Génération de base de connaissance à partir de données hétérogènes dans le monde culturel
Notice bibliographique
Résumé
RÉSUMÉ: RÉSUMÉ : Le monde culturel québécois est riche et varié, et ceci se concrétise par l'importante quantité de métadonnées sur les mondes du livre et du cinéma que les acteurs gouvernementaux, aca- démiques et commerciaux ont accumulé. Cependant, ces données sont actuellement en bonne partie indisponibles au public, et sont encodées dans des bases de données dont les modèles, parfois complexes et généralement incompatibles d'une institution à l'autre, rendent l'exploi- tation difficile. De plus, sauf certaines exceptions, elles ne sont pas reliées aux métadonnées diffusées librement ailleurs sur le web, que ce soit par l'entremise de projets collaboratifs publics tels que Wikidata, ou par des acteurs tels que certaines bibliothèques nationales européennes. La création de bases de connaissances sous forme de graphes peut permettre la démocratisa- tion de ces métadonnées, en simplifiant leur exploitation et en les liant vers d'autres bases de connaissances existantes. Ce mémoire résume notre travail de création de bases de connais- sances pour les mondes du cinéma et de la littérature québécois, en particulier la modélisation de modèles ontologiques et la population des graphes à partir de sources relationnelles. Nous présentons d'abord une base de connaissances pour le domaine du cinéma québécois, qui utilise un jeu de métadonnées fourni par la Cinémathèque québécoise. À partir de scénarios d'utilisation fournis par des experts du milieu, nous développons un modèle ontologique pour ce domaine, et décrivons la conversion des données sources de leur format original vers la base de connaissances finale. ABSTRACT: Quebec's cultural world is rich and full of variety, as is illustrated through the imposing amount of cultural heritage metadata that exists. Governmental, academic and commer- cial players have accumulated a large amount of data relating to literary and film works. However, this data is currently largely unavailable to the greater public, and are held in datastores whose underlying datamodels, which are often complex and incompatible between institutions, complicate their use. On top of this, except for rare exceptions, this data is not interlinked with other linked open data sources available elsewhere on the web, whether they be public collaborative projects such as Wikidata or knowledge bases published by national librairies. The development of knowledge bases in graph form can aid in democratising this metadata, by simplifying its exploitation and allowing it to be linked with existing, open knowledge bases. This memoir summarizes our work, which is the creation of knowledge bases for Quebec's cinema and literature data. In particular, our work focuses on modelling and populating such knowledge bases from existing relational databases. We first model a knowledge base for Quebec's film world, which uses a dataset provided by the Cinémathèque québécoise. Our use cases, provided by domain experts, guide our development of an ontological model for this domain. We describe the translation of this source data from its original format towards the final knowledge base.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,021 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,005 | 0,005 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,006 | 0,006 |
| Science ouverte | 0,001 | 0,005 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 0,003 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».