Archives de catégorie : Mise en données de l’histoire

À propos d’une crise de confiance

Le 14 novembre dernier, Le Monde publiait un article sur les réformes envisagées par le Ministère de la Culture pour l’ensemble de son domaine d’administration, ce qui inclut les différents services d’archives. L’article du Monde repose sur un document confidentiel publié par L’Humanité le lendemain. Peu de temps après, Vingtième Siècle, revue d’histoire publiait une motion:

A la suite des informations parues dans Le Monde daté du 14 novembre 2017, le comité de rédaction de Vingtième Siècle. Revue d’histoire s’inquiète de l’utilisation de la notion « d’archives essentielles » proposée par les Archives Nationales. Dans un contexte de pénurie d’espace et de personnel, cette politique a d’ores et déjà conduit à amplifier les destructions d’archives, y compris sur des fonds déjà constitués. L’avenir de la recherche historique nécessite que ces choix soient discutés de façon démocratique et transparente.

Je vais ici commenter les pages du document du Ministère de la Culture qui concernent la politique des archives, c’est-à-dire les pages 3 et 20 à 23 et évoquer les hantises grandissantes au sein des historien.ne.s que ce document a provoquées. Je publie ici un point de vue d’historien avec les mots d’un historien. Je comprends que le point de vue des archivistes puisse être très différent ou que mon vocabulaire ne soit pas adapté. N’hésitez pas: les commentaires sont ouverts! Continuer la lecture

L’histoire et la « machine »

La réflexion développée ici a commencé lors de la préparation d’une communication l’année dernière (à paraître). Je me dois de préciser que je ne sais pas si elle n’a pas déjà été tenue, ni si la recherche qui pourrait en découler a déjà été menée. Si les code studies sont un champs d’études passionnants, je ne crois pas qu’il y ait beaucoup de publications sur les conséquences de la programmation informatique telle qu’elle est en train d’évoluer sur les archives à venir. C’est en outre une réflexion naissante – déjà évoquée, brièvement, dans le billet précédent-, et il est probable que je ne maîtrise pas encore assez certains des éléments évoqués ci-dessous (machine learning / deep learning notamment). Ce texte est donc probablement emplis de nombreuses faiblesses. Pour être complet, je dois préciser que cette réflexion a été stimulée par la tenue à l’Université de Lausanne d’un séminaire, organisé par le LaDHUL, autour de la délégation cognitive à la machine, thème proposé par Boris Beaude. N’hésitez pas à commenter.

Continuer la lecture

Présentation: «Les réseaux sociaux numériques comme sources primaires de l’historien.ne»

J’ai été invité par Léda Mansour et Nicolas Hubé (que je remercie chaudement) à intervenir dans leur séminaire «Analyse du Web». Je suis intervenu sur Les réseaux sociaux numériques comme sources primaires de l’Historien.ne, en prenant comme exemple, bien entendu, mes travaux autour de la Grande Guerre sur Twitter.

J’ai pour la première fois parlé d’un thème, de manière encore imprécise: les sources nées numériques engendreront-elles une histoire PAR la machine? J’entends ici «machine» dans un sens encore trop général qui devra être précisé. Il s’agit par exemple de se demander comment distinguer ce qui est le produit de bots (les comptes automatisés sur Twitter par exemple, mais il en existe bien d’autres), qui vraisemblablement deviendront de plus en plus élaborés et s’éloigneront de plus en plus de leurs « créateurs » humains, notamment en faisant, tôt ou tard, appel à des algorithmes d’apprentissage des domaines du machine learning ou du deep learning par exemple.

Continuer la lecture

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. Continuer la lecture

  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. []

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.

