’ensemble de documents” constituant un “patrimoine littéraire”. Face aux nombreuses entreprises de numérisation portées, en particulier, par des structures de conservation et de valorisation des patrimoines littéraires (bibliothèques, archives, etc.), étendre cette définition permet d’assurer l’échange entre la recherche et les institutions chargées de numériser. 

Pour définir le “corpus d’auteur”, François Rastier1 propose de partir du texte et de son lien avec un ensemble :

le texte [peut être entendu] comme l’unité minimale et le corpus comme l’ensemble dans lequel cette unité fait sens.

La contextualisation auctoriale est fréquente lorsqu’il s’agit de définir le “corpus”, c’est ainsi que Thomas Lebarbé, en lien avec l’écrivain Stendhal et le projet d’édition numérique de ses journaux intimes, proposait lui aussi d’étendre la notion de “corpus” en incluant des “sous-corpus” (genre du journal, textes sur l’art, etc.)2.

Selon une même approche analogue, le consortium CAHIER a lui aussi proposé d’ouvrir la notion d’auteur en l’associant à la production:

L’auteur est donc une personne ayant produit une “oeuvre” relevant de la littérature, de la philosophie ou plus largement d’une production liée à une activité artistique et/ou professionnelle (journalisme, critique, enseignement, etc.).

Les professionnels des bibliothèques ou médiathèques de la région ont eux aussi une définition “large” du “corpus d’auteurs” qu’ils conservent et communiquent: le “corpus” est l’ensemble de documents constitué autour de l’auteur entendu comme écrivain, poète, philosophe, etc. ou comme personnage ayant produit une “oeuvre” écrite et/ou iconographique. Et ce, qu’il soit historien de l’art3, journaliste4, homme politique5 ou plus largement un érudit fasciné par des sujets aussi divers que le folklore local6 ou le spiritisme7.

Les raisons pour lesquelles ces corpus sont entrés dans les collections de ces structures : les auteurs “régionaux”, c’est-à-dire originaires du territoire, sont majoritaires.

Nous avons pu constater que les “corpus d’auteurs” préservés par les institutions de la région réunissent des documents aussi divers que des manuscrits, des archives, des coupures de presse, des imprimés ou des photographies. Soulignons à cet égard le fonds Jean Vautrin (1933 – 2015) conservé par la Médiathèque Jean Vautrin de Gradignan (33) qui réunit des papiers mais aussi de nombreuses photographies, des sources sonores et documents numériques (disques durs, ordinateurs, clés USB, etc., un nouveau type de fonds qui posera, à l’avenir de nombreuses questions aux chercheurs). 

Les types de documents qui constituent ces corpus d’auteurs. On notera la grande diversité de ces derniers.

 

Il est intéressant de noter que seule la moitié des corpus repérés par notre étude a fait l’objet d’un signalement numérique via les catalogues des bibliothèques. En revanche, lorsqu’ils ont été signalés, les fonds font souvent l’objet d’une politique de numérisation.

Pour ces numérisations, les pratiques de ces professionnels visent souvent, en premier lieu, la conservation des documents et le traitement interne sans mise en ligne. Selon les cas, les bibliothèques peuvent mettre en ligne des facs-similés numériques consultables en mode image (avec ou sans OCR). Toutefois, très peu prennent en charge la transcription du texte.

En revanche les pratiques de valorisation web par l’éditorialisation (exposition virtuelle, blog, réseaux sociaux, etc.) sont assez communément répandues. de nombreux projets développés autour de ces corpus visent la valorisation (conférences ou lectures publiques, expositions en ligne ou physique et projets pédagogiques) mais assez peu l’exploitation scientifique: 70% des répondants nous ont signalé avoir des difficultés à mettre en place des partenariats avec la recherche et 100% des professionnels nous ayant répondu signalent être intéressés par la mise en réseau que nous souhaitons développer.

 

Pour conclure, e-c@na a proposé de définir le corpus comme “un ensemble cohérent de documents renseignant sur l’œuvre d’un auteur ou sur une question posée par la recherche scientifique“. Nous étendons la notion de corpus au-delà du seul cadre auctorial pour intégrer la question de recherche.

A suivre…

Cite this article as: Jessica de Bideran, "Les corpus des sciences humaines du numérique en Nouvelle-Aquitaine_," in e-C@NA, 03/11/2018, https://ecana.hypotheses.org/34.


Edit : Pour compléter ce court billet, on pourra consulter le rapport d’enquête ALCA portant sur les collections patrimoniales des bibliothèques de Nouvelle-Aquitaine

 

  1. François Rastier, Arts et sciences du texte, PUF, Paris, 2001. []
  2. Thomas Lebarbé, “Du corpus littéraire au corpus linguistique : dématérialisation, restructuration, lectures rhizomatiques et analyses linguistiques des manuscrits“, Corpus, 8, 2009, 221-239. []
  3. Citons à titre d’exemple Charles Marionneau (1823 – 1896), peintre et historien de l’art dont une grande partie de l’oeuvre est conservée par la bibliothèque municipale de Bordeaux. []
  4. Tel Guy de Pierrefeux, pseudonyme de Daniel Auschitzky (1864 – 1937) dont les écrits sont gérés par le Service d’Archives communales de Lège-Cap Ferret (33). []
  5. A l’image de Louis Barthou (1832 – 1934) dont la Médiathèque des Gaves (64) conserve de nombreux documents. []
  6. Tel Félix Arnaudin (1844 – 1921) linguiste, folkloriste, historien, ethnologue, poète et photographe de la Haute-Lande dont les fonds sont éparpillés entre le Musée d’Aquitaine et la bibliothèque municipale de Bordeaux. []
  7. A l’image de Marcelle Prat de Jouvenel (1896 – 1971), auteure d’ouvrages sur le spiritisme dont les œuvres sont conservées par le Service d’Archives communales de Lège-Cap Ferret (33). []

e-c@na c’est parti !


