ISIDORE a 10 ans !

Les principales étapes

Conçu en 2009 la réalisation d’ISIDORE a été pilotée par l’équipe du Très grand équipement (TGE) Adonis opéré par le CNRS (Maignien 2011) avec l’assistance de la société Atos Consulting. ISIDORE a été réalisé entre octobre 2009 et décembre 2010² par les équipes du Centre pour la communication scientifique directe (CCSD) avec l’implication des sociétés Antidot SA, Sword et Mondéca. ISIDORE a été lancé en version “béta” (Pouyllau 2011) le 8 décembre 2010, lors des rencontres de l’infrastructure Adonis à Valpré (France) et en version complète le 4 avril 2011. Il est actuellement développé et exploité par les équipes de l’infrastructure Huma-Num qui améliorent en permanence les différentes parties et briques technologiques qui le composent.

Interface d’Isidore en 2011 — Ph Correia, L. Capelli, J-L Minel, G. Poupeau, S. Pouyllau

Dès 2015, ISIDORE a été repensé une première fois afin de proposer des enrichissements en 3 langues : français, anglais et espagnol en utilisant la puissance du Web sémantique et l’alignement terminologique entre ces 3 langues sur des milliers de concepts. Cela été déjà effectué depuis plusieurs décennies par les bibliothèques nationales et les scientifiques, dans les grands référentiels internationaux comme Rameau (BnF), LCSH (Library of Congress, USA), ou BNE (Biblioteca National de España), mais aussi dans les référentiels scientifiques produits par les communautés scientifiques SHS internationales.

En 2018, une importante mise à jour des interfaces a été réalisée afin d’internationaliser ISIDORE grâce à l’implémentation d’une interface multilingue et afin d’ajouter de nombreuses fonctionnalités destinées aux utilisateurs. Conçue avec l’aide directe de chercheur·e·s SHS (historien·ne·s, sociologues, géographes, linguistes, etc.) et des designers de la société Atelier Universel, cette nouvelle interface, fondée sur les principes du réseau social entre chercheur·e·s et d’outil de veille scientifique, a permis de créer un nouveau site Web, isidore.science qui s’inscrit aujourd’hui dans une diffusion internationale comme, par exemple, dans les catalogues de l’European Open Science Cloud et Re3Data.

Dessins préliminaires 2018 — S. Pouyllau

Études d’usages utilisateurs pour isidore.science — L’Atelier Universel

Dix années d’apprentissage

En 2009, la conception et la réalisation d’ISIDORE reposaient sur quelques hypothèses et convictions des fondateurs.

Il s’agissait, dans un premier temps, d’offrir un portail d’accès unifié à l’ensemble des publications scientifiques et données produites par la communauté des chercheur·e·s et des enseignants-chercheur·e·s en SHS. En effet, en 2009, rechercher une publication nécessitait d’accéder à une dizaine de portails (HAL-SHS, Persée, Cairn, rien que pour la france, etc.), chacun offrant une interface de recherche spécifique.

Il s’agissait ensuite d’exploiter les possibilités offertes par l’utilisation de thésaurus disciplinaires, pour offrir des fonctionnalités de recherche plus puissantes que celles offertes à cette époque par les moteurs de recherche existants (Google Scholar notamment). C’est ce qui est appelé enrichissement sémantique dans le langage “isidorien” (cf. ci-dessus). Cette exploitation se concrétisait notamment par l’affichage dans l’interface Web des termes génériques proposés par les différents thésaurus.

Il y avait également une volonté d’exploiter les possibilités offertes par l’apprentissage supervisé (machine learning) pour catégoriser automatiquement les documents. Cette technique d’apprentissage exige une base d’entrainement (le training set) composée de plusieurs centaines d’articles pour chaque catégorie afin de construire le classifieur (principalement à l’aide de HAL-SHS et de collaborations avec l’INIST-CNRS à partir de 2015 pour l’anglais et l’espagnol).

Enfin, il s’agissait de contribuer à l’interopérabilité entre les différents entrepôts de publications scientifiques en explicitant le modèles de données (l’ontologie) et en le formalisant dans les langages du Web sémantique (RDF, RDFS, SKOS, OWL).

Ces convictions et hypothèses ont été confrontées, en dix ans, à la critique implacable des usages. Il est apparu, au fil des discussions avec des panels d’utilisateurs, que l’affichage des enrichissements montrait des limites et pouvait être source d’erreurs. L’enrichissement sémantique et la catégorisation automatique offrent des outils d’aide à la recherche particulièrement puissants, mais leur visualisation devait être repensée, notamment en exploitant mieux le multilinguisme, premier enseignement qui a été mis en œuvre dans la version actuelle de ISIDORE.

