De quelques choix lors du dépôt des données : introduction (1/4)
Cette série de billets est consacrée au dépôt dans un entrepôt de confiance. Nous avons choisi Nakala, l’entrepôt des données en sciences humaines et sociales proposé par l’IR* Huma-Num, mais bien d’autres choix sont possibles.
Pour choisir son entrepôt1, on peut s’appuyer sur la note méthodologique établie par le Collège Données de la recherche du Comité pour la science ouverte en 2024 ou sur la fiche synthétique publiée sur Doranum. On peut aussi parcourir les listes d’entrepôts disponibles, qu’il s’agisse de la liste mise à jour en 2025 par le Comité pour la science ouverte, ou l’annuaire re3data. Cela est particulièrement intéressant dans le cas des entrepôts thématiques, comme l’avait souligné Louis Manière lors de son intervention pendant l’école d’été Distam 2022. Il n’existe pas d’entrepôt spécialisé dans les études aréales dont la particularité ne tient pas tant à la nature des données (qui sont dans des formats standards) qu’aux questions que posent les métadonnées qu’on leur associe — questions liées à la documentation multiécritures et multilingue ainsi qu’aux lacunes des référentiels occidentalo-centrés.
Une fois l’entrepôt choisi, on procède à l’organisation des données. En effet, dès lors que l’on dépasse la dizaine d’éléments à déposer,il convient de réfléchir à la manière dont on va les déposer. Ce choix dépendra des fonctionnalités que propose l’entrepôt. Par exemple, Zenodo offre la possibilité d’organiser les dépôts en arborescence (à la manière des arbres de répertoires et de fichiers de nos ordinateurs), ce n’est pas le cas de Nakala.
Nakala se caractérise par une gestion par dépôt (et non par fichier). À chaque dépôt, qui peut être multfichiers, est associé un DOI (digital object identifier). Le dépôt peut être signalé dans une ou plusieurs collections, il ne disparaîtra pas, même si la collection est supprimée. À quoi cela peut-il servir ? Dans le cas du projet CHI-KNOW-PO, le corpus comprend plusieurs dizaines de milliers de fichiers images (à l’échelle de la page ou de la double page selon la source) et un nombre comparable de fichiers textes (correspondant cette fois à des unités textuelles cohérentes). Afin de pouvoir mettre en correspondance les deux jeux de fichiers, le corpus a été découpé en grandes sections de textes — des chapitres, des rouleaux ou sections juan, des volumes. Chaque grande section est déposée en image ou en texte sous la forme de deux dépôts qui partagent partiellement le même titre2. L’ensemble des dépôts correspondant à un ouvrage est réuni dans un collection. Parallèlement, tous les dépôts du projet sont rattachés à la grande collection “CHI-KNOW-PO” :

On établit ensuite un schéma de métadonnées, c’est-à-dire qu’on documente les données en leur associant un titre, une licence, etc. Ce schéma de métadonnées peut prendre diverses formes :
- Il peut s’agir d’un tableau qui précise ce qu’on documente, quelle forme prend cette documentation et comment se nomme le champ ainsi documenté. On peut aussi préciser si ce champ est obligatoire. Un tableau de ce type servira de référence ou de documentation.
- On peut se servir de règles associées à un fichier au format choisi (csv, yaml, json) pour établir le schéma et s’assurer que les métadonnées saises dans un fichier sont conformes au format choisi.
- Même si on saisit les métadonnées à la volée sur une interface de dépôt, il est nécessaire d’avoir une liste des métadonnées attendues pour éviter les incohérences. Sur la cohérence et l’organisation du schéma de métadonnées, on consultera avec intérêt l’intervention de Régis Witz à l’école d’été Distam 2023.
Les prochains billets traiteront tour à tour :
- des champs obligatoires dans Nakala et des choix qui s’offrent au déposant (2/4)
- d’autres champs dont la documentation est recommandée ou utile dans certains cas (3/4)
- de quelques méthodes et outils de dépôt disponibles (4/4).
Si les métadonnées, souvent associées aux catalogues des bibliothèques, nous permettent de retrouver des publicatons en les filtrant par titre, auteur, éditeur, année de publication, elle s’avèrent à la fois plus labiles ou moins stables pour la documentation des données de recherche. Cela s’explique par la diversité des données de recherche, par leur contexte de production et de documentation (les projets de recherche), par la jeunesse des entreprises de production et de partage des données en sciences humaines et sociales, ainsi que par le contexte de documentation des données de la recherche (en dehors des institutions et des métiers de la documentation). Il en résulte que les schémas de métadonnées dans les entrepôts sont aussi divers que les headers des fichiers en XML-TEI. Si l’on se dirige aujourd’hui vers un certain nombre de recommandations par discipline qui devraient permettre de faciliter la recherche de données dans les entrepôt (donc de renforcer le “F” et possiblement le “R” des données FAIR), les entrepôts se présentent aujourd’hui avant tout comme des espaces de stockage un peu ordonné des données de la recherche plutôt que comme des catalogues des données numériques disponibles.
La réflexion partagée dans cette série a pris forme au cours des cinq dernières années. Elle résulte avant tout de la gestion des données produites dans le cadre du projet CHI-KNOW-PO, notamment son versant Corpus. Dans ce cadre, les échanges avec les spécialistes des bibliothèques (BULAC, Collège de France, BNU et Bibliothèques de l’Université de Strabsourg), les experts de l’IR* Huma-Num et les orfèvres des plateformes PHUN et Estrades (MISHA) ont été particulièrement précieux et formateurs. Les choix qui ont été faits ont été motivés par le cadrage scientifique du projet et se sont appuyés sur des travaux antérieurs comme les recommandations du consortium Huma-Num Cahier. Cependant, la perspective a gagné en largeur de vue grâce à l’accompagnement de projets associés au consortium Huma-Num Distam entre le printemps 2022 et l’automne 2025 et aux discussions auxquelles elles ont donné lieu au sein de l’équipe du consortium Huma-Num Distam.
- Pour le dépôt des données (texte, image, son, vidéo), il est recommandé de recourir à des entrepôts dits de confiance qui permettront d’associer des métadonnées à ces données et d’assurer l’accessibilité desdites données sans dépendre d’acteurs économiques. Pour le code, son développement dans les forges logicielles s’accompage normalement de son archivage dans Software Heritage. Les publications sont pour leur part déposées dans HAL. ↩︎
- Pour le formatage des titres de fichiers, cf. le guide dédié au plan de nommage de Doranum. Une réflexion similaire intervient dans le choix des titres de dépôts et de collections. ↩︎
Le texte seul est utilisable sous licence Creative Commons Attribution 4.0 International. Les autres éléments (illustrations, fichiers annexes importés) sont “Tous droits réservés”, sauf mention contraire.
OpenEdition vous propose de citer ce billet de la manière suivante :
Marie Bizais-Lillig (10 décembre 2025). De quelques choix lors du dépôt des données : introduction (1/4). Carnet hypothèses du consortium Huma-Num DISTAM (DIgital STudies Africa, Asia, Middle East). Consulté le 14 janvier 2026 à l’adresse https://doi.org/10.58079/15bdz

