[Journal de thèse] Construire le corpus de thèse (2) : rassembler le corpus
Je poursuis ma série de billets sur la construction de mon corpus de thèse. Après un premier épisode consacré à la délimitation de son périmètre et de ses objectifs et à l’établissement des critères de sélection, je vous raconte, dans ce nouveau billet, ma stratégie pour collecter mes vues d’optique.

Vüe Perspective du Marché aux Fleurs a Londres, éditée par Huquier fils, eau-forte coloriée, seconde moitié du XVIIIe siècle, Bibliothèque de l’INHA, VO GB L11.
Billet rédigé fin février 2019
Rassembler le corpus
Périmètre, profondeur, représentativité… Après avoir défini les objectifs du corpus, ses frontières, les critères de sélection, il faut commencer à rassembler le corpus. Dans mon cas, là encore, cela apparaît relativement facile : presque tous les musées, archives et bibliothèques de France conservent des vues d’optique. J’avais, lors de mes sondages préparatoires à la rédaction du projet de thèse, repéré plus de 3000 vues d’optique rien que dans les collections françaises signalées par des publications (catalogues d’exposition, bases de données en ligne, bibliothèques numériques).
Par où commencer la collecte ? Certaines collections sont cataloguées, d’autres non, certaines sont numérisées, d’autres non…
Il ne s’agit pas que d’images…
Si je travaille sur des images, mon corpus n’est pas constitué que d’images, mais d’images, du texte qui les accompagne et de métadonnées. Mes estampes portent des informations textuelles (un titre, une légende, des « mentions de responsabilités », c’est-à-dire des noms d’éditeurs, de graveurs, etc.). Dans le vocabulaire spécialisé de l’estampe, on parle de lettre (« toutes informations textuelles gravées dans la matrice »), dont on peut extraire des métadonnées (indexation sujet, auteur, éditeur, date, par exemple). Mes estampes ont aussi des dimensions physiques, une provenance, un lieu de conservation, etc.

Exemple de lettre d’une vue d’optique. Ici, on relève non seulement le titre de l’estampe, mais aussi son lieu de production (Paris), le nom de ses trois éditeurs successifs, son numéro dans une série (43), une marque de collection (Vivarez). Vue conservée à la BNF, LI 72 (7)-FOL
Pour travailler, j’ai non seulement besoin des images, mais également de toutes ces informations matérielles, historiques, textuelles. Pour répondre à mes questions de recherche, je vais devoir les interroger, les analyser.
Cataloguer soi-même le corpus ?
Je pourrais prendre une à une chaque vue d’optique et la décrire (la cataloguer en langage de bibliothécaire), le plus finement possible. C’est ce que j’avais fait pour l’exposition Rêver d’Italie avec les 100 vues d’optique à sujets italiens du Musée Boucher-de-Perthes. C’est très long et fastidieux, mais cette tâche a l’immense avantage d’appréhender en profondeur chaque élément du corpus.
Cependant, par souci d’optimisation de mon temps, j’ai décidé de ne pas passer par cette phase de catalogage manuel. Pourquoi refaire le travail déjà réalisé par d’autres ? Je vais démarrer mon corpus de thèse en rassemblant des vues d’optique déjà décrites par les institutions qui les conservent. Ainsi je dispose immédiatement d’une masse critique « prête à l’emploi » et interrogeable.
Cela n’est cependant pas sans poser divers soucis :
- Comment être sûre de la fiabilité des données de catalogage ? Si l’opérateur s’est trompé en cataloguant, cette erreur sera reportée dans mon corpus de thèse et pourrait fausser mes résultats si je n’y prends pas garde.
- Comment appréhender la différence de granularité entre les différents catalogues ? Certaines institutions ont décrit très finement les vues d’optique (relevant toute la lettre, par exemple), d’autres ont au contraire adopté un catalogage à minima, en omettant de relever certaines informations. Certaines ont indexé les estampes par sujet, d’autres non.
Il n’est pas ici question de critiquer ces choix (propres aux objectifs et besoins de chaque établissement), mais d’en prendre conscience dans le traitement de mon corpus pour éviter les biais.
À ces points de vigilance signalés, une seule stratégie : documenter, tout documenter et assurer une traçabilité de chaque information.
Par où commencer ?
Si j’ai identifié des collections de vues d’optique dans plusieurs dizaines d’institutions patrimoniales françaises, par laquelle commencer la collecte de mon corpus ?