Le jeudi 05 avril 2018 a eu lieu la première journée de rencontre du programme de recherche e-c@na. Cette journée, qui s’est déroulée à Bordeaux, a été l’occasion de réunir les premiers chercheurs néo-aquitains identifiés comme travaillant sur des “corpus d’auteurs” conservés de la région Nouvelle-Aquitaine ou travaillant dans la région sur de telles sources. Cette réunion, dont nous livrons ici un rapide compte-rendu, nous a permis de poser les grands objectifs du projet e-c@na et les prochaines étapes du programme.

e-c@na a pour objectif principal le développement d’un pôle de compétences en “Humanités Numériques” à l’échelle de la grande région Nouvelle-Aquitaine.

Selon nous, deux éléments font actuellement défaut sur le territoire ou doivent être renforcées :

  • D’un point de vue conceptuel, une étude suivie et ample sur les usages des corpus numériques par, ce que nous appellerons de façon générique, les “lecteurs” manque à ce jour1. Il s’agit donc d’observer et de tirer des conclusions épistémologiques (et pragmatiques), des pratiques d’un lectorat dont le périmètre est à la fois scolaire, universitaire, scientifique et public (les élèves, les étudiants, les enseignants, les “publics” curieux et amateurs, etc.). En questionnant nos “méthodes éditoriales” depuis la perspective des pratiques, nous désirons appréhender la qualité de notre travail à l’aune de nouveaux critères

  • D’un point de vue épistémologique, l’exploitation des données numériques constituées par les communautés qui travaillent sur les corpus d’auteurs en vue de produire de nouvelles analyses fait également défaut: quelles nouvelles connaissances avons-nous produites avec ces données ?

Objectifs de e-c@na_

e-c@na mêle des objectifs techniques et scientifiques dans une même démarche réflexive sur les études littéraires informatisées. Du point de vue technique, cela suppose d’affronter la question de l’exploitation des données numériques issues des projets de recherche sur/autour des corpus d’auteur et sous-entend trois enjeux :

 

  • Enjeu de la diffusion : comment rendre la donnée facile à trouver? Avec quelle plateforme, quel moissonnage, etc.

 

  • Enjeu de l’exploitation : comment rendre la donnée (correctement) exploitable? Avec quel traitement, à l’aide de quelles métadonnées? Pour quelle qualité? Selon quelle anticipation des usages…?

 

  • Enjeu de la réutilisation : comment, tout en rendant la donnée interopérable, la rendre réutilisable dans le but de la croiser avec d’autres données similaires?

 

D’un point de vue scientifique, l’enjeu du projet est épistémologique puisque l’exploitation des données numériques interroge des concepts usuels des “humanités” et requiert, dans certains cas, leur définition précise voire, leur circonscription. Ainsi, le contexte numérique, nécessite  de re-questionner:

 

  • la notion de “corpus” en milieu informatique
  • les choix techniques et scientifiques qui, dès l’amont du projet, influencent l’interprétation de la donnée
  • les implicites de nos méthodes.

 

Pour répondre à ces grands objectifs, des axes de recherches et des objectifs à court et moyen terme ont été définis autour de trois “Pôles”.

Pôle “QUALITÉ DES DONNÉES”

La façon de produire des données paraît bien “acquise” (normalisation, extraction, etc.) tant les formations semblent abonder et les projets numériques se multiplier, pourtant, a-t-on réellement interrogé la qualité de celles-ci? A-t-on questionné des corpus numériques? Comment “bien” diffuser et produire des données de qualité?

Pour engager le travail, le pôle s’appuiera sur les “livrables” de chaque projet pour tester des hypothèses scientifiques tout en examinant la qualité de ces données.

Pôle “ACCESSIBILITÉ DES DONNÉES”

Les enjeux de l’accès aux sources posent différentes questions, comme celles de la récupération des données numériques produites au début des années 1995-2000 par exemple, avec des technologies aujourd’hui devenues “obsolètes”? Comment les récupérer et convertir dans les formats interopérables actuellement utilisés?

Pôle “EXPLOITATION DES DONNÉES”

L’exploitation scientifique des corpus numériques est celle du croisement des données informatiques et des questions scientifiques qu’elle permet ou suscite. Comment croiser les informations issues de deux corpus différentes? Quelle serait la logique d’extraction à mettre en œuvre? Comment la formaliser? Comment manipuler les données de façon à les traiter informatiquement? En gros, comment dépasser la simple interrogation lexicale?

Dans le cadre d’un premier atelier “Métadonnées” (Juillet 2018, La Rochelle), il s’agira d’étudier des champs de métadonnées en vue de leur exploitation: il s’agira d’en étudier la portée, la finesse et la qualité en vue d’améliorer celles-ci.

A suivre …


  1. On pourra à cet égard consulter cet ouvrage : Patrimoine littéraire en ligne : la renaissance du lecteur ? []