Sémantiser une base de données relationnelle (4e épisode) : Nettoyage d’été de la base de données des acteurs de la littérature en breton

La base de données prosopographique des acteurs de la littérature en langue bretonne (projet PRELIB) est renseignée depuis trois ans par des étudiants vacataires de la Faculté des lettres et sciences humaines de Brest. Après nous être attelés en début d’année à un travail de nettoyage des informations géographiques (villes, départements, pays) et d’alignement des lieux et des individus avec les référentiels Wikidata1 et IdRef2, le nettoyage des « professions » est le gros chantier en cours depuis le début de l’été. Ce nettoyage est l’occasion de revoir la structure de la base de données et de se poser des questions sur le sens des informations saisies.

Pour cette opération, nous ne passons pas en revue une à une toutes les fiches des individus mais nous avons exporté en bloc les données de table « profession » et les avons importées dans le logiciel de nettoyage de données OpenRefine3. C’est beaucoup plus simple pour avoir une vue d’ensemble des données.

Les informations sur les « professions » sont stockées dans une table dont la structure était la suivante :

Schéma de la table profession de la base de données PRELIB
Schéma simplifié de la table profession. Cette table est liée aux tables des personnes (seule table liée représentée ici), des villes, des départements, des pays et des aires géographiques. Seuls quelques champs de la table personne ont été représentés afin de ne pas alourdir le schéma.

La notion floue d’employeur

Je ne sais plus trop pourquoi nous n’avions pas choisi de saisir les « employeurs » dans une table séparée comme nous l’avions fait pour les villes ou les pays4. Et comme il fallait s’y attendre, les données saisies étaient très hétérogènes…

Le champ « employeur », contenait des noms d’institutions5, des types d’institutions (clinique privée, collège privé), des noms d’individus (Charles Dullin, Alan Stivell, Louis Jouvet, Louis XIV). Certains étudiants avaient cru bon de saisir « église catholique », « diocèse de Vannes », comme employeur de certains prêtres ou « Ministère de l’éducation nationale » pour les enseignants alors que d’autres avaient précisé le nom de l’établissement (Lycée Chaptal, Petit séminaire de Ploërmel).

Outre le farfelu de certaines saisies (Louis XIV pour l’aumônier de la Dauphine, Napoléon III pour un consul), on se retrouvait dans de nombreux cas avec des employeurs différents pour le même type d’occupation. Un peu comme si les étudiants avaient cherché à remplir cette case avec ce qui leur avait semblé être l’employeur et non pas avec des informations trouvées dans les sources (Cela dit, je doute que Napoléon III rémunérait ses consuls sur ses propres deniers).

Cependant, si la notion d’employeur peut être sans ambiguïté pour des professions contemporaines (employé chez Air France ou au Commissariat à l’énergie atomique), il est en réalité plus difficile de savoir exactement qui verse le salaire de l’individu, quand bien même il en perçoit un. Ce champ a donc été ventilé dans d’autres champs dont le nouveau champ « collectif » lié à la table du même nom. Le collectif correspondant à l’entreprise, institution, association, congrégation religieuse, etc. dans laquelle s’est exercée la profession.

Après tout, le fait que l’institution en question ait versé ou non le salaire de l’individu n’a pas d’importance. L’essentiel étant pour nous de lier des individus entre eux.

Le siège de la banque ou l’agence locale ?

La base de données a été modifiée pour faire disparaître la notion d’employeur au profit de l’association avec la table « collectif ». Mais au cours du remplissage de cette table avec les employeurs, un nouveau questionnement est apparu.

Yvonne Martin avait été indiquée comme employée de la Société générale dans la ville de Morlaix. Il suffisait donc en apparence de créer une nouvelle entrée « Société générale » dans la table « collectif » et d’y associer l’identifiant Wikidata de la banque française6. Mais si l’on faisait alors une requête dans la base pour obtenir la liste de tous les individus ayant travaillé à Société générale (la banque française dont le siège est à Paris et dont les agences sont réparties sur tout le territoire français) et à Morlaix, on n’aurait pas eu pour autant la certitude que ces individus aient travaillé au même endroit, car même à l’époque (de 1941 à 1942), il y avait peut-être plusieurs agences de la Société générale à Morlaix. Faute de ne savoir pour l’instant s’il existait Nous avons donc rattaché cette activité au collectif « Société générale (agence de Morlaix) », elle même rattachée au collectif « Société générale » (identifiant Wikidata Q270363).