La requête “vue d’optique” renvoie plus de 1500 résultats dans Gallica. Il faut cependant y soustraire un certain nombre de résultats non-pertinents (“bruit”)
Je précise qu’à ce stade, je ne m’intéresse qu’aux ensembles constitués de vues d’optique – et signalé comme tels (recueils, reliés ou non) – et non aux vues d’optique isolées, mêlées à d’autres ensembles (par exemple, dans une série d’estampes topographiques).
Pour faire mon choix, j’ai établi une liste et formulé huit critères d’évaluation :
- combien la collection comprend-elle de vues d’optique ?
- est-ce que la collection est cataloguée à la pièce ?
- quelle est la granularité des métadonnées ?
- les métadonnées sont-elles disponibles ?
- les métadonnées sont-elles facilement récupérables ? (via une demande à l’institution ou via une API)
- les images sont-elles numérisées ?
- la qualité de la numérisation est-elle satisfaisante ?
- est-il possible de récupérer automatiquement les images ?
Je me suis attaquée en premier aux collections les mieux notées au regard de mes critères : celles qui étaient cataloguées à la pièce, numérisées en haute définition, et pour lesquelles il était facile de récupérer automatiquement les métadonnées et les images.
Les deux collections sélectionnées pour cette première phase sont donc les 630 vues conservées sous la cote LI-72 au département des estampes de la Bibliothèque nationale de France et les 264 vues conservées à la Bibliothèque municipale de Valenciennes. Ces deux ensembles sont disponibles dans Gallica, qui dispose d’une API d’interrogation. Christophe Noisel m’a aidé en écrivant un script qui moissonne les métadonnées des deux ensembles et me les renvoie dans un tableur Excel.
J’ai passé de longues heures à nettoyer ces extractions :
- supprimer les données que je ne souhaitais pas conserver (données de gestion inutiles pour mon travail, données non
- vérifiables ou traçables, comme par exemple les hypothèses de datation)
- homogénéiser et aligner les métadonnées à conserver
- enrichir l’indexation par sujet
- compléter, parfois manuellement, certaines informations non cataloguées
Une fois le « gros » du nettoyage effectué, j’ai extrait certaines informations de mon tableur : la liste complète des éditeurs, graveurs et dessinateurs référencés ; la liste des villes et pays représentés dans les images. J’ai enrichi ces données à l’aide de wikidata via OpenRefine (par exemple, pour trouver la date de naissance et de mort d’un artiste, les coordonnées géographiques d’une ville). J’ai versé l’ensemble dans ma base de données pour me créer une sorte de référentiel.
J’avais commencé à la même chose avec tout le détail des « sujets représentés » : bâtiment, événement historique, etc. J’ai finalement pris conscience que c’était très chronophage et pas utile à cette phase de la constitution de mon corpus : j’ai donc revu mes ambitions à la baisse et adopté une indexation plus grossière en cours de route : je ne signalais plus que des éléments génériques comme « pont », « événement historique », « place ». J’ai tout de même conservé une indexation précise au lieu représenté pour les villes les plus importantes, très représentées dans le corpus, comme Paris, Londres, Venise et Rome.
Il m’a fallu plusieurs dizaines d’heures, étalées sur plusieurs mois pour nettoyer et enrichir mes métadonnées dans mon tableur. Je pense qu’à l’avenir, cette tâche sera plus rapide puisque j’ai désormais une méthodologie de travail et que le gros de mes « référentiels » est construit. Le versement des vues dans la base de données Omeka m’a pris quinze jours, à raison de grosses séances de travail le soir et le week-end (là encore, je suis désormais beaucoup plus efficace, maintenant que j’ai des routines et que j’ai identifié les points de vigilance).
Cela a abouti, le 24 février, à une première version de ma base de données, contenant 971 exemplaires de vues d’optique (celles du département des estampes, celles de la BM de Valenciennes et les 100 vues que j’avais cataloguées au Musée d’Abbeville).
Edit : Au 19 mai, le corpus compte 2014 estampes.
Dans le prochain billet de cette série sur la constitution du corpus, je vous parlerai de la construction de mon outil de travail, ma base de données sous Omeka… et dans la foulée, je vous la montrerai, cette V1 !