Du Literary and linguistic computing aux Digital Humanities : retour sur 40 ans de relations entre sciences humaines et informatique

Dans le cadre du séminaire Digital Humanities : les transformations numériques du rapport aux savoirs, nous avons reçu le 16 décembre dernier Lou Burnard, qui est directeur de l’Information and support group des Oxford University Computing Services. Figure importante de la communauté TEI, il est co-éditeur des Guidelines for Electronic Text Encoding and Interchange et participe aux travaux du British National Corpus. Il travaille depuis cette année à temps partiel pour le TGE Adonis.

Résumé de la communication

Les sciences humaines sont en train de vivre un tournant majeur en intégrant de manière de plus en plus étroite l’usage des technologies numériques dans leurs pratiques de recherche. Cette évolution est pourtant en marche depuis plusieurs décennies, avec, dès les années 60, la réalisation de l’index Thomisticus par Roberto Busa. Dans son intervention, Lou Burnard revient sur cette évolution historique qu’il propose d’analyser suivant une structuration en trois périodes : Literary & linguistic computing, Humanities computing et enfin Digital humanities. Ces trois moments peuvent être identifiés comme trois pistes et positionnements différents dans la manière d’explorer les relations entre sciences humaines et informatique.

Support de présentation

Enregistrement audio de la séance

Notes prises par Marin Dacos au cours de la séance
L’histoire des digital humanities, depuis 40 ans, par la confrontation entre le texte et les données. Dans les années 1970, se posait déjà le problème :

– en traitant le texte comme s’il était des données,

– en traitant les données… comme si elles n’étaient pas du texte ! Les données ne sont pourtant rien sans leur contexte.

Nous avons atteint un point de non-retour. Notre infrastructure scientifique est devenue complètement numérique. La structure de la connaissance est numérique, de façon irréversible. Les modèles commerciaux de l’infrastructure des connaissances sont également devenus numériques. Les bouleversements quantitatifs ont eu un impact qualitatif.

Les objets des SHS sont désormais numériques, même si les méthodes n’y parviennent pas encore. Et nos méthodes changent en permanence.

En particulier, nous sommes en train de passer de l’hypertexte à l’hyperdata : d’un web des documents à un web des données. La technologie est à peu près prête, mais les principaux problèmes sont plutôt socio-politico-culturels.

Première période. Literary and linguistic computing (LLC)

C’est l’âge héroïque. Le père Busa, un Jésuite,  en 1949, s’est mis en tête qu’il pourrait se servir de ces grosses machines, les mainframes IBM. Il avait des amis à Rome qui lui ont permis de se servir de l’installation IBM à Londres, pour gérer une nouvelle édition de Thomas d’Aquin. Ils ont tapé l’ouvrage en entier. C’est le premier travail d’édition électronique! Ça a pris beaucoup de temps. L’index Thomasticum est sorti en 1972.

Dix ans plus tard, à l’université de Brown, aux USA, on a construit le premier corpus linguistique. The Brown corpus for use on digital computers. Deux linguistiques américains, Henry Kucera et Nelson Francis, ont créé ce corpus. Il y avait un million de mots dans ce corpus ! Là aussi, c’était tapé à la machine, sur des cartes perforées, en lettres majuscules. Ils cherchaient à décrire la langue anglaise contemporaine. Ils ont pris quelques dizaines de livres, dans une bibliothèque, comprenant des fictions et des essais, de nombreux genres. C’est une des étape importante dans l’évolution de l’application des technologies dans les recherches linguistiques.

