Compte-rendu de la séance n° 3

L’allographie, entre besoins scientifiques et pragmatiques. Comment modéliser et optimiser les données d’entraînement pour l’HTR (I) ?

Mardi 14 décembre — 16h-18h

En présence de Vera Schwarz-Ricci, Jean-Baptiste Camps, Camille Carnaille, Prunelle Deleville, Lucien Dugaz, Frédéric Duval, Lucence Ing, Vincent Jolivet, Marco Maulu, Viola Mariotti , Ariane Pinche, Anne Rochebouet, Aurélia Rostaing, Benedetta Salvati, Peter Stokes, Dominique Stutzmann, Marguerite Vernet

La présentation du séminaire avec les images est disponible au lien suivant : https://halshs.archives-ouvertes.fr/halshs-03494973

Introduction

Dans la suite de ce séminaire, nous nous appliquerons à proposer des choix de transcription pour les différents phénomènes que l’on peut observer dans les manuscrits médiévaux. Pour ce faire, nous devrons toujours nous demander quel est le degré d’imitation que nous voulons atteindre dans nos transcriptions pour essayer de proposer des choix cohérents. Les préconisations que nous donnons, ici, ont pour but de créer des données d’entraînement qui ont besoin d’être homogènes pour optimiser l’apprentissage machine. Elles peuvent tout à fait être adaptées par chacun des projets en fonction de leurs problématiques propres. Les données pourront toujours être réutilisables et pérennes à condition de documenter l’ensemble de ses choix1.
Afin de nous guider dans nos réflexions, nous définirons deux grands types de transcriptions, allographétique et graphématique, en suivant les définitions de Dominique Stutzmann :
• « La transcription “graphétique” (graphetic transcription) ou, mieux, “allographétique” vise à donner accès à toutes les formes de chaque lettre ou signe2. […] Elle permet d’explorer des systèmes graphiques. Elle impose, pour ce faire, une réflexion sur les “types” et la réduction des variantes à des classes que l’on puisse désigner. […] Il faut donc disposer d’un vocabulaire normalisé pour donner accès à certaines informations et asseoir sa pratique sur des règles qui permettent de prioriser les éléments à décrire, de hiérarchiser les informations selon les contextes et de traiter correctement les cas intermédiaires3. »
• Une transcription graphématique ou graphemic en anglais, traduit par graphématique par Dominique Stutzmann ; transcription qui préserve la suite des lettres et réduit chaque forme à son sens dans un système alphabétique.

Afin de pouvoir partager nos données et nos modèles sans traitement trop important des données en amont, nous insistons tout particulièrement sur la nécessité de définir des « bonnes pratiques » et des normes communes qui assureront la pérennité des données. Toutefois, la frontière n’est pas toujours simple à établir entre ces deux types de transcription, et nous chercherons à trouver des issues pragmatiques à des questions de terrain tout en limitant la multiplication du nombre de signes différents pour un élément. Nos choix seront guidés par le fait de représenter des signes différents par des caractères différents, mais nous essaierons toujours de réunir les variantes de forme sous un même caractère. Nous savons que nos choix seront guidés par une part d’arbitraire dont nous espérons, toutefois, lever les ambiguïtés grâce à une documentation détaillée.

1. Les signes de renvois

Il n’est pas rare dans les manuscrits que les ajouts soient signalés par une mise en page différente et par des signes fonctionnels qui permettent de faire le lien entre la zone de texte principal et l’ajout. Il peut être très utile de les signaler pour le post‑traitement des prédictions et faire, ainsi, un matching automatique du texte pour mettre les ajouts ou les notes au bon endroit. Comment les signaler dans le texte ? Faut-il avoir recours à des signes imitatifs pour les signaler comme le pratique le projet Lectaurep4 ou bien peut-on trouver des signes génériques en fonction du type de renvoi ?

