Le dépôt légal de l’internet dans le projet CORPUS

Depuis quelques années les équipes de la BnF travaillent avec des chercheurs pour explorer des formes innovatrices d’accès aux collections du dépôt légal de l’internet, en vue d’une future mise en place de services et d’outils d’analyse du web complémentaires l’accès proposé par l’application les Archives de l’internet en salle de recherche. Pour poursuivre les approches déjà engagées et permettre de faire évoluer les outils qui ont été développés, le service du Dépôt légal numérique a été choisi pour mener l’expérimentation de la première année de CORPUS.

Le projet doit permettre de définir le cadre technique, juridique et organisationnel et pour proposer ces services aux chercheurs qui souhaitent analyser les collections du dépôt légal de l’internet. Une application expérimentale Archives de l’internet Labs, a été développée pour valoriser et poursuivre deux approches qui aident l’exploitation des collections.

L’interface de recherche avancée dans AI Labs

Premièrement, Labs propose une recherche par mot basée sur une première expérimentation de l’indexation plein texte réalisée en 2015. Cette expérimentation a mené à la mise en place d’un prototype disponible dans les Archives de l’internet depuis 2016, qui utilise l’application Shine, développé par la British Library. Labs fait évoluer l’interface et propose des fonctionnalités comme la création de corpus à partir des résultats d’une recherche ou l’export des résultats.

Deuxièmement, Labs propose des statistiques et métadonnées qui permettent de poursuivre une approche utilisée dans le projet « Le devenir du patrimoine numérisé en ligne : l’exemple de la Grande guerre », dans le cadre du Labex « Les Passés dans le présent ». Dans ce projet des chercheurs de Télécom ParisTech ont utilisé les fichiers de métadonnées en format WAT pour faire une cartographie du web sur la Grande guerre. La mise à disposition de statistiques et de métadonnées ouvre aux chercheurs la possibilité de faire des analyses à l’échelle du corpus, en mobilisant des approches parmi ce qu’on appelle les « Humanités numériques ».

Archives de l’internet Labs donne actuellement accès à deux ensembles spécifiques, qui ont été choisis en lien avec des projets de recherche de l’ISCC (l’Institut des sciences de la communication du CNRS). Le projet ANR Web90 étudie le web des années 1990 et a travaillé avec la BnF sur l’indexation en plein texte des “incunables du web français 1996-2000”, une collection acquise rétrospectivement auprès d’Internet Archive. Le projet ASAP (pour Archives Sauvegarde Attentats Paris) est une réponse à l’appel du CNRS par une équipe travaillant sur les archives du web de la BnF et de l’Ina. La deuxième collection sur Labs est donc constituée des collectes d’urgence effectuées par la BnF au moment des attentats de janvier et de novembre 2015.

Consultation d’AI Labs dans une cabine en salle P de la BnF- Copyright Guillaume Murat/BnF

Dans le cadre du projet CORPUS un dispositif d’accueil spécifique a été mise en place pour permettre aux chercheurs d’explorer ces nouvelles possibilités dans le respect du cadre réglementaire du dépôt légal. L’accès aux outils, aux données et aux métadonnées se fait sous des conditions spécifiées par une convention de recherche et la mise à disposition d’Archives de l’internet Labs dans des cabines de la salle P, avec la collaboration du département de l’Audiovisuel. Ce nouveau dispositif vient en complément de l’accompagnement à la recherche dans les archives de l’internet déjà proposé, notamment à destination de chercheurs associés ou invités par les départements de collections de la BnF.