Search

This paper proposes a family of tools based on Markov modeling to quantitatively analyze how people access the digital collections of the Bibliothèque nationale de France (BnF, the national library of France), through the web platform called Gallica. The aim is to provide the BnF with relevant information about the various usage patterns to help them to better understand their users, improve the mediation efforts and the design of the website, in order to increase the general public use of the 4M-documents collection. For that purpose, the study focuses on the access logs retrieved from the Apache HTTP servers of Gallica that are converted into sequences of actions. In order to study user navigation behaviors, we propose to model the access log data using Markov Models, whether it be Markov chains when considering sequences of actions without duration, or Markov processes when taking into account duration. Our models are either used to capture an average behavior through meaningful statistics or to cluster the data to exhibit various interpretable types of usage. The numerical results bring new insights on the way the users interact with the platform, highlighting the mean duration of some actions such as the interaction with the search engine or the consultation of documents. Even if our approach requires the use of additional information in order to properly interpret the models and the correlations that it highlights, it is able to discover all types of behaviors, including the stealthiest and the most difficult to capture in traditional surveys, giving them their fair weight in terms of audience. We also show how this approach fits into a broader work combining data mining and ethnography.

Gallica (http://gallica.bnf.fr) is one of the major digital libraries available for free via the Internet. It provides access to million of documents of any type and receive around 1.5 million visits per month. In the context of a research partnership between the BnF and Télécom ParisTech, an analysis of Gallica servers’ connection logs was carried out, applying machine-learning methods to them. The aim was not to collect information on users or their profiles but rather to use logs, which act as records of usage, as a basis for identifying typical clickstreams. For 15 months, a data clusterisation algorithm was developed, enabling grouping of Gallica sessions with similarities in sequencing and duration of actions . Logs analysed covered a range of durations, from a week to a month, with systematic checking of the stability of models obtained. Such learning methods take advantage of the very factor that undermines traditional methods for gathering information on usage: the extremely high numbers of connections. Despite the power of the algorithms involved, machine learning also requires numerous decisions to be taken, necessitating availability of other sources of knowledge on usages and users. For this reason, the preferred methodological choice was to have statistical models dialogue with results obtained from other approaches (ethnographic observations, interviews, etc.). The interest of the work carried out on the Gallica logs persuaded the BnF and Télécom ParisTech to add a further stage to the research devoted to Data BnF logs as well as clickstreams between Gallica, Data BnF and BnF General Catalogue.

Gallica is one of the major digital libraries available for free via the Internet. In the context of the Bibli-Lab, research partnership between the Bibliothèque nationale de France and Télécom ParisTech, and with the support of TeraLab, a new analysis of Gallica servers’ connection logs was carried out, applying machine-learning methods to them. The aim was not to collect information on users or their profiles but rather to use logs, which act as records of usage, as a basis for identifying typical clickstreams. For 15 months (April 2016-July 2017), a researcher on postdoctoral contract and under the supervision of four of Télécom ParisTech’s research professors, developed a data clusterisation algorithm enabling grouping of Gallica sessions with similarities in sequencing and duration of actions . Logs analysed covered a range of durations, from a week to a month, with systematic checking of the stability of models obtained. The preferred methodological choice was to have statistical models dialogue with results obtained from other approaches (ethnographic observations, interviews, etc. ). Such dialogue enabled the researchers involved to: a) set departure parameters (definition of a session and the elementary actions composing it); b) check models obtained, which were highly sensitive to technical artefacts; and c) propose initial keys to interpretation.; Gallica est l'une des plus grandes bibliothèques numériques librement accessible sur le web. Dans le cadre du Bibli-Lab, partenariat de recherche entre la Bibliothèque nationale de France et Télécom ParisTech, et avec le soutien du TeraLab, a été conduite une analyse inédite des logs de connexion aux serveurs de Gallica, en leur appliquant des méthodes d’apprentissage automatique (machine learning). L’objectif n’était pas de connaître les usagers ni leurs profils mais, en partant de traces d’usages que sont les logs, d’identifier des parcours-types. Durant 15 mois (avril 2016-juillet 2017), un chercheur en contrat postdoctoral encadré par quatre enseignants-chercheurs de Télécom ParisTech , a mis au point un algorithme de classification (ou clusterisation) permettant de regrouper des sessions de Gallica présentant des similitudes dans l’enchaînement des actions. Les logs analysés couvraient des durées variables, allant d’une semaine à un mois, avec vérification systématique de la stabilité des modèles obtenus. Le choix méthodologique fort a été ici de faire dialoguer les modèles statistiques avec les résultats issus d’autres approches (observations ethnographiques, entretiens, etc. ). Ce dialogue a permis à la fois de : a) fixer les paramètres de départ (durée d’une session, définition des actions élémentaires sur Gallica) ; b) contrôler les modèles obtenus, extrêmement sensibles aux artefacts techniques ; c) proposer des premières clés d’interprétation.

