This article presents the first works carried out in the TERRE-ISTEX project whose objectives are, firstly, to identify research fronts in relation to the territories and, on the other hand, to offer a multidimensional information research tool. MOTS-CLÉS : Information géographique, documents hétérogènes et multi-langues
2
1er Atelier Valorisation et analyse des données de la recherche (VADOR), 2017
La disponibilité accrue des ressources numériques scientifiques, à travers notamment les plateformes de revues (Revues.org), des répertoires d’archives ouvertes (HAL), des entrepôts de thèses électroniques (Theses.fr), des services de fédération de contenus (Isidore), des répertoires de données de la recherche (Nakala) et des bibliothèques numériques (ISTEX) offre de nouvelles et de nombreuses opportunités d’usage. Les historiens et les sociologues des sciences peuvent ainsi analyser la genèse des disciplines, les conditions et les facteurs d’émergence des concepts par les communautés scientifiques, leurs modalités de circulation et d’appropriation par d’autres communautés. Il est également possible d’identifier l’évolution des fronts de recherche, les croisements disciplinaires ainsi que les modalités concrètes de recherche dans la mesure où ce gigantesque corpus scientifique rend compte des terrains, des méthodes et des cadres théoriques mobilisés.
L’objectif de ce papier est de présenter le projet de recherche TERRE-ISTEX 1 qui
s’inscrit dans cette dernière perspective. Ce projet fait partie des travaux initiés par
le projet ISTEX 2 dont l’objectif est de créer des services de recherche
d’information innovants pour accéder à un ensemble de ressources numériques selon différents
critères. Mais, au-delà de la seule analyse des fronts de recherche et de l’évolution
des tendances dans une optique infométrique, l’objectif de TERRE-ISTEX est
d’identifier les territoires au sens géographique du terme. Par "territoire", nous entendons
un ensemble d’informations géographiques associant des informations spatiales,
temporelles et thématiques sur lesquelles ont porté des études. Bien que de nombreux
travaux en scientométrie présentent des méthodes pour analyser des communautés à
partir de publications scientifiques (que ce soit en revues ou en conférences)
Ce projet comporte 3 aspects :
Le projet TERRE-ISTEX 3 – le marquage et l’indexation précise des informations spatiales, temporelles et des thématiques traitées dans les documents du corpus ;
– l’articulation de ces 3 axes (spatial, temporel et thématique) pour l’exploration des publications et l’analyse des fronts de recherche ; – la conception et le développement d’un moteur de recherche multidimensionel.
Ce papier s’intéresse plus particulièrement au premier aspect du projet. La section 2 présente la démarche générale utilisée dans le projet. Le corpus est décrit en section 3. La section 4 aborde la mise en oeuvre de la démarche, et la section 5 décrit le modèle de données TERRE-ISTEX. La section 6 conclut cette présentation.
La démarche mise en oeuvre est décrite figure 1. Elle est générique car
indépendante de tout corpus de publication. Nous l’avons d’ailleurs déjà utilisé dans le cadre
d’une étude sur les publications EGC
La première étape consiste à extraire, en utilisant une approche TAL, les informations spatiales, temporelles et thématiques contenus dans les documents du corpus et dans leurs méta-données. Ces informations sont ensuites validées en nous appuyant respectivement sur des outils de géocodage, de fouille de textes et sur une base calendaire. Une deuxième étape concerne l’indexation des méta-données et des informations extraites dans un moteur de recherche afin de les exploiter, lors d’une troisième étape, dans des stratégies d’analyse et de recherche d’information combinant des critères spatiaux, temporels et thématiques. Il est à noter que les résumés et les contenus des documents sont eux aussi indexés afin de permettre la recherche "plein-texte". 4
1er Atelier Valorisation et analyse des données de la recherche (VADOR), 2017
Le corpus regroupe des publications ayant trait à la thématique "changement climatique sur les territoires du Sénégal et de Madagascar" et provenant des plateformes ISTEX 3 et Agritrop 4 (archive ouverte du CIRAD 5), ainsi que des thèses de l’ANRT 6 et de theses.fr 7. Nous avons choisi ce cas d’étude car nous disposions d’un grand nombre de documents sur le sujet, et que les analyses qui en découleraient ont un intérêt pour des membres du projet. Les documents provenant de la plateforme ISTEX (environ 170000 documents) ont été obtenus en faisant des requêtes avec les mots-clés suivant : "climate change", "changement climatique", "Senegal", "Sénégal", "Madagascar". Les documents provenant d’Agritrop ciblent des études traitant de Madagascar et du fleuve Sénégal. Enfin, les 400 thèses provenant de l’ANRT traitent du changement climatique. Chaque document possède, en plus de son contenu, des métadonnées et un résumé. Selon la provenance du document, les méta-données sont soit au format MODS 8 (ISTEX), soit un format XML inspiré du Dublin Core (CIRAD), soit en RDF (thèses ANRT). Le corpus est multi-langue : certains documents sont en français et d’autres en anglais, mais on peut également trouver des documents utilisant les deux langues (par exemple, ils comportent un résumé en français et un résumé en anglais). Nous sommes donc face à un ensemble de documents multi-langues et hétérogènes.
