Où en est Wikidata ?

Ça fait quelque temps que je me dis que je devrais faire un truc sur Wikidata. Je m’étais un peu impliqué dans les questions relatives aux traitements de données encyclopédiques en début d’année. J'avais d'ailleurs commencé à rédiger un billet sur le sujet en mars, sans avoir eu le temps de le terminer. Vu que quasiment toutes les informations qu'il contient ont été médiatisées, je préfère aborder le sujet par un autre biais.

Le projet Wikidata a pas mal progressé depuis son lancement. On trouve sur le site pas mal de précisions intéressantes, qui n’ont pas forcément été relayés en français.

A mon avis, la page la plus intéressante concerne la définition du Data model, soit le mode de présentation des données. Cette définition n’est pas d’ordre technique, mais d’ordre épistémologique et intéresse à mon avis directement les contributeurs de Wikipédia, indépendamment de leurs compétences informatiques. Je ne m’en tiendrai ici qu’à la définition relativement simple présentée dans l’Overview. Il va sans dire que, concrètement, les choses sont beaucoup plus complexes — je m’excuse par avance si je simplifie à outrance les procédés réellement utilisés.

La grammaire wikidatienne repose sur une vision dénotative du langage. En lieu et place des mots, on trouve des items, soit des symboles purement référentiels. On donne ainsi pour exemple la ville de Berlin qui renvoie sans ambiguïté possible à une entité humaine unique, correspondant à un territoire strictement défini. Toutes les mots n’ont malheureusement pas la même portée référentielle. Outre, les homonymes, il y a aussi les termes et concepts flottants, généralement difficiles à traduire d’une langue à l’autre. Créer un item à partir de socialisme ou de culture risque de poser quelques difficultés.

A chaque item correspond une liste de statements. Chaque statement prétend reproduire un état de la réalité, au sens où l’entendait Wittgenstein.

La proposition construit un monde au moyen d'un échafaudage logique, et c'est pourquoi l'on peut voir dans la proposition, quand elle est vraie, ce qu'il en est de tout ce qui est logique. On peut d'une proposition fausse tirer des inférences (Tractatus Logico-Philosophicus, 4.023)

Le Statement se décompose en valeur (value) et en propriété (property). La value exprime « un nombre, une date, des coordonnées géographiques et plein d’autres choses ». Elle donne une indication de mesure qui permet de cerner une proportionnalité (x=n) ou une situation (x se trouve sur n). Chaque valeur est rattachée à une propriété. Cette dernière spécifie une qualité de l’item. Ainsi, sous l’item Berlin, on trouve la propriété population, à laquelle correspond la valeur 3 499 879.

Jusqu’ici les choses sont relativement simples. Les relations entre les trois signes fondamentaux permettent d’emblée d’exprimer certains énoncés relativement simples. Avec item=Berlin, property=population et value=3 499 879, on peut générer une phrase comme « Berlin compte 3 499 879 habitants ».

Là où ça se complique un peu, c’est que nos trois signes se combinent pour former de nouveaux signes. Le lien entre propriétés et valeur s’exprime au travers d’un datatype. A côté de la propriété population, on trouverait ainsi un datatype=people. Le datatype assure ainsi une fonction d’appariement : il permet d’éviter de mêler indistinctement la population de Berlin avec les coordonnées géographiques de Paris.

En outre, les propriétés ne comportent pas obligatoirement de valeurs. Le cas échéant, elles constituent des snaks, soient de simples qualifications qui améliorent la précisions des énoncés. A partir du snak commune ou cité, on génère ainsi des phrases comme : « la ville de Berlin compte 3 499 879 habitants ». On évite ainsi les confusions entre ville et agglomération urbaine.

Arbre des Snaks sur Wikidata (CC/BY/SA : http://meta.wikimedia.org/wiki/Wikidata/Data_model#Snak)

Ces données n’échappent bien entendu aux principales règles encyclopédiques. Suivant en cela les prescriptions de la Neutralité de point-de-vue, elles seront référencées à partir d’un champ intitulé ReferenceRecord.

Ces combinaisons syntaxiques permettent de produire des énoncés considérablement plus complexe. Rien ne s’oppose ainsi à ce que la phrase suivante, présente dans le résumé introductif de l’article Paris, ne soit généré par Wikidata :

Ici, Paris figure l’item. Le recensement de l’Insee et la note de bas-de-page qui l’accompagne sont du ressort du ReferenceRecord. La date (1er janvier 2009) et la population (2,2 millions d’habitants) résultent d’autant de combinaisons propriété-valeur. Enfin, la précision « commune de » constitue un snak.