Ensuite, Thesaurus linguae graecae : corpus de langue grecque ancienne. Un professeur de grec, aux USA, Theodor Brunner, donnait des cours du soir, au grand public, pour présenter la littérature grecque. Un soir, un membre du public lui a demandé ce qu’il lui manquait pour mener des recherches sur les occurrences des mots dans la littérature. C’était David Hewlett (fils de Hewlett de Hewlett Packard). Il a financé Brunner pour enregistrer toute la littérautre. Il rencontra notamment des problèmes d’encodage. A l’époque des cartes perforées, il pouvait décrire les 26 lettres de l’alphabet latin, et quelques autres signes. Mais le grec… Ils ont dû inventer leur propre système d’encodage. Il s’appelait Beta Code. C’est une façon de présenter les lettres de l’ancien grec, sous format déguisé, en ASCII. Cela a posé problème ensuite, avec l’apparition d’Unicode… En ASCII, le A est le 31. Mais en Beta code, c’est un Alpha. C’est une convention qui dit : vous êtes en Beta Code, donc il faut savoir que 31 est l’Alpha. C’est un génial bricolage, qui utilise 256 caractères de l’ASCII. Evidemment, pose de gros problèmes de cohabitation entre Latin et Grec, et entre machines.

Il y a eu bien d’autres projets, qui auraient pu être sélectionnés dans cette histoire.

Construire un corpus… c’est bien. Mais que va-t-on faire avec ? A l’époque, l’idée était surtout de quantifier le style : mesurer les régularités statistiques dans le texte (quantification of style). Par exemple, étude de la concordance : la concordance est une invention médiévale, qui permet de savoir comment il faut se servir de tel ou tel mot. Lou montre le British national corpus, et cherche le mot « juxtaposition ». On voit apparaître les régularités des contextes d’apparition du mot, essentiellement les éléments qui le précèdent et qui le suivent. En 1959, les Cornell University Presses publient (sur papier) un nombre de concordances littéraires extraites d’un tri informatique. C’est un travail très lourd, qui donne une ligne par occurrence de chaque mot. Cornell University Press l’a vendu sous forme imprimée, mais ce n’était guère pratique… En 1968, fondation de CETEDOC, à Louvain la Neuve. C’est un des premiers centres de recherche dédié à l’appplication de l’informatique à des études médiévales et classiques. Ce centre fonctionne encore.

Autre cas : recherches portant le style, avec l’idée d’identifier un auteur par son style. Par exemple, ce type de méthode a été appliqué à l’attribution de textes à Saint Paul. A.Q. Morton, Paul, the man and the myth (1966). On étudie la courbe de fréquence des mots de chaque auteur, qui ne correspond pas du tout à une courbe qui serait due au hasard. Selon certains auteurs, il existe des « empreintes digitales » dans la manière dont chaque auteur utilise la langue et les mots. Lou Burnard est un peu sceptique sur cette approche très statistique.

En LLC, ce qui compte… c’est de compter.

En 1974, Robert William Fogel and Stanley L. Engerman, Time on the Cross: The Economics of American Negro Slavery. Boston: Little, Brown and Company, 1974. xviii + 286 pp. L’ouvrage essaie de voir si l’esclavage, en tant que système économique, était plus efficace que la liberté. Leur idéologie était l’idéologie numérique. Pour eux, le plus important étaient les faits, les chiffres, les faits. Ils ont fini par dire que les esclaves n’étaient fouettés que 0,7 fois par an. Ce livre a provoqué une explosion de critiques. C’était méthodologiquement très neuf. Cela reste un texte fondamental dans l’histoire économique et l’histoire des noirs. Ils ont été attaqués comme cliometricians. Cela a porté un coup très dur à la méthode informatique en histoire.

LLC est aussi une revue, fondée en 1976. http://llc.oxfordjournals.org/ Les LLC sont toujours vivantes et particulièrement en France. C’est la textométrie : le texte est considéré comme un phénomène statistique. Ils utilisent l’analyse factorielle et le data mining. Equipe à Lyon.

Deuxième phase. Humanities computing. Les années 1980-1994

Émergence des humanities centers. En Angleterre, se développent les programmes d’informatisation des écoles : “Computers in teaching initiative”. Il y a eu le BBC micro, vendu aux écoles pour que chaque enfant apprenne le Basic. Du côté recherche, “Arts and humanities data service” : une infrastructure pour les centres numériques existants. Est-ce qu’on était en train de faire quelque chose de nouveau ?

Ont émergé des communautés. Le Web n’existait pas. Mais le courrier électronique et les liste de discussion se développent. En 1987, fondation de la liste Humanist.

