Feuille de route du groupe de travail « Philologie numérique / Fouille, encodage et publication de textes en graphie non-latine »

Co-animateurs : Éric Vallet (Université de Strasbourg/ GEO – groupe d’études orientales, slaves et néo-helléniques), Chahan Vidal-Gorène (CALFA), Anaïs Wion (CNRS/IMAF)

Présentation du GT1

L’objectif général de ce groupe de travail (GT1) est d’expérimenter et d’établir des modes opératoires en vue de construire une chaîne complète de travail pour l’édition outillée et l’analyse de corpus textuels aréaux en formats ouverts, et de réfléchir aux plateformes ad hoc pour les exposer. Le GT1 est dédié plus généralement à la bonne articulation entre un travail de veille scientifique et l’établissement ponctuel d’état des lieux de la recherche. Il s’engage à mener une activité de formation dans ses domaines de recherche, notamment par un enseignement vers des publics académiques mais pas exclusivement. La composition du groupe de travail se veut ouvert afin d’inclure des professionnels de la recherche aux compétences variées et complémentaires : chercheurs et enseignants-chercheurs, ingénieurs, professionnels d’institutions patrimoniales, appartenant à la fonction publique comme à l’entreprenariat privé.

Proposition 1 : Guides de bonnes pratiques sur l’extraction et l’enrichissement des textes électroniques

L’objectif de ces guides est de garantir à tous la même information concernant les possibilités actuelles d’extraction et d’encodage des textes pour les langues non-latines. Différents supports (fiches pratiques et guides) visant à accompagner les chercheurs et les équipes dans leur projet d’édition et d’analyse des textes en graphie non-latines seront rédigés sur les thèmes suivants : La question de l’extraction des textes : il s’agit d’une part de faire un état des lieux des possibilités techniques (segmentation automatique, HTR, Keyword Spotting) en particulier de préciser les actions automatisables (ou pas) et les enjeux qui se posent pour les textes en graphie non-latine (sens de la lecture, nombre de classes de caractères, variété des modes de transcription). D’autre part, il s’agit de proposer des fiches explicatives et tutoriels/guide d’utilisation des outils existants, de leur possibilité, limites, et des compétences requises pour les maîtriser. Exemples des outils qui pourraient faire l’objet de description et de retours d’expérience : Transkribus, Calfa-Vision, E-Scriptorium, Transcrire, etc..

  • La question de l’encodage de ces textes : le second guide de bonnes pratiques portera sur l’encodage des textes (TEI, Markdown, etc..) : pourquoi encoder (fouille de textes, publication des textes/édition, interopérabilité) ? Comment encoder ? avec quoi encoder (Oxygen, Atom, etc) ? L’accent sera mis sur l’utilisation des bases de données pour la reconnaissance automatisée des entités nommées (encodage, documentation, fouille et affichage).

Ces bilans conditionneront en partie la suite des travaux. Par ailleurs, la rapidité de l’évolution des outils, des standards et des développements impose de prévoir un moyen d’actualiser ces guides (par l’usage d’une publication sur un wiki par exemple), couplée à une veille. Les deux guides seront réalisés au cours des deux premières années du consortium soit en 2022 et 2023. De plus, le format « livre » (papier et/ou PdF en ligne) sera couplé à une mise en ligne sur le site du consortium. Cette mise à disposition sur le site permettra de garantir la veille d’une part, la mise à jour d’autre part. Enfin, des ressources de formation (vidéos en ligne, cours, tutoriels, etc) garantiront des possibilités d’auto-formation.

Proposition 2 : Plateforme d’édition, de publication de corpus outillés (avec visionneuse)

Le besoin a été exprimé de pouvoir disposer d’une plateforme permettant de visualiser en ligne des manuscrits préalablement encodés en XML-TEI. L’objectif est de créer et faire vivre une plateforme en ligne pour les corpus, un espace de publication. En l’état, beaucoup de choses restent à préciser et réaliser :

  • Les attentes et les besoins (comparaison de textes, édition critique, exploitation de corpus, différents usages des textes). Une plateforme qui puisse convenir à tous est par exemple utopique. Un développement modulaire d’un outil serait à privilégier, afin de permettre à chaque projet de l’adapter plus facilement et de favoriser une réutilisation ultérieure plus large
  • Une étude d’opportunité doit par ailleurs être réalisée via notamment un état des lieux des outils existant et leurs adaptations possibles aux études aréales ((Max adossé à la MSH de Caen, Txm qui fait partie de la grille de services d’Huma-Num ; ces deux outils sont en java et bien conçus).
  • L’articulation avec les infrastructures et les projets en cours (avec le pôle numérique de Caen, Biblissima +, Editlab Condorcet, Scripta- PSL et son projet DAHN : Digital Edition of Historical Manuscripts)

 

➢ Au cours de deux premières années, le groupe du GT1 mènera un travail d’état des lieux des possibilités de publication existantes qui prendra la forme d’un état des lieux publié en Année 3. 

➢ La troisième année sera consacrée à la réalisation d’un cahier des charges précis (financement sur prestation ou contrat CDD).

➢ La quatrième année sera, elle, dévolue à l’identification de trois projets pilotes qui serviront de projets tests. Un appel pourra être lancé si aucun projet n’était identifié au sein du groupe du GT1.

➢ Au cours de la quatrième année, un budget sera par ailleurs établi pour la réalisation de cette plateforme.

Type de livrable

Forme

Observations

Estimation de la date du livrable

Année 1

Année 2

Année 3

Année 4

GT1- 1a

Guide imprimable

Guide sur l’extraction des textes (graphies non-latines et études aréales)

Décembre 2022

 

 

 

GT1- 1b

Mise en ligne de contenus sur le site DISTAM et veille

Actualité sur l’Extraction des textes (graphies non-latines et études aréales)

 

Mars 2023

En continu

En continu

GT1 -2a

Guide imprimable

Encodage des textes (graphies non-latines et études aréales)

 

Décembre 2023

 

 

GT1- 2b

Mise en ligne de contenus sur le site DISTAM et veille

Actualité sur l’encodage des textes (graphies non-latines et études aréales)

 

 

Mars 2024

En continu

GT1 – 3

Document/Guide

Rapport préliminaire en vue d’apprécier l’opportunité de développer à l’EPCC une plateforme d’édition et de publication de corpus textuels outillés

 

 

Janvier 2024

 

GT1 – 4

Document : cahier des charges

Le cahier des charges dressera les besoins et les attentes de cette plateforme, la connexion avec les outils déjà existants.

 

 

Décembre 2024

 

GT1 – 5

Document

Identification de 3 projets pilotes (Asie, Afrique, Moyen-Orient) destinés à être des projets tests publiés sur la plateforme

 

 

 

Novembre 2025

GT1- 6

Document : Éléments chiffrés

Feuille de route financière pour le développement de la plateforme

 

 

 

Novembre 2025


Image à l’une : TEXT MINING 101, schéma publié par le OpenMinted, 21 février 2018.


OpenEdition vous propose de citer ce billet de la manière suivante :
Shueh-Ying LIAO (5 octobre 2022). Feuille de route du groupe de travail « Philologie numérique / Fouille, encodage et publication de textes en graphie non-latine ». DISTAM. Consulté le 21 juillet 2024 à l’adresse https://doi.org/10.58079/np9n


Shueh-Ying LIAO

Ingénieur en humanité numérique et chargé des systèmes d’information, École française d'Extrême-Orient (EFEO)

Vous aimerez aussi...

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.

Rechercher dans OpenEdition Search

Vous allez être redirigé vers OpenEdition Search