Pourquoi les métadonnées sont essentielles aux humanités numériques
Une archive numérisée, une photographie ancienne, un manuscrit transcrit, une carte ou un enregistrement sonore ne deviennent pas automatiquement des ressources utilisables parce qu’ils ont été convertis en fichier numérique. Pour être retrouvés, compris, cités, comparés et réutilisés, ces objets doivent être accompagnés d’informations structurées. Ces informations sont les métadonnées.
Une métadonnée peut indiquer le titre d’un document, son auteur, sa date, sa langue, son sujet, son format, ses droits ou encore la relation qu’il entretient avec d’autres ressources. Elle ne se limite donc pas à une courte notice descriptive. Elle peut aussi documenter les opérations de numérisation, les versions d’un fichier, les transformations effectuées, les personnes ou les organismes intervenus, ainsi que les conditions nécessaires à la réutilisation.
Dans les humanités numériques, cette description joue un rôle particulier. Les corpus sont souvent hétérogènes, multilingues et composés de documents dont le contexte historique compte autant que le contenu. Une photographie isolée de son fonds d’origine, une lettre sans date fiable ou une édition numérique sans indication sur la transcription peuvent perdre une partie de leur valeur scientifique.
Les métadonnées servent ainsi à plusieurs fonctions :
- identifier une ressource de manière précise ;
- décrire son contenu, sa forme et son contexte ;
- organiser un corpus et ses relations internes ;
- préserver les informations nécessaires à sa conservation numérique ;
- permettre la découverte par un catalogue, un moteur de recherche ou un entrepôt ;
- rendre possible l’échange entre outils et projets distincts.
Une bonne politique de métadonnées ne consiste donc pas à remplir le plus grand nombre possible de champs. Elle consiste à choisir des informations pertinentes, compréhensibles et maintenables, en fonction des usages du corpus.
Dublin Core : un vocabulaire généraliste pour décrire les ressources
Le terme Dublin Core désigne un ensemble de termes de métadonnées élaboré à partir des travaux engagés à Dublin, dans l’Ohio, en 1995. La Dublin Core Metadata Initiative, généralement abrégée DCMI, maintient et documente ce vocabulaire. Son objectif historique est de fournir un socle descriptif suffisamment simple pour être utilisé dans des contextes variés.
Le noyau initial comprend quinze éléments, parmi lesquels title, creator, subject, description, publisher, date, type, format, identifier, source, language, relation, coverage, rights et contributor. La DCMI a ensuite développé un ensemble plus large appelé DCMI Metadata Terms, qui comprend notamment des propriétés, des classes et des vocabulaires associés.
Dublin Core est utile parce qu’il fournit un langage commun pour une description de premier niveau. Une notice peut par exemple associer un titre à une ressource, identifier son créateur, préciser sa date et signaler ses droits. Cette structure est particulièrement adaptée aux catalogues, aux bibliothèques numériques et aux échanges entre plateformes qui ne partagent pas le même modèle documentaire.
Il faut toutefois éviter une confusion fréquente : Dublin Core n’est pas un formulaire universel qui suffirait à décrire correctement tout type de document. Ses termes restent relativement généraux. Le terme date, par exemple, peut désigner une date de création, de publication, de modification ou de numérisation. Pour éviter cette ambiguïté, les projets doivent préciser leur modèle d’application et utiliser des termes plus spécialisés lorsque cela est nécessaire, comme created, issued ou modified.
Dublin Core doit donc être compris comme un vocabulaire descriptif interopérable, et non comme une méthode complète d’archivage, de catalogage ou de conservation numérique.