De même pour Hervé Mazé qui est noté comme ayant exercé le métier d’ingénieur à Rouen pour Shell (non pas « Shell à Rouen » mais « Shell » pris au sens de la compagnie pétrolière multi-nationale dont le siège est à La Haye en Hollande) . Rouen étant une grande ville, cela ne nous permet pas d’affiner le lieu d’exercice d’Hervé Mazé qui est très probablement la raffinerie de Petit-Couronne exploitée par Shell jusqu’en 2008. Il vaudrait donc mieux lier cette activité au collectif « Raffinerie de Petit-Couronne », lui même lié au collectif « Shell ».

Dans la mesure du possible, il vaut donc mieux privilégier l’association avec le collectif liant l’individu avec le groupe d’individus le plus restreint possible.

Églises et paroisses

Je ne sais également plus pourquoi nous avions aussi ajouté un champ « lieu ». Peut-être pour distinguer l’employeur (celui qui verse le salaire) de l’institution dans laquelle s’exerce l’activité. Toujours est-il que l’on s’est retrouvé comme pour les employeurs avec des informations très disparates : des noms d’institutions (collège de Dinan, Fédération régionaliste de Bretagne), des noms de lieux géographiques (Finistère, Morlaix, Nantes), des types d’institutions (collège, évêché, prison, port, cathédrale), des noms d’individus (« chez F. Guilmer »), des informations du type « étude de son père » ou « ferme familiale » ou « village minier au sud du Pays de Galles ».

La question du « lieu » a été particulièrement épineuse pour les prêtres. Pour certains, c’est le nom de l’église ou de la cathédrale qui était saisi (cathédrale Saint-Corentin de Quimper), pour d’autres l’évêché (évêché de Quimper et Léon) ou le nom de la paroisse ou du diocèse (diocèse de Quimper et Léon). Le tout avec des intitulés plus ou moins officiels. Pour éviter que la même information ne puisse être désignée de plusieurs manières, c’est le nom du diocèse ou de la paroisse qui a été préférée à l’église ou à l’évêché.

En effet, les églises sont plutôt à considérer comme des bâtiments et non pas des lieux géographiques (voir plus loin Un bâtiment n’est pas un lieu) et il n’y pas de sens à considérer l’activité d’un prêtre comme circonscrite à la surface terrestre sur laquelle repose son église. Cette activité s’étend plutôt à celle de sa paroisse que l’on a finalement considéré comme un territoire (une aire géographique) plutôt que comme l’ensemble des paroissiens (qui serait considéré dans la base comme un collectif).

J’avais d’ailleurs des notions assez floues sur les notions d’évêché et de diocèse. Notions éclaircies par Yvon Tranvouez, notre spécialiste de l’histoire du catholicisme au CRBC lors d’un échange de mails :

1) Diocèse et évêché peuvent être synonymes mais mieux vaut employer diocèse, parce que évêché peut signifier à la fois le diocèse (comme territoire) et le bâtiment qui abrite l’évêque et ses services.

2) La paroisse est l’unité de base de l’organisation territoriale de l’Église catholique. Un diocèse comprend un nombre X de paroisses (nombre qui varie avec le temps et les restructurations du dispositif : le diocèse de Quimper va passer l’an prochain [en 2017] de plus de 300 paroisses à une vingtaine !)

3) Un édifice religieux n’est pas forcément rattaché à une paroisse : les chapelles d’ordres religieux ou de congrégations, et aussi les chapelles privées (dans un château par exemple), échappent à la juridiction paroissiale. Exemple : l’abbaye de Landévennec ne dépend absolument pas de la paroisse de Landévennec, laquelle a son église paroissiale, au bourg et non dans le domaine monastique.

4) La cathédrale est un cas particulier : église de l’évêque, elle est aussi celle de la paroisse où elle est implantée. Saint-Corentin, à Quimper, a un curé, distinct de l’évêque, mais l’évêque a sa cathèdre épiscopale (ornée de ses armes) dans le chœur de la cathédrale.

