MajinBook: An open catalogue of digitally mediated world literature
Cet article présente MajinBook, un catalogue ouvert qui relie les métadonnées de bibliothèques parallèles aux données de Goodreads pour créer un corpus haute précision et lisible par machine de plus de 539 000 livres en langue anglaise médiatisés numériquement, tout en abordant les biais traditionnels des corpus et en discutant de la licéité du projet pour la recherche dans le cadre des législations de l'Union européenne et des États-Unis.
Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète
La Vue d'Ensemble : Cartographier une Meilleure Bibliothèque
Imaginez que vous souhaitiez étudier comment les gens lisent et quelles histoires importent pour le monde. Pour ce faire, vous avez besoin d'une carte massive des livres.
Pendant longtemps, les chercheurs ont utilisé HathiTrust, qui est comme une immense bibliothèque officielle construite par des universités. Elle contient des millions de livres, mais elle présente deux gros problèmes :
- Elle est verrouillée : De nombreux livres sont sous droit d'auteur, vous ne pouvez donc pas lire le texte intégral ; vous ne pouvez les consulter que par le biais d'une fenêtre sécurisée et restreinte.
- Elle est désordonnée : De nombreux livres ont simplement été numérisés à partir de papier physique. L'ordinateur lit souvent mal les lettres (comme confondre un « o » avec un « 0 »), ce qui rend le texte difficile à utiliser pour une analyse informatique avancée.
Les auteurs de ce papier voulaient une meilleure carte. Ils se sont tournés vers les « Bibliothèques Ombres » (comme Library Genesis et Z-Library). Imaginez-les comme d'immenses bazars numériques souterrains où des millions de livres sont partagés librement. Ils possèdent bien plus de livres que la bibliothèque officielle, mais ils sont chaotiques. Les « étagères » sont désorganisées, les étiquettes sont souvent erronées ou manquantes, et il est difficile de distinguer quel livre est quel.
MajinBook est le projet qui a nettoyé ce chaos. Il a créé un catalogue de haute qualité et organisé de plus de 539 000 livres en anglais (plus des millions d'autres en français, allemand et espagnol) en reliant les fichiers désordonnés des « bibliothèques ombres » aux données structurées de Goodreads (le réseau social pour les amateurs de livres).
Les Ingrédients : Comment ils l'ont construit
1. La Règle « Numérique Uniquement » (Le Tamis)
Les bibliothèques ombres proposent des livres dans de nombreux formats. Certains sont des PDF (scans numériques de pages papier), et d'autres sont des EPUB (fichiers numériques natifs, comme une page web propre).
Les auteurs ont décidé de jeter tous les PDF.
- L'Analogie : Imaginez que vous essayiez d'étudier le goût d'une soupe. Les PDF sont comme prendre une photo de la soupe et essayer de goûter l'image. C'est flou et inconstant. Les EPUB sont comme la soupe réelle dans un bol ; vous pouvez goûter chaque ingrédient clairement.
- Le Résultat : En ne conservant que les fichiers numériques « propres » (EPUB), ils ont perdu certains livres très anciens (car ils n'avaient pas encore été numérisés), mais ils ont gagné un ensemble de données beaucoup plus propre, plus facile à lire pour les ordinateurs, et étonnamment diversifié en termes de langues.
2. Le Problème « Œuvre vs Édition »
Dans le monde des livres, il existe une différence entre une Œuvre (l'histoire elle-même, comme L'Odyssée) et une Édition (une version spécifique, comme la traduction de 1990 ou le livre audio de 2020).
- Le Problème : Les bibliothèques ombres peuvent avoir 50 fichiers différents pour L'Odyssée. Si vous les comptez tous comme 50 livres différents, vos données sont faussées.
- La Solution : Les auteurs ont utilisé Goodreads comme une « charpente » ou un « système de classement ». Goodreads sait déjà que ces 50 versions appartiennent toutes à la même « Œuvre ». Ils ont utilisé cette connaissance pour regrouper les fichiers désordonnés des bibliothèques ombres, en les reliant à l'histoire correcte et à sa date de publication originale.
3. Le Jeu d'Appariement (Trouver l'Aiguille dans la Botte de Foin)
Comment relier un fichier désordonné d'une bibliothèque ombre à la bonne entrée sur Goodreads ?
- La Stratégie : Ils n'ont pas essayé de faire correspondre exactement la couverture ou le nombre de pages (qui changent souvent). Au lieu de cela, ils ont examiné les identifiants (comme les numéros ISBN) et les titres.
- La Logique Floue : Parfois, un titre est légèrement mal orthographié dans la bibliothèque ombre (par exemple, « Harry Pottter »). Les auteurs ont utilisé une astuce informatique appelée « appariement flou » pour réaliser : « Hé, c'est probablement Harry Potter ».
- La Vérification de Sécurité : Ils ont testé cette méthode en faisant vérifier 200 correspondances aléatoires par des humains. Ils ont constaté que si l'ordinateur donnait un « score de confiance » de 80 ou plus, c'était presque toujours correct. Ils ont fixé leur règle finale à ce seuil de 80 points pour garantir que leur catalogue soit hautement précis.
Les Résultats : Qu'ont-ils découvert ?
- Une Collection Massive et Propre : Ils ont créé une liste de 539 000 livres en anglais prêts à être analysés par des ordinateurs.
- Un Biais Temporel (Mais Utile) : Parce qu'ils n'ont conservé que les fichiers « numériques natifs », leur collection contient moins de livres du XIXe siècle et plus du XXIe siècle.
- L'Analyse du Papier : Les auteurs admettent que ce n'est pas une histoire parfaite de toute la littérature. C'est plutôt une histoire parfaite de la culture numérique du XXIe siècle. Cela nous montre quels livres sont populaires actuellement à l'ère numérique.
- Plus de Langues : Étonnamment, en filtrant pour les fichiers numériques, ils ont obtenu un mélange de langues plus diversifié. Le tas de « PDF » était majoritairement en anglais, mais le tas d'« EPUB » comprenait une quantité saine de français, d'allemand, d'espagnol et d'autres langues.
La « Petite Police » Juridique
Le papier aborde une question épineuse : Est-il légal d'utiliser ces bibliothèques ombres pour la recherche ?
- L'Argument : Les auteurs soutiennent qu'ils ne vendent pas les livres ni ne distribuent les histoires. Ils publient uniquement une liste de faits (titres, auteurs, dates).
- L'Analogie : C'est comme un bibliothécaire qui crée un catalogue de cartes. Le catalogue de cartes ne contient pas l'histoire ; il vous indique simplement où se trouve l'histoire et qui l'a écrite. Les auteurs affirment que la création de ce « catalogue de cartes » à des fins de recherche relève des exceptions légales pour l'« Exploration de Textes et de Données » aux États-Unis et dans l'UE.
Résumé
MajinBook est un outil qui prend le monde chaotique, massif et souvent désordonné des « bibliothèques ombres » et l'organise en utilisant la sagesse sociale de Goodreads. Le résultat est une liste de livres super propre et compatible avec les ordinateurs, qui aide les chercheurs à étudier la culture, la littérature et les habitudes de lecture à l'ère numérique, tout en naviguant dans le paysage juridique complexe du droit d'auteur.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.