Voyage dans les lieux de mémoire de la Nouvelle-France

Le projet d'inventaire des lieux de mémoire de la N-F par le Célat est très avancé et intéressant. Comme souvent, l'interface n'a pas la qualité et de la richesse de la recherche: les universitaires sont habitués à travailler à la dure, sans beaucoup de flafla. Les informations données sont souvent exhaustives, parfois dans les moindres détails du dépouillement; plusieurs clics avant de voir ce qu'on veut voir. La norme serait 3 clics: plus que ça, les gens ne cliquent plus. On peut se demander si même d'autres chercheurs y trouvent vraiment leur compte. Critique secondaire par rapport à la valeur de la recherche et au but du projet...

Il y a tout de même là une question de fond: est-ce que les sites de recherche, où sont affichés-diffusés les résultats, reçoivent le soutien éditorial pour vraiment les mettre en valeur? N'importe quelle publication de recherche sur papier tombe aujourd'hui dans les mains de professionnels: éditeurs, graphistes, rédacteurs, imprimeurs, etc. On n'a qu'à voir comment la mise en page des revues savantes a évolué, comme Voix et images, ou les titres de Nota Bene.

Quand on regarde les sites qui publient les résultats de recherche, ceux qui auraient le potentiel de rejoindre un assez grand public, on a l'impression de revenir en arrière. La qualité de l'ergonomie, du design, de l'infographie n'est pas à la hauteur de la recherche ni des équivalents sur papier. Les presses universitaires devraient développer des expertises en édition numérique pour concevoir les sites de recherche et agir comme de vrais éditeurs comme elles le font auprès des chercheurs qui leur envoient un bon gros manuscrits en fichier Word.

Il y a aussi une problématique nouvelle, celle de publier des informations et des données qui sont des base de données, et ne s'affichent qu'à partir d'une requête de l'usager. La quantité d'informations affichées peu varier considérablement: imprimées, les informations sont toujours identiques d'un usager à l'autre. Il y a donc une sorte d'esthétique propre à l'usage des BD (base de données) à développer: une esthétique du moteur de recherche et de l'appareil des requêtes et une esthétique de l'affichage des résultats. Le numérique donne aussi la possibilité à l'usager d'ajuster les deux éléments selon ses intérêts et ses préférences: recherche simple, complexe, résultats élémentaires ou complets.
Ces deux esthétiques vont beaucoup influencer le type et le nombre d'usagers.
Dans le contexte où chaque personne branché utilise de nombreux moteurs de recherche et se familiarise avec des sites très populaires, tous les sites sont en concurrence avec les meilleurs. On délaisse les sites peu performants, même au contenu intéressant. On se tourne vers les sites aux ergonomies les plus conviviales: c'est comme ça. Et un site fabuleux mais mal conçu n'y pourra rien.

Exercice de recherche prospective... Corpus amériquain et européen

(Une première version de ce projet a été écrite dans la cadre d'échanges avec Christian Vandendorpe, auteur de Du papyrus à l'hypertexte. Essai sur les mutations du texte et de la lecture, Montréal, Boréal & Paris, La Découverte, 1999, 271p.)

À partir de Google Archives qui a indexé toutes les dates (la frise chronologique n'est plus affichée maintenant), j'ai essayé quelques requêtes personnelles. Je me suis d'abord branché à Google Books pour sélectionner 50 titres des Éditions du Septentrion (spécialisée en histoire Canada-Québec) et je les ai ajoutés à Ma Bibliothèque personnelle Google Books. Ensuite, j'ai paramêtré "Éditeur = "Éditions du Septentrion", et voici ce que j'ai cherché et trouvé à partir de "Grandes Questions". Évidemment, l'échantillon est arbitraire, non scientifique, et les résultats en soi sont trop incomplets pour permettre des conclusions précises.

Je voulais plutôt tester une méthode de recherche et d'extraction de données "sémantiques".

