[25 mars 24] Des images d’un texte à l’encodage et l’édition en TEI XML

Lundi 25 mars nous écouterons Ariane Pinche (CNRS, CIHAM) et Xinmin Hu (Univ. Strasbourg) qui nous parlerons respectivement des sujets suivants : 

Chaînes d’acquisition et de pré-éditorialisation du texte: des images à un balisage en XML TEI

Dès le début des années 2020, l’essor de l’utilisation de la transcription automatique de texte (ATR, Automatic Text Recognition) amène à penser autrement les éditions numériques. En effet, cette phase d’acquisition automatique qui lie l’image d’une source numérisée à sa transcription peut permettre par la suite d’automatiser une partie de l’encodage XML TEI notamment en s’appuyant sur le lien entre le texte, sa mise en page et la source numérisée. Après avoir exposé les grands principes de ce passage des fichiers XML ALTO produits pour les outils d’ATR vers la production des fichiers XML TEI nécessaires à la constitution des éditions numériques, nous verrons leurs applications au sein du projet Gallic(orpor)a (projet du dataLab de la BnF, 2022).

Des images scannées aux éditions numériques : Le processus éditorial digital des éditions chinoises anciennes

Dans le cadre du projet Chi-Know-Po, ce travail se concentre sur la numérisation et la conversion du “Bowu Zhi”, œuvre littéraire compilée par Zhang Hua à la fin du 3ème siècle pendant la dynastie Jin. Le processus transforme le format XML ALTO, obtenu via la reconnaissance automatique de texte (HTR), en format XML-TEI. Le cas étudié concerne une version d’impression au bloc de bois de la dynastie Qing (1875), conservée à la BULAC. Nous aborderons l’emploi de méthodes de conversion semi-automatiques vers le format XML TEI, en préservant au mieux les éléments distinctifs de mise en page des documents chinois anciens, y compris l’ordre de lecture ainsi que la distinction entre le texte principal et les commentaires. De plus, nous explorerons l’application de méthodes automatisées pour délimiter les paragraphes et élaborerons des stratégies de correction croisée entre sommaires et le corps du texte.

La séance aura lieu de 14h à 16h au Campus Condorcet, au Bâtiment Sud, salle 3.122 ainsi qu’en zoom (demander le lien).