Metadata

La syntaxe des métadonnées (métacontenu) désigne les règles établies pour structurer les champs ou éléments des métadonnées (métacontenu). Un même schéma de métadonnées peut être exprimé dans différents langages de balisage ou de programmation, chacun nécessitant une syntaxe spécifique. Par exemple, Dublin Core peut être exprimé en texte brut, HTML , XML et RDF .

Un exemple courant de métacontenu (guide) est la classification bibliographique, le sujet, la cote Dewey . Toute « classification » d'un objet implique toujours une affirmation. Pour classer un objet comme appartenant, par exemple, à la cote Dewey 514 ( Topologie ) (c'est-à-dire les livres portant le numéro 514 sur leur dos), l'affirmation implicite est : « <livre><titre><514> ». Il s'agit d'un triplet sujet-prédicat-objet, ou plus précisément, d'un triplet classe-attribut-valeur. Les deux premiers éléments du triplet (classe, attribut) sont des métadonnées structurelles dotées d'une sémantique définie. Le troisième élément est une valeur, de préférence issue d'un vocabulaire contrôlé, de données de référence (données maîtres). La combinaison des métadonnées et des données maîtres aboutit à une affirmation qui est une affirmation de métacontenu : « métacontenu = métadonnées + données maîtres ». Tous ces éléments peuvent être considérés comme un « vocabulaire ». Les métadonnées et les données de référence sont des vocabulaires pouvant être assemblés en énoncés de métacontenu. De nombreuses sources fournissent ces vocabulaires, qu'il s'agisse de métadonnées ou de données de référence : UML, EDIFACT, XSD, Dewey/UDC/LoC, SKOS, ISO 25964, Pantone, la nomenclature binomiale linnéenne, etc. L'utilisation de vocabulaires contrôlés pour les composants des énoncés de métacontenu, que ce soit pour l'indexation ou la recherche, est préconisée par la norme ISO 25964 : « Si l'indexeur et le chercheur sont amenés à choisir le même terme pour un même concept, alors les documents pertinents seront récupérés. » Ceci est particulièrement pertinent pour les moteurs de recherche d'Internet, tels que Google. Le processus indexe les pages puis associe les chaînes de caractères à l'aide de son algorithme complexe ; aucune intelligence ni « inférence » n'est à l'œuvre, il ne s'agit que d'une illusion.

Les schémas de métadonnées peuvent être hiérarchiques, avec des relations entre les éléments et une imbrication de ces éléments, créant ainsi des relations parent-enfant. Le schéma IEEE LOM , par exemple, illustre ce type de schéma hiérarchique : chaque élément appartient alors à un élément parent. Les schémas de métadonnées peuvent également être unidimensionnels (ou linéaires), chaque élément étant alors totalement indépendant des autres et classé selon une seule dimension. Le schéma Dublin Core , unidimensionnel, en est un exemple. Enfin, les schémas de métadonnées sont souvent bidimensionnels (ou planaires), chaque élément étant alors totalement indépendant des autres mais classé selon deux dimensions orthogonales.

Le degré de structuration des données ou métadonnées est appelé « granularité » . La « granularité » désigne le niveau de détail fourni. Des métadonnées à haute granularité permettent des informations plus approfondies, plus détaillées et mieux structurées, et autorisent un niveau de manipulation technique plus élevé. Une granularité plus faible signifie que les métadonnées peuvent être créées à moindre coût, mais ne fourniront pas d'informations aussi détaillées. L'impact majeur de la granularité se fait sentir non seulement sur la création et la capture, mais aussi sur les coûts de maintenance. Dès que les structures de métadonnées deviennent obsolètes, l'accès aux données référencées l'est également. Par conséquent, la granularité doit prendre en compte l'effort de création des métadonnées ainsi que celui nécessaire à leur maintenance.

Dans tous les cas où les schémas de métadonnées dépassent la représentation planaire, un type d'hypermappage est nécessaire pour permettre l'affichage et la visualisation des métadonnées selon l'aspect choisi et pour proposer des vues spécifiques. L'hypermappage s'applique fréquemment à la superposition de données géographiques et géologiques.

