Projet CREMMALAB

Dans le cadre du projet CREMMA (Consortium pour la reconnaissance d’écriture manuscrite des matériaux anciens) soutenu par le DIM (recherche financée par la Région Île-de-France) MAP (Matériaux anciens et patrimoniaux), le projet CREMMALAB allie questions de recherche, mise à disposition de données pour l’HTR (voir le dépôt cremma-medieval sur Github) et réflexions méthodologiques.

Son objectif est double :

– Comprendre les mécanismes d’apprentissage de l’HTR à travers une série de tests et d’expérimentations pour essayer de mettre en place un protocole de transcription afin de créer des données et des modèles d’HTR partageables

– Utiliser des données issues de l’HTR pour comprendre les mécanismes de composition sous-jacents des compilations dans les sources manuscrites médiévales à partir de transcriptions générées automatiquement.

Pourquoi s’intéresser à l’HTR (handwritten text recognition) ?

L’étape d’acquisition du texte est aujourd’hui centrale pour produire des données textuelles de qualité. Il devient donc urgent de proposer librement des modèles à la communauté scientifique pour qu’ils puissent être utilisés par d’autres projets, ainsi que des protocoles pour la mise en place de corpus d’entraînement afin de faciliter la phase d’acquisition textuelle.

Pour répondre à ces besoins, et plus spécifiquement aux besoins des médiévistes qui travaillent sur des sources manuscrites, le projet CREMMALAB sera l’occasion de réflexions méthodologiques sur les protocoles de transcriptions des corpus afin d’optimiser des modèles d’HTR et de proposer à terme des modèles homogènes et des protocoles partageables.

À partir de la constitution d’un corpus de transcription de manuscrits des 13e et 14siècles, le processus d’apprentissage des algorithmes d’HTR sera étudié pour évaluer les problématiques relatives au choix des sets de données, mais aussi  les enjeux autour de la valorisation des transcriptions qui devront être faites pour entraîner les algorithmes.

Enfin, l’impact du corpus d’entraînement sur la qualité de la transcription automatique sera analysé pour tenter de déterminer des seuils du nombre de lignes de vérité de terrain nécessaires pour atteindre des objectifs de qualité qui peuvent varier d’un projet à un autre en fonction de leurs réutilisations  : production de texte brut en masse pour de l’interrogation de corpus ou production d’une transcription préparatoire pour une édition.

Au terme de ces démarches, un livrable sera rédigé et mis à disposition afin de permettre la réutilisation du protocole pour la mise en place de sets de données d’entraînement et ainsi participer activement à une meilleure connaissance, mais aussi à l’amélioration des outils d’HTR.

En outre, l’ensemble des modèles d’HTR produits et des outils qui seront améliorés ou développés au cours de cette étude seront diffusés librement.

Enfin, ce projet sera aussi l’occasion de constituer une communauté d’utilisateurs et d’utilisatrices autour des services eScriptorium.

Objectifs du carnet

Nous souhaitons proposer, ici, un carnet de recherche alimenté par des réflexions méthodologiques sur la question de la mise à disposition de corpus de textes médiévaux en vue de constituer des données pour entraîner des modèles HTR.

Le carnet permettra également de publier les comptes rendus du séminaire « Création de modèle(s) HTR pour les documents médiévaux en ancien français et moyen français entre le Xe-XIVe siècle » qui aura lieu au cours de l’année universitaire 2021-2022 à l’École nationale des chartes.

Enfin, nous y annoncerons également les mises à disposition de nouveaux textes au sein du corpus déjà constitué cremma-medieval ou des formations sur la plateforme eScriptorium développée à PSL dans le cadre du projet Scripta.