Numériser n’est pas mettre en données

En novembre dernier, à l’occasion du lancement des commémorations du centenaire de la Grande Guerre, le site « Mémoire des hommes » (et pas des femmes, semble-t-il) publie plusieurs bases de données sur la Première Guerre mondiale. Le site, sur sa page « historique« , mentionne notamment l’ajout des « historiques régimentaires des unités engagées dans la Grande Guerre, de la base Sépultures de guerre ainsi que de la « Collection du ministre » de la Défense. Les fiches des Morts pour la France de la Première Guerre mondiale sont ouvertes à l’indexation collaborative. » Continuer la lecture

Une mise en données par les foules: histoire et crowdsourcing (#ncph2014)

What's on the Menu?

What’s on the Menu?

Ayant eu la chance de présenter l’encyclopédie du LabEx EHNE à la conférence annuelle du National Council for Public History à Monterey, j’ai pu assister à une session sur le crowdsourcing, présidée par Mark Tebeau (Arizona State University – Mark avait participé à l’une des conférences Humanités numériques au Luxembourg que j’ai organisée pour le CVCE en 2012). Continuer la lecture

Les biais de la mise en données de l’histoire: lecture d’un article de Ian Milligan

Un ordre illusoire?

J’ai déjà à plusieurs reprises insisté sur les possibilités, mais aussi les biais, induits par la mise en données de l’histoire, notamment à la lecture de Tim Hitchcock1. Ian Milligan est professeur assistant au département d’histoire de l’université canadienne de Waterloo. C’est un historien numérique reconnu, qui s’intéresse notamment aux changements méthodologiques induits en histoire par l’ère numérique. Vous pouvez, par exemple, lire son poster Rethinking the archival box.

Il a récemment publié «Illusionary Order: Online Databases, Optical Character Recognition, and Canadian History, 1997–2010» dans la Canadian Historical Review2. L’intérêt de cet article est que c’est une étude de cas qui donne une idée plus précise des biais induits par la mise en données partielle de l’histoire. Ian Milligan a étudié la manière dont sont cités les journaux canadiens dans les thèses d’histoire d’une part, dans les articles de la Canadian Historical Review d’autre part, qui touchent à l’histoire canadienne. Il y expose très clairement sa méthode et a mis en ligne le code qu’il a développé sur github.

Ce qu’il constate confirme que les historiens sont en train de laisser se développer une boîte noire numérique. Car ses conclusions sont sans appel:

  • Le nombre de citation des journaux canadiens numérisés ont explosé depuis 1997. Le nombre de citation des journaux non-numérisés ont stagné ou décliné;
  • Les sources mieux numérisées sont plus citées;
  • S’il ne constate pas d’influence de ce phénomène sur les grands thèmes de l’historiographie de l’histoire canadienne, il y a une corrélation avec les « sous-thèmes » et, donc, bien influence (probable, la numérisation étant un facteur parmi d’autres) de la mise en données des sources sur notre travail.

Pour cette raison, il parle d’ordre numérique illusoire: la recherche par mots clés, l’organisation très structurée des bases de données donnent l’impression d’un ordre qui n’en est pas un, pour diverses raisons. La première est l’inégale numérisation des sources. La seconde est la qualité variable de la reconnaissance de texte – car Ian Milligan rappelle que les logiciels de reconnaissance de texte qui permettent la recherche par mots-clés (grand apport de la numérisation des sources) ont été prévu pour des documents d’un type précis dans un cadre commercial. Il rappelle que les sources historiennes, notamment les journaux, posent des problèmes techniques précis qui ne sont que partiellement gérés par ces logiciels. Sans oublier que, plus la source est ancienne, plus la reconnaissance de texte est défaillante – parfois, plus de la moitié de l’information peut être perdue. Ainsi, une recherche par mots clés peut donner l’illusion d’un résultat exhaustif, alors que, même avec les meilleurs logiciels de reconnaissance de texte, le texte n’est jamais restitué de manière parfaite. La seule solution est la relecture humaine de la reconnaissance de texte par la machine, mais elle coûte trop chère pour les numérisations de masse.

L’usage de la recherche par mots-clés dans les grandes bases de données change d’autres éléments: une recherche dans des liasses d’archives ou des liasses (ou microfilms) de journaux permet aux historiens de lire des documents ne touchant pas à leur recherche présente, mais leur donnant des idées pour des recherches futures. En clair, la recherche par mots-clés diminue la « sérendipité » des historiens.

