Compte-rendu séance n°5

Modéliser et optimiser les données d’entraînement pour l’HTR

En présence d’Alix Chagué, Floriane Chiffoleau, Lucien Dugaz, Frédéric Duval, Simon Gabay, Lucence Ing, Marco Maulu, Viola Mariotti, Ariane Pinche, Anne Rochebouet, Aurélia Rostaing, Dominique Stutzmann et Marguerite Vernet.
La présentation de la séance 5 avec les exemples tirés des manuscrits est disponible au lien suivant : https://hal.archives-ouvertes.fr/hal-03615557

1. Le cas des majuscules

Dans les manuscrits médiévaux, il est très difficile de déterminer quand mettre des majuscules ou pas dans la transcription quand celle-ci est imitative. Il n’est pas aisé d’identifier les phénomènes de mise en relief de certaines lettres et de déterminer s’il s’agit d’un changement de module, d’un changement de ductus ou d’un changement de signe ou bien s’il s’agit d’un autre caractère ou d’une variation de ce signe. 

Toutefois, ces changements sont des informations textuelles importantes qui doivent être relevées quoiqu’elles ne correspondent pas à nos catégories modernes (pas de majuscules en début de noms propres, en début de phrases, etc.).

Dans la mesure du possible, nous engageons les transcripteurs à signaler ces lettres remarquables du moment où elles semblent être mises en valeur dans la source. Nous invitons à transcrire en majuscule les lettres qui présentent une variation graphique de mise en relief quand il s’agit de  :

– Lettrines ou des initiales ornées

– Titres courants1

– Lettres en début de mot sémantique

Nous excluons de cette liste les lettres cadelées. 

Pour ce qui est des lettres en début de vers qui sont souvent mises en relief par une espace typographique et parfois une forme de lettre différente du corps de texte, le transcripteur devra opter pour une pratique homogène adaptée à sa source pour l’ensemble de son corpus. Ainsi, soit toutes ces lettres seront signalées en majuscule, soit elles seront toutes en minuscule. 

Attention, dans le cadre d’une transcription graphématique, l’ajout de majuscules normalisées qui ne sont pas présentes dans la source est à exclure. 

2. Distinction u/v et i/j

Le but, ici, est de s’assurer que les pratiques soient homogènes et cohérentes sur l’ensemble des corpus. La normalisation des lettres ramistes est un point de discorde entre les transcripteurs. Certains, par habitude, distinguent les lettres ramistes, d’autres s’en tiennent à la source. Pour des questions d’homogénéité des pratiques, il nous semble difficile de faire une distinction entre u/v ou i/j sachant que la différence dans les manuscrits relève d’une différence de forme de signe et qu’elle ne signale pas toujours une différence entre emploi consonantique et vocalique.

Exemple : vns conestables (BnF, ms fr. 411)

Enfin, leur répartition semble parfois aléatoire et un même mot peut présenter des variations entre « i » et « j », « u » et « v » dans une même copie (uns vs vns). 

Ainsi, dans une optique de constitution d’un corpus générique, nous préconisons de ne pas faire de distinction. Toutefois, chaque projet peut introduire une distinction si nécessaire, et personnaliser son propre modèle à condition de bien documenter sa pratique. Une conversion de tous les « v » en « u » et de tous les « j » en « i » a posteriori reste aisée, si par la suite on veut réintroduire le corpus dans un corpus d’entraînement générique. 

3. Faut-il distinguer les lettres frontières ?

Dans les manuscrits, certaines lettres allographes peuvent avoir des valeurs particulières et marquer des frontières de mots comme la distinction entre « s » (en début ou en fin de terme) et « ſ » (à l’intérieur d’un mot), « r » et « R » (généralement en fin de mots).

Ces différences de formes de lettres ont un impact sur le sens, car elles segmentent le texte, mais comment trouver une frontière claire et assurer la cohérence de nos règles de transcription, si on commence à les distinguer ?

Pour constituer un corpus d’entraînement générique, nous invitons à ne pas distinguer ces allographes. En revanche, il nous semble que dans une entreprise de transcription allographique, la distinction de ces signes pourrait être prioritaire. 

4. Segmentation des mots 

La segmentation des mots est un élément primordial pour la compréhension des textes.

Paulus suſtinet me (Paolo holds me up)

Paulus ſus tinet me (Paolo the pig holds me)2

Cependant, dans les manuscrits médiévaux, la segmentation des mots n’est pas identique à celle du système moderne. En outre, il n’est pas rare que distinguer la présence ou non d’une espace relève de la pure subjectivité. En effet, la notion d’espace typographique (telle qu’on l’entend aujourd’hui) n’a véritablement de sens que pour les imprimés.

Comment répondre de manière pragmatique au besoin de segmenter les mots dans les transcriptions ?

Pour assurer la plus grande homogénéité possible, nous penchons en faveur d’une segmentation modernisée, mais si cela n’évite pas quelques ambiguïtés. 

– La présence d’une abréviation peut entraîner l’impossibilité de proposer une segmentation moderne à cause de l’agglutination, par exemple, d’un relatif et d’un pronom qui le suit, comme « qͥl », ou d’un nom propre, comme « q̃rec » pour « qu’Erec ».

– Certaines séquences peuvent présenter deux solutions viables : del arbre ou de larbre ?

Toutefois, quoique nous ayons conscience que la pratique sera toujours hétérogène et comportera une part d’arbitraire, nous préconisons une pratique qui s’appuie sur le sens du texte et sépare dans la mesure du possible les mots sémantiques. Une pratique imitative introduirait trop de bruit. En outre une pratique sémantique facilitera le passage vers la lemmatisation.

Dans le cas de difficultés d’interprétation, nous préconisons de favoriser la désagglutination des syntagmes (notamment dans le cas des préfixes qui pourraient clairement être détachés) et nous suggérons d’éviter de forcer les agglutinations.

Comme l’a souligné Anne Rochebouet, la question de la segmentation est épineuse et pour l’instant elle est l’élément qui génère le plus d’erreurs dans nos modèles. Nous cherchons, ici, seulement à limiter son impact sur le score et à favoriser un système stable pour favoriser l’apprentissage machine qui, peut-être, à terme s’appuiera sur un modèle de langue pour la segmentation des mots. 

4. Représenter les chiffres ?

Comment représenter les chiffres dans nos transcriptions ? Afin de faciliter leur repérage et leur traitement3, nous préconisons de les encadrer systématiquement de points comme on l’observe fréquemment dans les manuscrits. Il faudra bien isoler les groupes de chiffres en fonction des coordonnants et les rendre par des lettres minuscules comme dans le manuscrit, mais sans distinguer les i et i longs, les u des v4. Pour les chiffres écrits en exposant, ils seront ajoutés après le dernier chiffre de la séquence qui n’est pas en exposant et avant le point. 


1 Attention tous les titres courants de sont pas en majuscule, conserver une transcription en minuscules quand le texte du titre ne présente de mises en valeur évidentes, exemple : https://gallica.bnf.fr/ark:/12148/btv1b52512226m/f17
2 Exemple issu de : Paolo MONELLA (« An ontology for digital graphematics and philology », Die (hyper-)diplomatische Transkription und ihre Erkenntnispotentiale, janvier 2020, [en ligne : https://www.academia.edu/43824274/An_ontology_for_digital_graphematics_and_philology].
3 Rajouter les points encadrants permettra à terme des traitements par lot ou d’ajouter des annotations pour signaler que ce sont des chiffres et ainsi les retrouver plus aisément. 
4 La restitution des v pourra être traitée a posteriori et restituée pour tous les chiffres.