apsed

Dans la prochaine livraison de la New York Review of Books (Volume 55, Number 13 · August 14, 2008), Jean-Claude Guédon (et Boudewijn Walraven, à propos d’un point d’histoire de l’imprimerie sur lequel je reviendrai dans un billet séparé) engagent un dialogue avec Robert Darnton à propos de son billet The Library in the New Age.
Jean-Claude Guédon s’inquiète des limites apportées par Google au “potentiel de calcul” [computational potential] des livres numérisés pour le “text mining”, l’extraction d’information, de schémas, d’éléments sémantiques utilisables par exemple pour l’amélioration de la traduction automatique.
Le principal reproche de Jean-Claude Guédon tient au fait que Google se réserverait par contrat la possibilité d’agréger ces données en les consolidant sur l’ensemble des fonds numérisés, alors que chaque bibliothèque serait limitée à l’usage des ses propres ouvrages, restreignant ainsi les possibilités offertes aux chercheurs.
En conséquence, Jean-Claude Guédon appelle à la création de “clubs de numérisation” massive selon les principes de l’Open Content Alliance en cherchant des ressources à la manière de Wikipedia et du Projet Gutenberg.

In short, mass digitization projects should be designed in ways that are not dependent on market-based corporations or on government subsidies, but can nevertheless profit from forms of support from either kind of institution.
[Pour faire court, des projets de numérisation massive devraient être conçus selon des modalités indépendantes des entreprises commerciales ou des subventions publiques, tout en gardant la possiblité de profiter de formes de soutien de l'un et l'autre type d'institution.]

Il souligne le rôle crucial des bibliothèques pour promouvoir ces opérations et déterminer les standards de qualité et d’accessibilité nécessaires à leur bonne fin :

[Libraries] would be acting as institutional citizens of the digital document age [...]
[Les bibliothèques] se comporteraient comme des citoyens institutionnels de l’âge du document numérique [...].

Joli programme d’intérêt général, en prise directe avec les réalités de la “société de la connaissance“, économie de marché, régulations étatiques et initiatives citoyennes.

Un communiqué de l’AFP a confirmé vendredi 11 juillet 2008 la signature d’un accord entre Google et la municipalité de Lyon pour mettre en œuvre la numérisation de 500 000 ouvrages du domaine public conservés à la bibliothèque municipale de Lyon.

La nouvelle est loin d’être une surprise, dans la mesure où la bibliothèque municipale de Lyon avait annoncé de longue date son intention de se doter des moyens d’engager l’opération, dès novembre 2006 (appel d’offre initial du 30 janvier 2007, déclaré infructueux le 12 juin 2007, avec pour seule réponse celle déposée par Google). La négociation engagée ensuite, implicitement approuvée par Bruno Racine (cf. l’interview par Frédérique Roussel dans Libération du 2 février 2008) a trouvé son aboutissement le 11 juillet.

Au vu des informations disponibles à cette date — parcellaires —, l’opération montre une évolution notable de la politique de numérisation de Google :

• Le choix des ouvrages à numériser est le fait de la bibliothèque, apparemment indépendamment des critères de “facilité”, avec une obligation de résultat. [À Lausanne, les ouvrages précieux et fragiles de la réserve ont été exclus de la campagne de numérisation.]
• La numérisation se fera à proximité de la Part-Dieu, ce qui implique la création d’un nouveau centre de traitement, ou l’utilisation de ressources existantes dans la région (?).
• Les œuvres seront téléchargeables « ouvrage par ouvrage » par « l’utilisateur final ». [Deux questions, là : S'agira-t-il du mode image ou du mode "plein texte" ? L'utilisateur final sera-t-il un lecteur au sein de la bibliothèque ou tout visiteur du moteur de recherche ? Rien ne permet à ce jour de le déterminer, ce qui pose clairement problème quand on parle de droits exclusifs de commercialisation concédés à Google.]

Une nouvelle cependant dont on doit se réjouir dans la mesure où elle revient à doubler l’effort de numérisation du fonds libre de droits des bibliothèques françaises (100 000 ouvrages par an dans Gallica 2 et approximativement la même quantité à Lyon, avec l’accès à des fonds précieux pour l’histoire des religions comme celui de l’ex-bibliothèque des Fontaines mentionné par Philippe Colombet, Google); elle présage de la création d’une nouvelle infrastructure et d’un nouveau pôle de compétence en numérisation patrimoniale.

Elle ne doit pourtant pas faire oublier les difficultés et le coût de ces opérations, si l’on veut obtenir un niveau minimum de qualité et maintenir un accès libre, au moins pour la recherche et la formation, au patrimoine et à la production culturelle contemporaine.

Le contrôle de la qualité de la numérisation dans des projets de cette ampleur reste problématique, ainsi qu’en témoignent des exemples de reconnaissance optique lourdement défectueux, qui n’ont pas été filtrés avant publication.

Un exemple sur Gallica 2 :

Un exemple sur Myrlin, la bibliothèque numérique d’uMich réalisée en collaboration avec Google :

Ce type d’exemples, certes incontestablement délicats à traiter, suscite des remarques extrêmement critiques d’experts, comme par exemple Lotfi Belkhir, CEO de Kirtas Technologies :

Google is doing a very, very poor job…. Their OCR is very inaccurate, the image quality is very poor. You find cutoff text…. You find dirty text. You find incomplete pages.

Google fait du très, très mauvais travail… Leur reconnaissance optique de caractères est très imprécise, la qualité d’image est très mauvaise. On trouve du texte tronqué… On trouve du texte maculé. On trouve des pages incomplètes.