Yann Celton, bibliothécaire diocésain à l’évêché de Quimper7, nous a également livré des informations intéressantes au sujet des paroisses du Finistère et de leur évolution :

Depuis 1801, le diocèse est le même, Quimper et Léon, qui correspond au Finistère ; ses frontières n’ont pas changé : c’est déjà bien. Avant, il faut parler de Cornouaille, de Léon ou de Trégor et il faut regarder sur une carte, nous n’avons pas de listes de ce genre. Ensuite, le curé est curé d’une paroisse (Saint-Mathieu de Morlaix, par exemple) et donne le culte dans son église, qui porte le même nom que la paroisse. A Brest, l’église Saint-Laurent est celle de la paroisse Saint-Laurent, qui correspond au civil à Lambézellec. […] La forme géographique des paroisses ne varie que très peu. Dans les villes en extension, (Brest) furent créées des paroisses nouvelles dans les années 50 (Le Bouguen…) mais c’est une exception. Je vous conseille de consulter les annuaires diocésains en cas de doute, numérisés jusqu’en 1980. Dans les années 1990, il fut procédé à des regroupements de paroisses ; ces ensembles paroissiaux prenant parfois des noms étranges. L’ensemble paroissial des « Rives de l’Aulne » regroupe les paroisses de Châteaulin, Dinéault, Port-Launay, Saint-Coulitz et Trégarvan. Mais en définitive, ce sont ces paroisses ancestrales qui comptent, et non le regroupement artificiel et ponctuel (qui correspondrait à un canton dans le civil). Vous pouvez à mon avis vous baser uniquement sur le nom des paroisses anciennes.

Nous avons donc suivi ses conseils pour le choix des noms de paroisses et nous nous sommes servis d’un référentiel de noms qu’utilise en interne la bibliothèque diocésaine de Quimper.

Pour les activités autres que la prêtrise, il a fallu ventiler à la main les saisies entre le nouveau champ « Collectif » et les champs relatifs à des informations géographiques (ville, pays, département, aire géographique).

Un bâtiment n’est ni un lieu ni un collectif

Pour les bâtiments saisis comme des lieux (des localisations géographiques) et qui ne sont ni des églises ni des cathédrales (remplacés par la paroisse), un champ supplémentaire « bâtiment » a été créé. Pour m’aider dans cette décision, je me suis aidé de l’ontologie CIDOC CRM8 où les bâtiments sont considérés comme des E22 Man-Made Object9 et non pas comme des E53 Place.

Étant donné que E22 Man-Made Object est une sous-classe de E18 Physical Thing qui peut être composée de plusieurs E18 Physical Thing10, j’ai également considéré que l’abbaye Saint-Guénolé de Landévennec était aussi un E22 Man-Made Object bien que l’abbaye soit composée de plusieurs bâtiments distincts.

On pourrait aussi être tenté de considérer l’abbaye comme un collectif mais il vaut mieux distinguer les bâtiments des éventuels groupes d’individus qui les occupent. En effet, un même lieu peut servir successivement de couvent, de salle de réunion, de prison, d’école publique, de site industriel, de supermarché pour finir comme musée, comme c’est le cas du couvent des Capucins à Landerneau.

Faut-il rattacher les informations géographiques et les bâtiments au collectif ou à la profession ?

Table profession
Table profession

Concernant les informations géographiques (ville, département, pays, aire géographique) et les bâtiments, vous remarquerez dans le schéma ci-dessus qu’ils ont été directement associés aux professions. Mais peut-on circonscrire l’exercice d’une profession à une zone géographique ou à l’occupation de bâtiments ? Cela peut sembler utile lorsque les sources indiquent « vicaire et enseignant dans le Tregor » ou « chargé de recueillir les chants et mystères de Basse-Bretagne ». Mais si l’on interroge la base de données pour savoir qui était présent en Basse-Bretagne en 1845 au même moment que François-Marie Luzel (1821-1895), cela ne nous apprendra pas grand-chose sur les probabilités de rencontre entre ces individus.

Dans la plupart des cas, les informations saisies concernent plutôt le lieu d’implantation du collectif lié à l’activité. La base de données permettant la saisie des lieux d’implantation des collectifs, cette information devrait suffire.

