JABES 2015 - Vers un nouveau Sudoc / Stéphane Rey, François Mistral …

No notes for slide

Bonjour à tous et merci d’assister à cette présentation.

Stéphane et moi-même interviendrons successivement au cours de cette présentation intitulée « Vers un nouveau Sudoc », titre un tantinet ambitieux ;-)), pour laquelle nous proposons plus modestement un voyage à dos de métadonnées au pays du signalement.

L’angle choisi n’est donc pas celui des systèmes d’informations mais bien celui des données. Et comme l’indique le sous-titre « Les données au cœur des projets de valorisation », nous retiendrons ici les projets qui ont pour finalité commune de « valoriser » les données de nos catalogues, c’est-à-dire qui mettent en œuvre un ensemble de procédés par lesquels sont transformées des données brutes ou appauvries en données de qualité et d'utilité supérieures.

En dépit des différences de procédés ou de méthodologie, des projets aussi différents que IdRef, Bacon, Hub, CERCLES, ont bien un point commun réel et précieux : disposer des meilleures données possibles, des données valorisées pour optimiser leurs exploitations.

Ce faisant, nous espérons dessiner un paysage-cible composés de données, d’applications, de services, qui vous donnera envie de réagir en connaissance de cause sur cette orientation à tracer qui nous emmène « vers une nouveau Sudoc ».

Nous le verrons dans cette présentation, un nouveau Sudoc c’est :

Stéphane va maintenant nous présenter la valorisation des données des périodiques et des livres électroniques.

Puis je reviendrai pour la partie sur la valorisation des données bibliographiques et d’autorités.

En introduction, nous vous avons dit que « La valorisation consiste à améliorer un matériau dégradé ».

Ceci est particulièrement vrai dans le cadre des données fournies directement par les éditeurs.
Que ce soit des données décrivant les offres commerciales des éditeurs, les masterlist, les packages , fournies dans un format KBART ou « pseudo » KBART,
c’est à dire les Métadonnées de référence sur les Périodiques et livres électroniques.

Ou bien les métadonnées bibliographiques, souvent fournies au format MARC.

Tout cela pour un meilleur signalement.

Il est bien évident que l’ABES ne peut pas améliorer toutes les données du Sudoc. Mais nous pouvons viser l’excellence sur certains type de données.

C’est ce que cherche à faire BACON en visant, non pas l’exhaustivité, mais une qualité élevée des données pour les bouquets de titres francophones et les bouquets francophones commercialisés pour le marché académique français.

BACON est donc un intermédiaire entre les éditeurs et les établissements.

BACON :
1/ favorise la production des fichiers KBART
2/ les collecte
3/ les évalue, voire les labellise
4/ les expose, les rend disponibles auprès de qui veut.

Concrètement, de quel constat est parti le projet BACON ?

Les bases de connaissances disposent de données qui ne sont pas toujours fiables et qui ne correspondent pas aux packages fournis par les éditeurs pour le marché français.

Un exemple précis, avec PERSEE.

Comme nous le voyons sur cette diapositive, SFX propose 185 titres

SerialSolution propose 281 titres

Et enfin, comme on le voit ici sur une capture d’écran de l’outil OpenRefine, BACON trouve 250 titres

Concernant les données reçues de PERSEE, elles n’étaient pas parfaites.
Comme il se doit, BACON les a analysé et a proposé un certains nombre de corrections à l’éditeur.

Prenons un exemple concret : la revue de l’OFCE éditée entre 1982 et 2000 dont nous voyons ici les données au format KBART.

BACON a analysé les données grâce à différents processus, certains manuels grâce à l’outil OpenRefine, d’autres plus automatisés, qui réalisent des vérifications « bibliographiques » à l’aide de traitements réalisés dans le cadre du Hub de métadonnées :
On peut citer
l’identification des titres éditeurs,
la vérification du registre ISSN
les liens titre / auteur
l’utilisation du webservice Metarevue : 1 « titre » éditeur peut correspondre à X titres dans le SUDOC (c’est-à-dire plusieurs PPN)
la correspondance des périodes couvertes (états de collections), années, volumes, numéros…

Grâce à ces vérifications, BACON a pu indiquer précisément les corrections à apporter aux données, ce qui pour cette notice correspond à ceci

Le titre initial a été découpé en 2 titres distincts, correspondant à des titres de publication différents, à une couverture différente, à des identifiants (ISSN) différents.
Un fois les données corrigées chez l’éditeur, comme cela a été le cas pour PERSEE, ces données pourront être labellisées dans BACON.

