1. Le thésaurus pour l'indexation des
archives locales dans le Web
de données
Claire SIBILLE-DE GRIMOÜARD & Michel JACOBSON
Archives de France
Forum AAF « Les archives aujourd’hui et demain », Angers, 22 mars
2. PLAN
Le thésaurus pour l'indexation des archives locales
Historique
La ré vision (les limites du modè le, les besoins d'é volution)
Les é volutions
Les perspectives
3. Historique (1/2)
Thésaurus W. Vocabulaires normalisés pour la description
et l’indexation des archives administratives locales
contemporaines
1re é dition 1987, ré visions en 1989, 1997, 2000 (partielle), 2009,
2012
Depuis 2009, est devenu Thésaurus pour la description et
l'indexation des archives locales anciennes, modernes et
contemporaines (outil diachronique, gé né rique, peut s'appliquer à
toutes les ressources conservé es par les services d'archives)
Mises à jour : groupes de travail, appels à commentaires
4. Historique (2/2)
Utilisation obligatoire pour les services d’archives
territoriaux
Instructions DAF/SIAF 1994, 2009, 2011, 2012
Essais de structuration informatique
2002 : tests de conversion XML (par un prestataire)
2008 : transformation (quick&dirty) des tableaux Excel qui
servaient à la ré vision en fichiers RDF/XML conformes à SKOS
5. Structure (1/2)
Le thésaurus inclut un thésaurus-matières et 3 listes
d’autorité :
actions administratives (71 descripteurs et 44 non-descripteurs)
types de documents (238 descripteurs et 66 non-descripteurs)
contexte historique (131 descripteurs)
Les descripteurs des listes d’autorité ne sont pas des
termes d’indexation, mais ils peuvent être combinés avec
un (ou plusieurs) descripteur(s) du thésaurus-matières
6. Structure (2/2)
Les 1498 descripteurs et 1011 non-descripteurs du
thésaurus sont regroupés en 11 classes représentant les
termes de haut niveau autour desquels les concepts sont
organisés selon 4 niveaux hiérarchiques
Thésaurus monolingue, mono-hiérarchique
Relations hiérarchiques, d’équivalence, d’association
Notes de contenu
7. Le thé saurus jusqu'en 2008
Les limites
Absence de formalisme directement exploitable par une machine
Le formalisme utilisé (fichiers doc, pdf..) a pour seule vocation d'être lu par un
opérateur humain qui doit mettre en œuvre le thésaurus pour des tâches d'indexation.
La tâ
che d'indexation é tant assisté e par un logiciel, des ressaisies
du thé saurus sont né cessaires
Comment éviter des saisies directes avec risques de divergences ?
Comment réduire les coût des ressaisies ? Le mécanisme d'ingestion dans les outils
n'est pas forcément le même d'un outil à l'autre et les mises à jour sont elles aussi
délicates et coûteuses.
9. Les besoins
Faciliter la mise en œuvre du thésaurus pour les tâches
d'indexation.
Faciliter la mise en œuvre du thésaurus pour les tâches de
recherche.
Garantir la permanence des indexations alors même que
le thésaurus évolue.
Faciliter la gestion du thésaurus
É volutions (propositions, versions, mises à jour...)
Accè s / Requê / Publications
tes
10. Choix d'un formalisme
Exprimer toutes les notions déjà présentes (termes,
relations, annotations, etc.)
Apporter une aide à l'édition et la publication
Outils normatifs
Norme ISO 2788:1986 « Principes directeurs pour l'é tablissement
et le dé veloppement de thé saurus monolingues »
Pose les concepts de terme, relation sémantiques, etc. mais ne propose pas de
formalisme d'expression pour sa mise en œuvre.
En 2008 : en cours de révision
SKOS « Simple Knowledge Organization System »
Au début du travail fin 2008, SKOS n'était encore qu'à l'état de Working Draft au
W3C mais aboutit en 2009 à une recommandation.
11. SKOS (1/2)
Simple Knowledge Organization System
Pour dé crire des vocabulaires simples de type thé saurus,
classifications, listes, taxonomies.
SKOS permet de dé crire des organisations de concepts pour
former des vocabulaires. Cette description est faite avec le
langage RDF qui va permettre d'associer aux concepts des
proprié té s (dont le terme)
RDF définit un graphe à base de triplets (sujet → prédicat → objet)
➔ Le sujet représente la ressource à décrire ;
➔ Le prédicat représente un type de propriété de la ressource ;
➔ L'objet représente la valeur de la propriété.
12. SKOS (2/2)
Les ressources du thésaurus sont des concepts
identifiables par des URI que l'on souhaite durables et
traçables.
Les propriétés principales des concepts sont :
Les termes ou labels (prefLabel, altLabel)
Les relations entre concepts :
Relations hiérarchiques (spécifique vs. générique)
Relations d'association
Les annotations (définitions, notes)
Les relations d'alignement avec d'autres vocabulaires
(exactMatch, closeMatch)
13. Reprise des donné es
Les termes distincts font l'objet de définition de concepts :
Identifié s dans un premier temps par des URL ;
Puis dans un deuxiè me temps par des ARK.