Grande Question I

1) Pourrait-on construire une base de données biographiques/généalogiques des habitants de la Nouvelle-France à partir de 10 millions de pages?
(Mon échantillon est de 50 ouvrages, entre 10 000 et 15 000 pages). Dans les listes suivantes: sujet de recherche = total des résulats trouvés:

- "né à" = 166 lieux de naissance d'homme (précédé ou suivi des noms de personne)

- "née à" = 66 lieux de naissance de femmes

- "il meurt le" = 30 dates de décès d'hommes

- "la mort de" = 222 décès

- "le fils de" = 119 noms d'homme et relations fils-parents

- "la fille de" = 85 noms de femmes et relations filiales

- "grand-père de" = 37 noms d'hommes et relations filiales

- "âgé de" = 120 repères biographiques masculins

- "âgée de" = 60 repères biographiques féminins

- "étudié à" = 33 infos sur les études de X dans le lieu d'enseignement Y

Etc, etc...

La méthode serait la suivante:

- sur le plan lexical, on établit une liste de «mots-chercheurs» et leur réseau de synonymes

- lié à un lexique encyclopédique des noms Autorité des toponymes, anthropoymes, etc.

- sur le plan grammatical, on "lemmentise" les expressions (né, naquit...), on varie selon le genre (elle/il) et le nombre

- sur le plan syntaxique, on schématise les structures pertinentes et joue de la permutation: la/le(s) fils/fille(s); enfant(s), etc.

À partir de ces données brutes, on crée des sous-requêtes pour trouver les informations associées ("fils de" + Nom Propre) pour raffiner autant qu'on peut la cueillette d'infos. On étiquette chaque résultat, puis on filtre, vérifie, corrige, identifie les doublons, supprime de fausses occurrences, et on commence à construire une base généalogique, un dictionnaire biographiques des habitants de la Nouvelle-France, et un index général qui indiquent les textes où ils sont mentionnés. (Après quelques mois de travail!)

Grande Question II

2) À partir d'un sous-corpus de la totalité des textes de découvertes et d'exploration (multilingues), peut-on tracer la carte la plus complète de leur déplacement chronologique dans le territoire du Nouveau Monde?

Pour ce faire, il faudrait répertorier tous les indices temporels possibles:

- "lundi le" = 27 lundi historiques

- "en juin" = 200 événements

- "au mois de" = 130 dates et événements

- "aux années" (trouvent les expressions comme "jusqu'aux années 1950") = 80 événéments

- "avant 1760" = 21 évéments ou interprétations d'avant la Conquête

- "après 1760" = 20 évéments ou interprétations d'avant la Conquête

Etc., etc.

Ensuite, il faudrait considérer la durée des événements (je n'ai pas retenu le total des résultats pour toutes les autres recherches après avoir trouvé la "méthode"):

- L'expédition dura deux ans et quatre mois

- un procès qui dura douze ans

- une bataille qui dura toute la journée

- Le trajet dura quatre heures

- l'incendie ne dura pas plus d'une heure

- Cette association ne dura que ces deux années-là

- son gouvernement, qui dura de 1887 à 1891

- Pendant la semaine que dura la bataille

- La grève des enseignants dura deux mois

- Etc., etc. 

La structuration de ces résultats montre qu'on pourrait créer une table de concordances exploitée de cette manière, avec un logiciel qui saisirait le substantif-événement-sujet placé avant le verbe et le(s) substantifs temporels compléments circonstanciels de temps placés après:

- trouver les verbes, expressions, locutions qui indiquent des déplacements

- "embarque sur" = permet de trouver 34 noms de bateaux, des voyages en train, etc

- "arrive à" et "arrivé à" = 372 lieu d'arrivées

- "partit de" = 24 lieux de départs

- "le voyage de" = 83 voyages + nom propre et/date

- le voyage de Carton de Wiart

- le voyage de nôtre Capitaine Jacques Quartier

- Le voyage de retour commence le 6 juillet 1672

- le Voyage de Pehr Kalm au Canada en 1749

- le voyage de Montréal à Walla Walla

- Le voyage de messire Brady n'est pas moins de trois jours et de 24 lieues de
route

