Vers une ontologie des concepts en statistiques 4 : l’indexation des ressources

L’indexation des ressources

Comme dans une bibliothèque, les ressources éducatives libres (REL) qu’on trouve sur le web doivent pouvoir être décrites par un certain nombre de données pour être recherchées par des systèmes d’interrogation et réutilisables. Ces caractéristiques ou métadonnées sont décrites dans des nomenclatures standardisées afin de permettre leur réutilisation dans plusieurs contextes.

Une des normes utilisées dans l’enseignement supérieur pour la description des REL est le supLOM (Learning Object Metadata)  et, pour le travail qui nous concerne sa déclinaison française supLOM-fr. Ce standard a pour fonction principale l’indexation pour la recherche mais pas l’assemblage et l’adaptation des ressources. Le SCORM (Shareable Content Object Reference Model) est un autre standard orienté vers le partage des ressources pédagogiques. Ces standards sont complexes à utiliser et sont peu utilisés par les enseignants car il leur manque la description sémantique des ressources, d’où l’idée d’utiliser une ontologie.

Une ontologie est la définition formelle de la description d’un domaine de connaissances à l’aide d’un ensemble de concepts hiérarchisés. Il existe plusieurs types d’ontologie (Charlet, Bachimont & Troncy, 2013) ?

  • l’ontologie du domaine organise les concepts
  • l’ontologie de méthodes (ex. diagnostic médical),
  • l’ontologie d’application qui articule d’une ontologie du domaine et d’une ontologie de méthode,
  • l’ontologie de représentation qui repère et organise les primitives de la théorie

Elles présentent pour l’indexation des ressources pédagogiques plusieurs avantages. Elles permettent à la fois de répondre à un certain nombre de limitations des normes, (Bouzeghoub, Defude, Duitama, & Lecocq, 2005). Ainsi, elles facilitent le processus d’indexation, trop long et fastidieux avec les normes (Michel 2004), permettent de résoudre les problèmes d’ambiguïté de certains éléments du LOM (Najjar & Duval, 2006), mais surtout de surmonter les problèmes de compréhension chez les créateurs de ressources (Currier, 2004) en dotant les ressources d’une sémantique qui leur parlent.  Elles articulent en générale deux types descriptions : (i) le domaine de connaissances pour indexer sémantiquement les ressources et (ii) les caractéristiques ressources éducatives. Ces dernières correspondent à une traduction sous forme d’ontologie des normes précitées.

Objectifs

Notre projet Ontostat vise précisément à élaborer cette ontologie et à y indexer des ressources éducatives libres et éditoriales. Nous ambitionnons également de mobiliser une communauté d’enseignant et enseignants chercheurs pour décrire le domaine, partager les pratiques et faciliter la réutilisation des ressources. Enfin, grâce à l’utilisation d’un raisonneur sur l’ontologie, nous prévoyons ultérieurement d’exploiter l’ontologie pour aider à l’identification des procédures adéquates (cas de requêtes) et élaborer des aides personnalisées à l’apprentissage. Enfin, un autre enjeu, à terme est de pouvoir identifier par la fouille de texte les métadonnées à associer à un document et ainsi de faciliter et/ou automatiser son indexation.

Pour la description des ressources éducatives (auteurs, type de document etc.) nous nous appuierons dans la mesure du possible sur des d’ontologies existantes, notamment SemUNT  qui permet en particulier de disposer des descripteur de supLOM-fr sous la forme d’une ontologie (Isaac, Bourda, & Grandbastien, 2012). Le développement de l’ontologie dont il est question concerne donc surtout la description du domaine.

Le projet n’en est pour l’instant que dans sa phase 1, l’élaboration de l’ontologie. Il s’agit ici de réaliser un démonstrateur permettant de valider l’utilisabilité d’une ontologie pour l’indexation des ressources éducatives libres et leur réutilisation par les enseignants et les étudiants. Pour les premiers nous prévoyons une interface d’indexation et de consultation s’appuyant sur OMEKA-S (http://omeka.org/s/).

