[Retour d’expérience] Transcrire avec eScriptorium (première partie)
Laisser un commentaire
Archives par étiquette : transcription
[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).
[Compte-rendu] “Les vertus pédagogiques de la transcription, enjeux et outils” (Estrades/EVEille sept. 22)
Présentation d’Anne Réach-Ngô lors de la matinée organisée par le groupe OLIO aux deuxièmes rencontres Estrades / EVEille (Strasbourg, 12-13 septembre 2022)
Résumé de la présentation
L’objectif du projet pédagogique Tragiques inventions est d’inviter des étudiant.e.s en Master de Lettres, d’Édition numérique, de Documentation, des doctorants mais aussi des étudiants de Licence de Lettres à faire l’expérience d’une entreprise d’éditorialisation afin qu’ils/elles comprennent par le geste “ce qui se passe” quand on met en ligne des ressources patrimoniales. Pour ce faire, ils sont introduits au sein d’une communauté d’agents (informaticien.ne.s, ingénieur.e.s, chercheur.se.s, enseignant.e.s) qui réfléchissent au processus, à ses enjeux, à ses implications ainsi qu’à son ergonomie. La transcription du texte constitue l’une des opérations de ce processus, selon différentes procédures qu’il convient d’examiner selon les visées du projet.
Le travail pose bien la question de la plate-forme de transcription, puis du logiciel lui-même, dans un second temps. Il s’agit d’abord d’interroger le phénomène de la textualité et la manière dans l’acte de transcription constitue un acte de lecture au sens plein du terme (qui comprend donc un déchiffrement, une explicitation, éventuellement une interprétation, en tout cas toujours un engagement et une restitution à destination d’un lecteur.rice). La première question consiste donc à se demander pourquoi on transcrit, suivant quelles intentions et par conséquent selon quels protocoles.
Le recours à un éditeur de texte très simple (Notepad++, SublimeText, etc.) constitue un espace de confrontation à l’exercice de la transcription tout à fait suffisant dans un premier temps pour appréhender, suivant un travail collaboratif, la diversité des choix éditoriaux qui se posent. Cela conduit les étudiants à saisir ce que la transcription “fait” au document-source. La transcription d’un même texte par un groupe d’étudiants sans consigne de départ est à cet égard édifiant, tant les résultats diffèrent. La répétition de l’opération avec différents protocoles, de plus en plus affinés, confirme la nécessité d’un échange pour l’établissement des normes de transcription selon les visées de l’établissement premier du texte. Dans le cadre d’une formation plus avancée à destination des doctorants, l’étape suivante consiste à présenter les différents outils de transcription à disposition afin de montrer aux étudiants comment le questionnement scientifique du projet qui nécessite la transcription des textes peut conditionner le choix de l’outil. Cela permet alors d’interroger l’héritage philologique et son renouvellement à l’heure du numérique.
Image mise en avant : photo retraité à partir de https://pxhere.com/fr/photo/1231258?utm_content=shareClip&utm_medium=referral&utm_source=pxhere
[Compte-rendu] « Transcription collaborative, enjeux et outils » (Estrades/EVEille septembre 22)
« Transcrire collectivement avec Scripto (MediaWiki + Omeka S) »
Présentation de Pierre Willaime (AHP, CNRS) lors de la matinée organisée par le groupe OLIO aux deuxièmes rencontres Estrades / EVEille (Strasbourg, 12-13 septembre 2022)
En archivistique, on préconise que ce soit une même personne qui produise l’instrument de transcription et ses protocoles et qui réalise la transcription. Elena Pierazzo a montré que de nouveaux rôles étaient apparus avec le développement du numérique qu’il fallait prendre en compte pour analyser les opérations, notamment la transcription. Cela pose notamment la question de la responsabilité de l’éditeur.
La transcription collaborative présente des avantages, dans le cas de gros corpus, lorsqu’on rencontre des difficultés de lecture et d’interprétation, lorsque l’on a besoin de faire appel à une expertise extérieure afin d’éviter les biais, dans le souci de rendre explicite tous les choix de transcription. Comme il fonctionne pour un grand nombre d’utilisateur·rices, elle est pensée comme un moyen de gérer les conflits.
En cela, la transcription collaborative apparaît comme un défi car l’outil devra permettre d’échanger sur le corps de la transcription, selon la notion de « sagesse des foules » proposée par Surowiecki. L’une des difficultés tient aussi à la fonctionnalité du suivi des modifications, particulièrement complexe dans le cas de la transcription collaborative (l’exemple de Wikipedia est à cet égard assez instructif : l’encyclopédie libre est fondée sur un wiki).
Scripto, module officiel soutenu par le même développeur qu’Omeka, est une passerelle entre Omeka classic / Omeka S (qui sert de garant d’interopérabilité) et mediawiki. Il s’agit d’outils très adaptables qui fonctionnent très bien et qui sont interconnectés dans Scripto.
L’outil n’a pas été vraiment pensé pour le balisage, même s’il comprend des extensions en TEI. Il nécessite l’intervention régulière de quelqu’un pour le gérer, ce qui est une contrainte non négligeable.