- Au temps de Frédéric, le voyage de Montréal à Sainte-Anne-de-Beaupré par bateau
dure trente-six heures [très riches données temporelles et spatiales en un seul énoncé]

"il s'établit" = 36 "établissements" + Noms

il s'établit lui-même à La Hève

il s'établit d'abord sur la rue du Parloir

À partir de la banque terminologique de la Commission de toponymies et d'autres inventaires officiels, on indexerait tous les toponymes. Il y a peut-être même un programme d'analyse linguistique qui pourrait trouver les lieux: si on cherche "où", on trouve des "lieux", etc. Le temps et l'espace ont des champs lexicaux larges mais définis: années, mois, moment, jours, avant, pendant, après, etc.; maison, colline, rivière, port, ville, paroisse, comtés. Un programme pourrait de cette manière recueillir des données fabuleuses. Ça deviendrait une base d'une recherche, une collection de matériaux linguistiques, des sources d'analyses. Je parle surtout de documents historiques, mais la même chose pourrait être fait dans un Grand Corpus Littéraire Numérisé. Qu'est-ce que cela pourrait signifier et nous apprendre? Qui sait? Quand on aura ces données, on les fera parler. Ensuite, on pourrait superposer les résultats de l'univers fictif sur celui de l'histoire réelle. On pourrait étudier alors sur une très grande échelle la "mimesis".

Grande Question III

3) Que peut-on savoir de la vie économique en Nouvelle-France à partir de la recherche dans le fonds numérisé sur l'Amérique française. Suivant la même méthode:

- "où il achète"

- Le 28 septembre 1697, il achète du marchand Pierre Lamoureux de Saint- Germain deux emplacements

- En décembre 1678, il achète du maïs

- "où il vend"

- En 1736, il vend encore un navire à Benjamin

- il vend ses produits en gros à un autre marchand local

- il vend la terre à Jean-Baptiste, offrant ainsi à l'ancien esclave

- il vend de nombreux emplacements de 10 par 30 mètres

- le tailleur Lizée afin qu'il paie les 8 livres qu'il devait pour un habit et une culotte.

- il paie 100 sous

- "prix de"

- à Olivier Cadet en 1753 au prix de 550

- il vend à Olivier Charbonneau, au prix de 200
- Les lynx qu'il rapporte sont évalué* entre 6 et 15 écus, un prix de beaucoup inférieur

- Le prix de la pension est de 120 livres par année

- Etc. etc.

On recueille donc ainsi la totalité des informations économiques brutes pour un corpus donné, pour une époque donnée.

L'objectif général

D'abord, je ne dis pas que ce genre de cueillette de données n'a jamais été faites, et les types requêtes ne sont nullement nouvelles: conditions (if, else, if not...), variables, "joker". Mais l'analyse des données textuelles-sémantiques est toujours complexe quand on veut aller plus loin que compter les occurrences. Qu'est-ce que ces exemples pourraient nous apprendre pour l'étude de Très Grands Corpus?

Peut-être le plus important. Au départ, pour développer un protocole de recherche, ce qui compte, ce n'est pas du tout la grandeur du corpus (un petit 100 000 pages serait parfait): ce qu'il faut, c'est concevoir les modules de requêtes et surtout, surtout, savoir un peu ce qu'on veut découvrir, dans quelle direction on veut chercher.

Au début de ces recherches dans les Grands Corpus, les données quantitatives vont s'imposer. On débrousse, on code, on inventorie, on compte, on fait des statistiques: on les fera faire par les ordis! Ensuite, on peut créer d'autres requêtes qui interrogent les relations que nous avons établies entre les données, commencer à tisser les réseaux de parentés, les lier aux villes et paroisses, tracer les cartes des alliances et des mariages. Ensuite, projeter ces réseaux sociaux et familiaux sur les réseaux économiques établis parallèlement. Puis, pour la période d'exploration de la Nouvelle-France, relier les deux premiers ensembles aux chemins de découvertes et d'établissement pour superposer les déplacements-explorations sur la vie économiques et les réseaux de parentés. C'est dans ce genre de projet que des applications de crowdsourcing seraient les plus utiles: il y a un cadre de recherche structuré, "pré-digéré", par des experts; ensuite, on stimule et encourage la participation des collectivités intéressées.