La plupart des types de fichiers informatiques courants peuvent intégrer des métadonnées, notamment les documents (par exemple, les fichiers Microsoft Office , OpenDocument , PDF ), les images (par exemple, JPEG , PNG ), les fichiers vidéo (par exemple , AVI , MP4 ) et les fichiers audio (par exemple , WAV , MP3 ) .

Les utilisateurs peuvent ajouter des métadonnées aux fichiers, mais certaines métadonnées sont souvent ajoutées automatiquement par les applications de création ou par les périphériques utilisés pour produire les fichiers, sans intervention de l'utilisateur.

Bien que les métadonnées soient utiles pour retrouver les fichiers, elles peuvent présenter un risque pour la confidentialité lors du partage de ces fichiers. L'utilisation d'outils de suppression de métadonnées pour nettoyer les fichiers avant de les partager permet d'atténuer ce risque.

Les informations relatives aux dates, origines et destinations des appels téléphoniques, des messages électroniques, des messages instantanés et autres moyens de télécommunication, par opposition à leur contenu, constituent une autre forme de métadonnées. La collecte massive de ces métadonnées par les services de renseignement a suscité la controverse suite aux révélations d' Edward Snowden concernant le fait que certains services, comme la NSA, conservaient (et conservent peut-être encore) des métadonnées en ligne sur des millions d'internautes pendant une durée pouvant aller jusqu'à un an, qu'ils aient ou non fait l'objet d'une enquête.

Les métadonnées législatives ont été discutées dans divers forums, tels que les ateliers organisés par le Legal Information Institute de la Cornell Law School les 22 et 23 mars 2010. La documentation de ces ateliers est intitulée « Pratiques suggérées en matière de métadonnées pour la législation et la réglementation ».

Ces discussions ont permis de dégager quelques points clés, dont les titres de section sont listés ci-dessous :

• Considérations générales
• Structure du document
• Contenu du document
• Métadonnées (éléments de)
• superposition
• Point dans le temps versus post-hoc

La recherche médicale australienne a été pionnière dans la définition des métadonnées pour les applications en soins de santé. Cette approche constitue la première tentative reconnue de se conformer aux normes internationales en sciences médicales plutôt que de définir une norme propriétaire sous l'égide de l' Organisation mondiale de la Santé (OMS). La communauté médicale n'a cependant pas approuvé la nécessité de suivre les normes de métadonnées, malgré les recherches qui les soutenaient.

Les recherches en biomédecine et en biologie moléculaire génèrent fréquemment d'importantes quantités de données, notamment les résultats du séquençage du génome ou du métagénome , les données protéomiques , et même les notes ou plans élaborés au cours de la recherche elle-même . Chaque type de données implique ses propres métadonnées et les processus nécessaires à leur production. Les normes générales de métadonnées, telles que ISA-Tab permettent aux chercheurs de créer et d'échanger des métadonnées expérimentales dans des formats cohérents. Les approches expérimentales spécifiques possèdent souvent leurs propres normes et systèmes de métadonnées : les normes de métadonnées pour la spectrométrie de masse incluent mzML et SPLASH , tandis que les normes basées sur XML , telles que PDBML et SRA XML servent de normes respectivement pour les données de structure macromoléculaire et de séquençage.

Les résultats de la recherche biomédicale se concrétisent généralement sous forme de manuscrits évalués par des pairs, et ces publications constituent une autre source de données entrepôt de données (ED) est un référentiel de données stockées électroniquement au sein d'une organisation. Les entrepôts de données sont conçus pour gérer et stocker ces données. Ils se distinguent des systèmes de veille stratégique (SS) car ces derniers sont conçus pour exploiter les données afin de générer des rapports et d'analyser l'information, dans le but de fournir des orientations stratégiques à la direction. Les métadonnées constituent un outil essentiel pour le stockage des données dans les entrepôts de données. L'objectif d'un entrepôt de données est d'héberger des données standardisées, structurées, cohérentes, intégrées, exactes, « nettoyées » et actualisées, extraites des différents systèmes opérationnels de l'organisation. Ces données extraites sont intégrées à l'environnement de l'entrepôt de données afin d'offrir une vision globale de l'entreprise. Les données sont structurées de manière à répondre aux exigences de reporting et d'analyse. La conception d'une structure de métadonnées commune, à l'aide d'une méthode de modélisation des données telle que le modèle entité-relation (ERM), est cruciale dans tout projet de développement d'entrepôt de données. Ces modèles détaillent les métadonnées de chaque donnée présente dans l'entrepôt. Les métadonnées et les outils permettant de les gérer et de les extraire sont des composantes essentielles d'un système d'entrepôt de données/de veille stratégique. Ralph Kimball décrit les métadonnées comme l'ADN de l'entrepôt de données, car les métadonnées définissent les éléments de l'entrepôt de données et la façon dont ils fonctionnent ensemble.

