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.
Ping : Le site web d’un centre d’archives est une salle de lecture | L’histoire contemporaine à l’ère numérique – infoveilleblog