Dans un premier temps, nous avons choisi d’appliquer notre approche sur les métadonnées et les résumés de chaque document. Dans un second temps, nous l’appliquerons en plus sur leur contenu. Comme nous venons de le voir, le corpus est multilangue (documents en français et en anglais) et hétérogènes (différents formats pour les méta-données). La figure 2 décrit la chaine de traitement mise en oeuvre dans le projet TERRE-ISTEX.
Pour pallier l’hétérogénéité de format des méta-données, nous avons défini un
modèle de données TERRE-ISTEX basé sur le format MODS (voir section 5). Des règles
de transformation entre modèles ont donc été écrites. Une fois toutes les méta-données
au format MODS, une annotation des entités spatiales, temporelles et thématiques
contenues dans les résumés est réalisée. Les méthodes d’annotation pour les entités
spatiales et thématiques sont basées sur celles de l’outil web SISO
Métadonnées Gazetier Analyse
Recherche d information
Métadonnées + résumé
Métadonnées + résumé
Métadonnées + résumé Règles de
Mapping transformation
Transformation de modèles1
Transformation de modèles2
Règles de trManaspfpoirnmgation
Résumé Gazetier
Annotation Spatiale
X1 ED ISTEX : format pivot MODS N
I
Résumé Annotation temporelle
Résumé
Annotation thématique X2 D TERRE-ISTEX : format MODS E
IN étendu
Métadonnées + résumé
Règles de transformation
Transformation de modèles3
X3 E DN TERRE-ISTEX : format JSON
I
par exemple "la ville de Paris") et les ES relatives (ESR) (définies à l’aide d’au moins
une ESA et d’indicateurs spatiaux d’ordre topologique, par exemple, "près de Paris").
Une fois les ES identifiées, la chaine de traitement calcule l’empreinte spatiale
correspondant à chacune d’entre elles (en utilisant la ressource Geonames). Les entités
thématiques à annoter étant liées, dans notre cas, au domaine du changement
climatique, nous utilisons la ressource Agrovoc
Le modèle de données TERRE-ISTEX étend le format MODS afin de lui permettre de décrire les informations spatiales, temporelles et thématiques extraites des documents et de leurs méta-données. Le choix de MODS a été guidé par le fait que MODS est le format utilisé sur la plateforme ISTEX, qu’il est approprié à la description de tous les types de documents et de tous les supports (numériques ou non), qu’il est plus riche que le Dublin Core et plus proches des modèles de structuration des informations bibliographiques utilisées par les bibliothèques.
Ainsi, nous avons rajouté trois balises à un document MODS : – <spatialAnnotations>, – <temporalAnnotations>, – <thematicAnnotations>.
La balise <spatialAnnotations> contient un ensemble d’entités spatiales (balise <es>), avec pour chacune d’elle, le texte annoté (balise <text>) ainsi que son empreinte spatiale obtenue en interrogeant la ressource Geonames. La DTD correspondante est donnée figure 3.
La balise <temporalAnnotations> contient un ensemble d’entités temporelles décrites par les balises <timex3> provenant d’Heildeltime complété par le texte annoté (balise <text>). La DTD correspondante est donnée figure 4.
Enfin, la balise <thematicAnnotations> contient l’ensemble des thèmes abordés dans le résumé (balise <topic>), avec pour chacun d’eux des informations provenant de la ressource Agrovoc complété le texte annoté (balise <text>). La DTD correspondante est donnée figure 5.
Dans cet article, nous avons présenté la chaine de traitement mise en oeuvre dans le projet TERRE-ISTEX pour marquer et indexer les informations spatiales, tempo
Actes du 1er atelier Valorisation et Analyse des Données de la Recherche (VADOR)
Le projet TERRE-ISTEX 7
1er Atelier Valorisation et analyse des données de la recherche (VADOR), 2017
relles et thématiques contenues dans un corpus de documents hétérogènes et
multilangues. Nous avons choisi comme format pivot MODS, et nous l’avons étendu en
ajoutant des descripteurs permettant de décrire les informations annotées.
Actuellement, cette chaine est appliquée uniquement sur les méta-données et les résumés des
documents. La phase d’annotation est terminée (une première évaluation peut-être
trouvée dans