L'intérêt des vocabulaires contrôlés dans HAL

Les établissements utilisateurs des données peuvent se féliciter de la présence de vocabulaires contrôlés disciplinaires tels que JEL, ACM ou MeSH ✨.

Car malheureusement, on revient de loin  : la saisie, des années durant, de mots-clés libres a généré une "dette technique de données" qui rend délicate, par exemple, la caractérisation des profils d'expertise des chercheurs ou des laboratoires à partir des données Hal ¹ Pour rendre le problème plus parlant , voici la liste des variantes de graphies pour quelques-mots clés, obtenues depuis l'API Hal :

Même si ces exemples n'ont pas été choisis tout à fait au hasard , ils donnent une petite idée, a posteriori et a contrario, de l'importance qu'il y a à fournir des mécanismes de suggestion ("autocomplétion" ) basés sur des vocabulaires reconnus. Et pas seulement pour limiter les "variantes" orthographiques 🙈 .

Car idéalement, pour gérer les informations sur la recherche selon les canons des "FAIR Data" , il faudrait également disposer pour chaque concept d'un identifiant unique (une URI) se prêtant, si possible, à un « déréférencement » : une opération qui consiste à naviguer  sur le web jusqu'à la source de données indiquée par l'URI (qui est aussi, souvent, une URL : c'est pratique  😊 ). 

Par exemple, pour "Partenariat public-privé", si on disposait d'une URI telle que https://catalogue.bnf.fr/ark:/12148/cb13755654m ou https://www.idref.fr/061611514, on pourrait obtenir une foule de bénéfices  : des traductions, des alignements avec des vocabulaires tiers (Public-private sector cooperation de la Library of congress ), des variantes... Ou tout simplement vérifier qu'on a des données correctes  .

Limites des vocabulaires traditionnels

Normalement, ce qui précède vous a motivés 🤓 - si vous ne l'étiez pas déjà - pour tirer tout le parti possible des quelques vocabulaires contrôlés (JEL, MeSH, ACM) proposés au sein des données Hal.

 C'est ce que nous avons voulu faire dans le cadre du projet SoVisu+, du consortium CRISalid.

Prenons le cas du vocabulaire JEL (pour «Journal of Economic Literature»). C'est un système de classification des publications 📊 qui émane l'American Economic Association (AEA) et s'applique aux publications ... dans le domaine de l'économie (on s'en serait un peu doutés 🤷‍♂️).

Sur son site web, l'AEA fournit certes le vocabulaire avec ses codes et ses définitions , mais ne pousse pas la gentillesse jusqu'à proposer les fameuses "URI" qui permettraient d'intégrer ces concepts parmi d'autres données "sémantiques" 😞. Par exemple, le code "A140" représente "Sociology of Economics", mais son unicité est loin d'être garantie : bien de choses, sur terre, sont susceptibles de s'appeller A140, et par exemple des avions  ✈️. En outre, aucun indice ne permettra à un système de découvrir l'information associée à ce "A140". On peut parler de vocabulaire « à l'ancienne » 🕰️ en quelque sorte, avec des codes qui sont suffisants dans un contexte fermé, mais mais ne font pas sens dans le vaste océan du web .

Et ce sont ces codes que l'on retrouve dans les données issues de HAL...

Prenons à titre d'exemple une publication économie dotée des fameux domaines JEL : https://hal.science/hal-02169144v1

Et interrogeons à son sujet le endpoint Sparql de Hal. (http://sparql.archives-ouvertes.fr/sparql ) :

Nos classifications sont bien dans le résultat mais comment les exploiter   ?

Nous pourrions bien nous donner la peine de "rabouter"   les labels et les identifiants en interrogeant l'API plus JSON de HAL (https://api.archives-ouvertes.fr/search?q=halId_s:hal-02169144&fl=*), à condition de faire confiance à l'ordre des résultats. Mais on est loin de la richesse   promise par les vocabulaires contrôlés !

SKOS à la rescousse

À ce stade, on commence à se dire que ce serait quand-même beaucoup plus simple si quelqu'un avait publié le vocabulaire JEL quelque part sur le web dans un format moderne, généralement SKOS (simple knowledge organization system), qui est le standard du web sémantique pour la représentation des vocabulaires . 

Ça tombe bien : quelqu'un l'a fait ! Le Leibniz-Informationszentrum Wirtschaft. Cette institution a converti le vocabulaire au format SKOS et l'a publié sur l'application Skosmos https://zbw.eu/beta/skosmos/jel/en/. Le résultat est ainsi accessible aussi bien aux robots 🤖 qu'aux humains 👤.

Le tour est donc joué : quand Hal nous envoie "G.G1.G13", il ne nous reste plus :

• si on est un être humain 👤, à consulter https://zbw.eu/beta/skosmos/jel/en/page/?uri=http%3A%2F%2Fzbw.eu%2Fbeta%2Fexternal_identifiers%2Fjel%23G13 
• si on est un robot 🤖 (certains d'entre eux nous lisent), on préférera sans doute https://zbw.eu/beta/skosmos/rest/v1/jel/data?uri=http%3A%2F%2Fzbw.eu%2Fbeta%2Fexternal_identifiers%2Fjel%23G13&format=application/rdf%2Bxml 

Il ne faudrait toutefois pas vendre trop vite la peau de l'ours  : à l'usage, il s'avère que le site https://zbw.eu/beta/skosmos 🤒 n'est pas en pleine forme et qu'il cesse rapidement de répondre lorsque les requêtes arrivent en rafales ... Et pour couronner le tout , les liens de téléchargement proposés par l’institution sur la page d'accueil du vocabulaire répondent   invariablement "404" 😞 .

Sauvés par la machine à remonter le temps

C'est là qu'il fallait penser à la fameuse "Wayback Machine" d'Internet Archive (https://web.archive.org/) ²

1. On n'oubliera pas toutefois de mentionner ici les louables efforts de l'équipe scanR pour fournir des versions des métadonnées Hal réalignées sur Idref/Rameau et WikiData   ! ↩
2. Si vous ne connaissez pas ou mal Internet archive, on vous recommande d'écouter la radio  . ↩