La lecture numérique vue d’ailleurs : 813 000 XO au Pérou

“Il y a quelques jours, le gouvernement péruvien a annoncé avoir distribué plus de 813 000 XO aux enfants du pays (pour une classe d’âge comprise entre 8 et 12 ans) au sein de plus de 8350 établissements. Ainsi, le Pérou devient le pays avec le parc de XO le plus important au monde (dépassant de peu l’Uruguay). Ce déploiement massif fait partie d’un vaste plan gouvernemental, comme le montre l’affiche présentée ci-dessus. La fondation OLPC s’est félicitée de cette nouvelle en indiquant le Pérou pourra bientôt accomplir l’objectif de saturation (un ordinateur pour chaque enfant de 8 à 12 ans). Mais quel rapport avec la lecture numérique?”

Tags:

Dropbox hits 1.0! – Hey everyone! – We’re super excited … (Jon Ying/The Dropbox Blog)

Jon Ying / The Dropbox Blog:
Dropbox hits 1.0!  —  Hey everyone!  —  We're super excited to announce the new hotness that we've been cooking up for the past few months: Dropbox 1.0!  In addition to hundreds (yep, hundreds) of bug fixes, vastly reduced resource usage (think of it as the Prius model of Dropbox) …

Culturonomics : juste une question de corpus ?

A quoi sert de numériser des millions d'ouvrages depuis 2005 ? A ça. Disposer de 4% de tous les livres publiés depuis 2 siècles. 7 langues. 2 milliards de mots. 5,2 millions de livres numérisés "inside" (voir l'article du NYTimes).

Deux corpus. Mais qu'est-ce qu'un corpus ?

  • "Ensemble de données exploitables dans une expérience d'analyse ou de recherche automatique d'informations." (Source : Trésor de la langue française)
  • "Ensemble de textes établi selon un principe de documentation exhaustive, un critère thématique ou exemplaire" (Source : Trésor de la langue française)

Dans le domaine du droit, le corpus : "C'est l'élément matériel de la possession, le pourvoir de fiat exercé sur une chose. (Animus)."

Du premier corpus, celui de Google, on ne pourra que se réjouir, pour ce qu'il représente de potentialités ouvertes dans l'aventure linguistique comme compréhension du monde. Et l'on mettra du temps à en épuiser les possibles. Mais nul doute qu'il contribuera aussi à alimenter tous les fantasmes, celui, notamment, d'une "intelligence artificielle" dévoyée, apprenant à penser en déchiffrant ce que le plus grand corpus du monde révèle des pensées de ce même monde. Les ingénieurs ont même inventé un mot pour cela : "culturonomics". Culture et génomique. Enthousiasmant. Pour l'instant. Et pour les linguistes.

Du second corpus, celui de Facebook, on ne peut que continuer à raisonnablement s'alarmer. Surtout lorsque les techniques de traitement dudit corpus prennent cette orientation, rendant plus que jamais nécessaire la mise en oeuvre d'un littéral Habeas Corpus numérique.

Dans l'histoire des sciences, les scientifiques de tous les domaines, de toutes les époques, de toutes les disciplines, se sont en permanence efforcés de prendre l'ascendant sur leur différents corpus ; pour pouvoir être exploitable, le corpus doit pouvoir être circonscrit par ceux qui prétendent en faire l'analyse.

  • "Il n’y a rien que l’homme soit capable de vraiment dominer : tout est tout de suite trop grand ou trop petit pour lui, trop mélangé ou composé de couches successives qui dissimulent au regard ce qu’il voudrait observer. Si ! Pourtant, une chose et une seule se domine du regard : c’est une feuille de papier étalée sur une table ou punaisée sur un mur. L’histoire des sciences et des techniques est pour une large part celle des ruses permettant d’amener le monde sur cette surface de papier. Alors, oui, l’esprit le domine et le voit. Rien ne peut se cacher, s’obscurcir, se dissimuler." Bruno Latour, Culture technique, 14, 1985 (cit par Christian Jacob dans L’Empire des cartes, Albin Michel, 1992).

L'informatique, les outils de la linguistique de corpus ont permis aux linguistes de rester les maîtres de corpus aux dimensions exponentielles. Même chose dans le domaine de la médecine : disséquer une grenouille est une chose (et un corpus), séquencer le génome humain en est une autre. Dans tous ces cas comme dans les courbes proposées par Google, le scientifique est parvenu à "ruser" le monde pour user de son corpus.

Et donc ? Nos sociétés de données, nos sociétés d'une exponentielle et inconcevable immensité de données, nourissent en permanence des monstres calculatoires et industriels (voir les textes d'Hervé Le Crosnier sur le sujet, ou ) qui, dans certains domaines, sont en passe d'être les seuls capables de circonscrire des corpus qui relèvent, pourtant, du bien commun. Aujourd'hui déjà la génomique, demain peut-être la linguistique, après demain qui sait, les traits culturels ? Culturonomics. Le génome de la culture.