Kimball et al. distinguent trois grandes catégories de métadonnées : techniques, métier et de processus. Les métadonnées techniques sont principalement définitionnelles , tandis que les métadonnées métier et de processus sont principalement descriptives . Ces catégories se recoupent parfois.

• Les métadonnées techniques définissent les objets et les processus d'un système DW/BI, d'un point de vue technique. Elles comprennent les métadonnées système, qui définissent les structures de données telles que les tables, les champs, les types de données, les index et les partitions du moteur relationnel, ainsi que les bases de données, les dimensions, les mesures et les modèles d'exploration de données. Les métadonnées techniques définissent également le modèle de données et son mode d'affichage pour les utilisateurs, notamment les rapports, les planifications, les listes de distribution et les droits d'accès.
• Les métadonnées métier sont des contenus de l'entrepôt de données décrits en termes plus accessibles. Elles indiquent quelles données sont disponibles, d'où elles proviennent, leur signification et leurs relations avec les autres données de l'entrepôt. Les métadonnées métier peuvent également servir de documentation pour le système DW/BI. Les utilisateurs qui consultent l'entrepôt de données visualisent principalement les métadonnées métier.
• Les métadonnées de processus servent à décrire les résultats des différentes opérations effectuées dans l'entrepôt de données. Lors du processus ETL , toutes les données clés des tâches sont enregistrées à chaque exécution. Cela inclut l'heure de début, l'heure de fin, le temps processeur utilisé (en secondes), les lectures et écritures disque, ainsi que le nombre de lignes traitées. Ces données s'avèrent précieuses lors du dépannage des processus ETL ou de requêtes . Les métadonnées de processus constituent la mesure des faits lors de la conception et de l'utilisation d'un système DW/BI. Certaines organisations tirent leurs revenus de la collecte et de la vente de ces données à des entreprises ; dans ce cas, les métadonnées de processus deviennent les métadonnées métier des tables de faits et de dimensions. La collecte des métadonnées de processus est dans l'intérêt des responsables métiers, qui peuvent ainsi identifier les utilisateurs de leurs produits, les produits qu'ils utilisent et le niveau de service dont ils bénéficient.

Le format HTML utilisé pour définir les pages web permet l'inclusion de divers types de métadonnées, allant du texte descriptif de base, des dates et des mots-clés à des schémas de métadonnées plus avancés tels que les normes Dublin Core , e-GMS et AGLS . Les pages et les fichiers peuvent également être géolocalisés avec des coordonnées , catégorisés ou étiquetés, y compris de manière collaborative comme avec les folksonomies .

Lorsque des identifiants sont définis pour un média ou peuvent être générés, des informations telles que les étiquettes et descriptions de fichiers peuvent être extraites d' Internet – par exemple, pour les films. Diverses bases de données en ligne sont agrégées et fournissent des métadonnées pour différentes données. Wikidata, une base de données collaborative , possède des identifiants non seulement pour les médias, mais aussi pour des concepts abstraits, divers objets et d'autres entités, qui peuvent être consultés par les humains et les machines pour extraire des informations utiles et relier les connaissances à d'autres bases de connaissances.

