Agreement is not corroboration: bounding the independence of cultural-heritage authority links

Dans le vaste monde interconnecté des bibliothèques numériques, une révolution silencieuse est en cours pour rendre l'information plus facile à trouver et à relier. Imaginez un réseau mondial où chaque musée, archive et bibliothèque parlerait la même langue, permettant à un chercheur dans un pays de trouver instantanément un tableau dans un autre ou une figure historique mentionnée dans un troisième. Pour que cela se produise, ces institutions s'appuient sur des « fichiers d'autorité » — des listes soigneusement élaborées qui garantissent que tout le monde utilise le même nom pour une même personne ou un même lieu. Lorsque différents systèmes s'accordent sur un nom, ils lient leurs notices entre elles, créant une toile de connaissances bien plus puissante que n'importe quelle collection prise isolément.

Cependant, une question subtile mais critique surgit lorsque ces liens sont formés : l'accord signifie-t-il la vérité ? Si deux bases de données différentes répertorient le même identifiant pour un artiste célèbre, il est tentant de supposer qu'elles ont toutes deux confirmé indépendamment l'identité de l'artiste, doublant ainsi la fiabilité de l'information. Mais dans le domaine numérique, un système pourrait simplement avoir copié l'identifiant de l'autre, ou les deux pourraient l'avoir hérité d'une troisième source commune. Dans ce scénario, l'accord est réel, mais la preuve n'est pas indépendante. Distinguer une confirmation véritablement vérifiée par deux sources d'une simple chaîne de copie est essentiel pour savoir quel degré de confiance accorder aux données.

Une étude récente d'Emin Talip Demirkiran, de l'Université technique d'Eskisehir, s'attaque précisément à ce problème au sein de Wikidata, un graphe de connaissances collaboratif massif qui fait office de hub central pour connecter ces divers systèmes de bibliothèques. La recherche se concentre sur les liens entre la liste Union List of Artist Names (ULAN) de Getty et les fichiers d'autorité de noms de la Library of Congress (LC), deux des standards les plus importants du monde du patrimoine culturel. L'objectif n'était pas de voir si les liens existaient, mais de déterminer combien de ces liens étaient de véritables découvertes indépendantes par rapport à ceux qui n'étaient que des copies les uns des autres.

Pour répondre à cela, le chercheur a examiné un instantané figé de 3 000 entités spécifiques de la base de données Wikidata. Pour chaque entité, l'étude a examiné la « provenance », c'est-à-dire l'historique de la création du lien. L'équipe a classé chaque instance d'accord dans l'une des trois catégories suivantes. Certains liens étaient clairement « propagés », signifiant que la donnée avait été importée ou copiée d'une source à une autre. D'autres étaient « indépendants », montrant des signes clairs que les deux sources avaient établi le lien par elles-mêmes. Un troisième groupe, cependant, était « intraçable », où l'historique numérique était manquant ou flou, laissant l'origine de l'accord mystérieuse.

Les résultats ont révélé un paysage bien plus complexe qu'une simple case cochée pour marquer l'accord. Sur les 1 546 énoncés spécifiques analysés, seuls environ 256 ont pu être confirmés comme étant établis de manière indépendante. Une part beaucoup plus importante, soit 728 énoncés, étaient clairement propagés, ce qui signifie qu'il s'agissait de copies. La découverte la plus significative concernait toutefois les 562 énoncés qui appartenaient à la catégorie intraçable. Parce que la trace numérique était rompue pour ces éléments, les chercheurs ne pouvaient pas affirmer avec certitude s'ils étaient indépendants ou copiés.

Cette information manquante a créé une gamme de possibilités plutôt qu'une réponse unique. Si chaque énoncé intraçable était en réalité une copie, le taux global d'accord indépendant serait très faible, environ 16 %. Si chaque énoncé intraçable était en réalité indépendant, le taux monterait à environ 56 %. La véritable réponse se situe quelque part entre les deux, mais les données ne peuvent tout simplement pas la localiser précisément. Crucialement, l'ensemble de cette plage d'incertitude traverse la marque de la moitié, ce qui signifie que les preuves ne soutiennent pas une affirmation définitive selon laquelle la plupart des liens sont indépendants, ni qu'elles prouvent qu'ils sont majoritairement des copies.

Lorsque les chercheurs ont examiné uniquement les liens qu'ils pouvaient tracer, le tableau était frappant : environ 71 % des accords traçables étaient propagés. Cela suggère que lorsque nous voyons deux systèmes s'accorder, c'est souvent parce que l'un suit l'exemple de l'autre, et non parce que les deux ont fait leur propre travail de vérification. De plus, l'étude a révélé que ce phénomène était presque entièrement concentré dans les dossiers concernant des personnes, spécifiquement des artistes et des figures historiques liés via le système Getty. Les mécanismes de liaison pour d'autres types de patrimoine culturel, tels que les lieux ou les objets, étaient beaucoup moins actifs dans ce contexte spécifique.

L'étude conclut que, bien que l'accord entre les fichiers d'autorité soit précieux pour connecter les données et les rendre utilisables, il ne doit pas être confondu avec une vérification indépendante. Dans le monde des bibliothèques numériques, un identifiant copié reste utile pour la navigation et la découverte, mais il n'apporte pas le même poids de preuve qu'un fait doublement vérifié. La recherche souligne que l'histoire manquante n'est pas seulement une lacune de documentation ; elle change fondamentalement ce que nous pouvons savoir. Sans un enregistrement clair de la provenance d'un lien, nous ne pouvons pas supposer qu'il s'agit d'une nouvelle confirmation.

Ce travail rappelle que dans notre monde numérique de plus en plus lié, le chemin parcouru par une information importe autant que l'information elle-même. Tout comme un historien n'accepterait pas un fait simplement parce que deux livres le mentionnent, sans vérifier si l'un des livres a copié l'autre, les systèmes numériques doivent rendre compte de la source de leurs connexions. L'étude ne suggère pas que ces liens sont inutiles, mais elle soutient que nous devons prendre garde à ne pas compter deux fois le même élément de preuve. En modélisant explicitement la provenance des données et en reconnaissant là où la trace s'interrompt, les bibliothèques numériques peuvent construire une fondation plus honnête et plus fiable pour l'avenir du savoir.