L’Histoire et le flux

«Tout historien travaillant sur Twitter est condamné à finir en institution spécialisée»1.

Ce billet a été commencé avec l’idée très vague de démontrer l’importance d’une notion informatique, l’API. Il a évolué, de manière assez imprévue, sans aucune référence à cette notion, sans que je ne puisse dire pour le moment si j’en apprécie le résultat. Commentaires bienvenus2.

Ce lundi 9 mai, j’ai parlé de «sources en flux3» à Louvain-la-Neuve pour les journées des archives 2016 à l’invitation d’Aurore François, directrice des archives de l’UCL, qui avait d’ailleurs publié un très bon chapitre dans notre Histoire contemporaine à l’ère numérique4. Particulièrement intéressant, le thème de ces 16e journées était: «Pérenniser l’éphémère. Archivage et réseaux sociaux»5.

Au début était l’archive infinie

En continuant de réfléchir à ces sources primaires en flux depuis lundi, je me suis replongé dans la notion d’archive infinie, l’Infinite Archive avancée il y a quelques années par Bill Turkel6. Le web est cette archive infinie, une constellation d’informations en constante expansion.

L’archive infinie est un matériau nécessitant des méthodes et des outils computationnels nouveaux. Ils ont néanmoins une ascendance antérieure au web, s’insérant dans le temps plus long du rapport des historien.ne.s à leurs sources, ascendance remontant à l’accroissement des sources primaires qui commence dès le xixe siècle et s’intensifie au xxe, lorsque le volume des sources disponibles pour l’histoire, d’abord sur papier, aujourd’hui dématérialisé, ne cesse de s’accroître.

Le Web est toutefois une rupture, en ce sens que l’explosion d’informations qu’il représente l’assimile, ainsi, à cette archive infinie. Mais se pose aussi la question de sa mémoire. Imparfaite – car à une même adresse peuvent, au fil du temps, correspondre des informations très différentes – elle existe néanmoins. Elle est, en outre, archivable, bien que difficilement. Le web, archive infinie, oublie ainsi une partie de son passé.

Infini et mouvant, le web est déjà une remise en cause des pratiques de l’historien.ne: nos livres et articles sont vus comme l’achèvement d’un travail de recherche. Ils sont finis, figés. Nos recherches portent sur des archives, des documents, des sources primaires qui ont été figés dans un centre d’archives.

Vint le flux

En m’intéressant à la perception du passé sur les réseaux sociaux numériques, dans le cadre de mes recherches sur le Centenaire de la Grande Guerre sur Twitter, je dois utiliser une source primaire, les tweets, qui a une grande particularité: c’est un flux d’information, continu, mais dont l’intensité peut varier en fonction des plus ou moins grands échos des commémorations.

Le flux qu’est Twitter est une partie de l’archive infinie. Mais en terme de mémoire du passé, le flux est peut-être une rupture. Si l’archive infinie a des troubles de la mémoire, le flux n’est à la fois pas fait pour en avoir une7, tout en étant hypermnésique. Du point de vue de la mémoire, le flux est paradoxal: s’il n’est pas capté, il n’a pas de mémoire; s’il est capté, il est hypermnésique8.

Flux et source primaire

La capture du flux en fait une mémoire car elle permet de le figer dans une base de données, une forme parmi d’autres, après tout, d’archive. L’historique du flux et sa mémoire, dans mon cas, sont issus de mes recherches: résultats, donc, du regard de l’historien.ne et de sa capacité à anticiper – ce qui n’est pas vraiment le coeur de métier de l’historien.ne.

Il résulte de cette opposition entre le flux – dynamique – et sa capture – statique – une tension, qui se répercute dans la manière dont on l’interprète dans une narration sur l’histoire. Cette tension entraîne les nombreux risques méthodologiques d’une telle recherche. Elle entraîne aussi une certaine remise en cause des pratiques des historiens. Comment continuer à écrire – ce qui est déjà difficile dans le contexte mouvant du web – des publications «finies» utilisant une source – expression que l’on peut relire ici dans un nouveau sens métaphorique – qui, par nature, ne peut se tarir?