La discussion a porté sur l’avantage d’utiliser les deux outils afin de bénéficier de l’historique et de l’interface de Wiki et de la structuration des données et des métadonnées grâce à Omeka.
« Gestion de projets collaboratifs de transcription avec TACT »
Présentation d’Elisabeth Greslou et Arnaud Bey (Litt&Arts, UGA) lors de la matinée organisée par le groupe OLIO aux deuxièmes rencontres Estrades / EVEille (Strasbourg, 12-13 septembre 2022)
TACT est une plateforme de transcription mais aussi de création de projets de transcription, développé à partir de 2016 dans le cadre d’une thèse de doctorat sur les correspondances familières aux XVIIe et XVIIIe siècles, par Iris Fabry sous la direction de Julie Sorba (LIDILEM), avec PHuN de Grenoble. Elle a ensuite été développée dans le cadre d’un nouveau cahier des charges et est devenue PATCS, avant d’obtenir de nouveaux financements et de devenir TACT. La plateforme TACT est parvenue à s’améliorer notamment par le recours à divers Transcripthons qui ont permis de la faire tester et connaître.
L’idée de départ était que la transcription ne doit pas mobiliser trop de ressources dans un projet car elle constitue la première étape du travail mais ne constitue pas un lieu en soi pour faire des analyses. La plateforme doit pouvoir s’adapter à des projets hétérogènes, avec diverses formes de réutilisation. Elle fonctionne par la mise à disposition d’un espace, avec un manuel d’accompagnement. Ensuite, chaque projet élabore son propre guide de transcription. En cela, la plateforme invite à la rédaction d’une documentation, ce qui est un passage obligé de toute gestion de projet. Elle nécessite aussi, comme tout outil de transcription, d’élaborer un schéma d’encodage RNG qui peut être fait avec ROMA. La plateforme est adaptative et a intégré le protocole IIIF et le recours à l’OCR. TACT comprend aussi un blog des actualités. La disponibilité sur un navigateur, la facilité de la prise en main ainsi que l’import et export notamment par lots constituent les principaux avantages de la plateforme. En revanche, TACT ne permet pas d’encodage fin et l’unité de travail reste restreint à celle du facsimilé. Le travail sur les métadonnées est par ailleurs à affiner mais le projet manque d’une d’équipe dédiée au développement.
Image mise en avant : photo retraité à partir de pxere.
[Compte-rendu] « Environnement de transcription intégré à Omeka Classic : le plugin Transcript » (Estrades/EVEille sept. 22)
Présentation de Richard Walter (THALIM, CNRS) lors de la matinée organisée par le groupe OLIO aux deuxièmes rencontres Estrades / EVEille (Strasbourg, 12-13 septembre 2022).
Richard Walter a d’abord présenté la plateforme EMAN (Edition de Manuscrits et d’Archives Numériques) qui compte plus de 55 projets à ce jour. Cette chaîne éditoriale générique qui repose sur le logiciel Omeka est fondée sur le développement ouvert et partagé d’un grand nombre de plugin, ce qui conduit à une transformation progressive d’EMAN d’une plateforme généralise au déploiement d’un plateforme spécialisée, qui autorise notamment la transcription en XML-TEI.
Le principe du module Transcript est en effet d’accompagner l’encodage avec un minimum d’apprentissage, tout en respectant les règles de la communauté TEI. Le projet est itératif et se développe avec de nouvelles fonctionnalités qui sont explorées collectivement au sein de la communauté EMAN :
– la plateforme comprend un éditeur mais aussi un validateur de codes qui permet de faire fonctionner Transcript avec des fichiers qui ont été produits à l’extérieur d’EMAN ;
– l’une des grandes avancées réside aussi dans le passage de la transcription page à page à la transcription multipages ;
– la visualisation va sans doute être déployée avec l’outil TEI Publisher, après une tentative peu concluante avec TEI Boiler Plate ;
– des développements sont en cours actuellement pour la création d’index.
L’ensemble des réflexions menées au sein de la communauté EMAN vise à élaborer un nouveau modèle d’édition savante numérique, en assurant un continuum entre l’étape de la description des documents dans le cadre des métadonnées d’une bibliothèques numériques et celle de la transcription où les informations sont insérées au sein du texte lui-même. Les chantiers à venir visent à implémenter LateX et MathML.
Il serait possible d’installer le plugin Transcript, indépendamment d’Omeka mais cela demanderait quelques ajustements et constituerait un autre projet. Lors de la discussion, il a ainsi été souligné l’influence de l’outil sur la démarche, ce qui est intéressant en termes de geste éditorial. Les métadonnées sont mises en avant par Omeka et la transcription n’est qu’une fonction implémentée sur EMAN dans un second temps. Au contraire, dans Oxygen par exemple, c’est bien la transcription qui est le point de départ du travail. Ces deux logiques se croisent mais elles engagent aussi des différences qu’il ne faut pas oublier d’interroger.
Image mise en avant : photo retraité à partir de pxhere.