Les grandes familles de métadonnées
La distinction entre plusieurs familles aide à comprendre pourquoi un même objet numérique peut nécessiter plusieurs descriptions complémentaires. Les frontières ne sont pas toujours parfaitement étanches, mais trois catégories sont couramment utilisées.
| Famille | Fonction principale | Exemples en humanités numériques |
|---|
| Métadonnées descriptives | Identifier et caractériser une ressource pour faciliter sa découverte et son interprétation | Titre, auteur, sujet, date, langue, résumé, genre |
| Métadonnées administratives et techniques | Documenter la gestion, les droits, le format et les opérations réalisées | Type de fichier, résolution, logiciel utilisé, droits d’accès, checksum |
| Métadonnées structurelles | Décrire les relations entre les parties d’un objet ou d’un corpus | Pages d’un livre, fichiers d’une œuvre audiovisuelle, volumes d’un fonds |
Cette typologie permet de distinguer le contenu d’une notice de la description du fichier lui-même. Une image peut avoir pour titre le nom d’un monument, tandis que son fichier possède un format TIFF, une résolution donnée et une date de numérisation différente de la date historique de la photographie.
Les métadonnées de préservation ajoutent une autre dimension. Le standard PREMIS, maintenu dans le domaine de la conservation numérique par la Library of Congress, décrit des informations utiles pour assurer la pérennité des objets numériques : événements de conservation, agents impliqués, objets conservés et droits associés. Il ne remplace pas une description bibliographique, mais la complète.
Dans un projet, la première question à poser n’est donc pas seulement « quels champs utiliser ? », mais aussi « quels usages ces champs doivent-ils soutenir ? ». La recherche, la consultation grand public, la conservation et la réutilisation automatique n’exigent pas exactement les mêmes informations.
Dublin Core face aux autres standards documentaires
Les humanités numériques mobilisent plusieurs standards, chacun ayant une histoire et une finalité particulières. Les choisir revient à articuler des niveaux de description plutôt qu’à chercher un standard unique capable de tout représenter.
- TEI, portée par la Text Encoding Initiative, est adaptée à l’encodage de textes et de sources dans une perspective éditoriale et analytique. Elle permet de représenter la structure d’un document, les variantes, les notes, les noms de personnes ou les lieux, au-delà d’une simple notice bibliographique.
- METS, développé dans le domaine des bibliothèques numériques, sert à empaqueter des métadonnées descriptives, administratives et structurelles. Il peut organiser les fichiers qui composent un objet numérique complexe.
- MODS, également utilisé dans les environnements documentaires, offre une description bibliographique plus riche que le Dublin Core simple tout en restant plus souple que certains formats de catalogage complets.
- IIIF définit des interfaces et des structures pour diffuser des images et des présentations d’objets numériques. Il est particulièrement utile pour consulter des manuscrits, des cartes ou des œuvres numérisées dans des visionneuses compatibles.
- CIDOC CRM propose un modèle conceptuel pour représenter les événements, les objets, les acteurs, les lieux et les relations dans le patrimoine culturel. Il est utile lorsque le contexte et les relations historiques sont au centre du projet.
Ces standards ne sont pas nécessairement concurrents. Une édition numérique peut utiliser TEI pour le texte, IIIF pour les images, Dublin Core pour une notice de découverte et PREMIS pour certains éléments de conservation. La difficulté consiste à documenter les correspondances entre ces modèles.
La crosswalk, ou table de correspondance, indique par exemple comment un élément d’un schéma local est converti vers dc:title, dc:creator ou un autre terme. Une conversion peut cependant faire perdre de la précision. Transformer une date de création, une date de publication et une date de numérisation en un seul champ générique date simplifie l’échange, mais réduit l’information disponible.
Interopérabilité : partager sans effacer le contexte
L’interopérabilité désigne la capacité de systèmes différents à échanger et à interpréter des données. Elle ne repose pas uniquement sur l’utilisation d’un même format. Deux projets peuvent employer le terme subject tout en utilisant des vocabulaires différents, ou attribuer des significations distinctes à un même champ.
Une interopérabilité solide suppose au moins quatre éléments :
- des noms de champs et des définitions documentés ;
- des formats d’échange connus et validés ;
- des vocabulaires contrôlés ou des règles de saisie explicites ;
- des identifiants permettant de distinguer les ressources, les personnes et les concepts.
Le recours à des identifiants pérennes est central. Un titre peut varier selon la langue ou l’édition, tandis qu’un identifiant stable permet de reconnaître la même ressource dans plusieurs systèmes. Il faut toutefois distinguer l’identification d’une œuvre, d’une édition, d’un fichier et d’une notice. Ces niveaux ne sont pas interchangeables.