Pour Ian Miligan, il y a trois grands problèmes liés à cette situation:

  • Autorité illusoire par le nombre. Nous risquons de citer plus d’articles qu’avant, sans qu’il n’y ait de réel apport scientifique, mais avec pour corollaire le risque d’être moins analytique. En clair, on risque de donner plus d’autorité à un travail de recherche car les documents cités sont nombreux, mais sans que l’apport scientifique de cette recherche ne le justifie;
  • Déclin des journaux non numérisés. C’est un point particulièrement important: nous risquons de sélectionner nos sources en fonction de leur disponibilité numérique et non de leur intérêt pour notre recherche;
  • Concentration sur les lieux les plus concernés par les journaux numérisés: dans le cas de l’histoire canadienne, le journal numérisé le mieux cité est basé à Toronto. Plus l’utiliser qu’un journal de Montréal, par exemple, va favoriser la vision du gouvernement fédéral. Plus discret, mais tout aussi important, l’utilisation d’un journal de Toronto pour faire l’histoire de localités proches de la capitale risque de faire oublier l’apport pour une recherche de journaux plus locaux.

L’auteur propose quelques éléments pour remédier à cette situation:

  • Reconnaître notre utilisation des ressources numériques: lorsque nous lisons la version numérique d’une source primaire ou secondaire, nous devons, dans les notes de bas de page et dans la bibliographie, renvoyer à la référence numérique et non à la référence papier;
  • Ouvrir le débat, ce qu’il fait avec cet article. Bref, nous devons éclaire la boîte noire. Il propose notamment d’exposer nos « bonnes pratiques ».

Parmi ces bonnes pratiques, il rappelle les suivantes:

  • Quand cela est nécessaire, un écrémage complet des sources – c’est-à-dire ne pas faire une recherche uniquement sur mots-clés, mais regarder chaque document qui potentiellement peuvent être intéressants pour notre recherche, même s’il n’est pas dans les résultats de la recherche par mots-clés;
  • Comme lorsque nous utilisions les catalogues par fiches, nous devons multiplier et combiner les mots clés, ne pas oublier les orthographes alternatives, les abréviations, les synonymes…
  • Participer collectivement à l’amélioration des usages de ces bases de données: bien les citer, rappeler la méthodologie de recherche employée, etc;
  • Travailler avec les éditeurs de ces bases de données pour les améliorer, les adapter aux besoins des historiens, que ce soit pour le contenu ou pour les fonctionnalités proposées.

Un autre exemple: l’étude de l’intégration européenne

Pour illustrer l’étude de Ian Milligan dans un autre secteur, les études européennes dans un sens large, j’ai utilisé le logiciel Harzing’s Publish or Perish. J’indique tout de suite que mon étude est une illustration, non une démonstration: ma méthodologie et mes résultats n’ont rien à voir avec la rigueur des données de Ian Milligan. De plus, c’est une approche quantitative stricte reposant sur Google Scholar, c’est-à-dire une boîte noire… Je n’ai pas intégré d’aspects qualitatifs sur le contenu de ces références (la plupart du temps) scientifiques. Les données récoltées ne sont pas complètes à deux titres: d’une part, Google Scholar, utilisé par Publish or Perish, est très imparfait (selon Google Scholar, Britney Spears a des publications scientifiques); d’autre part, je ne peux rapatrier plus de 1000 ocurrences par mots-clés.

J’ai fait trois recherches, sur les mots clés suivants: « ena.lu », « cvce.eu » et « aei.pitt.edu ». EuropeanNAvigator (ena.lu), devenu ensuite cvce.eu, et les Archive of European Integration (aei.pitt.edu) sont les deux dépôts les plus importants d’archives numérisées sur l’histoire de l’intégration européenne. Il y a d’autres sources, mais un peu plus difficiles à identifier ou dont l’usage n’est pas spécifique aux études européennes (les quelques ressources – qui vont en s’accroissant – des archives historiques de l’union européenne; Internet Archive; la médiathèque de la Commission européenne, etc).