En 1976, Lou Burnard fonde le Oxford text archive. Ils disposaient d’une machine permettant de scanner et de faire de l’OCR sur le corpus. Ils mettaient la machine à disposition des chercheurs anglais. Ils numérisaient pour les chercheurs, à condition qu’ils acceptent qu’un entrepôt de données conserve les textes.

A la même époque, le Projet Gutenberg se développe, mais ce dernier n’étant pas construit très scientifiquement.

En France, Jean-Philippe Genet et d’autres historiens avancent prudemment l’idée que la numérisation des textes permettrait d’extraire des faits pour soutenir une théorie ou une hypothèse. Cela a été systématisé par Manfred Thaller, via Kleio, une base de données textuelle avant la lettre.

Une association internationale pour l’histoire et l’informatique est créée en 1987.

Le défi pour les humanities computing

Est-ce que les Humanities computing ont une théorie ? Est-ce que les textes numérisés sont intrinsèquement différents des textes analogiques ? Ou est-ce seulement un assemblage de méthodes et d’ingéniéries ?

Quand on a une ressource, on l’encode, on fait l’analyse, mais l’analyse comme l’encodage dépendent d’un modèle abstrait. Le modèle abstrait définit ce qu’est un texte : les paragraphes, les divisions, etc.

Dans le domaine universitaire, il ne suffit pas de conserver les octets d’un encodage. On a besoin d’une continuité de compréhension : l’encodage doit être auto-descriptif. C’est le sens et l’importance de la Text encoding initiative (TEI).

TEI est le seul projet d’Humanities computing qui dure toujours aujourd’hui. Il y avait une véritable tour de Babel de formats, avec une absence totale de standardisation, bien que chacun soit s’appuie sur le même modèle conceptuel. Il était difficile de faire converger les modalités pratiques d’encodage. La TEI a émergé comme un simple modèle, encyclopédique, des « significant particularities » des ressources textuelles.

Exemple : les tablettes de Vindolanda, dans un fort romain du mur d’Hadrien. Dans les années 1980, on a trouvé de petites tablettes, avec couche de cire par dessus. Ça permettait d’effacer. Mais on a trouvé des traces d’écritures superposées. Il montre un exemple d’encodage, qui permet de décrire le texte avec toutes ses ambiguïtés. L’encodage en question est le résultat d’un travail collaboratif de retranscription, débouchant sur un consensus.

Finalement 1995-… : les digital humanities

Et en 1994, le Web est arrivé. Pendant que les humanities computing discutaient… apparition de la numérisation en masse, explosion des capacités informatiques. L’informatique devient une commodité. Dans les années 1980, ça marchait peu ou prou… Emergence du grid computing. Emergence des folksonomies, du cloud computing…

La Library of congress a fait un rapport très intéressant sur les folksonomies apportées par le public à photothèque du Library of Congress sur FlickR.

• Convergence et collaboration : rethinking scholarly editing, redefining the discipline.
• New infrastructures?
• The rise of digital library
• Problème de l’autorité et de “link-rot”.
• Les biens non rivaux.
• L’open source.

Est-ce que ce modèle peut marcher pour les ressources numérisées? Il y a des projets qui sont en train d’essayer de faire cela : “Digital humanities manifesto 2.0” (UCLA). Pour eux, les digital humanities ne sont pas un champ unifié, mais un ensemble de pratiques qui convergent :

1. L’imprimé n’est plus le seul média permettant la dissémination de la connaissance, de la science. L’imprimé se trouve absorbé par de nouvelles configurations multimédia.
2. Les digital tools, techniques and media ont modifié la façon de faire de la science.

L’économie des digital humanities est basée sur l’abondance, et non sur la rareté.

The importance of not reading

Que va-t-il pouvoir faire des millions de livres numérisés ? John Unsworth : “Although there is still a need for close-reading… we never don’t not read”. Nouvelle synergie de méthodes, comme le corpus linguistiques, les pattern recognition, le data mining, la visualisation…

Conclusion

Les humanities apportent une contribution importante au web sémantique (TEI).

Pour Lou, l’informatique, c’est une discipline des humanités.

---

---