"Pélican en vol", Étienne-Jules Marey. Domaine public. Via Wikimedia Commons - http://commons.wikimedia.org/wiki/File:Marey_-_birds.jpg#mediaviewer/File:Marey_-_birds.jpg

Les temporalités de la donnée et l’historien.ne

Il y a quelques temps déjà, j’avais évoqué l’importance de l’apport des sciences historiques sur ce qui fait le cœur de cette discipline: le temps et ses différentes dimensions. L’article évoquait également le décalage qui pouvait exister entre certains chercheurs/chercheuses en informatique et les historiens et historiennes. La collecte de près d’un million de tweets liés aux commémorations du Centenaire de la Première Guerre mondiale me fait pousser la réflexion un peu plus loin.

Temporalités et traces du passé dans le corpus #ww1

Ce corpus est marqué par un enchevêtrement des temporalités: celle de Twitter (le flux, l’instantanéité), celle de la publication de chaque tweet, celle des commémorations, celle des événements commémorés (qui n’est pas toujours dans le même décalage – 100 ans – par rapport aux commémorations: le 11 Novembre fait partie des commémorations du Centenaire alors que l'”anniversaire” des cent ans de l’armistice sera en 2018), celle de l’utilisateur, qui s’intéresse à tel ou tel événement plus particulièrement, pour des raisons personnelles ou institutionnelles.

Si je compare ces temporalités aux dates qui sont stockées comme telles dans la base de données (les méta-données d’horodatage), je ne retrouve pas toutes ces temporalités. En voici la structure:

Structure de la base de données de collecte de tweets sur le Centenaire de la Première Guerre mondiale

Structure de la base de données de collecte de tweets sur le Centenaire de la Première Guerre mondiale. Repris de 140dev.com

La table “json_cache” est une table où sont stockés temporairement les tweets tels qu’envoyés par twitter. Ces tweets sont “parsés” puis les informations stockées dans cinq autre tables. json_cache ne contient qu’un seule date: cache_date, information temporaire liée à la réception du tweet et non au tweet lui-même.

La table la plus importante est “tweet”. Elle contient le champs “created_at”, qui est la date de publication du tweet. La table “users” contient plus d’information d’horodatage: “created_at” (date de création du compte twitter) et “last_update” (le dernier tweet envoyé au moment de la collecte). Les autres tables ne contiennent pas d’informations temporelles.

Ainsi, si dans le contenu des tweets, je pourrais analyser différentes temporalités, dans les métadonnées elles-mêmes, j’ai des informations liées uniquement au temps du tweet et quelques embryons d’informations lié au temps de l’utilisateur. Ces quelques traces du temps sont en outre normalisées: c’est un temps standard exprimé sous une forme type YYYY-MM-DD hh:mm:ss, c’est-à-dire 2015-01-05 09:40:50 par exemple. En clair, cette forme proche de la norme ISO correspond à une notion du temps ouverte, infinie, linéaire. Il y a ainsi un gouffre entre les temporalités présentes dans les tweets et les dates inscrites dans les métadonnées.

On peut compenser cette faiblesse de l’information temporelle en utilisant des logiciels comme le Stanford CoreNLP (NLP pour Natural Language Processing), qui va permettre de reconnaître, dans le texte, des suites de mots correspondant à des noms de personnes, de lieux, à des traces de temps, etc. Toutefois, le problème de ce type d’outils est leur taux de reconnaissance. Comme le rappelle Tim Hitchcock pour le cas de la reconnaissance optique de caractères (mais le raisonnement vaut aussi pour des suites d’outils comme le CoreNLP), même un taux de reconnaissance très élevé peut entraîner une distorsion des résultats de la recherche1.

Une solution peut se trouver dans l’encodage du corpus. C’est ce que permet, entre autres choses, la Text Encoding Initiative, langage d’encodage des données fondé sur le XML (en tout cas dans sa version actuelle, la P5) et spécialisé dans les sciences humaines (et de manière générale dans les sciences utilisant le texte). Mais à partir d’une certaine taille du volume de données traitées, il faudra recourir à une certaine automatisation de l’encodage, ce qui nous renvoie donc aux limites évoquées dans le paragraphe précédent.