Les termes préférentiels deviennent des prefLabel et les
termes non préférentiels des altLabel
Les domaines et rubriques donnent naissance à des
relations bijectives entre concepts (spécifique / générique)
Les associations sémantiques d'un terme à des termes
d'une autre branche deviennent des relations
d'association
Les définitions et autres notes deviennent des annotations
14. Poursuite de la ré vision
La poursuite de la révision s'est faite dans le format SKOS
Chargé dans l'application ThManager (mais ancienne version de
skos)
Chargé dans l'application Protege (mais peu conviviale et/ou peu
maî trisé e)
Manipulation directes dans un é diteur XML (oXygen, peu convivial
mais plus maî trisé )
Utilisation de scripts pour vé rifier la cohé rence du thé saurus
Transformations XSL pour produire les anciens é tats publié s
(classement thé matique, classement alphabé tique)
15. Un outil de publication (1/2)
Commande en 2010
D'un outil de publication du ré fé rentiel
Pour tirer le meilleur partie du modèle « web de données »
➔ Des URI de concepts déréférençables. Négociation de contenu pour délivrer
►
soit une page web présentant le concept (en HTML pour un client humain)
► soit une définition formelle du concept (en RDF/XML pour un client machine).
➔
➔
Les triplets sont stockés dans une base de données (tripleStore RDF Sesame)
Une interrogation de ces données est possible par des requêtes SPARQL
Plus un travail expé rimental d'alignement sur d'autres thé saurus
Alignement sur le Thésaurus Rameau (dans sa version skos)
Alignement sur DBPedia
16. Un outil de publication (2/2)
Mise en ligne de l'outil
Dans un premier temps sur le portail archivesdefrance
É largissement du domaine couvert par l'outil à la publication
d'autres vocabulaires (projet « Harmonisation de la production des
DOnné es Culturelles (HADOC) » du Ministè re de la culture et de
la communication)
L’harmonisation de la production des données culturelles s’appuie sur trois leviers :
➔ l’harmonisation des données (définition de modèles et partage des référentiels),
➔ le développement de l'usage des normes et des standards,
➔ l’harmonisation des processus de production
17. HADOC
Réflexion en cours sur la mise en œuvre d’un nouvel
environnement de gestion des vocabulaires scientifiques
et techniques
« L’objectif est de passer d'une approche où les vocabulaires
contrôlés des différents métiers restent avant tout au service
de la production de ressources documentaires dans un
domaine ou une application, à la création d'un Référentiel
terminologique unifié permettant d'offrir aux usagers un
accès unique et cohérent aux ressources terminologiques
produites par le Ministère et d'en démultiplier les usages »
(Katell Briatte)
HADOC répond à un des besoins qui est de se doter d'un
19. HADOC et l'outil de consultation
Évolutions de l’outil de consultation
Amé nagement en vue de l’inté gration d’autres vocabulaires
contrô lé s du MCC (services du patrimoine et de l’architecture)
Affichage d’informations spé cifiques sur la page de pré sentation
de chaque ré fé rentiel
Affichage des concepts (proprié té s SKOS, langues)
Affichage des alignements avec d’autres vocabulaires
Transformation des identifiants de concepts en identifiants
pé rennes de type ARK
Ajout d’une fonction de recherche simple
23. Expé rimentation sur les alignements
(1/3)
DBPedia est un référentiel qui bouge beaucoup, souvent
et qui est le produit de la réflexion d'une communauté
Pour la publication, quelques triplets concernant les concepts
aligné s avaient é té extraits pour alimenter notre propre triple-store
(les proprié té s : terme, description, pageWeb)
permet l'indépendance et enrichit la description.
Avec le temps on observe des dé calages entre les informations
extraites et celles pré sentes dans DBPedia ; on peut :
soit passer à des interrogations dynamiques
soit mettre à jour régulièrement.
24. Expé rimentation sur les alignements
(2/3)
des identifiants qui n'existent pas (ou n'existent plus)
des identifiants qui n'ont plus d'autre propriété qu'une
redirection vers un autre concept (wikiPageRedirects) dont
la mise en oeuvre est transparente pour l'utilisateur
humain.
des propriétés ambiguës ou peu fiables. Concepts à
plusieurs termes
"Avortement" et "Interruption volontaire de grossesse"
"Siè cle des lumiè res" "Aufklä rung"ou "Travail" et "Work". Dans le
rdf de dbpedia les valeurs "Aufklä rung " et "Work" sont indiqué es
comme exprimé es en franç ais.
"Cirque" et "La famille Morallè s"
25. Expé rimentation sur les alignements
(3/3)
Conclusions
L'alignement demande à ê ré examiné ré guliè rement.
tre
L'extraction d'informations est difficilement automatisable.
Demande une relecture par un expert mé tier.
26. Ré flexions sur la structure du thé saurus
Parution de la nouvelle norme ISO 25964-1:2011
Thésaurus et interopérabilité avec d'autres vocabulaires -Partie 1: Thésaurus pour la recherche documentaire
Monolingue et multilingue
Distinction concept / terme
Meilleures dé finitions des relations sé mantiques (en particulier les
relations hié rarchiques : gé né rique/spé cifiques, partitive,
instance)
Gestion du statut des descripteurs et des mises à jour, ce que ne
permet pas SKOS
27. Perspectives
Le Thésaurus pour l’indexation des archives locales relève
plutôt d’une logique classificatoire et le positionnement
des concepts dans la hiérarchie ne permet pas toujours
de désambiguïser les synonymes, d’où un alignement très
partiel avec les concepts représentés dans RAMEAU et
dbpedia.
L'application de la norme obligerait à revoir nos relations, alors que
l'usage qui est fait du thé saurus ne le né cessite pas.
28. Perspectives
Destiné au départ pour répondre à un besoin spécifique
(fournir aux services le thésaurus dans une forme
structurée réutilisable) ce travail d'explicitation des
relations sémantiques, d'exposition des données etc.
permet d'envisager d'autres réutilisations du Thésaurus
par d'autres communautés
L'usage initial est un thésaurus pour l'indexation
On est dans une autre logique de structuration qui est
celle des ontologies (concepts représentés par des
termes préférentiels et non préférentiels)
Cette évolution va peut être susciter d'autres usages hors