En regardant ce schéma, on constate plusieurs éléments:

  • Ces bases de données ont été utilisées très vite: AEI est publiée en 2003, ena.lu en 2005. Les premières utilisations – sous réserve des erreurs de Google Scholar3 – apparaissent de suite;
  • Le déclin d’ena.lu s’explique par son remplacement par cvce.eu à l’été 2011. cvce.eu n’a pas encore totalement pris la place d’ena.lu, mais son utilisation s’accroît vite4;
  • Il y a un déclin relatif de l’usage de ces bases de données en 2013: il est probablement dû au fait que Google Scholar est loin d’avoir indexé toutes les publications de 2013. Personnellement, j’ai constaté qu’il y a un délai d’au moins six mois entre la publication d’un ouvrage et sa présence dans Google Scholar.

Comme Ian Milligan, on peut constater que ces bases de données de sources primaires sont très vite utilisées par les chercheurs (ici, tous ceux, historiens ou non, qui citent ces bases de données). Outre, les remarques contenues dans l’article de Ian Milligan, je rajouterais quelques réflexions méthodologiques propres à l’histoire de l’intégration européenne ou, du moins, à ces dépôts numériques d’archives:

  • Il n’y a, à ma connaissance, aucune précision globale sur le taux de réussite de la reconnaissance de texte ou sur les logiciels utilisés. Dans le cas du CVCE, il peut y avoir des précisions relatives à chaque document;
  • Les procédures de sélection d’archives demeurent floues – c’est notamment lié au fait qu’il est difficile d’en émettre qui soient purement objectives.
    • Le CVCE les définit à l’échelle de chaque projet de recherche, ce qui est un problème pour un chercheur dont la quête ne colle pas à ces projets,
    • Dans le cas d’AEI, le type de documents choisi est plus clair: des archives officielles des institutions européennes et des documents scientifiques – principalement de la littérature grise, semble-t-il. La collecte se fait, si j’ai bien compris, par crowdsourcing: les chercheurs qui numérisent soumettent les documents à AEI. Le matériel soumis doit pouvoir être d’une utilité potentielle pour la recherche, ce qui reste assez flou.

Le résultat de ces rapides constations est le suivant: utiliser ces bases de données ne peut-être soit qu’une première approche complétée par un séjour en centre d’archives, soit d’utilisation quasi-exclusive si le sujet traité à l’aide des sources qui y figurent est accessoire à la recherche et si le tout est complété par une bonne connaissance, bien entendu, de la littérature secondaire. Dans tous les cas, comme Ian Milligan le rappelle, l’auteur doit faire référence à la version numérique du document utilisé et non sa version papier si cette dernière n’a pas été consultée.

Je n’ai pas les moyens de confronter ces chiffres d’utilisation aux autres citations de ces travaux, donc je ne peux pas aller plus loin, à savoir déterminer si des sources non-numérisées sont négligées ou si les sujets traités sont orientés par l’usage de ces bases de données en ligne. Quoi qu’il arrive, il est temps qu’un débat soit ouvert sur nos méthodes numériques, sans les récuser, mais pour bien les intégrer dans notre méthodologie.

  1. Hitchcock Tim, « Academic History Writing and its Disconnects », Journal of Digital Humanities, Winter 2011, vol. 1, no 1. []
  2. Milligan Ian, « Illusionary Order: Online Databases, Optical Character Recognition, and Canadian History, 1997–2010 », Canadian Historical Review, 1 décembre 2013, vol. 94, nᵒ 4, pp. 540‑569. En ligne. []
  3. Beaucoup de tites sans date, dates erronées, mauvais OCR, tendance à sur-représenter les travaux en Anglais, etc []
  4. Disclaimer: J’ai été employé, à divers postes, y compris de chef d’équipe, par le CVCE, éditeur de ena.lu et de cvce.eu. []

Nine months of #twitterstorians

Wordcloud of the #twitterstorians corpus

Wordcloud of the #twitterstorians corpus

Last April, I started to collect tweets containing the hashtag #twitterstorians1. The idea is to question whether it is possible to capture / understand in almost real time historiographies in the making. As you all know, this hashtag was created by Katrina Gulliver.

