Après quelques mois dans le giron de la France sous la forme d’un prototype que vous connaissez probablement (et qui a désormais rejoint l’histoire), Europeana vole maintenant de ses propres ailes au niveau européen.

Grâce au projet européen EDLnet et au travail des équipes de The European Library, le projet a décollé au niveau européen et débouché sur une maquette qui a été présentée au Salon du livre de Francfort.

On notera qu’ils ont quand même un sacré sens de la communication sur le Web, vu qu’ils proposent de gagner un iphone en répondant à un sondage sur la maquette, et qu’ils diffusent une vidéo promotionnelle sur UTube. Ils ont aussi un groupe Facebook qui peut être rejoint par tous les sympathisants au projet.

Difficile question quand on décide de passer une bibliothèque numérique du mode image au mode texte : faut-il, ou non, montrer l’OCR brut aux utilisateurs ?

Oui, parce que des fois, l’OCR brut ça ressemble à ça :

i defon Camp tout herifâ de lances
•sgrands efforts, dont furent affaillis
ennemis ï vi les grands chamaîlHs
e$cmbatdnsJmlescri4ejfr’oydbles
es Vietnam & Huîtres redoutables,,
mhants au choc de nos braues lanàers,
tfout le huride nos rudes piquiers%-

Vous remarquerez, dans le texte ci-dessus tiré d’ici, que malgré quelques mots vaguement compréhensibles, on trouve surtout des caractères bizarroïdes et même ce que j’appellerais le syndrome des « huitres redoutables » : l’OCR croit avoir reconnu des mots, et en fait non, il se trompe. Et ça, il faut être humain pour s’en rendre compte.

Bref, l’OCR brut, ça peut être très moche. Toutefois, à l’école moi on m’a appris que parfois les documents pouvaient être moches et qu’il fallait les étudier quand même, qu’il fallait tout lire même les taches et les déchirures, et que c’est le travail de l’historien que de franchir le grand fossé entre l’état (parfois déplorable) de la source, et la compréhension du contenu.
C’est peut-être pour ça que je ne suis pas choquée par les e$cmbatdnsJmlescri4ejfr’oydbles.
Finalement je trouve ça bizarre de permettre aux gens de chercher dans l’OCR, de leur dire, voici une occurence de « huitres redoutables », et ne pas leur permettre de voir le matériau dans lequel ils ont cherché pour évaluer sa pertinence. Je suis donc dans les « pour », malgré tout : c’est une question de transparence.

Mais il y a plein de gens que ça choque, surtout venant d’une bibliothèque. On a un devoir de qualité… Donc OK pour indexer l’OCR brut, mais pas pour montrer des textes contenant des erreurs. Le lecteur ne trouvera que les mots qu’il cherche (sauf si c’est un lecteur pervers comme moi qui cherche « vrrt ») et donc ne verra pas les erreurs.

Si on regarde ce que font les autres, il y a deux écoles : ceux qui sont pour montrer l’OCR aux utilisateurs, et ceux qui sont contre.

Parmi les « pour » :
– Google books, eh oui. Bon ils ont longtemps hésité mais finalement, chez eux aussi on peut lire « tç iiSrfîiv l’çyov xui t.uyov olor’ anut. »
– le projet « Making of America » (notamment Université de Michigan, Cornell). Ils ont quand même vachement travaillé sur la qualité et comment on la calcule. On y trouve donc un peu de « ry~pkmn-r n~rt of r~ rr’r~ » mais pas tant que ça.
– la Library of Congress : alors là ça  » ionrod btlllIe to a d- ato ic » grave, notamment dans le projet « Stars & Stripes ».

Parmi les contre :
– Jstor, qui explique pourquoi ici : ils parlent de respect de l’intégrité de l’original, mais pourtant ils OCRisent et ils indexent
– Early canadiana online qui explique ici l’accueil de leurs utilisateurs, plutôt bon (en tout cas à l’époque en 2002).
– Harvard, qui a aussi publié un rapport sur la façon de mesurer la qualité et vérifier que l’OCR répond aux besoins pour l’indexation.

