Les 7, 8 et 9 décembre 2020, j’ai organisé une formation en ligne intitulée Étudier et publier les textes arabes avec le numérique dans le cadre des activités que je mène pour le GIS Moyen-Orient et mondes musulmans. La deuxième journée, le 8 décembre, s’intitulait « Constituer, déchiffrer et encoder des corpus arabes à l’heure du numérique ». Maxim Romanov a ouvert cette deuxième journée en abordant la question de l’encodage des textes arabes pour leur exploration et l’analyse de leurs données. 

Maxim Romanov

Maxim Romanov est assistant universitaire pour les Humanités numériques à l’Université de Vienne en Autriche. Il est également chercheur au sein du projet KITAB à l’université Aga Khan à Londres. Il était auparavant chercheur à la chaire Humbolt pour les sciences humaines numériques à l’université de Leipzig et il est titulaire d’un doctorat de l’université du Michigan. Dans sa thèse, il a étudié la manière dont les techniques computationnelles modernes d’analyse des textes pouvaient être appliquées à l’étude des sources historiques arabes prémodernes. Il a notamment étudié le Tāʾrīḫ al-Islam, rédigé par le savant damascène al-Ḏahabī (m. 1348), et qui est la plus grande collection biographique qui subsiste avec plus de 30 000 biographies. Il poursuit actuellement son travail sur ce corpus qu’il utilise comme fondement méthodologique et infrastructure pour l’étude de toutes les collections biographiques préservées en arabe. En outre, il travaille sur plusieurs projets fondamentaux dans le domaine des études arabes et islamiques à savoir 1) un corpus de textes arabes classiques lisibles par machine (voir, OpenITI) 2) un projet de réutilisation de textes (voir, KITAB), et 3) un répertoire du monde islamique classique (voir, al-Ṯurayyā).

OpenITI Markdown. Between Method & Standard [& Survival]

Dans cette conférence, Maxim Romanov présente un système d’encodage des textes appelé mARkdown, qui permet de tagger les éléments aussi bien structuraux, morphologiques ou sémantiques dans les textes arabes anciens. Ce mode d’encodage sert à des fins d’édition et surtout d’analyse des données et de fouille. Il est utilisé sur les textes composant le corpus constitué dans le cadre du projet Open Islamicate Texts Initiative (ou OpenITI) : 

« Open Islamicate Texts Intitiative (OpenITI, see iti-corpus.github.io/) est le fruit d’un effort multi-institutionnel pour construire le premier corpus scientifique de textes islamiques prémodernes pouvant être exploité par une machine. Mené par des chercheurs de l’Aga Khan University (AKU), l’Université de Vienne/Université de Leipzig (LU) et l’Institut Roshan pour les études persanes à l’Université du Maryland (College Park) ainsi qu’un conseil consultatif interdisciplinaire composé d’éminents humanistes numériques et de spécialistes des études islamiques, persanes et arabes, OpenITI vise à fournir l’infrastructure textuelle essentielle en persan et en arabe pour de nouvelles formes d’analyse macrotextuelle et de recherche numérique. Ce faisant, OpenITI permettra de nouvelles synergies entre les humanités numériques et les domaines islamiques interdépendants des études islamiques, persanes et arabes. »

https://maximromanov.github.io/OpenITI/

Voir ou revoir l’intervention de Maxim Romanov : 

Maxim Romanov rappelle d’abord les termes du débat [Defining the problem // début – 7 :28] : Comment passer des Humanités numériques 1.0 aux Humanités numériques 2.0 ? Comment on passe des textes disponibles en ligne dans les importantes bibliothèques à leur analyse avec le numérique ? Comment peut-on intervenir le moins possible sur le texte tout en garantissant le maximum de possibilités pour les analyses ?

Puis, il adopte une approche qu’il qualifie de pragmatique pour décrire le travail effectué sur le corpus constitué dans le cadre du projet Open Islamicate Texts Initiative. Il explique d’abord l’utilisation de betaCode pour l’arabe [8:04-10:43] qui garantit l’interopéralité et l’alignement entre les translittérations de l’arabe. Ensuite, il revient sur la Canonical Text Services [10:43- 18:05] : Une manière d’organiser les données qui vient des chercheurs en lettres classiques. Enfin, il consacre trois quart d’heures à l’OpenITI mARkdown [18:05- fin].

M. Romanov revient notamment sur les raisons pour lesquelles, dans le cadre du projet OpenITI, ils utilisent mARkdown [18:05-22:30]. OpenArabic mARkdown est : « a lightweight tagging scheme to facilitate the conversion of raw texts into machine-actionable formats as well as to facilitate data collection and extraction. »

Parmi les arguments pour ce choix : 

• Éviter les problèmes posés par les symboles fonctionnant par pair, la question des langues RTL ou LTR et les cas où les deux écritures sont présentes dans le même document
• Faciliter le travail sur de large volume de textes

M. Romanov revient sur la Text Encoding Initiative (TEI) et explique pourquoi ils ne l’utilisent pas. Il consacre un développement aux avantages et aux inconvénients de la TEI [22:30-30:33].

Il présente ensuite les bases du fonctionnement de mARkdown [à partir de 30:35] puis montre comment, à partir de cet encodage, il est possible de faire de nombreuses analyses [à partir 40:20]. À cette occasion, il donne notamment deux références :

Ramsay, Stephen, Reading Machines: Toward an Algorithmic Criticism, University of Illinois Press, 2011.

Romanov, Maxim, “Algorithmic Analysis of Medieval Arabic Biographical Collections”, forthcoming in Speculum (Digital Medieval Studies) Speculum Digital Supplement, October 2017).

Il montre ensuite les possibilités scientifiques offertes à partir de ces algorithmes. 

En guise de conclusion [Takeaway // 54:45 – fin], il précise que pour utiliser mARkdown, il peut être fort utile d’apprendre des bases de Python, peut-être aussi du langage R. Il est utile aussi d’apprendre les expressions régulières.

Il conseille deux sites : The programming historian (pour le Python notamment) et Datacamp pour l’analyse des données (mais il est payant). 

Pour lire plus sur le sujet, vous pouvez consulter le site de Maxim Romanov : al-Raqmiyyāt

• 

• 

• 

---

---