  1. Phrase prononcée à Louvain, sur le ton de l’humour, par Thierry Delplancq, archiviste, Archives de la Ville de la Louvière. []
  2. Le billet sur les API viendra un jour. Ou pas. []
  3. Ma présentation est disponible sur HAL-SHS. []
  4. Clavert Frédéric et Noiret Serge, L’histoire contemporaine à l’ère numerique / Contemporary History in the Digital Age, Bruxelles, P.I.E.-Peter Lang S.A, 2013. []
  5. Une autre intervention portait sur Twitter, celle d’Alexandre Turgeon: «Étudier la mémoire sur Twitter, composer avec celle de Twitter». Une partie de la réflexion menée ici sur la mémoire de Twitter a été inspirée par cette présentation. []
  6. Digital History Hacks (2005-08): Methodology for the Infinite Archive, Blog, 2008, consulté le 04.11.2008. Voir également: Hitchcock Tim, «Historyonics: Towards a New History Lab for the Digital Past», Historyonics, 01.04.2011, consulté le 11.05.2016. []
  7. Dans le cas de Twitter, c’est un peu plus nuancé: pour quelqu’un qui n’a pas d’accès commercial pour collecter des tweets, il est possible de collecter environ 3000 tweets sur les septs jours qui précèdent la requête. La recherche avancée de Twitter permet de remonter à 2006, année de la fondation de Twitter, mais sans qu’il soit possible de collecter les résultats de cette recherche []
  8. Les sociétés qui éditent les réseaux sociaux numériques comme Facebook et Twitter, captent le flux que leur système engendre, car l’hypermnésie est alors le seul moyen de les financer. Apparaissent depuis quelques temps des services conçus pour ne pas avoir – en théorie – de mémoire comme Whatsapp ou Snapchat. []

Le site web d’un centre d’archives est une salle de lecture

À l’invitation de Martin Grandjean, j’ai eu le plaisir de participer à une table-ronde au forum des archivistes qui s’est tenu à Troyes la semaine dernière (un compte rendu est disponible sur le site du forum). L’exercice de la table ronde est toujours à la fois intéressant et frustrant. Intéressant car il permet aux auditeurs d’écouter des points de vue complémentaires, parfois divergents, sur une question. Frustrant, car le public comme les intervenants ne peuvent développer et sont souvent contraints de rester relativement superficiels. Or, mercredi dernier, un point m’a particulièrement laissé sur ma faim: une question, posée à la fin de la session, à laquelle je n’ai pu répondre faute de pouvoir prendre la parole (le temps, notre enemi de toujours…) En substance: «On numérise massivement depuis de nombreuses années. Les chercheurs ne reviennent pour autant pas dans les salles de lecture. Pourquoi?»

Des archives massivement numérisées, mais…

Comme l’a rappelé l’un des archivistes présents (archives nationales), les archives en France se répartissent sur 4000 km linéaires. Seuls environ 10% (je crois me souvenir que c’est le chiffre avancé) ont été numérisées. C’est beaucoup et… pas assez. Lors de l’un de mes anciens emplois, les autorités de tutelle ont proposé un «indicateur de performance» délicat: qu’au moins un chercheur puisse rédiger un article complet sur la base de la bibliothèque numérique que nous développions. Le projet d’indicateur a été vite abandonné: pour répondre à une telle demande, ce n’est pas 20 ou 30 mille documents qu’il fallait numériser mais des millions. Car seul.e le chercheur / la chercheuse peut décider des archives à utiliser: pour lui laisser le choix, le seul moyen est de numériser toutes les archives touchant à un domaine vaste (dans notre cas, l’histoire de la construction européenne). La numérisation massive doit donc continuer et ne sera prisée par les chercheur.euse.s en histoire que le jour où la plus grande partie des archives sera numérisée.