Histoire des individus, histoire des collectifs

La saisie des parcours de vie d’individus revient tout autant à s’intéresser à l’histoire des collectifs. En effet, ceux-ci peuvent changer de nom, de lieu ou de statut au cours du temps.

C’est le cas par exemple de l’École des frères à Brest devenue « La Croix-Rouge La Salle » après s’être appelée « École de Bonne-Nouvelle » d’après la page « Notre histoire » de l’établissement brestois. Ou de l’École du calvaire à Pontchâteau où Jean-Louis Rozec (1898-1946) a été professeur et qui s’avère être le Petit séminaire de Guérande, transféré à Pontchâteau de 1912 à 1922 d’après un répertoire d’archives diocésaines réalisé par Jean Bouteiller et Claire Gurvil.

Si l’on se contente de créer trois « collectifs » distincts pour tous ces intitulés sans faire des recherches approfondies pour savoir s’ils ne sont pas liés entre eux, on passe à côté de la mise en relation des individus ayant fréquenté le même collectif ou des collectifs ayant le même héritage. Mais la question n’est pas aisée. S’agit-il du même collectif qui aurait juste changé de nom au cours de l’histoire ou ce changement de nom ne s’accompagne-t-il pas également d’un changement de statuts ou de lieux qui en fait un nouveau collectif ?

Il faut donc prévoir dans la base de saisir des informations dépendant du temps pour les collectifs et trouver des sources dédiées à leur histoire n’est pas toujours chose aisée. Mais nous avons des pistes, puisque c’est en interrogeant des collègues sur ces problématiques que nous avons appris que certains d’entre eux participaient à un dictionnaire des établissements de l’enseignement catholique du second degré. Et Sébastien Carney, maître de conférences en histoire contemporaine va apporter sa contribution à PRELIB avec des données sur les militants bretons.

Désambiguïser les collectifs

La saisie des lieux géographiques étant rattachée à la profession et non pas au collectif, nous nous sommes retrouvés avec des collectifs tels que « Petit séminaire ». Or il a existé au moins un séminaire par département breton. Quand on consulte donc la table des collectifs en dehors du contexte des professions (la table collectifs est liée à d’autres tables que celle des professions), rien ne permet de savoir de quel petit séminaire il s’agit. Celui de Pont-Croix ? Tréguier ? Quimper ? La précision « Petit séminaire de Point-Croix » ou « Faculté des lettres de Poitiers » dans l’intitulé du collectif n’est donc pas superflue.

Afin de lever complètement les ambiguïtés, nous avons ajouté depuis le début de l’année la saisie des identifiant Wikidata et des identifiants IdRef (les PPN). Mais les collectifs n’étant pas tous présents dans ces référentiels, il faudra leur créer une notice si nécessaire.

Cas des activités directement liées à un autre individu

Ce nettoyage a aussi permis de mettre en évidence certaines limites. La base permet actuellement de lier une profession à un collectif mais pas à un autre individu. Le cas se pose par exemple pour saisir que Erwan Kervella a été le chauffeur d’Alan Stivell. On peut toujours contourner le problème en trouvant le nom de la structure qui rémunérait Erwan Kervella, par exemple, la maison de production d’Alan Stivell et déclarer conjointement qu’Alan Stivell était un artiste de cette maison de production. Mais cela ne permet pas de lier directement les deux individus (ce n’est pas parce que deux individus travaillent dans la même entreprise qu’ils travaillent l’un pour l’autre). La base permet de lier directement deux individus par la table « relationinterpersonnelle » mais on perd alors le contexte de la structure dans laquelle s’exerce cette relation. A revoir, donc.

Évolutions de la table « profession »

Le schéma de la table professions après le nettoyage de la base de données PRELIB
Le schéma de la table « professions » après le nettoyage de la base de données PRELIB

Suite au nettoyage des professions, la table éponyme a été modifiée selon le schéma ci-dessus. Le champ « lieu » a été remplacé par la référence à une nouvelle table « bâtiment » (non représentée ici). Le champ « employeur » a été remplacé par une référence à la table « collectif ». Soit dit en passant, il aurait été plus judicieux de lier non pas un seul mais plusieurs collectifs à la même profession. Il est toujours possible d’associer des informations géographiques à la profession au cas où elle s’exercerait en dehors de la collectivité (qui possède ses propres informations géographiques). Mais la pertinence de cette information est discutable.

