Compte rendu de la conférence « Keywords and metadata extraction from pre-prints »
Conférence de Heather A Piwowar et Wendy W Chapman
University of Koln – Germany
Le renseignement des métadonnées par des humains coûte cher. Est-il possible de faire en sorte que des systèmes automatiques génèrent les métadonnées à la place des auteurs?
Ils formulent une hypothèse intitulée « The half of loaf hypothes ». Il faut une approche hybride:
-
extraire autant de métadonnées que possible
-
demander à l’utilisateur de vérifier, nettoyer et compléter ce qui doit l’être
Etude des corpus d’archives ouvertes : les PDF peutvent être cryptés, corrompus, mal encodés. Les images peuvent ne pas être incluses. Environ 3 à 6% des documents sont concernés par ces problèmes de qualité.
Ils constatent que la pratique de la structuration sémantique des données souffre de nombreuses exceptions sur le terrain. En particulier, les formats Postscript et PDF positionnent des mots dans la page, pas des éléments sémantiques. D’autre part, l’utilisation d’éditeurs WYSIWYG en HTML produit des résultats très faiblement structurés. Et qui comportent des structurations variables pour le même type d’information. Elles citent en particulier les intertitres, qui sont parfois décrits avec des classes, des polices, et pas toujours avec des instructions de type H1…
La méthode employée est l’extraction de données de fichiers considérés comme de simples flux de caractères, non structurés, donc.
Les informations extraites sont les suivantes:
-
Titre
-
Auteurs
-
Affiliations
-
Courrils
-
URL
-
Résumés
-
Structuration des intertitres (table des matières)
-
Citations
-
Références
-
Figures, tableaux, …
-
Acknowledgments
La vogue actuelle d’enthousiasme concernant les pratiques bibliométriques impose de mesurer les citations correctements. Harnad et Carr ont décrit des méthodes permettant d’exploiter des outils tels que OJS et Cogprints, à partir du moment où ils produisent des citations correctement structurées.
Ils identifient de nombreuses erreurs, notamment typographiques et orthographiques dans la saisie. C’est particulièrement vrai pour les citations d’autres auteurs, surtout s’ils viennent d’autres cultures. Par exemple, des inversions de nom et de prénom sont fréquentes.
Les erreurs ont tendance à se propager. Elles confortent une tendance vers des erreurs similaires.
Le système proposé s’appuie sur une importante banque de données, contenant les informations déjà publiées dans le passé, de façon à mieux interpréter l’information, en réalité à prédire des résultats plus pertinents. Par exemple, pour associer un titre, un auteur, un email, une affiliation ensemble, il faut savoir que l’ordre de saisie dans le texte est aléatoire. On doit s’appuyer sur des probabilités.
Corrriger des métadonnées extraites est plus rapide que de saisir ou de copier-coller ces métadonnées. Les métadonnées obtenues comportent moins d’erreurs quand l’utilisateur est invité à corriger des données déjà extraites. La satisfaction de l’utilisateur est meilleure.
Ils ont composé deux groupes de testeurs. Le premier utilisait le système hybride. L’autre le système manuel. Puis ils ont échangé les rôles. Le système hybride est toujours le plus rapide. Il produit des résultats de meilleure qualité. Les utilisateurs indiquent qu’ils préfèrent le modèle hybride.
Le modèle hybride proposé est qualifié par les auteurs « semi automatic meta data entry ».
Marin Dacos
OpenEdition vous propose de citer ce billet de la manière suivante :
Marin Dacos (26 juin 2008). Compte rendu de la conférence « Keywords and metadata extraction from pre-prints ». L’Édition électronique ouverte. Consulté le 17 mars 2025 à l’adresse https://doi.org/10.58079/5tb