Le site web d’un centre d’archives: une salle de lecture (presque) comme une autre

Le second élément de réponse touche à la mise à disposition des archives numérisées. Dans mes relations avec des centres d’archives, il m’est arrivé de rencontrer souvent deux cas de figure rédhibitoires pour qui souhaiterait travailler sur sources primaires numériques: les centres d’archives qui refusent de numériser; les centres d’archives qui numérisent mais imposent la présence dans la salle de lecture «physique» pour avoir accès aux corpus numérisés.

Les arguments avancés sont souvent de deux types: juridique (protection de la propriété intellectuelle) et hantise du pillage de la ressource numérique par les chercheurs.

Le premier argument est souvent très vrai mais aussi, la plupart du temps, extrêmement exagéré. Il y a des moyens de protéger la propriété intellectuelle sur le web, qui n’impliquent pas nécessairement d’avoir recours à des dispositifs techniques coûteux et illusoires comme des DRM.

Le second argument est extrêmement discutable. Les chercheur.euse.s n’ont pas besoin de tout télécharger, de tout avoir. Pour des raisons d’efficacité: trop de sources tue la recherche quand les sources accumulées s’éloignent trop du sujet de recherche traité, tout simplement. Pour des raisons de méthodologie: une source primaire sur un disque dur, mal stocké, mal archivé, est une source qui risque d’être mal utilisée. Pour des raisons éthiques: nous devons être capables de citer nos sources, de renvoyer la bonne URL, d’exposer les bonnes métadonnées dans les notes de bas de page. Les outils de téléchargement en masse ne permettent pas de conserver tous ces éléments, la plupart du temps. Les utilisat.eurs.rices ont donc beaucoup plus intérêt, d’une part à stocker les sources qui leur sont les plus utiles avec un logiciel type Zotero; d’autre part à revenir sur le site web où la source à été téléchargée pour s’assurer de l’intégrité de leurs citations.

Il y a donc des moyens pour «capter» l’attention des chercheur.se.s et les faire revenir sur le site web d’un centre d’archives. Encore faut-il que ce site soit conçu pour. Le meilleur moyen me semble être de comprendre le site web d’un centre d’archives comme une salle de lecture, au sens où il doit être vu comme appartenant au centre d’archives, non comme un élément externe ne servant qu’à rabattre les chercheurs vers une salle de lecture physique.

Chers archivistes, votre site web, c’est chez vous. En outre, votre site web engendre des données qui sont exploitables pour mieux comprendre vos utilisateur.trice.s. Bien sûr, cette exploitation doit se faire dans le respect de règles juridiques et éthiques, mais elles permettent, même anonymisées, d’avoir une connaissance très fine des utilisateur.trice.s.

Comme toute salle de lecture, un site web d’archives doit fournir des instruments de lecture. Notamment, ces instruments doivent permettre de dépasser la simple lecture d’un PDF à l’écran, ce qui implique une mise en données des fonds numérisés de haute qualité.

La reconnaissance de texte, pierre angulaire de la numérisation des sources primaires

Si l’on souhaite dépasser le stade de la lecture de PDFs à l’écran, la mise en données des sources numérisées doit être de très bonne qualité. En premier lieu, le texte contenu (pour les sources textuelles) dans les pièces d’archives numérisées doit être reconnu par l’ordinateur comme du texte et non comme une image.

Il y a ici un problème technique majeur: les logiciels de reconnaissance de texte (OCR) sont absolument incapables de reconnaître le texte des  archives numérisées. Ces logiciels ont été designés pour traiter des documents administratifs et de comptables des années 1980. Il y a des solutions, néanmoins, pour contourner ce problème: l’appel à la foule en est une. Nous avons parlé, ici, de la base de données des morts pour la France, du projet de la New York Library, What’s on the menu. Il y en a beaucoup d’autres: le crowdsourcing peut faire des miracles. Il n’est pas toujours possible, néanmoins, d’y faire appel, mais c’est une piste explorable.