S'il est vrai, comme le remarque Jean Véronis dans son billet que "la biologie et le traitement des langues partagent beaucoup de choses du côté des algorithmes et des mathématiques", je pense que le choix terminologique de Google dépasse, de loin, la seule interdisciplinarité ; Culturonomics : dans l'histoire de Google comme dans ses liens les plus intimes, la culture et le génome sont les deux brins d'un même ADN fondateur.

Moralité. Celui qui peut dire que la vie l'emporte sur la mort ne doit jamais se retrouver en situation d'être le seul à pouvoir le dire. Ou à prétendre le contraire. Ou à ne pas le dire. Il est de notre responsabilité collective d'y veiller. Habemus corpus. Ceci est notre corp(u)s.

In 500 Billion Words, New Window on Culture – New York Times


The Guardian

In 500 Billion Words, New Window on Culture
New York Times
With little fanfare, Google has made a mammoth database culled from nearly 5.2 million digitized books available to the public for free downloads and online searches, opening a new landscape of possibilities for research and education
Google's Ngram Viewer: A time machine for wordplayCNET
Database of Google Books shows the half-life of celebrityArs Technica
Culturomics: Mining 'Genome' of Words for Cultural TrendsABC News
The Guardian –Mashable –Scientific American
all 153 news articles »

Google: Le plus grand corpus linguistique de tous les temps

Lorsque j’étais étudiant, à la fin des années 70, je n’aurais jamais osé imaginer, même dans mes rêves les plus fous, que la communauté scientifique ait un jour les moyens d’analyser des corpus de textes informatisés de plusieurs de centaines de milliards de mots. A l’époque, j’étais émerveillé par le Brown Corpus, qui comportait la quantité extraordinaire d’un million de mots d’anglais américain, et qui après avoir servi à la compilation de l’American Heritage Dictionary, avait été mis assez largement à disposition des chercheurs. Ce corpus, malgré sa taille, qui apparaît maintenant dérisoire, a permis une quantité impressionnante d’études et a contribué largement à l’essor des technologies du langage… L’étude que publiera demain dans Science une équipe composée de chercheurs de Google, de Harvard, du MIT, de l’Encyclopaedia Britannica et d’Houghton Mifflin Harcourt (éditeur de l’American Heritage Dictionary) a porté sur le plus gros corpus linguistique de tous les temps : 500 milliards de mots. Il s’agit des données engrangées par Google dans son programme (parfois controversé) de numérisation de livres, qui servent ainsi à ma connaissance pour la première fois à une étude linguistique de grande ampleur.

J’ai eu la chance d’avoir pu accéder à l’étude avant publication, et j’ai eu quelque peu le vertige… Les doigts me démangeaient d’en parler sur ce blog, mais je me suis forcé à respecter l’embargo (je crois que l’équipe a quelque peu organisé un buzz, vous devriez voir ça dans la presse si j’en juge par les appels de journalistes que j’ai reçus). Ce corpus contient 4% des livres jamais publiés sur Terre. Comme le disent les auteurs, pour lire seulement les textes de l’année 2000 (c’est à dire une toute petite portion du tout, qui s’étale sur plus de deux siècles !), sans s’arrêter pour manger ni pour dormir, il faudrait 80 ans, soit une vie entière, à un être humain. La séquence de lettres du corpus dans sa totalité est 1000 fois plus longue que notre génome, et si on écrivait le tout sur une ligne, celle-ci ferait 10 fois l’aller-retour de la Terre à la Lune !

Hélas, il ne faut pas trop rêver tout de même, le corpus ne sera pas accessible au commun des mortels, qui devra se contenter de résultats précalculés, en l’occurrence la liste des mots et “n-grammes” (c’est-à-dire des suites de n mots consécutifs) extraits du corpus (avec une limite à 5 mots), pour l’anglais et six autres langues dont le français. Mais c’est déjà beaucoup, ne boudons pas notre plaisir, d’autant que les données sont organisées avec une consolidation par année qui permettra des études tout à fait intéressantes, comme le montre l’interface de recherche en ligne, qui, j’en suis sûr va avoir un franc succès !

Les auteurs donnent quelques exemples édifiants, illustrés par des courbes qui ne sont pas sans rappeler celles du Chronologue — quelques lecteurs se souviennent peut-être de cet outil que je m’étais amusé à réaliser en 2005 (et qui malheureusement est mort avec le déclin du moteur Dir.com de Free, avec qui je collaborais à l’époque). Sauf que, bien entendu, je n’avais ni les moyens ni le matériau engrangé par Google, qui permettent de tracer de telles courbes lexicales sur plus de deux siècles ! Les domaines couverts sont aussi variés que l’évolution grammaticale (l’usage comparé des formes régulières et irrégulières pour des verbes anglais comme burnt/burned), ou l’effet de la censure (la disparition de noms comme Marc Chagall pendant la période nazie)…

La corrélation entre l’usage des noms de maladie et les pics d’épidémie m’a particulièrement frappé, car elle m’a rappelé très exactement les courbes que j’avais obtenues sur la grippe aviaire — sauf que les nouvelles données permettent de remonter au XIXè siècle ! Je ne vais pas reprendre une image de Science, je vous laisse y lire l’article, mais voici une autre image, issue d’un rapport interne de l’équipe, qui illustre les pics d’usage du mot cholera (en anglais) depuis 1800. Les zones bleutées correspondent aux terribles périodes d’épidémie qui ont frappé les Etats-Unis et l’Europe (notamment le sud de la France, avec des milliers de morts à Marseille, Toulon, etc.).

