La transcription des écritures manuscrites: notes sur un atelier organisé par le BnF Data Lab

Le mardi 26 janvier 2021, le BnF Data Lab a organisé un atelier de 2h30, en visioconférence sur Zoom dans un format Webinaire, autour des problématiques de la transcription des écritures manuscrites. Cet évènement était organisé par Emmanuelle Bermès, Marie Carlin et Charlotte Clergeau. Ce billet propose une synthèse des présentations et des principaux projets mis en avant.

Le BnF Data Lab

Le BnF Data Lab, organisé en partenariat avec la TGIR Huma-Num, est à la fois un lieu, qui se situera en salle X à la BnF [ouverture courant 2021], une offre de services et de prestations de fournitures de données et un laboratoire de recherche ayant une volonté de fédérer une communauté de chercheurs. 

L’un de ses objectifs est de mettre des outils à disposition. Dans ce cadre, sont par ailleurs organisés des évènements réguliers visant à partager des projets et des résultats de recherche. L’ambition est notamment d’acculturer les acteurs à de nouvelles méthodes. L’atelier du 26 janvier 2021 sur la transcription des écritures manuscrites s’inscrit dans ce cadre et fait suite à ceux qu’E. Bermès avait organisés dans le cadre du projet CORPUS [pour en savoir plus].

Pour une présentation détaillée du BnF Data Lab, voir BnF-DataLab, un projet au service des chercheurs pour l’exploitation des données patrimonialesune présentation d’Arnaud Laborderie, chef de projet Gallica à la BnF, membre du Laboratoire Paragraphe.

Compte-rendu de l’atelier sur la transcription des écritures manuscrites

La problématique choisie pour cet atelier était celle des solutions existantes pour la transcription de l’écriture manuscrite dans le cadre d’un travail de recherche et d’exploitation des collections numérisées. Les deux temps de ce webinaire étaient ainsi répartis entre les deux solutions, à savoir : 

  • La transcription collaborative sur des plateformes ouvertes à des contributeurs bénévoles. Ces derniers prennent part à la transcription (et parfois à l’encodage) des manuscrits.
  • La transcription automatique exploitant les techniques de reconnaissance d’image issues de l’intelligence artificielle ou la transcription semi-automatique (avec correction et annotation des documents en post traitement).

Chaque partie comprenait trois présentations, chacune était suivie d’un échange de questions.

La transcription collaborative et les projets participatifs

Jean-Philippe Moreux (BnF) a ouvert la première session en revenant sur les projets de transcription collaborative et de correction d’OCR à la BnF. Il a rappelé que cette activité n’est pas récente mais qu’elle a connu un tournant dans les années 2010. Dans le contexte de la BnF, il s’agit d’améliorer la couche textuelle de Gallica à des fins pratiques, c’est-à-dire, améliorer la qualité de la recherche plein texte et la fouille de textes. L’objectif est de faire en sorte qu’un document ait la meilleure couche textuelle possible et d’éviter qu’un certain nombre de documents ne soit pas du tout indexé.

Il a souligné la grande demande des usagers pour des outils d’annotation et de partage et leur volonté de collaborer autour de projets de transcription.

Puis, il a proposé un panorama des projets menés par la BnF, au nombre desquels :

  • En 2009 : un partenariat BnF/Wikimédia dont l’objectif était de verser des documents Gallica sur Wikisource. 350 documents ont ainsi été corrigés par une double vérification. À noter un bilan mitigé car ces annotations sur wikisource n’ont pas pu être réintégrées dans Gallica en raison du format utilisé par Gallica (ALTO) donc problème d’interopérablité.
  • 2012-2015 : Projet FUI12 Ozalid . Construction d’une plateforme d’annotation pour réaliser des corrections. Dispositif d’autocontrôle et réseau social. Jean-Philippe Moreux note que 10 personnes ont réalisé 50% des corrections. La réussite des projets de crowdsourcing est donc directement liée à ces super-contributeurs.
  • 2020-2021 projet ORCA : une plateforme de correction collaborative du format XML ALTO. Simple ou double correction. Première campagne : légendes d’illustration de presse. GioQoSo et ANR CollabScore : transcription et édition de partitions imprimées.

Pauline Charbonnier (Archives nationales) a ensuite présenté le projet de plateforme collaborative Testaments de poilus. L’ambition de ce projet est de produire une édition en TEI des testaments de poilus. Ces derniers ont été rédigés à partir d’août 1914, ils sont holographes. Généralement assez courts, ils étaient écrits avec les moyens du bord dans une orthographe parfois incertaine. Ils sont conservés dans les fonds des archives notariales.

En 2013, l’École des Chartes et les Archives nationales s’étaient associées pour réaliser une édition numérique d’une sélection d’une centaine de testaments qui ont été éditées en 2017 >> ICI

Fort de l’intérêt pour ces documents de poilus et du nombre important conservés aux Archives nationales (environs 1500), un projet d’édition d’un nombre plus important de testaments de poilus a été lancé. L’objectif était de restituer les résultats d’une recherche sur l’étude du rapport des poilus à la guerre via une édition scientifique outillée en TEI. La faisabilité de ce projet reposait sur le pari qu’un nombre de contributeurs bénévoles pouvaient, à condition qu’on leur fournisse une aide, produire une transcription de qualité de manuscrits relativement simples à aborder été de les structurer en XML-TEI. Pauline Charbonnier a précisé que ce projet est devenu une opportunité pour développer un espace de médiation numérique entre services d’archives et citoyens.