Les métadonnées peuvent être incluses dans l'en-tête de la page ou dans un fichier séparé. Les microformats permettent d'ajouter des métadonnées aux données de la page de manière invisible pour les utilisateurs, mais facilement accessible aux ordinateurs, aux robots d'exploration et aux moteurs de recherche . De nombreux moteurs de recherche se montrent prudents quant à l'utilisation des métadonnées dans leurs algorithmes de classement, en raison de leur exploitation et des pratiques d'optimisation pour les moteurs de recherche ( SEO) visant à améliorer le positionnement. Pour plus d'informations, consultez l' article sur l'élément Meta . Cette prudence se justifie, car, selon Doctorow , les utilisateurs ne font pas preuve de la rigueur nécessaire lors de la création de leurs métadonnées, et ces dernières s'inscrivent dans un contexte concurrentiel où elles servent les intérêts de leurs créateurs. Des études montrent que les moteurs de recherche prennent en compte les pages web intégrant des métadonnées et Google publie sur son site la liste des balises Meta qu'il interprète. La startup de recherche d'entreprise Swiftype reconnaît les métadonnées comme un signal de pertinence que les webmasters peuvent mettre en œuvre pour leur moteur de recherche spécifique au site Web, allant même jusqu'à publier leur propre extension, connue sous le nom de Meta Tags 2.

Dans le secteur de la diffusion , les métadonnées sont liées aux supports de diffusion audio et vidéo pour :

• identifier le média : nom du clip ou de la liste de lecture , durée, code temporel , etc.
• Décrire le contenu : notes concernant la qualité du contenu vidéo, la notation, la description (par exemple, lors d’un événement sportif, des mots-clés comme but , carton rouge seront associés à certains extraits).
• Classification des médias : les métadonnées permettent aux producteurs de trier les médias ou de trouver facilement et rapidement un contenu vidéo (une chaîne d’information télévisée peut avoir besoin en urgence d’ archives sur un sujet précis). Par exemple, la BBC utilise Lonclass , un système de classification par sujet très complet, une version personnalisée de la Classification décimale universelle (CDU), plus généraliste .

Ces métadonnées peuvent être associées aux médias vidéo grâce aux serveurs vidéo . La plupart des grands événements sportifs diffusés, comme la Coupe du Monde de la FIFA ou les Jeux Olympiques, utilisent ces métadonnées pour distribuer leur contenu vidéo aux chaînes de télévision par le biais de mots-clés . C'est souvent le diffuseur hôte qui est responsable de l'organisation des métadonnées via son Centre International de Diffusion et ses serveurs vidéo. Ces métadonnées sont enregistrées avec les images et saisies par des opérateurs de métadonnées ( enregistreurs ) qui les associent en direct aux métadonnées disponibles dans des grilles de métadonnées grâce à un logiciel (tel que Multicam (LSM) ou IPDirector, utilisé lors de la Coupe du Monde de la FIFA ou des Jeux Olympiques).

Les métadonnées écologiques et environnementales visent à documenter les aspects suivants de la collecte des données pour une étude donnée : qui, quoi, quand, où, pourquoi et comment. Cela signifie généralement quelle organisation ou institution a collecté les données, de quel type de données il s’agit, à quelle(s) date(s) la collecte a eu lieu, la justification de cette collecte et la méthodologie employée. Les métadonnées doivent être générées dans un format couramment utilisé par la communauté scientifique concernée, tel que Core , Ecological Metadata Language [ ou Dublin Core . Des outils d’édition de métadonnées existent pour faciliter leur génération (par exemple, Metavist , Mercury , Morpho ). Les métadonnées doivent décrire la provenance des données (leur origine et les transformations qu’elles ont subies) et indiquer comment citer les sources.

Lors de leur première commercialisation en 1982, les disques compacts ne contenaient qu'une table des matières (TOC) indiquant le nombre de pistes et leur durée en échantillons. Quatorze ans plus tard, en 1996, une révision de la norme CD Red Book a introduit le CD-Text pour inclure des métadonnées supplémentaires. Cependant, le CD-Text n'a pas été largement adopté. Peu après, il est devenu courant pour les ordinateurs personnels de récupérer les métadonnées à partir de sources externes (par exemple CDDB , Gracenote ) en se basant sur la TOC.