L’équipe a pour l’occasion forgé un mot, culturomics, pour qualifier ce nouveau type d’activité, un mot-valise qui débute comme culture et qui finit comme genomics, et il est tout à fait intéressant de noter qu’à part des informaticiens (Dan Clancy et Peter Norvig de Google, par exemple) et des lexicographes (dont Joe Pickett, le directeur actuel de l’American Heritage Dictionary), l’équipe comporte des cogniticiens et biologistes, dont les bien connus Steven Pinker et Martin Nowak, et de jeunes et brillants mathématiciens-biologistes principaux auteurs de l’étude : Jean-Baptiste Michel (c’est un français, issu de l’Ecole Polytechnique et en post-doc à Harvard) et Erez Liberman Aiden. Ce n’est pas un hasard : la biologie et le traitement des langues partagent beaucoup de choses du côté des algorithmes et des mathématiques (j’en ai moi-même donné un exemple avec les arbres phylogénétiques — par exemple ici, ici ou ici).

Et pour le français ? Eh bien, tout est à faire. Je remonte les manches ! Voici la toute première courbe, obtenue en avant première grâce à la complicité de l’équipe, que je remercie vivement au passage. Il s’agit du mot blog, dont on peut assister à la naissance en direct [voir mise à jour en bas du billet]…

Je ressens aujourd’hui la fascination qu’ont eue sans doute les astronomes qui ont braqué pour la première fois Hubble vers un coin inexploré de l’univers. Quelque chose s’est passé, une étape a été franchie dans l’outillage à disposition du linguiste.

Les linguistes (français en tout cas) en auront-ils conscience ? C’est une autre histoire. Entre les chiffres et les lettres, il y a parfois un bien grand fossé…


PS

Mise à jour : superposition des courbes pour blog en français (bleu pâle) et en anglais américain (bleu soutenu). On voit clairement le décalage entre les deux langues ! (NB: les échelles verticales ne sont pas identiques, seule l’échelle horizontale l’est).


Pour en savoir plus

Le livre numérique vu de l’autre côté de la Méditerranée – La Feuille

“Sofiane est membre de membre de l’Alliance internationale des éditeurs indépendants, une association qui prône la bibliodiversité éditoriale et favorise l’édition solidaire. Cette association va d’ailleurs avoir, cette semaine, à Ouagadougou (Burkina Faso) où se tient la Foire internationale du livre, une première rencontre sur le sujet, notamment pour évoquer le lancement d’une étude sur l’opportunité de l’édition numérique pour les pays en développement. “

Tags:

The Library: Three Jeremiads by Robert Darnton | The New York Review of Books

“When I look back at the plight of American research libraries in 2010, I feel inclined to break into a jeremiad. In fact, I want to deliver three jeremiads, because research libraries are facing crises on three fronts; but instead of prophesying doom, I hope to arrive at a happy ending.”

Tags:

Adobe announces adoption of ebook DRM by Google

“Adobe Systems Incorporated (Nasdaq:ADBE) today announced that Google has licensed Adobe® Content Server 4 software as its ebook content protection solution for Google eBooks. With the addition of Google, more than 200 publishers and distributors worldwide have now deployed Adobe Content Server, making it the most pervasive Digital Rights Management (DRM) solution for ebooks and other digital publications.”

Tags:

Une mise à jour majeure pour iBooks

On l’attendait depuis plusieurs semaines, c’est désormais chose faite. Apple vient de réaliser une mise à jour importante de son application iBooks. Estampillée 1.2, cette nouvelle version apporte plusieurs améliorations bienvenues telles que la gestion des collections (PDF, Livres + Collections Personnalisées) ou le support d’AirPrint pour l’impression de documents PDF.

Côté visuel, on observera qu’Apple a également revu la texture et la couleur du bois de la bibliothèque, désormais plus claire, plus légère, pour faire davantage ressortir les livres posés sur les étagères.

Les principales nouveautés d’iBooks 1.2

  • Profitez de livres illustrés, allant des livres d’images pour enfants à de magnifiques livres d’art, disponibles dans l’iBookstore.
  • Rangez vos livres et PDF dans des collections personnelles. Balayez l’écran vers la gauche ou la droite pour passer d’une collection à l’autre.
  • Servez-vous de la fonction AirPrint pour imprimer des documents PDF et des notes que vous avez prises dans iBooks.
  • iBooks permet désormais l’affichage de plus de mots par page grâce à la fonction de coupure de mot automatique, disponible uniquement sur les appareils équipés d’iOS 4.2 ou ultérieur.

Partager cet article :

Twitter
Facebook
Identi.ca
Digg
del.icio.us
Wikio
Netvibes
email
Print
PDF