Comme toute logique formelle, cette grammaire wikidatienne est universellement traduisible. Pour reprendre à nouveau Wittgenstein :

La traduction d'une langue dans une autre ne se produit pas par la traduction d'une proposition de l'une dans une proposition de l'autre ; seuls sont traduits les constituants de la proposition (Tractatus Logico-Philosophicus, 4.025)

Le transfert peut ainsi fonctionner dans les deux sens : traduction vers, et traduction à partir de. Concrètement, la phrase citée plus haut de l’article Paris est aspirée par la base de donnée. Chacun de ces composants reçoit une affectation sur Wikidata. Ce transfert devrait se passer sans encombre pour les énoncés déjà intégré dans un modèle — il va sans dire que tout ce qui se trouve dans un modèle débarque ipso facto dans ReferenceRecord. Par contre, la transcription des énoncés nus devraient peut-être poser un peu plus de souci (dans « la commune de Paris », il n’est pas forcément évident de repérer l’item et le snak).

La traduction à partir de pose sans doute moins de soucis. Il s’agit de transporter les statements stockés par Wikidata dans une langue naturelle, en recourant aux tournures usuelles employées, par exemple, pour énoncer la population d’une ville. On mesure tout de suite l’importance de ce type de génération textuelle pour les petits wikis, qui ne disposent pas d’une communauté suffisamment importante pour recueillir manuellement certaines informations essentielles. Dans une hypothétique Wikipédia syldave on pourrait ainsi retrouver :

Sous réserve de réaliser toutes ses promesses, Wikidata peut avoir une certaine incidence sur la dissémination du savoir en France. Le développement des wikipédias en langues régionales ou dans les langues d’outre-mer (Wikimédia France s’était dernièrement beaucoup investit dessus) ne pourra qu’en être facilité.

Pourquoi faire compliqué ?

Si vous suivez régulièrement le bistro ou le bulletin des administrateurs vous avez sans doute déjà vu passer l'affaire : un débat est en cours sur l'opportunité d'introduire de nouvelles abréviations pour certains espaces méta-encyclopédiques. A côté de WP: pour Wikipedia:, on pourrait ainsi avoir P: pour projet.

Contrairement à ce que paraît annoncer le titre de ce billet, je ne suis pas opposé à cette innovation. J'utilise très fréquemment les abréviations et économiser du temps lorsqu'il m'arrive d'ouvrir toute une série de portails, n'est pas tout-à-fait négligeable. Par contre, je conscient de l'importante dérive jargonnante que cela pourrait générer. On critique fréquemment l'encyclopédie pour sa complexité et, par-là-même, les wikipédiens pour leurs échanges assez sybillins.

Les abréviations présentent en effet pour spécificité d'être incompréhensibles en dehors d'un contexte préalable. Pour un aviateurs, BA signifie base aérienne, pour un chimiste, c'est du baryum, pour un étudiant anglo-saxon, c'est un bachelor of arts. Sur wikipédia-même, des ambiguïtés restent possibles. BA renvoie tantôt au Bulletin des Administrateurs, tantôt au Bon Article — les deux concepts restent toutefois suffisamment distincts pour être compris. Il y a un cas beaucoup plus problématique, c'est celui de la pdd : page de discussion ou prise de décision, sachant que chaque prise de décision possède sa page de discussion (la pdd de la pdd…). Par conséquent, il y a une corrélation entre la simplicité du terme et sa polysémie.

En outre, une abréviation n'est pas véritablement faite pour être lue, mais pour être vue. Lorsqu'on discerne WP:RA, on ne pense pas prioritairement au son VéPéèreA, mais au dessin des lettres, à leur assemblage typographique. L'abréviation renforce la connotation idéographique de l'écrit ; elle s'apparente quasiment à un idéogramme — c'est, au sens propre, du chinois… Le lecteur ne dispose d'aucun appui phonologique pour identifier le sens du mot : WP:RA ne veut a priori rien dire et rien signifier. Ce n'est que par la maîtrise des codes institutionnels qu'il parvient à opérer le déchiffrement (il connaît l'existence des Requêtes aux administrateurs, il a compris que les autres utilisateurs y font référence en ce terme).

J'hésite donc à soutenir cette source de complication supplémentaire (sans doute pas pour la communauté hardcore, mais, indubitablement, pour la communauté périphérique et le simple lecteur). Wikipédia est déjà assez compliquée comme ça. Ou pas…

Il y a quelques jours, je me suis aventuré à jeter un coup d'œil à Citizendium, l'ex-futur aspirant concurrent de Wikipédia — une section du bistro m'y incitait un peu. Au sein du forum communautaire, on trouve un fil sur l'engagement de l'infrastructure encyclopédique contre le SOPA (quelque chose d'éminemment familier aux wikipédiens). Et au sein de ce fil, on trouve le post suivant :

En français cela donnerait (et j'insiste sur le conditionnel car il ne s'agit pas d'une traduction facile) :

Le ME a le droit d'émettre des décisions temporaires, de telle sorte que le changement de la bannière était légale, à moins qu'il ne viole quelque disposition préexistante (certains m'ont souligné en privé qu'il serait incompatible avec l'article n°23). Si l'EC pense que la bannière viole l'article n°23, il peut déléguer sa décision au MC, qui la traitera comme une question d'attitude générale. Si l'EC décide que cela ne viole pas la charte, mais qu'il ne souhaite pas que des changements de cette nature adviennent dans le futur, il peut remettre en cause la décision temporaire du ME en émettant une règle formelle.