Centres d’archives et lecture distante

Si les données mises à disposition des chercheurs sont de suffisamment bonne qualité, il faudra fournir des outils pour les chercheur.se.s, pour qu’ils puissent dépasser la lecture de PDFs à l’écran. Les premiers outils à mettre à disposition sont bien sûr des outils de recherche poussés. Les seconds types d’outils sont liés à une notion souvent utilisée ici: la lecture distante. Les troisièmes types sont liés à la lecture proche: les instruments d’annotation. Ces trois types d’outils – et cette liste n’est pas exhaustive – peuvent dans l’idéal permettre un travail collaboratif.

Les outils de recherche

Le premier instrument, capital pour les historien.ne.s, est celui permettant de rechercher (et trouver) les sources dont nous avons besoin. Il n’est pas si facile de faire un bon moteur de recherche. De nombreuses solutions logicielles, de nombreuses interfaces, de nombreux types de recherche existent et ne s’équivalent pas toutes. Les choix doivent être faits avec soin. Des recherches via un moteur de recherche «à facettes», via des outils sémantiques, via un algorithme de «découverte» ne s’équivalent pas. Les chercheur.se.s doivent maîtriser les outils de recherche qu’on leur fournit: les algorithmes, dans l’idéal, sont explicités et des instruments d’auto-formation seront les bienvenus.

Les outils de lecture distante

Pour dépasser la simple lecture de PDFs à l’écran, la mise en place d’outils de lecture distante est nécessaire. L’usage de ces outils revient à demander à l’ordinateur de lire pour nous des documents nombreux, trop nombreux pour être tous appréhendés par une lecture humaine. Ils reposent souvent sur l’usage de la science statistique pour appréhender le texte (fouille de texte) ou usent de la visualisation de données. Ils impliquent, si on veut raffiner un peu leurs usages, de faire appel à des techniques non visibles par les chercheur.se.s comme la reconnaissance d’entités nommées (faire en sorte que l’ordinateur reconnaisse les noms de lieux, de personne, les traces de temps, etc) qui ne sont pas simples à mettre en place, mais extrêmement utiles – ce qui nous ramène à la qualité de la mise en données.

Ces outils de lecture distante peuvent aussi permettre une recherche de documents. Quoi qu’il arrive, ces outils doivent autoriser le ou la chercheur.se à aller vers une archive singulière.

Les outils de lecture proche

En aucun cas la lecture distante ne rend caduque la lecture proche, plus classique, critique des sources primaires. L’un des outils les plus utiles aux chercheur.se.s en histoire est indiscutablement l’annotation, pratiquée depuis des siècles.

Les outils collaboratifs

Tous ces outils devraient avoir une dimension collaborative. Les annotations devraient être partageables, ainsi que les résultats des analyses de lecture distante. L’un des buts de ce partage est de partager aussi la créativité dans l’approche des sources primaires.

*

Je suis très conscient que ce texte peut apparaître comme donneur de leçon et m’en excuse auprès des collègues archivistes. Je préfère le voir comme une sorte d’étude de cas qui me semble rappeler le rôle capital des archivistes dans notre monde de données et qui présuppose deux éléments difficiles à réunir:

  • Les moyens financiers et techniques pour le réaliser;
  • Le ou la chercheur.se idéal.e!

Car comme la personne qui a posé la question l’a rappelé, ce sont aussi les chercheur.se.s qui, parfois, manquent de créativité quand ils sont confrontés au numérique.

BRJ INC.
Lemon Shark, Sydney Aquarium

To #DeleteAcademiaEdu or Not To #DeleteAcademiaEdu?

