Atelier : Fouille de données et Sciences Humaines ou Fouille de données en Sciences Humaines ? (Julien Velcin)

Par Elodie Picard, licence CC

CR par Hubert Guillaud et Pierre Mounier

L’animateur de l’atelier se présente et présente son laboratoire de recherche : il est informaticien au sein du laboratoire ERIC (Equipe de Recherche en Ingénierie des Connaissances, équipe d’accueil CNRS). Ce laboratoire fait de la modélisation et du design de nouveaux systèmes d’information, de l’entreposage des données et développe des technologies de représentations et de gestion des connaissances et des données depuis des sources volumineuses et hétérogènes. Il s’agit de « fouille de données » (data mining en anglais) car on travaille aussi bien avec de très grandes bases de données qu’avec les données du Web, qu’un chercheur a parfois du mal a exploiter seul. Il ne s’agit donc pas de remplacer l’expert ou le chercheur en SHS, mais de l’aider à mieux stocker et exploiter ses corpus, à l’aider à présenter les données de manière appropriée pour ses recherches, voire à lui proposer de nouvelles indexations pour lui apporter un point de vue original.

Rapide aperçu des réalisations : SyMoGIH (Système modulaire de gestion de l’information historique) qui a été mis en oeuvre sur plusieurs bases du LARHRA (base des patrons, photographies, etc.). Autre exemple avec Clapi (corpus de langues parlées en interaction) développée avec le laboratoire de linguistique ICAR à Lyon. Pour ce dernier cas, la fouille s’effectue sur des transcriptions d’enregistrement audio et vidéo.

Si on modélise correctement les données, on peut faire des requêtes intéressantes. Mais l’entreposage des données n’est pas une réponse suffisante. Il faut aller au-delà. Il s’agit par exemple d’enrichir les données avec des informations provenant d’autres bases de données, des outils d’analyse sémantique ou sémiotique, des outils d’apprentissage automatique qui peuvent ajouter des couches de données aux données brutes, voire permettre d’extraire de nouvelles connaissances.

Les défis qu’il s’agit de relever aujourd’hui sont les suivants :

• peut-on trouver des caractéristiques à partir de données qui ne sont pas, ou peu, structurées à l’origine ?
• les données complexes (c’est-à-dire comportant une structure en titre, paragraphe, mais aussi des images, des annotations…) : comment doit-on les représenter pour pouvoir les traiter efficacement ?
• la fusion des données hétérogènes (qualité et traçabilité des sources)
• enrichissement sémantique (pour ajouter des informations supplémentaires aux données) : comment réintroduire dans la modélisation des informations/connaissances produites par les outils de la fouille ?

Conclusion de l’exposé sous forme de question : la fouille de données est-elle suffisamment mature pour être autre chose qu’un simple outil qu’on branche sur ses données ? Quelles problématiques scientifiques pourrait-on trouver à l’intersection de la fouille de données et des digital humanities pour former un projet scientifique réel commun à ces deux disciplines ?

La discussion s’est développée sur deux axes :

1. Quelle est la pertinence de cette notion de « fouille de données » ? S’agit-il de « lunettes magiques » qui vont faire émerger des régularités que l’on ne voyait pas à partir d’une masse de données non structurées ? Dans ce cas, il est possible qu’il s’agisse d’une illusion car on voit mal comment on pourrait se passer d’un processus de confrontation des données à des hypothèses fortes issues d’une bonne connaissance du contexte. Mais si les données sont déjà (trop) structurées à partir de ces hypothèses, il ne s’agit pas de fouille de données, mais juste d’une question de modélisation comme avec des bases de données usuelles. Un début de réponse est à trouver dans un fonctionnement rétroactif de l’outil, qui donnerait la possibilité d’injecter progressivement les connaissances nouvellement acquises dans les données, même s’il est vrai que cela se fait encore assez peu.

2. Quelles sont les relations entre fouille de données et sciences humaines et sociales ? on se heurte à de nombreux obstacles : des problèmes de vocabulaire par exemple, mais aussi sur le fait que beaucoup de recherches en SHS se basent sur de faibles quantités de données et des corpus relativement étroits et surtout incomplets. A l’inverse : est-il intéressant pour l’informatique de tester ses outils et méthodes sur des corpus de SHS ? La réponse est sujette à controverse, même si cela semble évident dans certains cas : celui par exemple des systèmes complexes où il s’agit de fouiller de grandes masses de données hétérogènes appuyées sur plusieurs disciplines des SHS (exemple du projet CNRS Mousson). Ce qui est en cause, c’est souvent la difficulté que l’on a à structurer et qualifier l’information dans ces disciplines.

La volonté que la fouille de données soit autre chose qu’un simple outil d’analyse pour les SHS et que les corpus SHS soient autre chose que des champs d’application pour ces outils est donc fortement conditionnée par la capacité des SHS à être en mesure de représenter les données qu’ils traitent, et par la construction de vocabulaires communs.

L’animateur de l’atelier se présente et présente son laboratoire de recherche : il est informaticien au sein du laboratoire ERIC (Equipe de recherche en ingénierie des connaissance). Ce laboratoire fait de la modélisation et du design de nouveaux systèmes d’information,  de l’entreposage de données et développe des technologies de représentations des connaissances et des données depuis des sources hétérogènes. Il s’agit de « fouille de données », car on travaille aussi avec de très grandes bases de données et le web,  qu’un chercheur a parfois du mal a exploiter seul. Il ne s’agit donc pas de remplacer l’expert ou le chercheur en SHS, mais de l’aider à mieux exploiter ses corpus, à l’aider à présenter les données de manière originale, à les indexer différemment.

Rapide aperçu des réalisations : SyMoGIH (Système modulaire de gestion de l’information historique) qui a été mis en oeuvre sur une base historique de photographies avec le Larhra.  Autre exemple avec Clapi (corpus de langues parlées en interaction) développée avec le laboratoire de linguistique ICAR à Lyon. Ici, la fouille s’effectue sur des transcriptions d’enregistrement audio et vidéos.
Si on modélise bien on peut faire des requêtes intéressantes . Mais l’entreposage des données n’est pas une réponse suffisante. Il faut aller au-delà. Enrichir les données avec des informations provenant d’autres bases de données, des outils d’analyse sémantique ou sémiotique, des outils d’apprentissage automatique qui peuvent ajouter des couches de données aux données brutes.
Les défis qu’il s’agit de relever aujourd’hui sont les suivants :
  • peut-on trouver des caractéristiques qui ne sont pas structurées à l’origine ?
  • la représentation de données complexes (titre, image, annotation…) : comment les rendre plus visuelles
  • la fusion des données hétérogènes (qualité et traçabilité des sources)
  • enrichissement sémantique (pour ajouter des informations supplémentaires aux données).
Conclusion de l’exposé sous forme de question : La fouille de données est-elle suffisamment mâture pour être autre chose qu’un simple outil qu’on branche sur ses données ? Quelles problématiques scientifiques réelles communes permettraient de transformer la fouille de données en projet scientifique réel ?

Liens

Présentation de l’atelier sur le wiki

Support en ligne


Vous aimerez aussi...

1 réponse

  1. 26 mai 2010

    […] here to see the original: Atelier : Fouille de données et Sciences Humaines ou Fouille de … Share this […]