Mais le travail n’est pas encore terminé :
Pour que le travail réalisé dans BACON soit utile au réseau, il convient que les bases de connaissances que vous utilisez dans vos établissement se mettent à jour avec cette information de qualité.

Ce qui n’est pas encore toujours le cas…

A ce jour, les données que l’on trouve dans SFX ne sont pas encore à jour pour la package PERSEE, on trouve toujours un titre au lieu de 2

Même constat pour SérialSolution.

L’équipe BACON espère que l’entrée en production officielle de BACON dans les prochaines semaines et la communication autour de la labellisation des données va clore ce cercle vertueux et que les données de BACON vont redescendre dans les bases de connaissances et donc dans vos établissements.

La suite

S’étendre au corpus et aux données ISTEX
L’équipe du hub produit des fichiers conformes à la recommandation KBART qui permettent de décrire le contenu des bouquets de ressources électroniques acquis en licence nationale.
On y précise la liste des ressources contenues dans le bouquet (identifiants, titres), les dates de couverture et les URLs d’accès.
D’ici quelques mois, ces fichiers KBART seront centralisés dans Bacon

S’adosser à des bases externes supplémentaires pour une meilleure analyse et correction des données.
Parmi ces bases, on peut citer WorldCat, en utilisant les webservices disponibles sur cette base.

Se connecter à la base Sudoc (ceci dans le cadre du Sudoc 2) :
Pour identifier facilement à quel package une ressource du Sudoc appartient. 1 bouquet KBART comporte N titres qui correspondent à K notices du Sudoc.
Pour établir « le plus automatiquement possible » la cartographie de la documentation électronique
Améliorer les liens entre documentation papier et électronique. Aujourd’hui cela existe dans le Sudoc par le biais de liens réciproques. C’est d’ailleurs exploité dans l’interface publique du Sudoc

Le hub est un ensemble de méthodes et d’outils internes pour récupérer et partager des données fiables

But :
Contribuer à un espace public de métadonnées ouvertes, à l’échelle du web
Que chacun intègre ces données ouvertes dans ses propres outils (dont le Sudoc)

Aujourd’hui :
Pas d’outil « hub » proposé à l’extérieur
Collaboration avec le réseau Sudoc

Voici rapidement comment fonctionne le Hub de métadonnées :
Il ingères des métadonnées issues des éditeurs, aujourd’hui ISTEX et licences nationales

Il les transforme dans un modèle de données ABES en RDF, en utilisant des vocabulaires standards.
Depuis 1 an, le travail de modélisation pour les données de périodiques a permis de définir un modèle cible parfaitement opérationnel pour les données de périodiques. Ce type de modèle sont la préfiguration d’un futur Sudoc.
Nous verrons les principes de cette modélisation dans la diapositive suivante.
Vous pourrez noter que cette modélisation descend au niveau de l’article.

Il les enrichis grâce à diverses sources externes, aujourd’hui le Sudoc et surtout IdRef pour identifier les auteurs ISTEX et établir les liens entre les métadonnées des éditeurs et notre référentiel d’autorité.
Quels enrichissements ?
Ajout ou suggestion de liens IdRef (SudocAD)
Ajouts de sujets (Rameau), d’indices Dewey, par croisement ou alignements avec des sources externes
Reconnaissance de langage (résumés)
Préfiguration du Sudoc 2
Traiter de la documentation à tous les niveaux. Le hub de métadonnées permet de réintégrer dans les métadonnées décrivant les articles les ISSN correspondants. Aujourd’hui, cette information ne sort pas du Hub.
La détection des ISSN correct correspondant au titre est lui de la responsabilité du réseau. C’est là que l’expérimentation CERCLES entre en jeu.

Mais le hub de métadonnées a également besoin du réseau.
Par exemple, la création d’une zone 309 pour coordonner le travail collectif sur la qualité des données Sudoc
Certains traitements automatiques du Hub ont permis d’enrichir les données, notamment en ajoutant des liens aux autorités auteur. Quand le programme n’a pas su identifier la bonne autorité, une zone 309 a été injectée dans la notice bibliographique concernée, pour inciter les catalogueurs à poursuivre le travail et les guider.