Dans les années 2000, les formats audio numériques , tels que les fichiers audio numériques ( DAF ), ont supplanté les formats musicaux comme les cassettes et les CD . Les fichiers audio numériques peuvent désormais contenir davantage d'informations que leur simple nom. Ces informations descriptives sont appelées métadonnées audio . Les logiciels permettant d'ajouter ou de modifier ces informations sont appelés éditeurs de métadonnées . Les métadonnées servent à nommer, décrire, cataloguer et indiquer la propriété ou les droits d'auteur d'un fichier audio numérique. Leur présence facilite grandement la recherche d'un fichier audio spécifique au sein d'un ensemble, généralement grâce à un moteur de recherche qui accède aux métadonnées. Avec le développement des différents formats audio numériques, des efforts ont été déployés pour standardiser l'emplacement de stockage de ces informations au sein des fichiers numériques.

De ce fait, la quasi-totalité des formats audio numériques, y compris les fichiers MP3 , WAV (diffusion) et AIFF , possèdent des emplacements standardisés similaires pouvant être renseignés avec des métadonnées. Ces métadonnées, pour la musique numérique compressée et non compressée, sont souvent encodées dans la balise ID3 . Les éditeurs courants tels que TagLib prennent en charge les formats MP3, Ogg Vorbis, FLAC, MPC, Speex, WavPack TrueAudio, WAV, AIFF, MP4 et ASF.

Grâce à la disponibilité des applications cloud , notamment celles permettant d'ajouter des métadonnées au contenu, ces dernières sont de plus en plus accessibles via Internet.

Les métadonnées peuvent être stockées soit en interne , dans le même fichier ou la même structure que les données (on parle alors de métadonnées intégrées ), soit en externe , dans un fichier ou un champ distinct des données décrites. Un référentiel de données stocke généralement les métadonnées séparément des données, mais peut être conçu pour prendre en charge les approches de métadonnées intégrées. Chaque option présente des avantages et des inconvénients :

• Le stockage interne implique que les métadonnées sont toujours incluses dans les données qu'elles décrivent ; elles sont donc toujours disponibles avec les données et peuvent être modifiées localement. Cette méthode crée une redondance (empêchant la normalisation) et ne permet pas de gérer l'ensemble des métadonnées d'un système en un seul endroit. Elle améliore sans doute la cohérence, car les métadonnées sont mises à jour automatiquement dès que les données sont modifiées.
• Le stockage externe permet de regrouper les métadonnées de tous les contenus, par exemple dans une base de données, pour une recherche et une gestion plus efficaces. La redondance peut être évitée en normalisant l'organisation des métadonnées. Dans cette approche, les métadonnées peuvent être associées au contenu lors du transfert d'informations, par exemple dans le cas du streaming ; ou être référencées (par exemple, sous forme de lien web) depuis le contenu transféré. En revanche, la séparation des métadonnées et des données, notamment dans les fichiers autonomes qui font référence à leurs métadonnées sources ailleurs, accroît les risques de décalage entre les deux, car les modifications apportées à l'un peuvent ne pas être répercutées sur l'autre.

Les métadonnées peuvent être stockées sous forme lisible par l'humain ou sous forme binaire. Le stockage des métadonnées dans un format lisible par l'humain, tel que XML, présente l'avantage de permettre aux utilisateurs de les comprendre et de les modifier sans outils spécialisés. Toutefois, les formats textuels sont rarement optimisés en termes de capacité de stockage, de temps de communication ou de vitesse de traitement. Un format de métadonnées binaire permet une efficacité accrue à tous ces égards, mais nécessite un logiciel spécifique pour convertir les informations binaires en contenu lisible par l'humain.

Chaque système de base de données relationnelle possède ses propres mécanismes de stockage des métadonnées. Voici quelques exemples de métadonnées de base de données relationnelle :

• Tableaux de toutes les tables d'une base de données, leurs noms, tailles et nombre de lignes dans chaque table.
• Tableaux des colonnes de chaque base de données, des tables dans lesquelles elles sont utilisées et du type de données stockées dans chaque colonne.

En termes de bases de données, cet ensemble de métadonnées est appelé catalogue . La norme SQL spécifie une méthode uniforme d'accès au catalogue, appelée schéma d'information , mais toutes les bases de données ne l'implémentent pas, même si elles respectent d'autres aspects de la norme SQL. Pour un exemple de méthodes d'accès aux métadonnées spécifiques à une base de données, voir la documentation sur les métadonnées Oracle . L'accès programmatique aux métadonnées est possible via des API telles que JDBC ou SchemaCrawler.