Archives par mot-clé : web archive

IA et analyse des données du Web archivé : entre sciences de l’informatique et histoire numérique [Projet]

Entre sciences de l’informatique et histoire, ce projet de recherche interdisciplinaire explore les potentialités offertes par les sciences de l’informatique pour l’analyse des données du web archivé et l’histoire des médias numériques. Porté par Sophie Gebeil et Line Jamet-Jakubiec, l’objectif est de développer et à utiliser des programmes, des outils, dont IA, pour automatiser des tâches dans le traitement des données et ainsi en extraire les principales tendances, tout en réfléchissant aux implications épistémologiques d’une telle démarche. 

Automatiser l’analyse des données du web archivé en histoire

Ce projet porté par Sophie Gebeil et Line Jamet-Jakubiec s’intéresse à l’exploitation des données du Web archivé, notamment celles qui sont conservées par la BNF et l’INA dans le cadre du dépôt légal du Web français créé en 2006. Les sources numériques sont nombreuses et variées, tout comme le format des données à exploiter.  L’objectif du projet est de fournir aux chercheurs en sciences humaines des programmes et des outils leur permettant d’exploiter et d’analyser de vastes corpus de données issues du Web dans le cadre du projet IUF “l’archivage du web, un défi historiographique : entre fragmentation est médiation”.

Parmi les développements informatiques qu’il est envisagé de mettre en place dans le cadre de ce projet, l’utilisation et programmation d’une IA pour traiter les données et en extraire des tendances (chatbot, outils prévisionnels, textes générés automatiquement à partir d’autres textes, graphiques de tendances, outils de navigation), développement de scripts pour traiter les différents formats des données mis à disposition, utilisation de frameworks dédiés (Django ou MongoDB par exemple) pour créer des bases de données appropriées, selon les besoins qui seront exprimés. Le choix des langages de programmation sera discuté avec les différents intervenants du projet: Python (pour sa polyvalence et ses bibliothèques), Java ou C++ (pour leurs performances et leurs bibliothèques), Javascript (pour sa facilité d’intégration des outils d’IA), Rust (pour sa fiabilité), R (pour ses modèles statistiques avancées)…

Trois ans de collaboration interdisciplinaire autour du Web archivé 

Au sein de l’atelier visual studies et humanités numériques en Méditerranée, une première exploration de traitement des données automatisées avait été réalisée dans le cadre du projet “Ecrans en lutte, mémoires des mouvements sociaux sur les WebTV françaises depuis la fin des années 1990”, lauréat de l’appel à chercheur associé de l’Ina (2018-2019). À partir d’un corpus de 58 sites web de télévision militante française archivées par l’Ina constitué sur une période de cinq ans (de mai 2010 à mai 2015), une méthodologie un processus d’extraction d’informations a été mis au point par l’INA. A partir des fichiers HTML du corpus, la collaboration avec l’Ina et l’implication de l’ entreprise Gamuza, une chaîne de traitement a été développée afin de permettre l’extraction puis l’identification des principales caractéristiques et évolutions observées durant ces cinq années. En novembre 2021, l’inauguration du CEDRE AMU fût l’occasion d’une première discussion dans le cadre du projet PICCH, avec Mathieu Génois, physicien spécialisé dans l’analyse de réseaux. Cela se concrétise par l’exploration du corpus traitant du trentième anniversaire de la Marche pour l’égalité et contre le racisme (2013) archivé par l’Ina, à travers le stage et la co-direction interdisciplinaire du mémoire de master de Davide Rendina (Patrice Bellot LIS, Sophie Gebeil, Mathieu Génois) centré sur l’analyse sémantique des données, entre sciences de l’informatique et histoire, soutenu en août 2023. Lors de la rentrée, des offres de stage sont proposées par le laboratoire TELEMMe pour prolonger l’analyse des données du web archivées concernant la Marche de 1983. Deux étudiants en licence Sciences de l’informatique d’AMU sont alors recrutés durant l’année universitaire 2023/2024, impulsant une première collaboration avec Line Jamet-Jakubiec, maîtresse de conférences au LIS et responsable de la Licence Informatique. A partir de cette expérience concluante, L. Jamet-Jakubiec et S. Gebeil travaillent à la rédaction du présent projet de recherche interdisciplinaire, qui coïncide avec la création du WebLab en 2024. Le séminaire de 2025/2025 a été l’occasion d’échanges fructueux avec les équipes de la BnF et de l’Ina, permettant de mettre en place un cadre sécurisé sur le plan juridique pour prolonger l’exploration des données. Deux corpus sont alors identifiés : le site du journal indépendant Marsactu archivé par la BnF, et celui du site France Info TV archivé par l’Ina.