Le Hub redistribue ensuite les données nettoyées et enrichies vers :
- Bacon (au format KBART) pour les données ISTEX
- le Sudoc puis bien entendu vers vos SIGB
- L’INIST pour la plateforme ISTEX
- et bien d’autres encore

Les établissements donnent les leurs et leur périmètre d’action : corpus ou partie de corpus, types de liens, calendrier prévisionnel (particuliers pour les périodiques avec demandes de numérotation issn)

4XX : traités en un peu plus d’un mois 408 liens créés 20 liens / heure = 20,5 h (3 jours ETP)
6XX et 7XX plus chronophages…
Insertion de zones 301 en accord avec le CR 26

pouvoir rapatrier des données enrichies en toute connaissance de causes dans son système local (avec ou sans KB)
aider à la construction des outils de demain (Hub, Bacon, Qualinca) qui à leur tour faciliteront le travail de contrôle qualité et d’amélioration des données en amont mais qui ne pourront pas totalement remplacer l’œil humain

Continuer à tisser une toile cohérente aux motifs structurés répondant aux besoins de la doc électronique dont la volumétrie nous oblige à adapter nos pratiques/méthodes, faire évoluer nos outils
Passer moins de temps à la création de notice mais plus à l’amélioration des données : corrections et enrichissements.

Passons maintenant aux données bibliographiques et aux données d’autorité.

Vous vous souvenez qu’à l’origine du Sudoc, il y a la décision de faire un catalogue sous autorités.

De plus, à l’origine d’une notice d’autorité, il y a une notice biblio donc une ressource documentaire en train d’être décrite.

Les notices biblio sont le substrat vivant des notices d’autorités.

Alors commençons par le commencement : il était une fois un document catalogué !

Ceci est la notice d’une thèse soutenue en 2013, c’est une visualisation avec le Sudoc pro.

Cette notice a été créée intégralement par un catalogueur dans l’outil de production de métadonnées STAR.

Ce n’est pas n’importe quelle thèse vous l’aurez noté, c’est une belle thèse !

Cette notice se caractérise par son équilibre, son ordre, sa sérénité (qui émanent d’elle dans une pure esthétique apollinienne.)

Caractères rares et touches de bleu dans un agencement typographique à dominante noire sur fond jaune pâle : prenons quelques instants pour contempler ce bel ouvrage de catalogueur.

(Une thèse est évidemment un fort bon exemple car on sait que nous devons apporter un soin jaloux à leur signalement. Les thèses, dont la production et la visibilité sont très importantes, ouvrent aux autorités les portes de l’Enseignement Supérieur et de la Recherche, acteurs, collectivités et sujets.
Il me semble que l’on pourrait en dire autant (sinon plus) d’un fichier EAD décrivant un manuscrit.)

Un bel ouvrage de catalogueur, c’est une considérable

Où l’on va retrouver par zone ou par bloc.

Notez tout de même qu’un autre formalisme est possible : le RDF, va exprimer ce qui est ici codé par des chiffres avec les relations qualifiées selon un schéma élémentaire sujet-verbe-complément.

La production est une action de transformation.

C’est ce travail qui permet d’obtenir une élégante page de thèses.fr, complète, liée, « parfaite » !

Un bel ouvrage de catalogueur c’est aussi déjà un bel ouvrage de catalinkeur.

Les pratiques évoluent, ont évoluées, le formalisme unimarc s’adapte, s’est adapté : les technologies du web de données ont été intégrées par les catalogueurs et sont déjà visibles.

L’identifiant pérenne de la notice « htpp://www.thèses.fr/2013LYO20067 » est inscrit dans la zone dédiée 033 de la notice.

Et celui-ci devient une adresse pérenne sur le web : il est construit avec l’intitulé de la base (thèses.fr) et le NNT de la thèse.

Un bel ouvrage de catalinkeur, c’est aussi une richesse de mots-clés d’indexation de la ressource avec du vocabulaire contrôlé Rameau (il pourrait aussi y avoir du FMeSH)

En bleu, les identifiants (des PPN) du référentiel Nom commun d’IdRef.

Et en 610 une sélection de termes « libres » concertés avec le doctorant. Le catalogueur maîtrise donc aussi le langage naturel, qu’il manie aisément avec les personnes qui viennent le voir.

Ces mots-clés, même libres, sont normalisés et, par un jeu de clic, nous mènent aux autres références indexées respectivement avec ces termes.

Enfin, un bel ouvrage de catalinkeur, ce sont ces autres zones, les 7XX où l’on indique les vedettes de responsabilités intellectuelles.

Ces sont les zones de liens aux autorités Personne & Collectivité, acteurs très importants pour nous car appartenant à la sphère ESR !