Relevé non exhaustif des signes de renvois qu’on peut trouver dans les documents médiévaux. (établie à partir de Codicologia5, voir les illustrations dans la présentation) :
• Croisette : utilisé comme signe de renvoi
• Astérisque : ses utilisations sont diverses. Ce signe peut, entre autres, signaler une omission dans un texte et renvoyer vers la réparation de celle-ci
• Obèle : signale un appel de note, un alinéa, une correction, un passage interpolé ou oublié.
• Caret : donne le lieu d’insertion d’un texte ajouté en interligne ou en marge.

Il nous faudra trancher entre une représentation fidèle au visuel ou fidèle à la sémantique du signe. Cette question pourra être tranchée également de manière différente en fonction du niveau de granularité de la transcription des données d’entraînement : allographétique ou graphématique. Pour proposer une transcription allographétique de ces signes, il nous semble qu’il faudrait se fonder sur des études approfondies de ces signes dans les manuscrits pour constituer une typologie étayée qui ne relève pas des objectifs de notre séminaire.
Nous nous intéressons donc plutôt au niveau graphématique pour traiter tous ces types de renvoi par un ou deux signes uniquement. Nous préconisons de considérer les croisettes et les astérisques comme des variantes d’un signe générique de renvoi. Un astérisque « * » (U+002A) semblerait pouvoir convenir pour les représenter. Quant à l’obèle quoiqu’il ressemble à un trait d’union (signe qui par ailleurs pourra nous servir pour noter les hyphenisations), nous choisissons de le représenter également par un astérisque.
Afin de représenter les carets qui servent surtout à insérer des gloses interlinéaires, il nous semble pertinent de les représenter par un chevron d’insertion « ‸ » (U+2038) pour les distinguer des autres signes de renvois qui fonctionnent selon un système d’appel et de rappel, alors que le caret apparaît uniquement à l’endroit où il faut introduire la glose interlinéaire.

Reprise d’éléments de la séance 2
Pour les signes qui permettent d’appeler l’attention sur un endroit du document, comme les manicules6, plutôt que de les représenter par des signes plus ou moins imitatifs comme des « → » (flèche vers la droite — U+2192) ou encore le signe ☞ (U+261E), nous préconisation de les signaler dans la segmentation du document par une zone graphic avec, par exemple, un sous-type « manicule ».

2. Les signes fonctionnels

Il arrive que dans les manuscrits, le texte soit hiérarchisé au moyen de signes fonctionnels qui, par exemple, signalent le début d’une unité sémantique, comme un paragraphe. Parmi eux, les signes suivants (voir les illustrations dans la présentation) :
• Gamma capitulaire
• Crochet alinéaire
• Pied de mouche
Nous choisissons de tous les représenter par un signe unique : « ⁋ » (Pied-de-mouche réfléchi, U+204B). Nous considérons qu’ayant tous la même fonction, leur différence relève de la variation de forme. C’est ici le principe fondateur de nos choix en matière de transcription qui assurera la cohérence des décisions que nous prendrons.
D’autres signes fonctionnels peuvent apparaître dont voici un relevé non exhaustif (voir les illustrations dans la présentation) :
• Les diastoles (Trait de plume vertical ou oblique tracé entre deux lettres contiguës pour indiquer qu’elles appartiennent à des mots différents), à transcrire « / » (U+002F)
• Les festons et accolades qu’il faudra traiter au niveau de la segmentation, par exemple, dans une zone graphic.
• Les circonductions et les cartouches qu’il faudra traiter au niveau de la segmentation, par exemple, dans une zone MarginTextZone avec un sous-type Frame.

3. Faut-il noter les informations sur l’hyphénisation et comment ?

Il arrive que les copistes notent en fin de ligne les phénomènes d’hyphénisation sans que leur pratique ne soit toujours régulière. Nous nous demandons si cette information doit être rendue dans nos transcriptions. Jean‑Baptiste Camps fait remarquer que pour le post-traitement du texte, elle sera utile pour la segmentation des mots, et notamment dans ce cas, pour réunir deux éléments d’un mot qui ont été séparés par un saut de ligne.
Cette information a déjà été prise en compte par d’autres projets comme Lectaurep, comme le rappelle Aurélia Rostaing, et notée grâce au signe « – » (Trait d’union). Le problème soulevé dans ce contexte est l’ajout d’espace avant et après le signe par les annotateurs7.
Après quelques échanges, nous estimons que cette information relève bien du niveau graphématitque de la transcription et que, tout comme le projet Lectaurep, nous utiliserons le signe « – » (hyphen, U+002D) pour des questions d’efficacité et de sémantique du signe quoiqu’il ne soit pas tout à fait imitatif (nous avons déjà utilisé le signe « / » [U+002F] pour les diastoles).

