Source : Morgane Laouenan, Palaash Bhargava, Jean-Benoît Eyméoud, Olivier Gergaud, Guillaume Plique, Etienne Wasmer (2022) A cross-verified database of notable people, 3500BC-2018AD, Scientific Data, volume 9, juin 2022.

Les auteurs de cet article paru dans la revue Nature en juin 2022 ont recueilli une quantité massive de données provenant de diverses éditions de Wikipédia et de Wikidata. La base de données contient plus de 2 millions d’individus ; elle peut être utilisée à des fins de recherche. En utilisant des techniques de déduplication des sources qui se chevauchent partiellement, ils ont pu vérifier chaque information. Cette stratégie aboutit à une base de données vérifiée de 2,29 millions d’individus uniques dont 30% proviennent de 6 éditions non anglaises de Wikipédia, une amélioration significative par rapport aux travaux antérieurs qui se concentraient uniquement sur la version anglaise de cette encyclopédie gratuite. 

Figure 2 : Part des individus présents dans la base de données, répartition par domaine d’influence.

En recourant à des éditions en 7 langues de Wikipedia et Wikidata pour assembler une liste de 4 678 040 personnes, cela a permis de réduire considérablement le biais anglo-saxon, mais pas entièrement. Deux inconvénients majeurs subsistent pour les auteurs. Premièrement, ils n’ont pas exploité les éditions en langues non occidentales pour vérifier par recoupement les informations sur les caractéristiques des individus. Deuxièmement, ils n’ont pas collecté le nombre de mots au-delà de ces 7 éditions linguistiques : ils entrent dans l’indice de notabilité, mais cet indice ne peut être considéré comme global, ce qui entraîne un biais du monde occidental dans les mesures de notabilité. Ceci est toutefois partiellement compensé par l’utilisation du nombre total d’occurrences pour toutes les éditions de Wikipédia et non seulement 7, dans leur mesure de notabilité agrégée.

La collecte des données est guidée par des questions spécifiques de sciences sociales sur le genre, la croissance économique, le développement urbain et culturel. Les personnages historiques les plus célèbres peuvent par exemple être répartis par période et par sexe, mais aussi par aires géographiques ou domaines d’activités. 

L’ensemble complet de données est disponible sur un site web dédié (https://medialab.github.io/bhht-datascape). Les données sont disponibles au format .csv et Stata (.dta). La base de données restreinte a fait l’objet d’une vérification croisée. Elle est soumise à la licence CC-BY-SA. Les fichiers intermédiaires ainsi que la base de données exhaustive n’ont pas fait l’objet d’une vérification croisée et ne doivent pas être utilisés directement ou sous l’entière responsabilité des utilisateurs.

Il est ainsi possible d’explorer en partie la base de données et de faire ses propres recherches pour établir ses propres constats.

Globalement, c’est un exemple intéressant de « big data » mis à la disposition du public et potentiellement des élèves à travers de la lecture de l’article de Nature et de l’ensemble complet des données disponibles, les deux sont sous licence libre.

Repéré via : Cartographie numérique: Une base de données historique sur les personnages célèbres dans le monde (de 3500 avant JC à 2018)

Né en 2010 d’une collaboration entre Lauren Tilton et Taylor Arnold, Photogrammar fournit une plate-forme de visualisation basée sur le Web pour explorer les 170 000 photographies prises par les agences FSA et OWI du gouvernement fédéral américain entre 1935 et 1943. La Farm Security Administration-Office of War (FSA-OWI) employait des photographes documentaires parmi les plus influents du siècle, tels que Dorothea Lange, Walker Evans et Gordon Parks. Ils ont produit des photographies emblématiques de la Grande Dépression, souvent à l’appui de l’État du New Deal. Avec le début de la Seconde Guerre mondiale, ils ont tourné leur regard vers la construction de l’image d’une nation riche et forte, prête pour la guerre (Stange 1986) (Trachtenberg et al. 1988).