Il y a un peu plus de deux ans, je concluais un billet sur les réseaux socionumériques en ligne pour chercheurs avec le paragraphe suivant:

Surtout, c’est la question du modèle économique d’un tel mastodonte qui interroge le plus. Qu’il soit soutenu par des financements publics ou privés, il faudra un retour sur investissement, que ce soit en termes d’évaluation de la recherche ou d’exploitation de ses résultats. La tentation de la prédation sera nécessairement très forte, si ce n’est inévitable. Ce risque de prédation est tel, qu’il rend les réseaux sociaux pour chercheurs, me semble-t-il, rédhibitoires.

Nous y sommes. Lire la suite

La fin de l’édition scientifique française en SHS?

Ce billet est un billet d’humeur qui fait suite à la parution d’une tribune dans Le Monde. Je ne suis pas spécialiste de l’accès ouvert, je m’exprime ici comme simple enseignant-chercheur, encore considéré comme (vaguement) jeune, et qui a sa petite expérience de la recherche dans un monde numérique.

Quans ou Mandarins Chinois (Jacques Grasset de Saint Sauveur. Musée d’art du comté de Los Angeles. Disponible sur Wikimédia Commons).

Drame dans le monde de l’édition scientifique (franco-)française: les revues «de savoir» françaises seraient en passe d’être «étatisées». Diantre. Les éditeurs académiques français vont-ils être acquis de force par l’État pour brider l’insolence des chercheurs? Non, ils vont devoir – si la loi est votée et que ses décrets d’application sortent – se soumettre à l’article 17 du (toujours) projet de loi pour une République numérique. Cet article inscrit dans la loi la possibilité pour un auteur de rendre accessibles librement ses publications «financées principalement sur fonds publics»1 au terme d’un délai de six (sciences) ou douze mois (sciences humaines et sociales), même si l’auteur a signé un contrat avec clause d’exclusivité avec son éditeur. On appelle ça l’«open access» ou le libre accès aux résultats de la recherche.

Lire la suite

  1. Texte extrait de l’explication des motifs de la loi pour l’article 17 et sous réserve que son contenu ne soit pas modifié entretemps bien évidemment. []

Vinck Dominique et Natale Enrico, « La transformation des sciences historiques. La part du numérique »

Alors que les discours historiques produits par une diversité d’acteurs se multiplient de façon exponentielle sur le web, la majorité des historiens académiques restent réticents à s’engager dans des projets d’histoire numérique, préférant le rôle de spectateur passif des évolutions de la place de l’histoire dans les sociétés contemporaines.

Vinck Dominique et Natale Enrico, « La transformation des sciences historiques. La part du numérique », in: Gorga Anne et Leresche Jean-Philippe (éds), Disciplines académiques en transformation. Entre innovation et résistances, Édition des archives contemporaines, Paris, 2015, p. 89‑104.

1j1p

1 Jour – 1 Poilu: exemple de contribution des «amateurs» à la narration de l’histoire

Edit, 8 décembre 2015. Étant donné l’intérêt des commentaires, je conseille vivement à mes lecteurs de les lire. Ils sont particulièrement éclairants sur #1j1p et sur les relations entre historien.ne.s universitaires et historien.ne.s non-professionnels.

La base des données des morts pour la France de la Première Guerre mondiale est l’un des ensembles de « documents numérisés et [d’]informations issues des fonds d’archives et des collections conservés par le ministère de la Défense» (selon ses propres mots) proposés par le site  Mémoire des Hommes qui dépend du ministère de la Défense. Cette base de données est d’abord une collection de scans des actes administratifs déclarant un poilu mort pour la France, soit 1,3 millions de soldats morts pendant la Première Guerre mondiale. Si l’image d’une source primaire est utile pour un.e historien.ne, elle ne permet qu’une lecture proche, avec des moyens de recherche limités aux quelques éléments, très pauvres1, qui ont été indexés au moment de la publication de la base de données. La recherche est ainsi rendue plus complexe, plus dévoreuse de temps, moins efficace et risquée dans la mesure où l’on peut manquer des informations. Presqu’aucune lecture distante n’est possible. Un module d’indexation collaborative a cependant été prévu, afin de donner la possibilité à qui voudrait d’effectuer une reconnaissance de texte «humaine» de ces images. J’ai critiqué ce module il y a environ un an. Lire la suite

