Extraction d'informations pour construire une base de connaissances sur
le patrimoine industriel textile à partir de sources de données
hétérogènes


Riche d'une histoire de plus de dix siècles, les différentes régions du
territoire français sont jalonnées de prestigieux monuments, de
bâtiments industriels et d'espaces naturels témoins de leurs influences
historiques successives. Pour sauvegarder et valoriser ce patrimoine,
différentes métropoles et notamment celle de Lille, particulièrement
touchée par les vicissitudes de l'Histoire dans le domaine de
l'industrie textile au XXe siècle, développe une politique de
restauration ambitieuse. Nous assistons ainsi à un accroissement
prodigieux des contenus numériques décrivant ce patrimoine et de la
puissance des techniques de production et de diffusion, et ceci à
différentes échelles du territoire et notamment à l'échelle des
régions. Il s'agit d'un processus dont l'importance et la rapidité sont
probablement sans précédent dans l'histoire de l'humanité. En effet, ce
que promet la société du numérique et qui se dessine sous nos yeux,
c'est une toute autre façon de nous représenter et de concevoir
l'espace, le temps, et plus généralement l'ensemble des connaissances
relatives au territoire. Dans ce sens, différents territoires telles que
la Région Nord Pas de Calais (NPDC) ont engagé une démarche de réflexion
sur le numérique et son impact sur les usages dans des domaines variés :
l'éducation, le transport, les infrastructures, le tourisme, la culture,
les villes intelligentes.

Le projet interdisciplinaire TECTONIQ s'inscrit pleinement dans cette
démarche en proposant de définir une méthodologie semi-automatique
reproductible permettant la diffusion, le partage et la valorisation des
connaissances patrimoniales présentes dans les nombreux documents
numériques hétérogènes mis à disposition dans les bases de données et/ou
sur le Web par les acteurs locaux (centres documentaires tels que les
musées et médiathèques, collectivités territoriales, la presse, et les
citoyens eux-mêmes notamment par l'intermédiaire des blogs). Ce
mouvement, au coeur du domaine des Humanités Numériques et fédérant des
chercheurs en Sciences de l'Information et de la Communication (SIC), en
Linguistique, en Histoire ainsi qu'en Informatique et des experts des
collectivités territoriales, est l'occasion d'échanger sur la gestion et
l'appropriation des documents numériques pour répondre à une demande
d'accès rapide et simplifié à des contenus volumineux et
hétérogènes. Les objectifs du projet sont tout d'abord (1) de construire
une base de connaissances pour valoriser le patrimoine industriel
textile (matériel et immatériel) disponible à l'échelle des régions tout
d'abord, puis à l'échelle nationale ensuite, et (2) d'analyser finement
les usages des données existantes par les différents acteurs (citoyens,
entreprises, scientifiques, collectivités, etc.) afin de mettre en place
un moteur de recherche d'information adapté. Le territoire
d'expérimentation est composé pour 2016 des régions Nord Pas de Calais
(NPDC) et Picardie, dans lesquelles sont localisés de nombreux acteurs
importants du domaine.

L'objectif de ce stage consiste à répondre au premier objectif du projet
visant à traiter les informations provenant de différentes sources afin
de construire une base de connaissances relative au domaine
d'étude. Plus particulièrement, le cadre du stage est lié au patrimoine
industriel textile dans la région Nord Pas de Calais, qui est une des
régions les plus dynamiques dans le domaine. De plus, de nombreux
acteurs régionaux (bibliothèques, musées, etc.) participant au projet
mettent à disposition leurs compétences pour aider à la valorisation du
travail d'annotation réalisé sur les corpus mis à disposition. 

Pour la réalisation du stage, des méthodes de Traitement Automatique de
la Langue, de fouille de textes et de construction d'un vocabulaire
contrôlé de type ontologie seront utilisées. Plus spécifiquement, il
s'agit des objectifs suivants:

- travailler avec des corpus de textes de différents types et provenant
  de différentes sources ;

- exploiter et améliorer les annotations des textes avec différents
  niveaux de spécificité ;

- exploiter, adapter ou développer des méthodes pour l'extraction
  d'information. Les informations à extraire ici sont les thématiques
  propres au domaine du patrimoine industriel textile. Des lexiques,
  définis dans le cadre du projet, pourront être utilisés ;

- Structurer les thématiques extraites dans une ontologie de domaine,
  offrant une première représentation du domaine sur la base des
  documents traités ;

- évaluer les méthodes et résultats

Le stagiaire sera amené à utiliser des outils TAL et fouille de textes
existants et à développer ses propres programmes pour mieux analyser les
données. La base de connaissances sera formalisée selon le formalisme
OWL CIDOC-CRM, défini pour structurer les connaissances liées au
patrimoine. Il sera force de proposition tout au long du stage et
participera aux différentes réunions plénières du projet.

Prérequis:
- connaissances en TAL, en fouille de textes et en structuration des
  connaissances (thesaurus, ontologie OWL)
- manipulation et test des outils de TAL & fouille de textes (exemple
  GATE, Weka...)
- des connaissances du langage ontologique OWL, et plus précisément du
  formalisme CIDOC-CRM seront appréciés.
- capacité de travailler en équipe et individuellement
- lecture et analyse de la littérature scientifique

Le stage est rémunéré.

Selon les résultats du stage, une poursuite en thèse pourrait être
envisagée.

Niveau: Master 2
Durée: 6 mois
Lieu: Lille

Pour présenter une candidature: envoyer un CV, la lettre de motivation,
le relevé de notes et les contacts de deux référents à
natalia.grabar@univ-lille3.fr, eric.kergosien@univ-lille3.fr