L’historien.ne à l’ère des volumes massifs de données

Où veux-je en venir? Cette expérience de capture de tweets, associée à des lectures récentes2, me fait de plus en plus penser que le rôle fondamental de l’historien.ne dans les Humanités numériques (et de manière générale à l’ère numérique) est aussi (et cela n’est que l’un des aspects de son travail) de s’intéresser à la manière dont les temporalités sont mises en données.

Malgré tous les défauts de l’History Manifesto de Guldi et Armitage, l’un des points qu’ils abordent et qui me semble juste est le fait que les universités devraient se donner les moyens d’évaluer et critiquer les grands ensembles de données. Ce point du livre est intéressant dans la mesure où tous3 les ouvrages parlant de big data et qui ne se départissent pas de sa dimension “mythique” estiment que ces grands volumes de données perdent de la valeur avec le temps – une aberration, me semble-t-il4). Là où l’on ne sera pas en accord avec eux, c’est qu’il me semble que sur ce point, la contributions des autres SHS existera également, ainsi que celle des archivistes. La nécessaire critique de la constitution des corpus de données est aussi un élément important et fondamental du livre de Kitchin5.

Je me place ici particulièrement dans une perspective d’histoire contemporaine, notamment pour ceux d’entre nous qui avancent dans leurs recherches au fur et à mesure de l’ouverture des archives (les fameux trente ans) et qui, dans quelques années, auront probablement affaire à des ensembles de données très importants. Ils devront acquérir un savoir-faire – seul ou comme membre ou coordinateur d’une équipe – de critique, d’évaluation de grands corpus. Historiens et historiennes ont cette capacité d’évaluation critique des sources, c’est le cœur de leur métier. L’adaptation de ce savoir-faire à l’ère numérique n’est qu’une question… de temps.

  1. Hitchcock, Tim, ‘Academic History Writing and Its Disconnects’, Journal of Digital Humanities, Winter 2011 <http://journalofdigitalhumanities.org/1-1/academic-history-writing-and-its-disconnects-by-tim-hitchcock/> [accessed 27 June 2012] []
  2. Rosa, Hartmut, and Didier. Renault, Accélération une critique sociale du temps (Paris: La Découverte, 2010) notamment, mais aussi Guldi, Jo, and David Armitage, The History Manifesto (Cambridge, United Kingdom: Cambridge University Press, 2014) dont j’ai écrit une critique sur Lectures: Clavert, Frédéric, ‘Jo Guldi, David Armitage, The History Manifesto’, Lectures, 2014 <http://lectures.revues.org/16592> [accessed 5 January 2015];Kitchin, Rob, The Data Revolution: Big Data, Open Data, Data Infrastructures and Their Consequences, 1 edition (Thousand Oaks, CA: SAGE Publications Ltd, 2014) et mon compte-rendu pour Lectures: Clavert, Frédéric, ‘Rob Kitchin, The Data Revolution: Big Data, Open Data, Data Infrastructures and Their Consequences’, Lectures, 2014 <http://lectures.revues.org/16521> [accessed 5 January 2015] []
  3. Du moins ceux que j’ai lus. []
  4. Par exemple: Mayer-Schönberger, Viktor, and Kenneth Cukier, Big Data: A Revolution That Will Transform How We Live, Work, and Think (Boston: Houghton Mifflin Harcourt, 2013 []
  5. Kitchin, Rob, op. cit. []

Une réflexion sur « Les temporalités de la donnée et l’historien.ne »

  1. Ping : Les temporalités de la donnée et l’historien.ne | L’histoire contemporaine à l’ère numérique | Noticias del Mundo Contemporáneo

Laisser un commentaire

Votre adresse e-mail ne sera pas publiée. Les champs obligatoires sont indiqués avec *

Ce site utilise Akismet pour réduire les indésirables. En savoir plus sur comment les données de vos commentaires sont utilisées.