Grandmother of twenty-two children living in Kern County migrant camp. California. Dorothea Lange. Décembre 1936. Lien : https://www.photogrammar.org/photo/fsa2000000771/PP

Photogrammar : le projet

Le projet est géré par le Digital Scholarship Lab (DSL) et le Distant Viewing Lab (DV Lab) de l’université de Richmond. Lauren Tilton est la directrice du projet. Taylor Arnold dirige la conservation et l’analyse des données. Rob Nelson développe et maintient l’application web. Nathaniel Ayers a conçu le site et Justin Madron a fourni une assistance SIG. Laura Wexler a géré les subventions. Le projet a été soutenu par des subventions du National Endowment for the Humanities (NEH). Les archives de la FSA-OWI sont conservées à la Library of Congress, qui a numérisé et entretient la collection, y compris les détails sur les droits et les restrictions.

En 2016, Photogrammar a reçu une subvention d’extension numérique pour placer les photographies du FSA-OWI dans le cadre de l’effort fédéral plus vaste visant à documenter l’Amérique pendant la Grande Dépression. La subvention comprenait des fonds pour développer plusieurs composants, y compris l’ajout du projet Southern Life Histories du Federal Writers’ Project (SLHP) de la Southern Historical Collection de l’Université de Caroline du Nord, Chapel Hill.

Southern Life Histories du Federal Writers’ Project (SLHP)

L’objectif du SLHP était de saisir les histoires de vie des Américains de tous les jours à partir de leurs propres perspectives. Couch (1939) voyait dans ces histoires de vie un moyen de recueillir des récits précis et authentiques des difficultés de la vie pendant la Dépression, en accordant une attention particulière aux voix marginalisées telles que les Afro-Américains, les femmes et les personnes de la classe ouvrière. Pour lui, le Sud était confronté à de nombreux problèmes qui devaient être résolus, mais les données sociologiques qui se concentraient sur les données et les chiffres masquaient les réalités de la vie et ne parvenaient pas à inciter le grand public à adopter les changements nécessaires. Au lieu de cela, il pensait que les histoires réelles racontées par des personnes réelles constituaient le type de preuve qui avait le pouvoir de créer le changement.

Cependant, comme d’autres formes de documentation qui prétendent à l’authenticité, les histoires de vie en disent autant aux lecteurs sur leurs créateurs, dans ce cas les écrivains fédéraux, que sur les personnes interrogées. De plus, l’utilisation par les auteurs de pratiques de représentation démontre souvent comment le racisme, le sexisme et l’inégalité ont été perpétués dans les histoires du quotidien. En raison de leur composition complexe, ils servent de compagnon important aux photographies du FSA-OWI qui ont été prises à la même période. Les deux projets ont cherché à documenter l’expérience américaine et à négocier les désirs et les besoins de ceux qui documentaient, de ceux qui étaient documentés et des agences de financement.

Lors de la réalisation de la première version de Photogrammar, le projet a grandement bénéficié des décennies de travail de la Librairie du Congrès pour numériser les photos et créer les métadonnées étendues qui les accompagnaient. Cela n’a pas été le cas pour les histoires de vie.

Comme de nombreux autres projets impliquant des documents d’archives, la couche des histoires de vie a nécessité la création, le catalogage et l’organisation de métadonnées à partir du matériel d’archives, ainsi que le marquage et le nettoyage des documents individuels avant que le matériel ne soit prêt à être intégré à la plate-forme Photogrammar. Dans ce cas, les métadonnées étaient centrées sur les noms, les races et les sexes des auteurs et des personnes interrogées pour chaque histoire de vie, afin d’optimiser la fonctionnalité de recherche dans la collection et de générer des visualisations qui analysent la collection de manière nouvelle. Bien que ce processus puisse sembler simple, il s’est avéré assez obscur car les métadonnées ont dû être extrapolées à partir d’histoires créées par l’interprétation d’un écrivain de la vie d’une personne interrogée, souvent écrite comme une conversation qui ne se déroule pas dans une progression linéaire.

