Archives par étiquette : retour d'expérience
[Retour d’expérience] Transcrire avec Transkribus – Premiers pas
Transkribus est une plate-forme complète pour la numérisation, la reconnaissance de textes basée sur l’IA, la transcription et la recherche de documents historiques https://readcoop.eu/transkribus/download/.
Usage de Transkribus eXpert pour la transcription automatisée de textes imprimés, à partir d’un document PDF.
- Mais… comment faire de la transcription automatisée sur Transkribus ? Première étape
Il faut tout d’abord téléverser le document que l’on veut transcrire. Allez donc sur « Extract and upload images from PDF » et cliquez sur « Upload ».
Afin de bien téléverser le document, il est nécessaire de rafraîchir la page.
Pour commencer à transcrire votre fichier sur Transkribus, il faut sélectionner les pages du document que vous souhaitez transcrire automatiquement et activer le processus de segmentation des pages concernées. Allez donc sur « Tools », sélectionnez « Find Text Regions », cliquez sur le premier « Run » et choisissez « oui » dans « Layout Recognition ».
Il faut finalement choisir le modèle pour obtenir la transcription automatisée du texte. Allez sur le deuxième « Run » et sélectionnez votre modèle.
- Exporter le document transcrit – Deuxième étape
Après avoir complété le processus de transcription automatisée, il est possible d’exporter le document en plusieurs formats. Dans ce cas, nous avons opté pour un format XML.
- Premières interventions sur le fichier généré par Transkribus – Troisième étape
Au niveau du texte, l’opération de transcription automatisée comporte un travail de correction manuelle. Ce type de travail permet également d’identifier les coquilles typographiques et les erreurs récurrentes générées, dans ce cas, par l’outil Transkribus.
- Interventions successives sur le texte généré par Transkribus – initiation à l’encodage – Quatrième étape
A ce stade, il est important de réfléchir également à la mise en place du texte généré par Transkribus. Quelles modifications peut-on apporter au document transcrit? Nous vous en proposons un exemple, à partir du travail mené sur un corpus-test du XVIIe siècle.
- Balisage pour la régularisation du texte – Cinquième étape
Suite au travail de correction manuelle de la transcription et de réflexion à la structuration du texte à la faveur d’un premier encodage, nous nous sommes intéressée au processus de régularisation. Le passage de la transcription automatisée à la régularisation demande de longues réflexions, ainsi que l’établissement d’un protocole de balisage précis.
Bilan Transkribus
Est-il difficile de faire de la transcription automatisée sur Transkribus ?
Non, il faut tout simplement suivre les étapes que nous avons montrées plus haut. De plus, le travail de transcription automatisée sur Transkribus ne prend pas beaucoup de temps : le processus de transcription ne demande en effet que quelques minutes.
L’outil Transkribus assure-t-il une bonne qualité de transcription automatisée des textes ?
En général, Transkribus permet d’obtenir une transcription fidèle au texte original. Néanmoins, des erreurs typographiques ou d’espace ont été repérées au fur et à mesure. Les cas les plus évidents concernent les « s longs » totalement remplacés par un « s » rond, le « e » transcrit, à maintes reprises, de manière différente, le tilde et la cédille qui ne sont pas reproduits. En revanche, les apostrophes et l’esperluette sont maintenus, ainsi que la différence entre majuscule et minuscule.
Quel est le temps estimé pour corriger manuellement la transcription automatisée réalisée avec Transkribus ?
Étant donné que la transcription automatisée présente des coquilles typographiques rares ou bien des erreurs plutôt récurrentes, le travail de relecture a demandé, dans notre cas, des temps de réalisation différents (10 – 25 minutes par fichier).
[Retour d’expérience] Stage de Vincent Giovannangeli sur le site Thresors de la Renaissance
Dans le cadre de mon second master recherche à l’École Nationale des Chartes, j’ai été amené à effectuer un stage dans le domaine des Humanités numériques. Cette bifurcation intervient après une licence d’histoire et un master recherche en histoire médiévale au sein de l’université Paris 7 (Paris Diderot, maintenant Université de Paris-Cité) et une année de césure en stage de médiation culturelle à l’Institut Français de Barcelone (IFB). L’offre de stage proposée par le projet Thresors de la Renaissance (dir. Anne Réach-Ngô, Institut de Langues et Littératures européennes, Université de Haute-Alsace & IUF) m’a tout de suite convaincu et c’est en février 2022 que nous avons commencé à travailler.