Les vocabulaires contrôlés ont également une fonction importante. Pour décrire le sujet d’un document, un projet peut accepter des termes libres, employer une liste interne ou s’appuyer sur un thésaurus reconnu. Le choix dépend du corpus et des objectifs. Un vocabulaire contrôlé améliore la cohérence, mais il ne doit pas masquer les désaccords scientifiques ou les évolutions historiques des catégories.
Les données liées et les technologies du Web sémantique, notamment RDF, permettent de représenter des relations entre ressources plutôt que de simples couples champ-valeur. Cette approche peut être utile pour relier une personne à une œuvre, un événement à un lieu ou une édition à une source. Elle demande en contrepartie une modélisation plus rigoureuse et une documentation plus exigeante.
Les bonnes pratiques pour construire un schéma de métadonnées
La qualité d’un projet dépend souvent davantage de ses décisions documentées que du nombre de technologies mobilisées. Une méthode progressive aide à éviter les incohérences.
Commencer par les usages et les objets
Il faut d’abord inventorier les types de ressources : textes, images, sons, vidéos, personnes, lieux, événements, éditions ou fichiers techniques. Pour chacun, il convient d’indiquer les usages attendus. Une notice destinée à la recherche ne sera pas conçue exactement comme une notice destinée à une interface de consultation.
Définir les champs et leur sens
Chaque champ doit posséder une définition, un type de valeur, une règle de répétition et, si possible, un exemple. Le terme « auteur » doit préciser s’il désigne l’auteur intellectuel, le photographe, le transcripteur, l’éditeur scientifique ou toute personne ayant contribué à la ressource.
Décrire les valeurs et les formats
Les dates doivent suivre une convention documentée. Les langues doivent être codées de manière cohérente. Les formats de fichiers, les niveaux d’accès et les types de ressources doivent utiliser des valeurs stables. Les conventions retenues peuvent s’appuyer sur des normes existantes, mais elles doivent rester compréhensibles pour les personnes qui alimentent le corpus.
Prévoir les valeurs inconnues
Une information absente n’est pas toujours une information oubliée. Il faut distinguer « inconnu », « non applicable », « non renseigné » et « confidentiel » lorsque ces situations ont des conséquences différentes. Remplir un champ avec une valeur inventée ou une approximation non signalée dégrade la fiabilité du corpus.
Documenter les transformations
Les corrections, conversions, alignements et enrichissements doivent laisser une trace. Une métadonnée peut être produite automatiquement, saisie par une personne ou déduite d’une autre source. Cette provenance aide à évaluer sa fiabilité et à corriger les erreurs sans perdre l’historique des opérations.
Qualité, incertitude et responsabilité documentaire
La qualité des métadonnées ne se mesure pas uniquement au taux de remplissage. Une notice complète peut être trompeuse si ses valeurs sont imprécises, incompatibles ou dépourvues de source. À l’inverse, une notice partiellement renseignée peut être honnête et utile si ses limites sont explicites.
Plusieurs critères peuvent guider l’évaluation :
- exactitude : la valeur correspond-elle à la ressource ?
- cohérence : les mêmes règles sont-elles appliquées à l’ensemble du corpus ?
- complétude : les informations nécessaires aux usages prévus sont-elles présentes ?
- provenance : sait-on qui a fourni ou transformé l’information ?
- actualité : la notice reflète-t-elle l’état courant du projet ?
- accessibilité : les métadonnées sont-elles lisibles et exportables dans un format documenté ?
Les documents historiques posent une difficulté supplémentaire : leurs catégories ne coïncident pas toujours avec celles d’aujourd’hui. Les noms de lieux, les identités, les professions et les classifications peuvent avoir changé. Une description rigoureuse doit conserver la trace de la source et, lorsque cela est pertinent, distinguer la terminologie présente dans le document de l’indexation contemporaine.