Avec toutes ces informations et données représentées sur une carte branchée sur une géo-chronologie, on pourrait reconstituer sur la base d'un Très Grand Corpus Documentaire, l'établissement des communautés francophones en Amériques. On met le curseur à 1534, on clique et on voit à l'écran se dérouler l'établissement des communautés françaises en Amérique.

Je simplifie à l'extrême la complexité et peut-être même la faisabilité d'un tel projet, mais il n'est pas du tout sûr qu'on peut prouver scientifiquement que cela soit impossible...

Comment?

- comment brancher à grande échelle le milieu sur les nouvelles sources documentaires

- comment brancher les ressources documentaires les unes avec les autres

L'autre point serait comment auto-brancher le milieu de la recherche sur lui-même, interconnecter, réseauter organiquement les chercheurs, les amateurs, les non-experts.

Dans l'évolution des ;échanges et des modes de production de la recherche, n'aurait-on pas besoin d'un réseau supra-institutionnel pour regrouper les chercheurs entre eux, liés par leurs travaux et intérêts, leurs publications (et non seulement par leur lien institutionnel), branchés sur leurs publications, etc. 

Direction générale des travaux....

Dans le domaine de l'histoire, il y a maintenant une accessibilité à une quantité gigantesque de documents imprimés, iconographiques, audio-visuels, statistiques, inimaginable voilà à peine quelques années. La connaissance historique que l'on peut faire jaillir de ces vertigineuses données représente un monde possible, un univers à faire advenir, le seul qui soit vraiment et authentiquement virtuel, c'est-à-dire "qui ne l'est qu'en puissance, qui est à l'état de simple possibilité". Le Robert petit continue et ajoute que les "particules virtuelles sont des particules fictives permettant d'expliquer l'interaction entre les quantons".

Cette documentation-monde contient donc une connaissance en puissance, une connaissance fictive, alors que les fichiers numériques, eux, sont réels et non virtuels, comme on le dit souvent incorrectement. C'est une connaissance qui n'existe pas encore, elle est seulement une possibilité de connaître, une possibilité de connaissances nouvelles pas encore tombées de l'univers fictif-virtuel créé par la masse documentaire pour prendre forme dans des résultats tangibles: oeuvres, discours, encyclopédie, paroles, sites.
D'où peuvent venir ces objets de connaissances nouvelles?

Sinon de l'acte de connaître lui-même qui consiste d'abord dans l'interrogation des bases de données numériques qui forment aujourd'hui des sortes de réserves culturelles de connaissances, des couches sédimentaires intellectuelles accumulées au cours des siècles dont il convient d'explorer la richesse pour agrandir le domaine du connu, les sortir de l'univers des virtualités cognitives pour en faire du connu.
Mais que voulons savoir, connaître? C'est la question!
Le fait est connu: une majorité de gens cherchent souvent leur propre nom ou quelque chose d'autre qu'ils connaissent déjà très bien dans Internet! Quelle est la motivation, la volonté de connaître dans ces recherches? Quelque chose de nouveau sur eux-mêmes qu'ils ne connaîtraient pas? Ou plutôt connaître "ceux" qui connaissent quelque chose sur eux ou ont "parlé" d'eux? Vanité, peut-être, mais surtout la situation de quelqu'un qui ne sait pas ce qu'il veut chercher ni ce qu'il veut savoir ne sachant pas exactement ce qu'il peut trouver.
Où placer la curiosité dans tout ça, à l'intérieur d'une théorie de la connaissance qui ne s'intéresserait pas seulement à comment nous connaissons mais aussi à pourquoi voulons connaître?
Comment rendre ces connaissances virtuelles réelles? D'où vient tout simplement la connaissance? pourrait demander le philosophe.

