Archives de catégorie : Linked Data

Des sources aux ressources, les Garzoni sur le Web sémantique

La série documentaire des Accordi dei Garzoni comporte 32 registres où sont consignés plus de 55,000 contrats d’apprentissage, de la fin du XVIème à la fin du XVIIIème siècles à Venise (cf. post sur registres et contrats). Offrant de multiples indications sur qui embauchait qui, pour apprendre quel métier et sous quelles conditions, ces registres constituent une précieuse source d’information quant à  l’écosystème de l’apprentissage venitien.

Comment exploiter cette source historique? Comment collecter la masse d’information et la rendre accessible à tous?

La partie computationelle du projet Garzoni est dédiée au développement d’un système d’information géo-historique afin de collecter, traiter et exploiter l’information contenue dans les Accordi dei Garzoni. Ce développement se fait sur un mode incrémental, avec la “construction” progressive de l’information, suivant les principales étapes suivantes:

  1. Acquisition des documents: numérisation
  2. Acquisition des données: modélisation et annotation des documents
  3. Traitement des données: normalisation, désambiguïsation et inférence
  4. Exploitation des données: recherche et visualisation

Si l’étape (1) peut paraître relativement triviale, il convient de ne pas sous estimer son importance: la qualité des images acquises affecte leur facilité de traitement, tant par des humains que par des machines.

L’étape (2) correspond à l’extraction de l’information contenue dans les documents. Il s’agit d’annoter les contrats d’apprentissage en fonction d’un modèle et de stocker de manière appropriée l’information recueillie.

Le préambule indispensable de cette étape  correspond à la modélisation du domaine, soit l’identification des concepts, des entités et de leurs relations. En bref: quels sont les éléments qui nous intéressent dans les contrats d’apprentissage? Ces derniers sont définis en fonction des documents (l’apprentissage tel que vu au travers des contrats) et des objectifs d’étude du projet (économie, famille, flux migratoires, etc.). Ils sont  structurés en une ontologie exprimée selon le language de représentation de connaissances OWL (Web Ontology Language) du W3C. Cette formalisation permettra par la suite des inférences automatiques.

Une fois équipés d’un modèle, il est possible de procéder à la transcription et annotation des documents. Pour ce faire, nous développons une interface web, appelée DHCanvas, qui permet de visualiser et annoter des images de documents: l’utilisateur peut sélectionner un segment d’image, le transcrire, lui attribuer différentes étiquettes sémantiques et spécifier des attributs. Les principaux atouts de cette interface sont la conservation du lien entre l’annotation (déjà une interprétation) et la source (le segment d’image), la gestion d’annotations concurentes et sa totale compatibilité avec les standards de représentation de resources digitales et d’annotations (IIIF, Shared Canvas Model et Open Annotation Model). Plus de détails sur DHCanvas dans un prochain billet.

Le format de représentation et le mode de publication suivent les standards du web sémantique: chaque entité, concept, propriété ou relation est une ressource RDF (Resource Description Framework, un format  pour la représentation et l’échange de données) et est publiée selon les principes de Linked Data.

Au terme de cette phase d’annotation, nous obtenons un ensemble de ressources, constitué de segments d’images et d’instances du modèle.

Ces données sont cependant encore difficilement exploitables, car présentant de nombreuses variations:

  • variation linguistique, avec les problèmes classiques de synonymie (plusieurs formes linguistiques – un concept ou entité) et d’homonymie (une forme – plusieurs concepts ou entités). Il importe donc de normaliser, c’est-à-dire identifier les variantes d’un même concept ou d’une même entité (principalement pour les professions,  lieux et personnes).
  • variation de saisie hiérarchique, avec des entités relevant de différents niveaux de généricité/spécificité. C’est le cas des noms de lieux, qui peuvent correspondre à des village, villes, régions ou pays.

Il importe donc, en étape (3), de traiter les données pour en faciliter l’exploitation. Cela comporte:

  • normalisation et désambiguïsation,
  • inférence, et
  • étabissement de liens vers d’autres datasets.

Enfin, l’étape (4) correspond au développement d’une interface pour l’exploration des données, laquelle permettra de rechercher une entité précise, de visualiser le network des personnes, et d’avoir une vue statistique d’ensemble des différentes facettes du dataset. Plus d’information sur le prototype prochainement.

Auteur: M.Ehrmann