Les métadonnées ne sont donc pas neutres. Choisir un vocabulaire, regrouper des catégories ou normaliser un nom produit une interprétation. Cette interprétation peut être nécessaire pour rendre un corpus interrogeable, mais elle doit être documentée afin que les utilisateurs puissent comprendre les choix effectués.
Les droits doivent aussi être décrits avec précision. Il faut distinguer les droits portant sur l’objet original, la reproduction numérique, la notice et les éventuels enrichissements. Une indication générale du type « libre de droits » peut être insuffisante, voire trompeuse, si elle ne précise pas le périmètre concerné.
Un parcours pratique pour un projet de corpus numérique
Pour passer de principes généraux à une mise en œuvre concrète, un projet peut suivre un parcours en plusieurs étapes :
- Délimiter le périmètre : préciser les objets décrits, les publics, les usages et le niveau de détail attendu.
- Observer les pratiques existantes : examiner les catalogues, inventaires ou standards déjà utilisés dans le domaine concerné.
- Choisir un socle : retenir Dublin Core pour une description générale, ou un modèle plus spécialisé lorsque le corpus l’exige.
- Rédiger un profil d’application : définir les champs retenus, leurs obligations, leurs répétitions, leurs vocabulaires et leurs formats.
- Créer un petit jeu de test : inclure des cas ordinaires, des documents complexes, des informations manquantes et des relations entre objets.
- Contrôler les données : détecter les valeurs incohérentes, les dates mal formées, les identifiants dupliqués et les champs ambigus.
- Documenter les mappings : expliquer comment le modèle local est exporté vers Dublin Core ou vers un autre standard.
- Prévoir la maintenance : désigner les responsabilités, les règles de correction et la conservation des versions.
Un profil d’application est particulièrement utile. Il ne crée pas nécessairement un nouveau standard. Il précise comment un projet utilise des éléments existants. Par exemple, il peut rendre obligatoire title, autoriser plusieurs valeurs pour subject, imposer un format de date et demander un identifiant pour chaque ressource.
Les outils automatiques peuvent aider à valider les formats, repérer les doublons ou convertir les notices. Ils ne remplacent pas l’expertise nécessaire pour interpréter une source, évaluer une date incertaine ou choisir une catégorie adaptée. L’automatisation doit être considérée comme une aide contrôlée, avec des règles et une possibilité de révision.
FAQ sur les métadonnées en humanités numériques
Dublin Core suffit-il pour tout projet ?
Non. Dublin Core constitue un socle généraliste efficace pour la découverte et l’échange, mais il ne décrit pas avec assez de précision tous les textes, manuscrits, objets patrimoniaux ou processus de conservation. Il peut être associé à TEI, METS, IIIF, PREMIS ou à d’autres modèles selon les besoins.
Quelle différence entre une métadonnée et une donnée ?
La distinction dépend du contexte. Le texte d’un livre, une image ou un enregistrement peut être considéré comme la donnée principale, tandis que son titre, sa date et son format sont des métadonnées. Dans un autre contexte, une transcription peut être une donnée et les informations sur son édition devenir des métadonnées. Il s’agit donc d’une relation fonctionnelle plutôt que d’une séparation absolue.
Faut-il remplir tous les champs disponibles ?
Non. Un champ doit être conservé s’il répond à un usage, améliore la compréhension ou facilite la gestion du corpus. Des champs trop nombreux, mal définis ou rarement renseignés peuvent réduire la cohérence de l’ensemble. Mieux vaut un modèle ciblé et documenté qu’une collecte exhaustive impossible à maintenir.
Comment traiter une information incertaine ?
Il faut conserver la valeur disponible, indiquer son degré ou sa nature d’incertitude lorsque le modèle le permet, et documenter la source de l’hypothèse. Une date estimée ne doit pas être présentée comme une date certaine. La transparence sur l’incertitude est une composante de la qualité documentaire.
Pourquoi les identifiants sont-ils si importants ?
Ils permettent de distinguer des ressources qui portent des titres proches, de relier des notices entre elles et de limiter les ambiguïtés lors des échanges. Ils doivent être attribués à un niveau clairement défini : œuvre, édition, objet numérique, fichier ou notice.