Organisation, cadencement et financement du contrôle et de la finalisation de pareils programmes sont encore à trouver, comme pouvaient en témoigner mardi 8 juillet 2008 Marc-André Wagner et Ronald Schild aux Assises du livre numérique :

• Relative lenteur du programme allemand Libreka de numérisation des nouveautés — 45 000 titres, en majorité scannés et convertis par OCR (Ronald Schild, Börsenverein),
• Petit nombre de titres sous droits ajoutés à l’expérience Gallica 2 depuis le mois de mars (Marc-André Wagner, CNL).

Tout cela progresse, mais combien de questions encore ouvertes, comme celle de l’interopérabilité…

Le Centre de numérisation de la Bibliothèque de Bavière a publié les communications présentées aux Journées de démonstration de robots tourne-pages du 18 au 20 juin à Munich.

Une bonne occasion pour les bibliothécaires qui songent à offrir aux lecteurs des possibilités de “scan to mail” de s’informer des offres de numérisation automatisée :

• 4digitalbooks [PDF] - Ivo Iossiger (ivo.iossiger/at/4digitalbooks.com)

• Kirtas [PDF] - Marcel Aldewereld (maldewereld/at/kirtas.com)

• Qidenus [PDF] - Vitus Bösch (vboesch/at/qidenus.com)

• Treventus [PDF] - Stephan Tratter (tratter/at/treventus.com)

[MàJ 4 juillet 08] Annonce du nouveau scanner ‘manuel’ Kirtas SkyView pour grand format

Pintini [blog de Fabrizio Tinti, fr] reprend et commente un billet d’Eric L. Morgan sur les premiers tendances [en] de la conférence d’été de l’ALA (American Library Association), Anaheim, 26 juin—2 juillet.

J’extrais arbitrairement de son billet [qu'il faut lire en entier là] un point intéressant pour la prise en considération des éléments visuels qu’il est utile ou nécessaire de prendre en compte dans l’encodage numérique des documents textuels.

Le contenu est roi, certes. Mais ne dédaignons pas la structure (visuelle et graphique) de l’information que nous proposons. Pas pour le plaisir des yeux, mais pour améliorer et “simplifier” l’accès à l’information. Evitons de perdre les utilisateurs dans les méandres d’une structure trop lourde.

Eric L. Morgan et Fabrizio Tinti revendiquent là une responsabilité des bibliothèques à assurer productivité et efficacité de la communication des “contenus” avec des outils visuels [on pourrait aussi songer aux mal-voyants, avec des standards comme DTbook/DAISY (Digital Accessible Information SYstem)] au moment de la “redocumentarisation” de l’information.

Il me semble qu’au delà de l’aspect esthétique (qui est le point d’Eric L. Morgan) et de l’efficacité de la communication, qu’on peut raccrocher aux fonctions phatiques et pragmatiques du langage, il y a aussi lieu de préserver une sémantique du document visuel, à la manière des transcriptions diplomatiques.



Manuscrit d’Illusions perdues, Fonds Lovenjoul, Institut de France, LOV A107 f°1r°,
numérisation effectuée par Arkhenum pour la Fondation Empreinte



Transcription diplomatique du f°1r° par Takayuki Kamada,
La Stratégie de la composition chez Balzac, Surugadai-Shuppansha, 2006, ISBN4-411-02221-4

Comment dissocier le “texte” de la transcription de son rendu graphique ? Transcodé en TEI, interprété en XHTML, cela exigerait que les indications de mise en page soient réparties entre le “contenu” et des classes prédéfinies d’une feuille de style (XSL-FO ou CSS 3) préservant les relations graphiques, et que l’on indique à un quelconque “médiateur”, ré-éditeur ou automate de mise en écran, qu’il a à respecter ces indications dans le cas précis, alors qu’un texte plus linéaire, des “données”, lui laissent usuellement la responsabilité du rendu.
Comment séparer mise en page et texte sans détruire le sens de documents comme la page suivante du Talmud de Babylone ?

Une page interactive du site d’Eliezer Segal, Université de Calgary

(merci à Jean-Marc Destabeaux et Patrick Altman pour l’identification de ces exemples).

On manque encore de règles et d’expertise pour déterminer les frontières mouvantes entre le “contenu” et la “structure (visuelle ou graphique) de l’information”. [Je note au passage une nouvelle occurrence du glissement entre le sens de "content" document et "content" texte sans dimension visuelle ou graphique...]. En attendant que se constituent des règles de description et des pratiques généralisées, reconnues par tous les automates de composition à l’écran, le format .pdf, la description XML des géométries de pages qu’est ALTO et la TEI pour la catégorisation sémantique des structures de documents paraissent les seuls lieux où les dimensions non-linéaires du document trouvent un début d’écho efficace et respectueux de l’apport des “arts de la lisibilité” du texte imprimé.

Billet clair et suggestif à propos du dépôt légal numérique à la Bibliothèque du Congrès, avec une proposition de classement des formats numériques existants.

• E-books : IDPF EPUB, or other “packaged” formats
• H-books : books formatted in X/HTML
• J-books : books from a journals publishing platform
• D-books : books digitized from print editions

• E-books : format .epub de l’IDPF, ou autres formats “empaquetés” [reconstituant un volume]
• H-books : livres formatés en XHTML [livres Web]
• J-books : livres provenant d’une plate-forme d’édition de revues et journaux scientifiques [journaux numériques]
• D-books : livres numérisés à partir d’éditions imprimées [imprimés numérisés]

N.B. : Je me propose de compléter peu à peu ces premières indications…