Construire l’histoire d’internet

Comme une navigation sans cesse reprise. « Quand on commence à travailler sur les archives du web, ça ne s’arrête plus », suggère l’une des intervenantes de cette journée.

1996 : Brewster Kahle pose les premières pierres d’une bibliothèque d’Alexandrie numérique et se projette effectivement au-delà de lui-même, au-delà de la technologie de l’époque. Internet Archive est née avec une ambition folle : sauvegarder intégralement la Toile. Faire que l’enfant du troisième millénaire puisse voyager dans le temps de l’Internet sans jamais buter sur une erreur « 404 ».

« Il était une fois dans le web » , 23 novembre 2016 – Copyright Emmanuel Nguyen Ngoc/BnF

Continuer la lecture de Construire l’histoire d’internet

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

Continuer la lecture de Le dépôt légal de l’internet dans le projet CORPUS

Présentation du projet CORPUS à la BnF

CORPUS est un programme de recherche visant à préfigurer « un service de fourniture de corpus numériques à destination de la recherche« . Concrètement, il s’agit de fournir à des chercheurs des données et des outils pour les analyser, dans le respect du droit d’auteur et de la vie privée.

La Bibliothèque nationale de France met aujourd’hui à disposition plusieurs milliards de documents numériques – livres, périodiques, sites web, etc. – ,  une masse de données qui dépasse bien souvent les capacités de traitement de l’humain. Dans ce contexte d’abondance, mettre simplement à disposition un texte ne suffit plus : il est nécessaire de fournir des instruments qui permettent au chercheur d’aller au-delà du seul contenu.

Le projet bénéficie du développement des méthodes de fouille de textes et de données (en anglais text and data mining), qui ouvrent de nouvelles perspectives :  il est possible de questionner la place d’un texte dans un corpus, d’interroger ses métadonnées et ses occurrences.

Continuer la lecture de Présentation du projet CORPUS à la BnF

Bienvenue sur le carnet de recherche Web Corpora !

Pourquoi ce nom, Web Corpora ?

D’abord en raison de l’objet du carnet : les archives de l’internet, collections de dépôt légal conservées à la BnF, qui forment un corpus de plusieurs milliards de documents – ou mieux encore une addition de corpus – d’une richesse insoupçonnée, et à disposition de la communauté scientifique.

Ensuite en raison des circonstances de sa naissance : l’idée est née à l’occasion du projet de recherche CORPUS, dont l’un des volets porte sur les archives de l’internet.  C’est d’ailleurs dans le cadre de ce projet que la BnF et l’Ina ont célébré, le 23 novembre 2016, les 20 ans des archives de l’internet.

Il est donc naturel que Web Corpora accueille, sous la forme de billets, les actes qui résultent de ce colloque-anniversaire, « Il était une fois dans le web ».

Animé par une équipe de la BnF, le carnet sera également, au fil des mois, enrichi  des contributions des acteurs qui étudient les archives de l’internet.

Une question, une remarque ? Vous pouvez réagir en commentaire ou nous écrire à l’adresse générique depot.legal.web[a]bnf.fr.