Gallica is one of the major digital libraries available for free via the Internet. In the context of the Bibli-Lab, research partnership between the Bibliothèque nationale de France and Télécom ParisTech, and with the support of TeraLab, a new analysis of Gallica servers’ connection logs was carried out, applying machine-learning methods to them. The aim was not to collect information on users or their profiles but rather to use logs, which act as records of usage, as a basis for identifying typical clickstreams. For 15 months (April 2016-July 2017), a researcher on postdoctoral contract and under the supervision of four of Télécom ParisTech’s research professors, developed a data clusterisation algorithm enabling grouping of Gallica sessions with similarities in sequencing and duration of actions . Logs analysed covered a range of durations, from a week to a month, with systematic checking of the stability of models obtained. The preferred methodological choice was to have statistical models dialogue with results obtained from other approaches (ethnographic observations, interviews, etc. ). Such dialogue enabled the researchers involved to: a) set departure parameters (definition of a session and the elementary actions composing it); b) check models obtained, which were highly sensitive to technical artefacts; and c) propose initial keys to interpretation.; Gallica est l'une des plus grandes bibliothèques numériques librement accessible sur le web. Dans le cadre du Bibli-Lab, partenariat de recherche entre la Bibliothèque nationale de France et Télécom ParisTech, et avec le soutien du TeraLab, a été conduite une analyse inédite des logs de connexion aux serveurs de Gallica, en leur appliquant des méthodes d’apprentissage automatique (machine learning). L’objectif n’était pas de connaître les usagers ni leurs profils mais, en partant de traces d’usages que sont les logs, d’identifier des parcours-types. Durant 15 mois (avril 2016-juillet 2017), un chercheur en contrat postdoctoral encadré par quatre enseignants-chercheurs de Télécom ParisTech , a mis au point un algorithme de classification (ou clusterisation) permettant de regrouper des sessions de Gallica présentant des similitudes dans l’enchaînement des actions. Les logs analysés couvraient des durées variables, allant d’une semaine à un mois, avec vérification systématique de la stabilité des modèles obtenus. Le choix méthodologique fort a été ici de faire dialoguer les modèles statistiques avec les résultats issus d’autres approches (observations ethnographiques, entretiens, etc. ). Ce dialogue a permis à la fois de : a) fixer les paramètres de départ (durée d’une session, définition des actions élémentaires sur Gallica) ; b) contrôler les modèles obtenus, extrêmement sensibles aux artefacts techniques ; c) proposer des premières clés d’interprétation.

The core of this thesis is the infrasound signal processing and particularly the estimation and detection using a sensor array. The themes presented here are well-suited to experimentation and we tried, as much as possible, to illustrate the theoretical results with real data. The first part describes the implications and difficulties of infrasonic detection. We review the state-of-the-art of detection techniques based on hypothesis testing and supplement them with the aim of automatic detection. The second part of this thesis highlights the error on the angle of arrival estimation due to considering the arrays as planar (common approximation). In response to this problem, a new estimator considering the full geometry of the array and including an a priori on the speed of the infrasonic wave is derived and studied. We show that the described estimator significantly improve performance. The third part introduces the modeling of infrasonic signal as autoregressive process. This modeling allows us to derived a sequential approach to detect infrasound based on the beamforming and the detection of abrupt changes. The last part of this manuscript aims to propose an alternative "signal'' model. We present new results highlighting a phenomenon of loss of coherence of the signals recorded by different sensors. This work leads to the generation of synthetic infrasonic signal in order to study the performance of the detection algorithms., Le coeur de cette thèse fait l'objet du traitement de signaux infrasonores et plus particulièrement de l'estimation et de la détection à l'aide d'un réseau de capteurs. Les thèmes abordés ici sont propices à l'expérimentation et nous avons essayé, autant que possible, d'illustrer les résultats théoriques obtenus à l'aide de données réelles. La première partie vise à décrire les implications et les difficultés liées à la détection de sources infrasonores. La littérature offrent déjà de nombreuses techniques de détection basées sur le test d'hypothèses qui sont alors exposées et complétées dans une optique de détection automatique. La seconde partie de cette thèse met en avant les erreurs de l'estimation de l'angle d'arrivée d'une onde lorsque les altitudes des capteurs d'une station sont ignorées (approximation courante). En réponse à ce problème, une estimation basée sur la géométrie complète de la station et comportant un a priori sur la vitesse de l'onde est dérivée et étudiée. L'estimation mentionnée ci-dessus permet de significativement améliorer les performances. Dans la troisième partie, nous introduisons la modélisation du signal infrasonore par un processus stationnaire de type autoregressif. Cette modélisation permet ensuite de développer une approche séquentielle pour la détection infrasonore basée sur le beamforming et la détection de hangement abrupte. La dernière partie de ce manuscrit a pour but de proposer un modèle "signal'' alternatif au modèle de retard pur. Il est présenté de nouveaux résultats mettant en avant un phénomène de perte de cohérence des signaux enregistrés par différents capteurs. Ces travaux aboutissent sur l'élaboration de méthodes de simulations de signaux synthétiques réalistes pour l'étude des performances des détecteurs infrasonores.

National audience; Le test de Fisher permet la détection d’une onde plane d'amplitude inconnue traversant un réseau de capteurs en présence de bruit additif de variance inconnue. Ce test est dérivé du rapport de vraisemblance généralisé et s'exprime en comparant la statistique de Fisher (F-stat) à un seuil. Sous hypothèse gaussienne du bruit additif, et sous l’hypothèse nulle d’absence de signal, la F-stat est distribuée suivant une loi de Fisher, ce qui permet un calcul exact de la p-valeur ou du seuil pour un niveau de fausse alarme voulu. Néanmoins le test de Fisher nécessite de connaître le vecteur lenteur caractérisant la propagation du signal d'intérêt. Dans le cas où le vecteur lenteur n'est pas connu à l'avance, on peut montrer que le test du rapport de vraisemblance généralisée est une fonction croissante de la statistique du F-detecteur, défini comme le maximum des F-stat sur l’ensemble des vecteurs lenteur possibles. Cette méthode est très largement répandue en géophysique, notamment pour la détection d'ondes infrasonores et sismiques. Néanmoins la calibration par la loi de Fisher n'est plus valide. Nous introduisons dans cette contribution uneméthode de calibration basée sur un calcul asymptotique de la loi du F-detecteur sous l’hypothèse nulle.