La plateforme, développée en 2017, a été mise en ligne le 30 janvier 2018. Des ateliers pratiques de prise en main ont alors été organisés. En deux mois, les 171 testaments en ligne avaient été transcrits et encodés ; rendant ainsi compte d’une réactivité rapide du public. Depuis, des testaments sont importés une fois par mois et la transcription collaborative se poursuit. Au 1er janvier 2020, la plateforme comptait 460 comptes utilisateurs. Tous les inscrits ne sont pas nécessairement actifs, ou actifs de manière homogènes. Comme Jean-Philippe Moreux, Pauline Charbonnier signale que quelques super-contributeurs font la majeure partie du travail.

Principales caractéristiques de la plateforme

  • Charte des contributeurs
  • Informations sur le corpus
  • Dispositifs pour travail collaboratif : workflow, plusieurs contributeurs peuvent travailler successivement sur une même transcription. Puis validation ou rejet par celui qui vérifie. Si transcription validée, elle n’est plus éditable. + module communautaire pour faire des commentaires + mise en place d’un tutoriel. 

Interface de transcription : les contributeurs saisissent d’abord le texte puis peuvent choisir segment de texte et peuvent choisir la bonne option pour intégrer les balises.

Au milieu : rendu html qui facilite la lecture pour les contributeurs et permet aux contributeurs de voir ce qu’ils modifient en temps réel et ce que ça donne dans la transcription.

À noter : une nouvelle plateforme a été ouverte le 8 décembre 2020 : https://edition-testaments-de-poilus.huma-num.fr

Mathilde Alain (BnF) et Anaïs Wion (CNRS) ont ensuite présenté un projet qu’elles viennent de démarrer autour des manuscrits d’Abbadie. Il s’agit d’éditer en XML-TEI 17 carnet de notes d’Antoine d’Abbadie, afin, notamment de trouver des éléments sur le contexte de la collecte et donc sur l’histoire de la collection. 

Antoine d’Abbadie a rédigé des carnets pendant onze ans. Ces carnets sont presque inconnus en raison du défi que représente la transcription. Le format de ces carnets est un demi-A4 avec une écriture très serrée quoique très régulière et lisible. La difficulté tient notamment au fait que le papier est très fin ce qui rend la consultation en salle de lecture particulièrement délicate.  Il faut par ailleurs noter la nature hétérogène des écritures et des langues présentes dans les carnets. Avec la numérisation couleur haute définition de ces carnets, les possibilités de compréhension de ce qu’il y a dans ces carnets de notes sont plus importantes. 

Slide du power-point présenté par Mathilde Alain et Anaïs Wion
Page d’un carnet d’Antoine D’Abbadie

Le projet mené par Mathilde Alain, Anaïs Wion et Vanessa Desclaux repose donc sur un travail de transcription collaborative (qui débutera en février 2021) avec la plateforme Transcrire [en lien avec le consortium Archives des ethnologues]. Grâce à un financement Collex, une version 2 de la plateforme est en cours et devrait permettre de passer sur Omeka S et de développer le plugin Scripto ; ce qui permettra notamment d’autonomiser la gestion des choses sur la plateforme.

Slide du power-point présenté par Mathilde Alain et Anaïs Wion – La V2 de la plateforme Transcrire

La transcription automatique (HTR)

Emmanuelle Bermès a introduit la seconde partie de l’atelier en rappelant que, depuis plusieurs années, des expérimentations sont conduites dans des projets de recherche autour des techniques dite d’intelligence artificielle pour l’écriture manuscrite. Un constat d’une certaine maturité de cette technologie est observable lorsque l’on travaille sur une même main ou sur un corpus homogène. Les enjeux restent néanmoins importants, notamment la nécessaire expertise paléographique. Autrement dit, il faut une expertise certaine pour lancer le dispositif d’apprentissage et ensuite une transcription semi-automatisées.

Daniel Stökl Ben Ezra (EPHE – PSL) ouvre cette deuxième session avec une présentation de l’infrastructure HTR open source eStriptorium. La plateforme est le fruit d’un travail collaboratif et D. Stökl Ben Ezra note le rôle déterminant de Benjamin Kiessling et Robin Tissot. eScriptorium s’inscrit dans le cadre de Scripta, une initiative de recherches stratégiques et interdisciplinaires (IRIS) sur l’histoire et les pratiques de l’écrit qui vise à fédérer la recherche sur l’histoire et les pratiques de l’écrit au sein de PSL. Elle est le fruit de l’association de six établissements de PSL (EPHE, EFEO, ENC, ENS, EHESS, Collège de France) ainsi que de l’IRHT.