[Estrades-EVEille] Séminaire sur la transcription (OCR/HTR) / 12-13 septembre 2022, Misha
2e rencontre Estrades-EVEille
12-13 septembre 2022, MISHA (Strasbourg)
organisée par Guillaume Porte (Unistra, ARCHE) et Anne Réach-Ngô (UHA, ILLE)
(sur inscription, nombre de places limité, voir le programme pour les inscriptions et liens de connexion pour la matinée ouverte à tout public du 12 septembre)
Les rencontres Estrades-Eveille, inaugurées au printemps 2022, visent à examiner, étape par étape, les conditions réelles d’élaboration d’une chaîne éditoriale intégrale, sur le modèle de Métopes, à destination des chercheur.e.s en sciences humaines des sites alsaciens. La première année du projet Estrades sera consacrée à une réflexion de fond sur la mise en œuvre de la chaîne, avant que celle-ci ne soit plus concrètement déployée auprès d’un premier public de testeur.e.s, à partir du printemps 2023.
Organisés sous la forme de discussion, de temps de formation et d’échanges entre les équipes scientifiques et techniques, les rencontres Estrades-Eveille constituent un temps préalable à la réalisation de la pipeline. Ces rencontres permettront d’entamer de premières collaborations entre chercheur.e.s et ingénieur.e.s, d’inventorier les besoins spécifiques des chercheur.e.s, d’identifier les compétences nécessaires à acquérir pour une prise en main active de la future chaîne éditoriale et ainsi, en amont, les types de formation, tutoriels, formes d’accompagnement qu’Eveille et Estrades pourraient mettre en place.
Consacrée plus spécifiquement à la question de la transcription, la deuxième rencontre Estrades-Eveille réunira des chercheur.e.s, ingénieur.e.s, informaticien.ne.s qui examineront les possibilités qui s’offrent lors de l’étape de l’acquisition des données. Après une présentation des enjeux épistémologiques et méthodologiques de la transcription manuelle et automatisée, animée par le groupe Olio, Simon Gabay proposera une introduction à e-scriptorium en deux étapes, l’une plus philologique, l’autre plus technique, afin de fournir des éléments de réflexion sur les enjeux de l’installation d’une instance e-scriptorium, ses enjeux, implications, coûts, possibilités.
Image mise en avant : https://pxhere.com/fr/photo/1231258?utm_content=shareClip&utm_medium=referral&utm_source=pxhere
[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
Tragiques Inventions
Le projet « Tragiques Inventions », dirigé par Anne Réach-Ngô et Magda Campanini, s’inscrit dans une réflexion sur les usages du numérique dans l’enseignement des corpus littéraires de la Première Modernité. Il prend comme présupposé de départ que l’édition critique numérique, par les manipulations qu’elle nécessite sur le « document » littéraire, est un outil efficace pour démonter avec les étudiants les mécanismes de production, de communication et de réception des oeuvres des XVIe et XVIIe siècles.
Le site Tragiques Inventions, né en février 2020, est développé sur la plate-forme de publication numérique EMAN (Editions de Manuscrits et d’Archives Numériques) dirigée par Richard Walter (CNRS). Il sert d’espace d’expérimentation pour ces réflexions pédagogiques. Il a bénéficié du soutien du Département d’études linguistiques et culturelles comparées de l’université Ca’Foscari (Venise) et s’inscrit dans le « projet d’excellence » du département.
La première étape de ce projet s’est déroulée de février à juin 2020 dans le cadre du séminaire d’Anne Réach-Ngô « Corpus littéraires de la Première Modernité & Technologies numériques » à l’université Ca’Foscari (voir Point de départ du projet). Lors de sa première étape, il avait pour objectif d’initier les étudiants de M1 à la production d’une bibliothèque numérique à la suite de leur visite à la Bibliotheca Marciana. Il s’agissait de partir de l’expérience de leur première rencontre avec l’édition ancienne et de les inviter à réfléchir aux implications, en terme de conversion sémiotique, que suscitait la numérisation de l’exemplaire et sa mise en ligne, accompagné de métadonnées. Devenus des ressources numériques, les documents éditorialisés se sont ensuite prêtés à différents agencements au sein d’expositions virtuelles visant à restituer le cheminement intellectuel qui les avait amené à reconsidérer ces documents mis au format numérique.
Depuis septembre 2020, le projet vise à réunir différents enseignants-chercheurs, bibliothécaires et responsables de fonds patrimoniaux qui désirent accompagner de très jeunes chercheurs (le plus souvent en master) dans la découverte de la littérature de la Première Modernité par le biais de l’éditorialisation de textes littéraires. Espace d’initiation aux Humanités numériques, le site Tragiques Inventions se construit de manière collégiale avec les étudiants, lors de rencontres régulières en visioconférence, afin de réunir les participants (enseignants et étudiants) des diverses universités et institutions. Il est amené à évoluer grâce à la collaboration de spécialistes du domaine du récit et du registre tragique et constitue à ce titre un espace d’investigation entre enseignement et recherche, université et monde des bibliothèques et de l’ingénierie documentaire.