En guise de conclusion

Nettoyer les données ou ne serait-ce qu’y jeter un œil de temps en temps, c’est comme la vaisselle ou faire le ménage chez soi, on considère ça comme une corvée que l’on a toujours envie de remettre à plus tard. Pourtant, c’est l’occasion de revenir sur des concepts qui nous avaient semblé évidents au départ et de les affiner.

Laisser des champs de saisie assez flous ou d’une acception assez large n’est pas forcément un problème. Cela permet aux opérateurs de saisie de ne pas devoir toujours « rentrer dans les cases » et de saisir des informations que l’on n’avait pas envisagées lors des premières versions de la base de données (les bâtiments, par exemple).

Une base de données n’est pas figée. Sa structure n’est pas gravée dans le marbre et peut évoluer avec le temps. Mais ce n’est pas une opération anodine car un changement de structure entraîne une redistribution des données selon le nouveau schéma de la base et un recodage de l’interface de consultation des données.

La base de données PRELIB couvre tellement de champs connexes (histoire des institutions scolaires et religieuses, histoire du militantisme breton, histoire de l’imprimerie en Bretagne, etc.) liés tant par la nature que par la structure des informations saisies que l’on peut se demander s’il ne vaudrait pas mieux rassembler toutes les données produites au sein d’un même laboratoire dans une seule et unique base de données, les informations saisies par les uns bénéficiant aux autres.

On peut s’aider d’ontologies pour penser ses données. Dans notre cas, nous nous aidons du CIDOC CRM. C’est notamment ce qui nous a permis de distinguer les lieux des bâtiments.

Merci à Florence Daniel, secrétaire d’édition de la Revue Natures Sciences Sociétés au Ladyss et à Philippe Jarnoux, directeur du CRBC, pour leurs remarques et corrections.

  1. Pour en savoir plus sur Wikidata : https://fr.wikipedia.org/wiki/Wikidata. Nous avons choisit Wikidata car cette base pourrait être le socle du web des données (Open data). []
  2. Pour en savoir plus sur IdRef : http://www.abes.fr/IdRef/IdRef-Referentiel-d-autorites. []
  3. Voir aussi : OpenRefine, mes données à la machine. []
  4. Les villes et les pays correspondant aux attributs ville_id et pays_id de la table « profession » qui contiennent non pas le nom de la ville ou du pays mais un nombre entier correspondant à l’identifiant de la ville ou du pays dans leurs tables respectives « ville » et « pays ». Par exemple, l’identifiant interne à PRELIB de Brest est le chiffre 40. Cet identifiant s’appelle une clé primaire en SQL. []
  5. Par institution, j’entends tout type de groupe d’individus : entreprises, associations, structures gouvernementales, établissement d’enseignement, congrégations religieuses, etc. []
  6. Nous saisissons l’identifiant Wikidata et le PPN de IdRef pour les collectifs, les individus et les lieux afin de désambiguïser les données saisies. L’utilisation de ces référentiels nous permettra également de récupérer des informations, telles que les coordonnées géospatiales des villes. []
  7. La bibliothèque diocésaine de Quimper met à disposition une partie des documents issus de son fonds dans une bibliothèque numérique. []
  8. CIDOC Conceptual Reference Model []
  9. La classe E22 Man-Made Object du CIDOC-CRM est une sous-classe de E24 Physical Man-Made Thing qui englobe tous les “objets physiques persistants” créés par l’activité humaine qui comprend le Tunnel sous la Manche ou le Canal de Suez (deux E25 Man-Made Feature) ou la collection des oeuvres du musée du Louvre (E78 Collection). Les exemples donnés de E22 Man-Made Object sont la locomotive à vapeur “Mallard” détentrice du record de vitesse des locomotives à vapeur, le vase Portland conservé au British Museum, le Colisée à Rome (donc un bâtiment). Un E22 Man-Made Object peut-être lié à une E53 Place par P53 has former or current location. []
  10. A travers la propriété P46 is composed of (forms part of). []