Après il ya les options de l’entre-deux : calculer un niveau d’OCR « suffisamment bon » pour être montré, et placer une barrière qui empâcherait les utilisateurs de voir ce qui est en-dessous de cette limite. Ou encore, montrer l’OCR mais en « gommant » les mots suspects pour qu’ils passent inaperçus.

Et vous, vous en pensez quoi ? qualité ou transparence ?

Je me fais ici l’écho d’un débat vite passé sur la liste biblio-pat (pour les bibliothécaires patrimoniaux, dont je considère que je fais partie même si mon patrimoine est souvent numérique…)

La BIUM présente ici une expérience de restauration numérique : il s’agit de numériser des ouvrages des documents particulièrement précieux, fragiles, endommagés ou difficiles à photographier. Confiés à un photographe, les clichés ont été largement retouchés, recollés, réassemblés et retravaillés pour obtenir des clichés plus vrais que nature, « en visant un retour vers l’apparence qu’il pouvait avoir quand le temps ne l’avait pas encore dégradé ».

Réaction immédiate d’un collègue dont je ne citerai pas ici les nom et qualité, mais dont j’ai trouvé les arguments assez justes : il oppose le principe de la restauration, tel qu’on le conçoit aujourd’hui. Elle doit prendre en compte l’inscription du document dans le temps plutôt que chercher à la gommer, elle doit respecter l’historicité des objets. La reproduction se doit d’être fidèle à l’original tel qu’il est, et pas tel qu’il aurait dû ou pu être.

Pour ma part, j’observe simplement que les clichés mis en ligne par la BIUM sont magnifiques, et donc le travail du photographe concluant. A la limite, il faudrait pouvoir les comparer avec les prises de vue « brutes » de numérisation pour juger de l’ampleur des modifications.

En principe, je suis plutôt favorable à une numérisation respectant la réalité de l’original, et donc ses défauts, ses manques, bref son intégrité. Ca doit être mon côté chartiste. Toutefois ce n’est pas la première fois que je vois ou entends parler de ce type de restauration numérique. Combien de lecteurs se plaindront effectivement de cette distance entre l’original et la copie ? Bien peu, finalement, et en tout cas moins que de lecteurs qui se plaindront d’une numérisation tâchée, abimée et illisible.

Si vous avez un avis sur la question…

En plus de l’affichage du texte OCRisé, que j’avais mentionné dans la rubrique « en bref » :

• on peut sélectionner une portion d’image et la bloguer, la verser dans Google docs, ou la citer dans une page HTML, en texte ou en image



• on peut créer des listes de documents personnelles (ma bibliothèque), les RSSifier, les exporter en XML bizarre,
• dans ma bibliothèque, on peut mettre des commentaires et des tags (« libellés » qu’ils ont traduit ça !!!) sur un livre, et même le noter avec des étoiles,
• on peut aussi importer des listes de livres en entrant leur ISBN,
• on peut, paraît-il, partager tout cela avec ses amis (je n’ai pas trouvé la fonctionnalité, je ne dois pas avoir suffisamment d’amis…)
• bien sûr, on peut faire une recherche sur le contenu de sa bibliothèque.

C’est fou ce qu’ils ont comme idées. On se demande où ils vont chercher tout ça…

Quelques méthodes intéressantes ont récemment surgi sur le Web pour valoriser des collections numériques. Cela n’a plus rien à voir avec la logique très construite et même, très bibliothéconomique, des expositions virtuelles ou dossiers documentaires qu’on a l’habitude de voir dans les bibliothèques numériques aussi bien francophones qu’anglo-saxonnes.

Du côté de la numérisation de masse, nous avons deux blogs : celui de Google books search et celui d’Internet Archive. Point commun de ces deux projets de numérisation : ce sont des entrepôts de documents, qui ne sont pas construits a priori dans une logique de politique documentaire. Dans ces conditions, la valorisation sous forme de blogs est appropriée. Elle se caractérise par la recherche de "perles", en relation ou non avec l’actualité, dans le gisement documentaire qui se trouve à disposition.