On remarque que les noms & prénoms sont précédés d’un identifiant, PPN encore, puis suivis d’un code de fonction.
Ex : 956 = président du jury

Ces informations sont rassemblées dans 3 blocs de thèses.fr livrant une information complète sur les intervenants et leurs rôles respectifs.

Ces éléments vont permettre de naviguer par ricochets et par rebonds.

Voici que notre attention est attirée par le président du jury.

Un clic sur le lien amène à la page de cette personne dans thèses.fr qui rassemble les thèses auxquelles elle est associée et cela en précisant les rôles qu’elle a joués dans leur encadrement : directeur, président, membre du jury.

On trouve aussi les mots-clés qui composent son champ de spécialisation scientifique : Didactique, Sémantique, Français, etc.

Au passage, notons que la page de cette personne dans thèses.fr est construite avec l’identifiant de sa notice d’autorité 026743434.

Cette autorité là voici : son adresse pérenne est là encore construite avec l’intitulé de la base, le référentiel IdRef, et avec l’identifiant de la personne, identifiant, qui identifie de façon unique et pérenne !

Cet identifiant est donc le vecteur d’interopérabilité entre 2 silos de données : thèses.fr et IdRef.

Mais d’IdRef, on peut en un clic se rendre sur l’interface de recherche du Sudoc où sont rassemblées les 98 publications de Danielle Leeman référencées dans ce catalogue.

Cet identifiant est donc le vecteur d’interopérabilité entre 3 silos de données.

Et de 4, avec Persée !

Cette interopérabilité est en pleine croissance : ailleurs sur le web dans une base bibliographique exogène à l’ABES et ses réseaux, voici qu’on retrouve notre identifiant et que l’autorité joue un rôle de pivot.

Ceci est le résultat du travail commun et en cours avec Persée. Initié depuis quelques mois, ce sont pas moins de 10 000 identifiants IdRef que Persée possède dans son système. A terme, ce sont 80 000 auteurs alignés que nous visons.

Alors, toutes les passerelles ne sont pas en place, ou ne sont pas réciproques pour l’instant. Mais il y a une ligne directrice, c’est le projet IdRef.

Ce travail en cours de partage d’autorités communes, dont les bénéfices sont manifestes, illustre le cœur du projet IdRef, identifiant et référentiel pour l’Enseignement Supérieur et la Recherche.

Originellement fichier d’autorités du Sudoc, ce dont le logo garde encore la trace, constitué par chargement de la BnF et d’ailleurs, les jeux de données d’autorités ont été continuellement enrichis depuis 20 ans par les catalogueurs du réseau Sudoc.

Depuis 2010, le projet IdRef propulse ces données d’autorités au-delà :
Il y eut d’abord Calames, puis STAR, STEP et thèses.fr

Cela passe par une technologie dédiée nativement à l’interconnexion dans toute application tierce (toutes configurations possibles) : que l’application serve à produire des métadonnées ou à les exposer !

IdRef est donc à la fois les données et le véhicule qui permet le partage de ces données avec des bases bibliographiques diversifiées : archives et manuscrits, écrits académiques, etc. ; et ce malgré des formats, des modèles de données eux aussi diversifiés.

A ce jour, la vocation d’IdRef à interagir peut s’illustrer comme suit :

Premièrement ce sont des applications tierces branchées ou en cours de branchement qui engendrent des corrections, enrichissements et contributions au référentiel commun.

Notons que le signalement des thèses, qui se fait avec différents outils, ce signalement est en train de se fédérer autour d’un même jeu d’autorités.

2) Des applications tierces qui disséminent les identifiants du référentiel

3) Des applications cibles avec lesquelles une coopération serait des plus fructueuses, et des échanges plus ou moins avancés en fonction des partenaires.

Les AO sont des cibles particulièrement importantes qu’il n’est pas aisée d’atteindre, nous accueillerions chaleureusement leurs sollicitations.

(Poursuivons le raisonnement avec les autorités Personne)

Le projet IdRef consiste dans un même temps à rendre justice au travail réalisé par tous les catalogueurs de nos bibliothèques depuis 20 ans.

Aujourd’hui nous sommes en mesure de le faire et cela peut rendre service bien au-delà de la sphère strictement documentaire.

Projets :
VIAF, ISNI
Conditor
Chantiers et projets ciblés : FRBNF ou ArchéoRef des Ecoles françaises
Croisements d’envergure avec d’autre bases bibliographiques : Persée, ADUM, etc.
Identification des auteurs français du corpus ISTEX par le Hub
Expérimentation FRBR
Crowdsourcing
Etc.