 

Former par la recherche : les stages 2026

En ce premier semestre 2026, les laboratoires TELEMMe et le LIS accueilleront des stagiaires en science de l’informatique d’informatique qui participeront au développement de programmes permettant de traiter et d’analyser des corpus issus des archives du Web conservées par la BnF et l’INA. Sous la direction de Line Jamet-Jakubiec et de Sophie Gebeil, elles et ils contribueront à la mise d’outils adaptés aux besoins des chercheurs, ainsi qu’à l’intégration d’outils dits d’intelligence artificielle pour le nettoyage, ou l’extraction de tendances ou encore  la navigation dans les données. Elles et ils pourront réaliser des scripts de traitement automatique pour différents formats de données et participera à l’analyse et à la visualisation des résultats. Elles et ils auront l’occasion de présenter ce travail dans le cadre du WebLab et contribueront ainsi à la rédaction d’une documentation technique.

Les compétences visées concernent aussi bien le domaine de l’archivage du web que les sciences de l’informatique :

  • programmation avancée  appliquée à des corpus issus du Web archivé,
  • maîtrise de techniques d’extraction de données, de construction de bases de données et d’intégration d’outils d’IA,
  • approfondissement des méthodes d’analyse computationnelle pour les sciences humaines et des pratiques de documentation scientifique,
  • découverte de l’état de l’art des programmes informatiques dédiés à l’analyse des données du web archivé.

Références citées :

Gebeil, Sophie, and Jérôme Thièvre. “From Archived Web Corpus to Readable Data for History Research.” In The Routledge Companion to Transnational Web Archive Studies, 361. Taylor & Francis, 2024. https://www.routledge.com/The-Routledge-Companion-to-Transnational-Web-Archive-Studies/Aasman-Ben-David-Brugger/p/book/9781032497785

Rendina Davide, Gebeil Sophie, Génois Mathieu et Bellot Patrice, 2024, « Semantic analysis of web archive historical data » dans Exploring the Archived Web during a Highly Transformative Age Proceedings of the 5th international RESAW conference, Marseille, June 2023, s.l.10.36253/979-12-215-0413-2.22

L’archivage du web comme objet et vecteur de recherche et de formation

Dans le cadre du mémoire de master MEEF C. Juttet, étudiante en master II Professeur Documentaliste à l’INSPé d’Aix Marseille Université, nous proposons une séance de médiation scientifique autour de l’archivage du web à la BU des Fenouillères le 17 octobre 2025 matin. Elle associe un apport théorique, une mise en activité et se cloture par un temps d’échange visant à identifier collectivement les pistes d’exploitation dans le domaine de la documentation et de la transmission d’une culture de l’information et des médias. 
Elle s’adresse à des personnels du SCD AMU engagés dans la formation des usages sous la direction d’Isabelle Gras, Conservatrice de bibliothèque au SCD d’Aix-Marseille Université et directrice de la BU des Fenouillères.
Il s’agit de découvrir les spécificités de l’archivage du web, les enjeux scientifiques et patrimoniaux mais aussi des pistes pédagogiques au service du développement d’une culture numérique commune.