Du côté des bibliothèques, l’article de Dlib sur l’utilisation de Wikipedia pour valoriser les collections numériques a déjà été cité par Marlène : il s’agit de se positionner dans le flux des usages, d’aller au-devant des étudiants dans le site qu’ils consultent au lieu d’attendre qu’ils viennent à la bibliothèque numérique. Le projet de bibliothèque francophone dans Second Life (vu sur bib 2.0) s’inscrit à mes yeux dans la même logique, aller au-devant des usagers, là où ils se trouvent.

Ce que je trouve intéressant dans ces deux démarches, c’est qu’elles sont orientées vers la sérendipité et qu’elles obéissent à une temporalité différente, nouvelle. On ne construit plus les collections sur la politique documentaire. On construit la valorisation sur les collections, a posteriori. En même temps, on « pousse » cette valorisation vers les utilisateurs, soit par blog et donc par RSS, soit en se glissant dans le flux de leurs usages. Ils pourront ainsi rencontrer par hasard la bibliothèque, au lieu d’être forcés de s’y rendre comme par un passage obligé.

(PS : Je sais pas si vous avez remarqué, mais ce billet est parfaitement typique de la biblioblogosphère : il cite les copains et s’appuie sur des sources anglo-saxones, il parle de Google, il décrit des services qu’on n’a pas en France sans oser dire qu’on devrait les avoir, il est anonyme, prospectif, et se vautre dans la technologie. C’est fou, non ?)

DELOS est un projet européen sur les bibliothèques numériques initié en 2004. Dans le Dlib de mars/avril 2007 ils présentent leur digital library manifesto : un texte déclaratif qui remet à plat les définitions des bibliothèques numériques et de leurs systèmes.

Extrait et traduction de la terminologie :

• Digital Library (DL) : une organisation, éventuellement virtuelle, qui collecte, gère et préserve sur le long terme un riche contenu numérique, et offre à ses communautés d’utilisateurs des fonctionnalités spécialisées d’accès à ce contenu, avec une garantie de qualité et suivant des politiques (chartes ?) codifiées.
• Digital Library System (DLS) : un système logiciel basé sur une architecture éventuellement distribuée, qui fournit toutes les fonctionnalités dont une bibliothèque numérique (DL) donnée a besoin. Les usagers interagissent avec une bibliothèque numérique (DL)à travers ce système.
• Digital Library Management System (DLMS) : un logiciel générique qui fournit l’infrastructure pour 1) produire et administrer un système de bibliothèque numérique (DLS) avec ses fonctionnalités fondamentales et 2) intégrer d’autres modules logiciels pour offrir des fonctions plus spécialisées.

Ensuite on y trouve plusieurs schémas qui modélisent les bibliothèques numériques, leurs systèmes et leurs relations avec les usagers.

Autant ce manifeste est conceptuel et déclaratif, autant le témoignage de James Billington, directeur de la Library of Congress, devant le Congrès américain, est ancré dans le concret et les projets. Beaucoup de chiffres y sont donnés sur les contenus numériques, leur préservation à long terme dans le cadre du programme NDIIPP, et l’accès dans le cadre de la World Digital Library.

Quelques petits chiffres au hasard :

• il a fallu deux siècles à la Library of Congress pour amasser une quantité d’information équivalente à celle qui est produite sur le Web toutes les 15 minutes
• un site Web a une durée de vie moyenne de 44 à 75 jours
• il y a 11 millions d’items (?) sur le site American Memory
• le budget pour numériser les 5 premiers millions d’items d’American Memory était estimé à 60 millions de dollars en 1994
• Google subventionne le lancement de la World Digital Library à hauteur de 3 millions de dollars
• Le nouveau centre de conservation de l’audiovisuel (NAVCC) coûte plus de 150 millions de dollars à son mécène, une fondation nommée PHI, pour y conserver 5 millions d’items et prévoir 25 ans d’accroissement.