4. Que faire des diacritiques médiévaux : pointage des i, accents, cédilles ?

Le pointage de « i »

La question du pointage des « i » est une question qui peut dépasser le cadre des manuscrits médiévaux. Dans le projet Lectaurep, il arrive à l’inverse que les « i » ne soient pas pointés. Malgré ce phénomène, tous les « i » ont été retranscrits par la lettre moderne « i »  avec un point.  Une transcription imitative rendrait le procédé très lourd. Les transcripteurs peuvent aussi avoir du mal à garder une pratique homogène. Une transcription imitative pourrait également poser des problèmes par la suite pour le traitement automatique de la langue (TAL).
Dans les manuscrits médiévaux, le pointage des « i » n’est pas stable et peut même apparaître ou pas sur un même mot. Nous jugeons que l’information du « i » pointé est certes récurrente, mais aléatoire dans les manuscrits, et que surtout elle n’est pas de première importance. Le phénomène relève davantage d’une variante de signe. La distinction aurait davantage sa place dans une transcription allographétique. Pour alléger le protocole de transcription, nous préférons transcrire tous les « i », pointés ou pas, par des « i » (U+0069). Toutefois, nous comprenons tout à fait son importance pour des études approfondies de l’utilisation de ce signe dans des modèles allographétiques. Dans ce contexte, nous invitons les transcripteurs à utiliser le signe combinatoire accent aigu (U+0301).

Les voyelles accentuées

Certains manuscrits, notamment les manuscrits anglo-normands du 12e siècle, peuvent présenter des voyelles accentuées (les « e » la plupart du temps). Ces accents peuvent noter une altération phonétique ou un hiatus. Si, nous décidons de noter ce phénomène quand il apparaît, on peut se demander sur quel fondement quand on a écarté le signalement du pointage des i. Frédéric Duval rappelle alors qu’il n’existe pas de spécificité phonétique du i pointé par rapport au i non pointé. Comment distinguer un « i » pointé, d’un « i » accentué, quand l’accent peut aussi bien désigner les palatalisations, les hiatus, les voyelles toniques ou une désambiguïsation paléographique ? Le problème est débattable, même si nous tenons à noter ici que le pointage des « i » n’est qu’un ajout technique pour le compte des jambages, tandis que les voyelles accentuées signalent un phénomène phonétique (cf. mimi numinum niuium minimi munium nimium uini muniminum imminui uiui minimum uolunt, https://commons.wikimedia.org/wiki/File:Minims_(palaeography).jpg?uselang=fr). Toutefois, les accents dans les manuscrits médiévaux sont relativement marginaux. Nous invitons donc, en cas d’ambiguïté, les transcripteurs à ne pas les noter. Le phénomène peut être signalé de manière dérogatoire en fonction des problématiques propres à un corpus dans une transcription graphématique. En revanche, l’accentuation des voyelles devra être signalée dans une transcription allographétique. L’ensemble des choix devra être consigné dans une partie introductive sur l’établissement du texte qui doit accompagner les corpus d’entrainement.

Les e cédilles

L’usage des « e » caudata ou cédilles est très limité en ancien français où il vient signaler l’emplacement d’une ancienne diphtongue latine. Toutefois, ce phénomène est très fréquent dans les manuscrits latins entre le 10e et le 12e siècle. Son utilisation étant très limitée en ancien français et donc son coût à la transcription moindre afin de permettre l’interopérabilité des données en latin et en ancien français, nous proposons de noter le « e » cédille quand il apparaît dans le texte de la source avec un « ȩ̧ », formé d’un « e » et d’une cédille combinatoire (e + U+0327).