Méthodologie

Pour construire l’ontologie, nous avons adopté une démarche déjà éprouvée dans d’autres domaines et connue sous le nom de « méthontology » (Corcho, Fernández-López, Gómez-Pérez, & López-Cima, 2005; Fernández-López, Gómez-Pérez, & Juristo, 1997). Nous ne rentrerons pas ici dans les détails techniques de ce développement. Nous en présenterons succinctement les principales étapes.

 

Figure 3 Présentation schématique de la methontology. D’après (Corcho et al., 2005)

. La première étape consiste à dresser la liste aussi complète que possible des termes qui seront utilisés. Afin d’adopter un vocabulaire aussi largement partagé que possible, nous avons retenu le glossaire de International Statistical Institute (ISI). Celui-ci comporte 3942 entrées traduites en 29 langues. Pour chacun d’elles, les synonymes sont indiqués. Nous avons retenu 453 entrées correspondant au vocabulaire retenu dans nos cours. Ce choix de disposer d’un vocabulaire multilingue nous a conduits à ne pas réutiliser une ontologie existante sur les concepts statistiques : STATO. Cette dernière, développée par l’université d’Oxford (http://stato-ontology.org/) est cependant suffisamment proche dans sa conception de notre approche pour que nous puissions envisager une connexion entre les deux ontologies.

La taxonomie sera construite à l’aide du logiciel PROTEGE (http://protege.stanford.edu/). Cette taxonomie sera constituée de trois grandes classes. La première comprend tous les objets d’analyses. La seconde permettra d’organiser les procédures autour des principaux buts de l’analyse statistiques. La troisième classe organisera les axiomes et autres théorèmes.

Figure 4 Taxonomie générale des objets d’analyse et des procédures

Les étapes suivantes consistent à décrire les relations entre les concepts lorsqu’ils ne relèvent pas de l’inclusion de classe et les relations entre les concepts et les procédures.

La validation de l’ontologie, tant dans ses aspects structuraux que sémantiques sera réalisée en nous inspirant de la méthodologie développée par Richard, Aimé, Krebs, & Charlet (2015). Elle prévoit l’utilisation d’outils dédiés tels que des raisonneurs pour vérifier la cohérence structurelle et des focus groupes avec des experts du domaine pour les aspects sémantiques.

Pour suivre le projet, visitez notre site : http://gapai.univ-paris8.fr/ontostats/#home

Bibliographie

Bouzeghoub, A., Defude, B., Duitama, J.-F., & Lecocq, C. (2005). Un modèle de description sémantique de ressources pédagogiques basé sur une ontologie de domaine. Sciences et Technologies de l’Information et de la Communication pour l’Éducation et la Formation (STICEF), 12, 17 pages.

Corcho, O., Fernández-López, M., Gómez-Pérez, A., & López-Cima, A. (2005). Building Legal Ontologies with METHONTOLOGY and WebODE. In V. R. Benjamins, P. Casanovas, J. Breuker, & A. Gangemi (Éd.), Law and the Semantic Web (p. 142‑157). Springer Berlin Heidelberg. https://doi.org/10.1007/978-3-540-32253-5_9

Fernández-López, M., Gómez-Pérez, A., & Juristo, N. (1997). METHONTOLOGY: From Ontological Art Towards Ontological Engineering. In Proceedings of the Ontological Engineering AAAI-97 Spring Symposium Series. Stanford University, EEUU: Facultad de Informática (UPM). Consulté à l’adresse http://oa.upm.es/5484/

Isaac, Y., Bourda, Y., & Grandbastien, M. (2012). SemUNIT – French UNT and Linked Data (Vol. 840, p. 6 pages). Présenté à LiLe-2012 at WWW-2012, CEUR workshop proceedings. Consulté à l’adresse https://hal-supelec.archives-ouvertes.fr/hal-00701152/document

Richard, M., Aimé, X., Krebs, M.-O., & Charlet, J. (2015). LOVMI : vers une méthode interactive pour la validation d’ontologies. Présenté à Plate-forme Intelligence articielle, Rennes, France.

 

 


Laisser un commentaire

Votre adresse de messagerie ne sera pas publiée. Les champs obligatoires sont indiqués avec *