Il est apparu que l’évolution rapide des thèmes de recherche nécessite des mises à jour très régulières des référentiels émanant des communautés de recherche SHS et des mises à jour de la base d’entrainement du classifieur. Ces tâches, extrêmement chronophages, n’ont pas pu être réalisées régulièrement. Un comptage via une requête SPARQL nous indique au 19 juillet 2021 que sur 3 381 711 documents de type article présents dans ISIDORE, seuls 2 215 744 documents de type article sont catégorisés avec une confiance de plus de 70%, soit presque 35% d’articles non catégorisés. Ce deuxième enseignement nous invite à mener une réflexion sur les nouvelles technologies disponibles pour surmonter cette difficulté.

L’interopérabilité, via les API et le Sparql endpoint, n’a pas donné lieu à des exploitations croisées avec d’autres dépôts, en particulier à l’échelle européenne, alors que d’autres institutions, comme par exemple la BnF, ou encore des projets tels que Biblissima, semblent avoir mieux valorisé ces fonctionnalités.

Les principes du FAIR sont venus conforter les choix initiaux (le F, A et I) mais aussi questionner la séparation entre ISIDORE et NAKALA, ce dernier étant en charge de conserver les données de la recherche (le R). Aujourd’hui, il convient de repenser les liens entre ISIDORE et NAKALA : c’est le cœur du programme Huma-Num Science Ouverte actuellement en cours de réalisation.

ISIDORE dans l’éco-système d’Huma-Num : de l’amélioration continue au programme HNSO

Depuis sa création, ISIDORE a évolué régulièrement et plus particulièrement au niveau de ses chaines d’enrichissements sémantiques et ses briques de traitement de l’information. Dès 2015, avec l’ajout de l’annotation, de la catégorisation et des enrichissements en anglais et espagnol, les chaines de traitement furent largement mises à jour, reprises et retravaillées. Si l’année 2018 fut consacrée à l’évolution des interfaces et à l’ajout de fonctionnalités de réseau social scientifique, depuis 2019, les équipes d’Huma-Num travaillent sur plusieurs améliorations qui sont en cours de réalisation. Nous proposons ici d’en présenter deux, qui sont en cours de finalisation.

Vers de nouvelles méthodes pour l’enrichissement sémantique des contenus : les réseaux de neurones ou le Topic Modelling

En 10 ans, les techniques de classifications et d’annotations sémantiques ont largement progressé. Deux approches permettent d’envisager une catégorisation plus efficiente et moins chronophage en temps de traitement. Tout d’abord, les récents progrès réalisés ces cinq dernières années dans le développement d’architectures de Deep Learning fondées sur les réseaux de neurones (CNN, LSTM, Tranformers) et la construction de ressources langagières à large couverture (BERT et DocBERT (Adhikari A. 2019), FLAUBERT, CAMEMBERT, etc) permettent d’obtenir des catégorisations avec un score F1 proche des 91%. Néanmoins, ces approches nécessitent toujours des corpus d’entrainement qui peuvent être complexes à produire. Une autre approche, le Topic Modelling ou Latent Dirichlet Analysis (LDA), qui repose sur la construction d’un modèle probabiliste (Blei D. 2001) ne nécessite pas de corpus d’entrainement. En revanche, les catégories affectées aux articles (les topics) ne peuvent pas être prédéfinies. L’avantage de ces méthodes — pour un outil ancré dans des communautés de recherche pouvant travailler sur des terrains et objets très différents — est de mieux épouser les topics produits par les écoles de pensée. De nos jours, l’émergence de ces topics, que l’on peut voir comme des “concepts à potentielle courte vie”, est accélérée par la diffusion très rapide d’articles et d’ouvrages en libre accès. Ces topics pourraient être rapprochés, reliés même, aux référentiels situés produits par les communautés, aux référentiels des bibliothèques nationales déjà présents depuis 2010 dans ISIDORE, voir à utiliser des définitions scientifiques venant de dispositifs coopératifs tel que wikidata, base de données d’articles en texte intégral, etc. pour être désambiguïsés, validés, etc. par des intelligences artificielles entrainées par des humains (chercheur·e·s, professionnel·le·s de l’information et de la documentation, data-scientists, etc.). Dans ce cadre, la création du HN Lab au sein d’Huma-Num permet de préparer le terrain en testant des hypothèses de travail, très en amont, en faisant de la recherche et des preuves de concept. Ainsi, des travaux menés par le HN Lab sur les revues Intermédialités et Études françaises en partenariat avec l’entreprise DSI Group pourront alimenter ces réflexions³. Comme on le voit, sur le plan des chaînes d’annotation sémantique, plusieurs voies d’amélioration s’ouvrent pour les 10 prochaines années d’ISIDORE.