Ingénieur d’étude en traitement et analyse des archives du web (H/F)

Missions

La personne recrutée aura pour principale mission de contribuer au développement des activités du projet ReligiS dans l’axe 6 Gestion des données et humanités numériques, en lien avec les activités des axes scientifiques. L’axe 6 a pour objectif de soutenir la réflexion sur le sujet « Religion et Numérique » et d’apporter un soutien coordonné pour garantir une structuration adéquate des données acquises ou produites, conformément aux principes internationaux de la science ouverte.

Il s’agira notamment d’analyser les représentations et les circulations du fait religieux sur le web, en mobilisant les formats d’archivage standards (WARC, WAT, WET) et avancés (WANE), à partir de sources comme Spark Internet Archive ou des collectes ciblées de la BNF.

Activités

• Participer à la structuration, l’enrichissement sémantique, l’indexation et l’analyse des archives collectées à grande échelle ;
• Collaborer avec les chercheurs en SHS du projet ;
• Webscraping, développement d’outils pour extraire, transformer et indexer les contenus (métadonnées, textes, entités) ;
• Intégrer des outils de traitement automatique du langage (NLP) pour l’extraction d’entités nommées (NER) ;
• Structurer les données, les analyses et les visualiser (ElasticSearch ou SolR, MongoDB, graphes) ;
• Rédiger la documentation technique, mettre en place des démonstrateurs, assurer la publication des corpus et l’analyse des données.

Profil recherché

Savoirs

• Master en ingénierie des données, humanités numériques ou domaine proche ;
• Très bonne connaissance de l’IR* Huma‑Num ;
• Maîtrise de Python, R, de l’écosystème data science (pandas, spaCy, NLTK, json, warcio…) ;
• Expérience en manipulation de données massives, en ligne de commande, et en environnement Unix ;
• Compétences en traitement de texte, NLP, extraction d’entités, indexation ;
• Connaissance des outils open source, des ressources issues de Common Crawl, du DLWeb BnF et des environnements de calcul sur serveurs ou cloud académique (JupyterHub, Apache Spark) ;
• Maîtrise des outils de gestion de codes et de management de projet (GitLab) ;
• Capacité à rédiger des documentations techniques et utilisateurs.

Savoir-faire

• Traitement de corpus web massifs et en fouille sémantique ;
• Identifier, filtrer et manipuler les formats d’archives web : WARC, WAT, WET, WANE.

Savoir‑être

• Aptitude à collaborer avec des acteurs de l’ESR en SHS ;
• Sens de l’organisation, rigueur et méthode ;
• Esprit d’initiative et dynamisme ;
• Capacité à travailler en autonomie tout en rendant compte ;
• Capacité à travailler en équipe et en réseau.