  1. Nom et prénom(s), date et département de naissance, comme le montre cette fiche, non indexée le 4 décembre 2015. Cela signifie par exemple que l’on ne peut faire de recherche par lieu de décès ou par régiment. []

D’un 11 novembre, l’autre

Les 11 Novembre en France se ressemblent-ils (sur Twitter)? J’ai désormais un élément de comparaison, ayant moissonné le 11 novembre 2014 et le 11 novembre 2015.

Statistiques: l’effet Centenaire de 2014

Twwetsparjour

Figure 1. Nombre de tweets par jour.

Lire la suite

#ww1 – Progrès de l’analyse des tweets

J’ai eu l’occasion de parler plusieurs fois, ce mois d’octobre, de l’analyse des tweets (toujours en cours de collecte) sur le centenaire de la Première Guerre mondiale. Voici la présentation effectuée pour mes collègues de l’Université de Lausanne à l’occasion du séminaire « Pratique des Humanités digitales ».

Vous retrouverez le diaporama et l’enregistrement de la séance sur le site moodle de l’Université de Lausanne (se connecter en anonyme).

Pour citer cet article: Frédéric Clavert, "#ww1 – Progrès de l’analyse des tweets," in L'histoire contemporaine à l'ère numérique, 15/10/2015, http://histnum.hypotheses.org/2435.

Une analyse des contenus de thatcamp.org

Dans le cadre du THATCamp Paris 2015, qui s’est tenu la semaine dernière, nous avons organisé un datasprint. Les THATCamps (pour The Humanities and Technology Camp) sont des événements scientifiques appartenant à la famille des non-conférences, c’est-à-dire qu’ils mettent leurs participants au cœur même de l’organisation de l’événement. Les participants proposent des ateliers, votent pour les ateliers qu’ils jugent les plus pertinents, puis organisent l’emploi du temps de la non-conférences.

Orientés vers les Humanités numériques, les THATCamps sont, en fait, une importation de modes de sociabilité venant de l’univers des sciences informatiques et technologiques. Le datasprint en est aussi inspiré: il s’agit d’organiser, pendant l’événement, une sorte de concours où des équipes traitent, dans ce cas, des données et exposent leurs résultats à la fin de l’événement. Ce que nous avons fait la semaine dernière. Lire la suite

La démise en données

J’ai tenté sur ce blog d’expliquer ce que j’entendais par le terme de «mise en données» de l’histoire (ou du monde). Emmanuel Mourlon-Druol a publié ce matin un point de vue sur la publication de quelques centaines (sur plus de 50 000) des courriers électroniques d’Hillary Clinton (si vous avez raté le premier épisode).

Ce que raconte Emmanuel est l’histoire d’une démise en données: les courriers électroniques de l’ancienne secrétaire d’État (donc ancienne ministre des Affaires étrangères des États-Unis) ont été… imprimés puis scannés, mais avec reconnaissance de texte.

Ce processus aboutit à une immense perte d’informations. Un courrier électronique est structuré, notamment dans ses méta-données (qui envoie, à quelle heure, etc). Cet étrange procédé n’est ainsi pas seulement stupide, il aboutit à appauvrir ce qui est une source primaire utile à l’historien, mais aussi aux journalistes ou aux citoyens (et pas uniquement états-uniens). Preuve de cette démise en données: il est impossible de faire une recherche en fonction du destinataire, par exemple.

Si cet appauvrissement n’est pas nécessairement voulu, il n’en est pas moins pleinement aberrant.