Voici mon support de présentation

L’archivage du web, entre histoire et sciences de l’informatique

Dans le cadre d’une collaboration engagée en 2023 avec Line Jamet Jakubiec, Maîtresse de conférences en sciences de l’informatique à AMU et membre du LIS, nous proposerons au second semestre des stages en informatique visant à explorer les possibilités de développement de programmes informatiques appliquées à l’archivage du web en histoire.
Plusieurs axes sont envisagés :
– analyser des données du Web archivé au moyen de méthodes computationnelles avec une attention particulière à la diacrhonique ou au sujets historiques
– automatiser des tâches d’archivage du web avec des outils tels que Browsertrix
– identifier les possibilités et les limites des LLM et de l’IA Génératives dans une perspective critique.
Cette approche interdisciplinaire contribue à la réflexion sur la pratique de l’histoire nativement numérique au contact de l’archivage du web et des sciences computationnelles.

Fabrique des mémoires de l’immigration maghrébine sur le Web français (1999-2014)

La fabrique des mémoires de l'immigration maghrébine sur le web français de 1999 à 2014 - Sophie Gebeil

Le flux migratoire du Maghreb vers la France est un processus historique séculaire façonnant la société française. Les personnes migrantes et leurs descendants ont joué un rôle majeur dans la préservation et la valorisation de cette histoire. L’avènement d’Internet dans les années 1990 a ouvert de nouveaux horizons pour ces mémoires parfois marginalisées grâce à des forums, des sites web, et plus tard des webdocumentaires et des vidéos diffusés sur les réseaux sociaux. Fondé sur les archives numériques de la Bibliothèque nationale de France et de l’Institut national de l’audiovisuel, cet ouvrage présente une première étude historique des mémoires de l’immigration maghrébine en ligne entre 1999 et 2014. En analysant les évolutions scénographiques et narratives de ces mémoires au gré des débats de société sur l’intégration, l’islam ou l’héritage colonial, il éclaire la transformation des modes de médiation historique induite par l’avènement des outils et des cultures numériques. Qui sont les acteurs institutionnels, associatifs, personnels ou militants ayant exprimé leurs opinions en ligne depuis vingt ans ? Le web a-t-il favorisé une nouvelle forme de prise de parole ? A-t-il constitué un espace de réappropriation ? Quels modèles de vivre-ensemble véhicule-t-il ? Cette étude met en lumière la complexité du processus de reconfiguration des mémoires de l’immigration maghrébine à l’ère du numérique, offrant ainsi une contribution significative à la compréhension des dynamiques sociétales contemporaines.

https://presses-universitaires.univ-amu.fr/fr/actualites/fabrique-memoires-de-limmigration-maghrebine-web-francais-de-1999-2014

Parution aux Presses Universitaires de Provence

Collection : Digitales

Auteur : Sophie Gebeil

Date de parution : 20/02/2025

https://www.sudoc.abes.fr/cbs//DB=2.1/SET=1/TTL=1/SHW?FRST=1

ISBN : 9791032005279

Nombre de pages : 264

Format : 160 x 240

Prix : 21 €

https://presses-universitaires.univ-amu.fr/system/files/media-ressource/tdm_FABRIQMEMOIRES.pdf

Formation doctorale : Le web comme source ou terrain en SHS (printemps 2025)

Le Web comme source ou terrain en SHS : apprendre à utiliser le web présent ou archivé dans le cadre de son doctorat – Formation doctorale


Catégorie : Compétences propres au métier de chercheur – Formations professionnalisantes

Thématiques : Formation à la recherche, Formation sensibilisation à l’intégrité scientifique, Formation à la communication scientifique écrite et orale 