Le projet et l’interface eScriptorium sont complètement open source, ie, les codes UI et AI sont accessible : 

UI Code : https://gitlab.inria.fr/scripta/escriptorium

AI Code : https://github.com/mittagessen/kraken

D. Stökl présente ensuite l’interface et montre en quoi celle-ci est ergonomique. La technologie utilisée est celle de kraken. Les images importées peuvent être en jpg. Pdf ou png et ils ont un import avec le IIIF. Il indique par ailleurs que, contrairement à d’autres interfaces, il est possible d’importer des modèles entraînés avec kraken de l’extérieur. L’annotation des entités nommées sera bientôt possible. Avec eScriptorium, il est en fait possible de définir sa propre ontologie, qui peut être très complexe. Il souligne le caractère chronophage de la correction des résultats des premiers tests après le travail de segmentation puis d’adoption d’un modèle de transcription.

Deux slides du power-point présenté par D. Stökl. Interface de trasncription eScriptorium sur un texte arabe

Il poursuit en présentant des résultats à partir notamment des manuscrits en hébreu et donc de ses propres résultats. Dans le cas de beaucoup de données, il indique le résultat est excellent et que, dans le cas de l’hébreu médiéval, pour l’écriture carré (donc pas pour la cursive), les résultats tournent entre 90-95%. À partir de l’hébreu, il montre les nombreuses possibilités offertes par l’interface en matière d’alignement, des différentes couches de transcriptions, etc….

Il est à noter que eScriptorium permet aussi via l’API d’exporter des transcriptions déjà existantes et de créer des tableaux paléographiques.

Le projet Lectaurep (Lecture automatique de répertoires de notaires) présenté ensuite par Alix Chagué (INRIA) et Aurélia Rostaing (AN) s’insère dans le projet eScriptorium. Ce projet vise à lire et à exploiter des répertoires de notaires en se concentrant sur un corpus datant du 19e et de la première moitié du 20e siècle en raison de la stabilité de la mise en page des répertoires pendant cette période.

Slide du power-point présenté par A. Chagué et A. Rostaing. page d’un répertoire de notaire.

L’objectif de ce projet est notamment de créer une plateforme de crowdsourcing pour corriger les transcriptions et les annotations qui résulteront de la détection automatique du textes (HTR). Un fork sera déployé à partir d’eScriptorium et sera mis sur leur propre serveur. Ce dernier sera intégré dans Cremma [l’objectif de ce consortium est de mettre en commun des capacités de calcul. Financement dans le cadre de DIM Map (INRIA et EDC). Autant que possible, les intervenantes soulignent qu’ils cherchent à faire rentrer leurs objectifs dans la plateforme eScriptorium en développant en parallèle quelques outils qui correspondent aux besoins spécifiques du projet.

Dominique Stutzmann (CNRS-IRHT) clôt la session par une présentation de l’ANR Horae. Le projet vise à l’étude historique des livres d’heures (des livres de dévotion à l’usage des laïcs qui imitent la liturgie des clercs). Il s’agit du plus grand best-seller médiéval marqué par une production massive. Plus de 10 000 exemplaires ont été conservés et la BnF en compte près de 400. Ces livres constituent une source précieuse pour comprendre la foi au Moyen-Âge et le rapport des fidèles avec le texte. Sa production proto-industrielle par les libraires, sans qu’il y ait de commande, a donné lieu à une standardisation textuelle et iconographique.

D. Stutzmann indique que ce qui les intéresse dans le cadre de ce projet sont : la circulation des textes, les usages liturgiques et les prières afin d’observer comment se développement des sensibilités de la foi qui sont partiellement corrélées au phénomène de la dévotion et à l’émergence de la réforme protestante.

Financé depuis 2018, et jusqu’en 2022, par l’ANR, Horae réunit trois partenaires : l’IRHT, Teklia et le LS2N (Laboratoire des Sciences du Numérique de Nantes). Le corpus d’études comprend l’ensemble des livres d’heures rassemblés dans le monde, ce qui représente 7390 manuscrits et 227 imprimés (Base de données faite avec Heurist). Dans ce cadre, le travail d’HTR porte sur des numérisations : sur plus de 900 manuscrits et 250 imprimés. Sur cette base, ils travaillent à l’analyse d’images et de textes avec la plateforme Arkindex, développée par Teklia. Il s’agit d’une plateforme de traitement d’images :

Slide du power-point présenté par D. Stutzmann. Interface Arkindex

Avec l’HTR, ils ne visent pas à corriger le texte, ni à avoir un texte parfait mais ils cherchent à avoir un texte suffisant.

Ce projet vise notamment à une étude holistique de ces textes : 

  • Leur mise en page et le décor
  • De leurs textes et de leurs structures [les unités textuelles et les structures ; les usages liturgiques ; les variations et les hybridations]. En effet, les livres d’heures ont une structure hiérarchique complexe. Les livres ne sont simplement des livres copiés de 1 à Z. On compte des sections qui peuvent être organisées dans différents ordres, et, à l’intérieur, d’une grande section, avoir plusieurs niveaux.


Laisser un commentaire

Votre adresse e-mail ne sera pas publiée. Les champs obligatoires sont indiqués avec *

Ce site utilise Akismet pour réduire les indésirables. En savoir plus sur comment les données de vos commentaires sont utilisées.