Pour s'en tenir à un corpus textuel, quelle lecture nouvelle la numérisation rend-elle possible qui n'existait pas auparavant? Éliminons la lecture continue à l'écran du fichier pdf d'un document papier: c'est une lecture traditionnelle qui continuera malgré toutes les évolutions technologiques pour bien longtemps encore. On parle souvent de lecture discontinue, fragmentaire, aléatoire. Certains la célèbrent; d'autres la dénoncent: ce nouveau mode de lecture est aussi là pour rester, et il étend d'ailleurs, à des proportions inattendues, le très vieux mode du feuilletage, du saut de passages ennuyants, des lectures en diagonales. Une différence inédite pourtant est qu'un lecteur peut feuilleter-sauter instantanément entre plusieurs documents.
C'est encore mettre l'accent sur la lecture individuelle et non pas sur un projet de lecture systématique d'un assez large corpus dans le cadre d'une recherche précise, même si elle peut très bien être celle d'un seul lecteur, poursuivie pour son seul plaisir. Même si ce n'est pas une "vraie" recherche, avec un plan et des objectifs précis, la question demeure: comment lire une grande masse textuelle?
Pour lire, ul faut d'abord une intention, un projet de lecture. On se lasse vite de parcourir des dizaines de documents numériques trouvés au hasard: ou on arrête tout, ou on en choisit un, et on le creuse, on le lit à l'ancienne, en continu.
C'est paradoxal: on dirait que le projet de lire un grand corpus empêche en fait la lecture de ce corpus dans un format nouveau. On ne peut pas tout lire les textes à la manière traditionnelle, alors on n'en lit aucun, ou seulement quelques-uns. De retour à la case de départ. Il y a donc à trouver des modes d'appréhension de la matière textuelle qui soit autre chose qu'une lecture continue d'un document après l'autre, suivie de notes de lectures, de résumé, d'analyse.

Le nombre de textes à lire, souvent impressionnant, apparaît suite à une requête simple dans le moteur de recherche: cette opération ne sert qu'à créer une sous collection du corpus général. La petite fenêtre du formulaire aussi simpliste qu'elle soit demeure la seule voie pour commencer à "lire-chercher" dans un grand corpus. Pour lire mieux, il faut donc multiplier le nombre de requêtes, accroître leur niveau de complexité, prévoir de longue liste de mots à chercher simultanément, avoir des outils d'analyses des résultats, des séries de requêtes combinatoires, des analyseurs sémantiques, etc.

Dans cette perspective, l'acte de "lecture" consiste dans un montage raisonnée de questions, un parcours de curiosité pour chercher un sujet, construit à partir d'un ensemble de mots, d'expressions, éventuellement de catégories linguistiques (verbes, pronoms, adjectifs), de structure syntaxique ou morphologique. "Lecture" entre guillemets puisqu'à cette étape, c'est toujours le moteur de recherche qui ne repère que les chaînes de caractères que l'on donne à chercher.

Le projet de recherche prospective sur l'Amérique conquérante de l'Europe ou sur l'Amérique française dans l'imprimé mondial seraient de bons exemples. On peut bien étendre le concept de lecture à cette étape, mais il s'agit plutôt de sélectionner un corpus thématique à partir duquel des lectures seront possibles. Difficile d'employer le mot "lecture" dans une opération qui consiste essentiellement à entrer quelques mots à la fois dans un formulaire de recherche. C'est plutôt se donner des conditions de lecture dont il s'agit, de sortir le corpus numérisé de sa pure virtualité pour s'approcher de sa lecture réel et de ses lecteurs réels.
Pas une lecture, mais un acte intellectuel par lequel on donne sens à un ensemble de documents par leur réunion dans une bibliothèque particulière de la bibliothèque universelle. De simples données dans un catalogue numérique, les documents s'intègrent dans un ensemble signifiant.

Questions:

- comment exploiter la richesse de la masse documentaire mis à la portée de tous et des chercheurs?
- comment transformer la matière textuelle en informations, en savoirs, en significations, en théorie, en culture, en sagesse...