Langue de l’intervention : français

Nombre d’heures : 20

Max participants : 15



Public prioritaire : Aucun

Public concerné :
Doctorant(e)s

Proposé par : Ecole Doctorale Espaces, Cultures, Sociétés


Début de la formation : 24 mars 2025
Fin de la formation : 22 mai 2025
Date ouverture des inscriptions :
Date fermeture des inscriptions : 19 mars 2025
Modalités d’inscription : via adum

https://adum.fr/phd/formation/catalogue.pl?mod=3649181

Objectifs :
Cette formation vise à fournir un cadre théorique et méthodologique pour les doctorantes et doctorants en SHS qui envisagent d’explorer le web présent ou passé dans le cadre de leur thèse. Elle apportera des connaissances concernant le web, les réseaux sociaux, mais aussi l’archivage du web, domaine indispensable pour les études en ligne. Cet apport théorique sera associé à des mises en pratique fondées sur les outils et méthodes disponibles correspondant aux besoins de chaque doctorante ou doctorant. Enfin, cette formation permettra de connaître les services disponibles sur notre territoire en la matière, depuis la médiathèque de la MMSH (WebLab, poste de consultation INA) jusqu’à l’Alcazar (accès aux archives web de la BNF) et à la délégation régionale de l’INA.

 

Programme :
Qu’il s’agisse de chercher ponctuellement une information complémentaire, de constituer un corpus, de pallier des difficultés d’accès au terrain, ou bien d’étudier les pratiques numériques des sociétés, le recours à des documents issus du web ou des réseaux socionumériques dans le cadre de la thèse est désormais courant. Pour autant, l’appréhension du web présent, ou du web passé grâce aux archives du web, impose une vigilance accrue dans la constitution du corpus, les méthodes d’analyse et la démarche interprétative. De plus, face au risque de disparition des pages web du fait de l’instabilité de ces environnements complexes, il est indispensable d’avoir la capacité de pérenniser ces corpus en ligne dans le cadre de sa thèse.

5 jours de formation de 4 h :
Séance 1

* Intérêt, limites et défis du web comme source ou terrain pour les SHS.

* Introduction aux archives du web.

Séance 2

* Palette méthodologique pour l’appréhension du web vivant ou archivé.

* Mise en pratique 1 : définition des besoins, élaboration d’une première feuille de route.

Séance 3

* Constituer un corpus issu du web vivant et ou archivé.

* Mise en pratique 2 : savoir constituer et analyser un corpus issu du web vivant ou archivé pour ma thèse.

Séance 4

* Collecter et conserver un corpus de pages web avec Webrecorder.

* Mise en pratique 3 : savoir pérenniser un corpus issu du web vivant pour ma thèse (constitution d’une collection et restitution collective).

Séance 5

* Mise en pratique 4 : savoir constituer, pérenniser et analyser un corpus issu du web vivant ou archivé pour ma thèse.


 

Pré-requis :
4h x 5 séances
Matériel nécessaire : venir avec son ordinateur portable

 

Equipe pédagogique :
Sophie Gebeil. Sans doute que je solliciterai les personnes suivantes ponctuellement si elles le souhaitent pour présenter leurs services : médiathèque (J.-C. Peyssard), INA , Alcazar….

 

Méthode pédagogique :
La formation associe des apports théoriques à une mise en pratique accompagnée et individualisée. Chaque doctorante ou doctorant pourra repartir avec un corpus créé et pérennisé, ainsi qu’une première prise en main d’outils d’analyse adaptés.

 

Compétences acquises à l’issue de la formation :
● connaître les spécificités du web comme source ou terrain pour la thèse
● découvrir le web archivé et prendre en main des ressources et des outils d’archivage du web
● découvrir les méthodes et outils d’analyse du web vivant ou archivé (qualitatives et quantitatives)
● constituer un corpus pour sa thèse et savoir le pérenniser
● expérimenter des outils d’analyse de corpus issu du web vivant ou archivé pour sa thèse

 


La formation participe à l’objectif suivant :être directement utile pour la réalisation des travaux personnels de recherche


Calendrier :

Séance n° 1
Date : 24-03-2025
Horaire : 14h 18 h

Séance n° 2
Date : 14-04-2025
Horaire : 13h 17 h

Séance n° 3
Date : 24-04-2025
Horaire : 13h 17h

Séance n° 4
Date : 15-05-2025
Horaire : 13h-17h

Séance n° 5
Date : information à venir
Horaire : information à venir