La construction des données dans un projet d’humanités numériques

Cette phase de construction des données est souvent l’épine dorsale des projets de DH, en particulier ceux qui utilisent la visualisation et l’analyse de texte. Bien que ce processus soit d’une importance cruciale, c’est souvent la partie du projet qui reçoit le moins d’attention et d’attribution. Ce manque d’attention est probablement dû au fait que les données sont souvent comprises comme étant données, ou comme existant déjà [Rosenberg 2013]. On entend souvent un spécialiste en DH parler de  » son corpus  » de livres, de photographies ou de matériel d’archives. Pourtant, rendre ces sources exploitables sur le plan informatique est une entreprise considérable. Transformer le PDF d’un écrit en texte propre et clair peut nécessiter des logiciels coûteux et des personnes qui corrigent manuellement les erreurs. L’organisation des sources en ligne ou pour l’analyse implique souvent la création d’une base de données tabulaire ; un processus qui nécessite la création de métadonnées.

Attirer l’attention sur le caractère construit du processus est l’une des raisons pour lesquelles Johanna Drucker a plaidé pour l’utilisation de capta, ce qui est capturé, plutôt que du terme données (Drucker 2011). En réalité, la création d’un corpus nécessite d’innombrables décisions sur ce qui compte réellement comme données et sur la manière de créer ces données. Par conséquent, en faisant référence au « corpus », tant les décisions interprétatives dans la création des données que le travail qui rend les données disponibles (en particulier ceux qui collectent, stockent et préservent ces sources) sont obscurcis par la singularité du terme. De plus, la construction des données n’est qu’un élément du réseau complexe de travail des projets numériques. En réponse aux travaux d’universitaires tels que Amy Earhart, Miriam Posner et Roopika Risam, Spencer Keralis explique :

Le réseau de travail nécessaire à la production de projets numériques est complexe, allant du travail physique de maintenance du matériel et de l’infrastructure essentielle à ces projets, au travail hybride  » dans lequel les machines se combinent aux humains pour exécuter des tâches  » dans les logiciels ou avec les appareils, aux tâches scénarisées exécutées automatiquement dans les systèmes, à l’écriture de ces scripts, au travail de connaissance qui sert de base intellectuelle à un projet, au travail instrumentalisé des travailleurs qui exécutent des tâches répétitives qui ne peuvent pas être scénarisées (Keralis 2016, 4).

Bibliographie :

• Couch, W. T. (ed.) (1939). These Are Our Lives. University of North Carolina Press.
• Drucker, J. (2011). Humanities Approaches to Graphical Display. Digital Humanities Quarterly, 5 (1), Lien : http://www.digitalhumanities.org/dhq/vol/5/1/000091/000091.html.
• Keralis, S. (2016). Labor. Digital Pedagogy in the Humanities: Concepts, Models, and Experiments. MLA Commons.
• Rosenberg, D. (2013). Data before the Fact. In Gitelman, L. (éd.) (2013). Raw Data is an Oxymoron. Cambridge: MIT Press.
• Stange, M. (1986). Symbols of Ideal Life: Technology, Mass Media, and the FSA Photography Project. Cambridge University Press.
• Trachtenberg, A., Fleischhauer, C., Brannan, B. W & Levine, L. W, (1988). Documenting America, 1935-1943, 2. University of California Press.

Source et adaptation (traduction) de Courtney, R., Taylor, A. & Tilton, L. (2019). Building Pedagogy into Project Development: Making Data Construction Visible in Digital Projects. DHQ: Digital Humanities Quarterly, Volume 13 Number 2. Lien : http://digitalhumanities.org:8081/dhq/vol/13/2/000419/000419.html

Written with StackEdit.