After three months, I attempted to do a first text analysis of this #twitterstorians corpus – but it was still too tiny to be analysed. A few days ago, I attempted again to analyse it and it seemed to work, this time.

I am using a software, iramuteq, developped by Pierre Ratinaud, assistant professor in Toulouse (South-Eastern France). Iramuteq is an interface to the statistical software R. Iramuteq allow to analyse raw texts, that are stored within a corpus that is very slightly encoded (FR). By the way, iramuteq is developped in several languages (including english) and can perform text analysis in French, English, German and more. So download it and try it!

Corpus description

The corpus was divided into 24613 texts and text units (between 13 and 14 words in each text units in average – in this case, as it is a corpus made of tweets, texts and text units are the same), with 33582 occurences and 19870 forms (the corpus is lemmatised). There are 2.39% of HAPAX (forms appearing only once) and they form around 40% of the occurrences.

The analyses

Similitude

Classification

The six classes

1 2 3 4 5 6
write conference amrev oupacademic military irishhistory
new call cw150 prof society onthisday
what journal civilwar associate smh_historians irelandhistory
post paper worldhistory pageant announcement birth
blog annual lizcovart bursary milhist shkenna
archive global allthingsliberty markfreeman1974 academic born
usih programme klinecj ahrc membership dublin
know online boston1775 glasgow airminded irish
great submit gettysburg fund official die
think case todayinhistory close militaryhistory invincibles
teach due morgan ahrcpress history 1916rising
love workshop edmund tudor facebook macneill
like program paul uniofnottingham hwar poet
research study revolution jan digest ireland
book proposal understand ra kansas patrick
need update revolutionary studentship jun death
find symposium earlyamhist cfp apr valera
good cfp lincoln skill 81st limerick
talk release revwar economichistory ddln found
look imperial act succession westpoint_usma leader
podcast georgian gwbooks lecturer check execution
life carnival myhnn grow mtg plunkett
work oct boston deptford mo mp
student frus egypt tmrw page eoin
acwri september liverpool kcl canberra brenmalone
social host confederate reveal date james
back pleasure apostlepaul oso phdchat parnell
will paris maier emmalautman keep hunger
survey historycarnival suffragette smoke sem casement
read follow revreborn historylabplus link cork
thought deadline pauline recordkeeping ann thomas
tip europe loyalist angelabartie list execute
robgreeneii nomination animate form opportunity belfast
past visit abraham submission crown kilmainham
source collection economics reconstruct resource series
library application landscape wcomehs sep rise
public reminder megankatenelson phd war league
question relevant myth imcl unsw stewart
hashtag report nation suit fellowship archbishop
term miss ferguson fresher prefer hang
ff oxford womenshistory age late rossa
website registration spirit britac_news net gaol
thing join civil empire job treaty
thesis the_oah gettysburg150 londoners jul wynns
man international address ryrie brian centenary
name shafrconference paint alec rape unite
19thc sexuality french durham_uni nov pearse
mean sept force project interest ruth
highered dance soldier university city roscommon

Dendogram of the six classes

Classification analysis: Dendogram of the six classes

Conclusions: academic communication and Public History

The #twitterstorians hashtag is firstly a communication channel, as the classification analysis is showing (classes 1 & 2: books, articles, blogs for class 1 and CFPs, conferences for class 2) and also the similitude one. But looking at the four other classes, you remark that there are some domains that are more dynamic: Irish history, Military history, US history. In the details, notably in the similitude graph, you observe that those tweets are first concerning Public History (see the « onthisday » linked to « irishhistory » for instance). The similitude graph shows also some hashtags that are worth a harvest: #envhist, for instance.

  1. I also collect #digitalhumanities, #digitalhistory and #dighist []