Mais cela nécessite des données de toute première qualité, de première fraicheur !

D’où la nécessité d’apporter un soin jaloux au fait de lier TOUTES les personnes, TOUTES les collectivités, TOUS les Mots-clés, etc. dans les notices bibliographiques car il n’y a rien de plus sûr qu’une biblio pour établir et s’assurer d’une autorité : en effet, il y a des centaines de Jean Martin, mais il n’y a qu’un Jean Martin auteur en 1957 d’un vibrant « Hommage au président Edouard Herriot ».

D’où la nécessité de hiérarchiser, comme l’a exposé Stéphane. Ex : mieux vaut lier à des autorités tous les membres du jury de toutes les thèses françaises, plutôt que de créer des autorités pour les auteurs Springer ! C’est plus raisonnable comme politique documentaire.

D’où aussi la nécessité de nous répartir de façon plus agile les différents pans d’activité : Production : contrôle à la production et aide à la production & Détection-Correction d’anomalies.

Un exemple : depuis longtemps, les catalogueurs signalent au guichet d’assistance, les doublons d’autorité qu’ils rencontrent au gré du catalogage. Mais depuis peu, VIAF nous a permis de détecter un stock de 10 000 paires de doublons. Entre le réseau et VIAF, l’équipe autorités de l’ABES ne peut suivre. Il faut donc maintenant imaginer des manières de transférer directement à des interlocuteurs identifiés lors de chantiers ciblés ces lots de données. Et imaginer aussi le suivi qui va avec !

Cela passe assurément par les correspondants dans vos établissements dédiés aux autorités travaillant avec les professionnels impliqués dans les thèses et avec ceux qui sont au contact des services de valorisation de la recherche.
Correspondant autorités c’est une fonction traditionnelle qui avait tendance à passer inaperçu ; aujourd’hui avec le rôle des identifiants et des autorités pour l’interopérabilité des bases et pour le web de données, cette fonction traditionnelle cristallise les enjeux les plus à la page.
Répondre à ces nécessités est la meilleure façon de se préparer à l’avenir qui a déjà débuté !

Le jeu en vaut la chandelle, vous ne croyez pas.

Une manière de valorisation prochaine : avec l’équipe Calames, on aurait voulu vous présenter cela en production, mais ce n’est pour l’instant qu’en phase de test : IdRef va prochainement être capable de remonter les références Calames dans son interface !

La démonstration du rôle de pivot entre bases que peut jouer les autorités est ici évidente.

Et pourquoi s’arrêter là :

On peut remonter les références de Persée, de thèses.fr, d’ISTEX, etc….

L’enrichissement mutuel dans la sphère ESR passe par cette question, que les éléments du moment invitent à décliner en questions connexes :

Quel rôle de Conditor, s’il voit le jour comme nous l’espérons
Quel rôle des auteurs eux-mêmes, des producteurs comme pour le dépôt dans HAL
Quel rôle des autres identifiants de la recherche, ORCID, RID, Scopus ID, IdHal, etc.
Quel rôles des CRIS, ou d’un CRIS national, et donc rôle de l’AMUE et du CNRS

Alors à quand cette convergence pour les bénéfices immenses que l’on peut aisément escompter.

L’enrichissement mutuel passe aussi par un rapprochement avec les institutions de la Culture, le fameux franchissement du « Yalta ».

Cette question est aujourd’hui posée de façon très claire entre la BnF et l’ABES. C’est un des dossiers moteur de la coopération ouverte et féconde.

A partir de l’’existant : Un rapprochement normatif + Des alignements déjà faits entre la BnF et l’ABES (FRBNF, VIAF, ISNI) + des Outils nationaux de production (EAD)

Comment aboutir à un référentiel national de production de données d’autorités ?

Une première étape est sûrement le rapprochement BnF-ABES-autres partenaires (DILA, SGDL, Archives nationales…)
Cette étape comprend aussi la candidature portée à deux ABES-BnF à un appel d’offre des Investissements d’avenir visant à l’élaboration du prototype d’une plateforme de co-production d’autorités personnes et collectivités.

Pour conclure, 4 recommandations très pratiques à emporter avec vous dans vos établissements.

Enfin, je souhaite partager avec vous les récentes, réconfortantes et sages paroles d’une collègue, assorties d’un clin d’œil naturellement !

JABES 2015 - Vers un nouveau Sudoc / Stéphane Rey, François Mistral (ABES)

ABES

JABES 2015 - Vers un nouveau Sudoc / Stéphane Rey, François Mistral (ABES)