La bibliothèque numérique Thresors de la Renaissance recense toutes les éditions d’ouvrages de la Renaissance qui s’intitulent Thresor. Le site propose une notice par oeuvre (120 au total), par édition (450) et par exemplaire (environ 500 exemplaires reproduits, décrits et partiellement analysés). La bibliothèque est élaborée avec l’outil Omeka, enrichie de nombreux plug-ins, sur la plate-forme EMAN (Edition de Manuscrits et d’Archives Numériques), créée par Richard Walter (Thalim, CNRS/ENS). Cette mission s’est déroulée en distanciel et devait durer 4 mois ; mais elle a en réalité été étalée sur 2 mois supplémentaires (du 7 février au 22 juillet), mémoire oblige. J’ai également pu suivre une formation à la plateforme EMAN assurée par Richard Walter.
Nous nous sommes orientés sur les problématiques de constitution de corpus textuels de manière semi-automatisée, ainsi que sur la création d’une série de tutoriels vidéos sur cette problématique.
Etablissement des tables des matières des Œuvres du site (1477-1583)
Le cœur de mon travail a été de fournir une transcription semi-diplomatique des tables des matières des Thresors, ou à défaut des titres à l’intérieur des ouvrages. Au final, plus de 50 ouvrages ont été traités selon deux protocoles : une transcription automatisée avec Transkribus puis une relecture manuelle, lorsque les ouvrages comprenaient des tables des matières ; une transcription uniquement manuelle afin d’établir cette table des matières pour la recherche, lorsque ce n’était pas le cas. En collaboration avec Anne Réach-Ngô, nous avons ainsi été amenés à peaufiner le protocole de transcription du site en ce qui concerne les tables des matières (numérotation des entrées, question des chiffres arabes et romains, traitement des capitales dans les titres, etc.). En effet, celui-ci nécessitait une mise à jour avec l’introduction de transcriptions faites par ordinateur et le traitement systématique d’un ensemble de données, que rendait possible cette opération.
Retour d’expérience sur l’usage de Transkribus pour le traitement des données péritextuelles
Cette expérience au long cours de transcription sur un corpus de textes imprimés sur la période longue de presque un siècle m’a conduit à disposer d’une expérience de Transkribus que j’ai pu transmettre aux étudiant.es et doctorant.es d’Anne Réach-Ngô (notamment Romane Marlhoux, Michela Lagnena et Yanet Hernandez). Cette introduction à la transcription automatique, et notamment au logiciel Transkribus, a constitué ma première participation à un séminaire en tant qu’intervenant.
Cette première étape d’établissement des données péritextuelles pourra par la suite servir à une étude comparée des titres des sections des livres dans les tables des matières publiées dans les ouvrages et tels qu’ils se présentent dans le corps du texte. On note en effet parfois un important décalage dans les formulations qui pourra ainsi être plus aisément étudié. La transcription des tables des matières a été ajoutée à chaque notice Œuvre traitée et peut désormais être téléchargée pour une meilleure connaissance des Thresors présentés sur le site. J’ai également rédigé un compte-rendu détaillé du colloque sur la reconnaissance automatique de caractères manuscrits (Handwritten Text Recognition, HTR) qui a eu lieu à l’École Nationale des Chartes les 23 et 24 juin 2022. Yanet Hernandez, stagiaire sur le projet EVEille, s’est chargée du traitement vidéo de ces journées et de leur diffusion sur la chaîne Canal-U de l’École des chartes et du projet EVEille.
Pour rendre accessibles les étapes du traitement automatisée de la transcription avec Transkribus à un public plus large, dans le cadre du projet EVEille (Exploration et Valorisation Electroniques de corpus en SHS) dirigé par Anne Réach-Ngô et Marine Parra, j’ai aussi réalisé des vidéos de tutoriel destinées aux chercheurs travaillant sur des sources anciennes. Celle-ci résument un processus de traitement qui permet d’obtenir une transcription automatique de manuscrits et imprimés de la BnF, tel que cela m’a été enseigné lors de ma formation à l’École des chartes et tel que je l’ai mis en œuvre dans mon mémoire de master cette année.
Compétences acquises et outils exploités
- Perfectionnement de l’utilisation de Transkribus
- Gestion de la plateforme collaborative ShareDocs d’Huma-Num
- Amélioration de la maîtrise des fichiers .csv et du logiciel Excel
- Introduction à la création et à la gestion de conférences en ligne
- Création de vidéos tutorielles sur l’acquisition d’un corpus de manière semi-automatisée