Je n'ai pas pris la peine de déchiffrer ce jargon élaboré — apparemment le ME sert un peu de big boss, et le MC et l'EC sont des institutions collégiales. On me dira qu'on peut rencontrer assez facilement ce genre de développement byzantin sur Wikipédia — dans n'importe quelle PDD un peu pointue en fait. Ce qui est assez surprenant, c'est que la communauté de citizendium fédère en tout et pour tout une cinquantaine de participants actifs — à comparer aux cinq mille contributeurs actifs de la seule Wikipédia francophone.

En somme, si la complexité des régulations est étroitement corrélée avec la taille de la communauté, je me dis que Wikipédia ne s'en sort, relativement, pas si mal que ça.

Terrain expérimental

Quelque fois, on se dit que Wikipédia pousse le paradoxe de l'observateur dans ses ultimes retranchements. Analyser et évaluer l'encyclopédie en ligne, c'est déjà l'altérer. Plus d'un journaliste qui s'est amusé à pointer les erreurs d'un article a pu en faire l'expérience : en un temps généralement très bref, celles-ci se trouvaient corrigées.

Dans une moindre mesure, ma mini-série de billets sur l'accueil des nouveaux se trouve confrontée au même phénomène : à force de dire ce qu'il fallait faire, j'ai moi-même tenté quelque chose, modifiant, certes assez marginalement, mon terrain d'observation.

Au cours des deux derniers jours, je me suis livré à une expérimentation sur le projet politique. J'ai mis au point deux nouveaux « modules » qui visent à concrétiser ce que je n'avais esquisser que dans l'abstrait.

Le premier, Comment participer ? reprend un peu les directives de Wikibétisation partielle : mener une réflexion sur la « priorité des informations transmises aux nouveaux contributeurs ». Concrètement, cette page présente didactiquement (et doctement) plusieurs principes de bases de la contribution encyclopédique. Une attention toute particulière est accordée aux références, à la fois d'un point de vue technique (comment utiliser le modèle — pour un rédacteur non habitué au html, ça n'a rien d'une science science infuse) et, surtout, éditoriale (quelles sont les bonnes sources à utiliser et comment les présenter). Afin de mieux illustrer ces diverses recommandation, j'ai décidé de recourir à un exemple visuel. Il ne s'est pas avéré facile à trouver. Les meilleurs articles de Wikipédia utilisent en effet des modèles élaborés. En voyant surgir d'office un harvsp ou un ouvrage, le nouveau venu risque d'être plutôt découragé qu'encouragé — que dis-je, déboussolé, terrorisé, anéanti par cette litanie de symboles kabbalistiques. Pour cette raison, j'ai préféré opter pour un article vaguement passable, Président de la république française. Le référencement n'a rien de transcendantal, mais il est fait simplement, sans fioriture.

Le second module, Ressources en ligne, tend vers un double but. Il s'agit d'une part de faciliter le travail des nouveaux en leur indiquant des sources de qualité facile d'accès. Comme je le soulignais sur De l'accessibilité des sources, de nombreuses revues scientifiques ont numérisé leurs archives au cours des dernières années. Les revues de science humaines ont été un peu plus lentes au démarrage que leurs consœurs des sciences dures, mais le fait est qu'on dispose désormais un très large stock de publications de qualité, qui n'attendent que d'être mis en valeur sur l'encyclopédie. J'ai ainsi opéré une sélection des principales revues en science politique, auxquels j'ai joins les adresses de deux hébergeurs de thèses en ligne. S'ensuivent, également, quelques recommandations sur la recherche bibliographique (en particulier, le bon usage combiné que l'on peut tirer de Google Books et du SUDOC). L'autre optique, plus lointaine et plus ambitieuse, consiste à renforcer l'accessibilité des informations encyclopédiques. A mon avis, c'est un enjeu capital dont dépend la prétention à la scientificité de Wikipédia. Les mentions bibliographiques intégrées dans le modèle présentent toujours un certain risque : le contributeur peut très bien se tromper de page, mal reprendre ou déformer (consciemment ou inconsciemment) les informations référencées. Utiliser des sources de qualité numérisées, c'est également donner la possibilité au lecteur de vérifier ce qu'il lit et, si erreur il y a, d'en faire part à la communauté ou de la corriger lui-même.

Je me lancerai bien dans une plus ample analyse de ce principe d'accessibilité, illustration à l'appui (j'avais notamment en tête une modélisation d'une sorte de lecture en regard entre l'article et l'une de ses sources). Mais bon, le temps presse et j'ai un voyage à préparer — d'où le wikibreak personnalisé tout juste déposé sur ma page utilisateur.