5. La ponctuation

Faut-il rendre toute la variété de la ponctuation médiévale, quand ces différences ne sont pas toujours aisément perceptibles dans les sources pour des non-spécialistes du domaine ?

Voici une sélection de signes de ponctuation présents dans les manuscrits médiévaux (liste établie d’après la définition de Philippe Bobichon, disponible sur codicologia) :
• Point : ponctuation utilisée notamment pour séparer les termes d’une énumération.
• Point bas, médian : subdivisions mineures au sein de la phrase.
• Point haut : signe le plus fort, marquant la pause la plus longue ; il est souvent suivi d’un blanc.
• Point-virgule inversé : pause moyenne, indique une montée de la voix, ou différentes pauses au milieu de la phrase.
• Point-virgule : descente de l’intonation en fin de phrase ; fins de paragraphes (ponctuation forte).
• Punctus circumflexus : point surmonté d’un accent circonflexe (sporadique). Caractéristique des manuscrits cisterciens, il apparaît aussi chez les Chartreux.
• Deux points superposés : dans les manuscrits grecs, ce procédé marque l’interlocution dans le dialogue philosophique. Dans les manuscrits hébreux bibliques, les versets sont parfois séparés par deux points superposés.
• Virgula : ponctuation faible. Mince trait oblique, ancêtre de notre virgule, séparant notamment les termes d’une énumération.

Au niveau d’une première phase de transcription, il est très difficile de présumer de la fonction exacte des signes. Cette information sera difficile à signaler et relève d’une annotation sémantique a posteriori. En outre, la ponctuation médiévale présente beaucoup de signes pour peu d’emplois différents8. Nous proposons donc de réduire la variété de la ponctuation médiévale à trois types de signes pour assurer l’homogénéité de la transcription. Le choix doit être guidé par la forme du signe sur le support :
• les points simples seront transcrits pas des « . »
• Les signes doubles seront transcrits pas des « ; »
• virgula seront rendus par des « , » (quoiqu’elles puissent davantage ressembler à des « / » que nous réservons aux diastoles, nous préférons appliquer ici une distinction par le “sens”, plutôt que par la “forme”).

1. Il faut toutefois faire attention. La conversion de données signifie souvent la réduction au plus petit commun dénominateur et engendre une grande perte d’informations qu’il faut essayer de limiter.
2. Par exemple : distinction de trois formes de la lettre d : capitale (« D »), d droit (« d »), d oncial (« »), distinction de trois formes de la lettre s : capitale (« S »), s rond (« s ») et s long (« s »), distinction des formes de a, à simple ou double panses, de r et r rotonda, signalisation des ligatures, etc.
3. Dominique Stutzmann, « Paléographie statistique pour décrire, identifier, dater… Normaliser pour coopérer et aller plus loin ? », BoD, 2011, p. 247.
4 .Quand il y a une marque d’insertion, un signe aussi proche que possible visuellement est utilisé, par ex. ∟ pour les contrats de mariage, mais l’intercalation du mot dans le texte n’est pas restituée lors de la transcription qui se fait ligne par ligne.
5. http://codicologia.irht.cnrs.fr
6. Les manicules sont des signes marginaux en forme de main qui permettent d’appeler l’attention sur un passage du texte.
7. Les divergences étaient telles que ce phénomène a été écarté du calcul du CER du projet. Elles sont, entre autres, à l’origine du développement de l’outil KaMI, dont le but était de pouvoir ne prendre en compte dans le  calcul du CER  que les erreurs sur les lettres ou les chiffres, indépendamment de la ponctuation, de l’accentuation ou de la distinction majuscule/minuscule. Cet outil permet aussi d’établir des “profils” et qualifier des types d’erreurs (qui peuvent varier selon les corpus) https://hal.archives-ouvertes.fr/hal-03495762/.
8. Certains signes de ponctuation ont des fonctions moindres et ne peuvent être là que pour indiquer des bouts de lignes.