L’HTR (handwritten text recognition) : présentation des problématiques qui s’ouvrent au chercheur, entre particularité du document et généralisation du modèle.
Mardi 12 octobre — 16 h-18 h
En présence de Jean-Baptiste Camps, Camille Carnaille, Floriane Chiffoleau, Prunelle Deleville, Lucien Dugaz, Frédéric Duval, Simon Gabay, Lucence Ing, Vincent Jolivet, Marco Maulu, Nicolas Perreaux, Ariane Pinche, Anne Rochebouet, Aurélia Rostaing, Benedetta Salvati, Peter Stokes, Sergio Torres, Dominique Stutzmann, Marguerite Vernet
I-Contexte du séminaire à l’école.
Aujourd’hui, les projets scientifiques cherchent à acquérir des données textuelles en masse pour entreprendre des éditions de textes longs ou pour constituer de larges corpus à interroger, rendant parfois l’usage de l’HTR nécessaire pour réaliser le projet dans les temps d’un financement. L’expérience montre qu’aujourd’hui cette technologie fonctionne sur les documents médiévaux, mais il est encore rare que les projets parviennent à partager leurs données ou leurs modèles pour réduire le coût de production des données à une échelle collective. Produire des modèles génériques qui soient à terme utiles à la communauté scientifique en dehors d’un projet individuel semble aujourd’hui un nouvel objectif à atteindre.
Ce séminaire s’insère dans une démarche plus large initiée à l’École nationale des chartes et structurée autour de deux projets en partenariat avec, entre autres, l’INRIA et le LAMOP, EPHE, IRHT et financé par le DIM MAP.
– CREMMA : Consortium pour la Reconnaissance d’Écriture Manuscrite des Matériaux Anciens, porté, entre autres, par Laurent Romary, Thibault Clérice et Vincent Jolivet, qui vise la création d’un service de mise à disposition de ressources serveur pour favoriser l’accès à l’HTR. Le projet
CREMMA met à disposition des laboratoires et projets partenaires un accès à l’outil open source eScriptorium (EPHE).
– CREMMAlab pour mettre à disposition des données afin d’entraîner des modèles, à l’instar du dépôt cremma-medieval (sur Github) déposé sur HTR-united. Cette mise à disposition de données s’accompagne de réflexions sur les mécanismes d’apprentissage de l’HTR, réflexions qui, à côté de nos comptes rendus de séance, devraient alimenter le blog CREMMALab.
Enfin, cette année d’exploration autour de l’HTR devrait être couronnée par l’organisation d’un colloque fin juin 2022. Nous profiterons de cette occasion pour présenter les conclusions de notre séminaire. Nous aimerions en profiter aussi pour développer des liens avec Biblissima+. Un appel à communication devrait paraître début novembre.
II-Présentation des participants
Florianne Chiffoleau, ingénieure de recherche à l’INRIA, prépare une thèse sur les imprimées du 19e siècle et la constitution de modèles HTR pour ces derniers.
Aurélia Rostaing est responsable du pôle instruments de recherche au département du Minutier central des notaires de Paris (DMC) des Archives nationales, et coordinatrice métier du projet LectAuRep (https://lectaurep.hypotheses.org) : lecture automatique de répertoires. Le projet s’intéresse aux écritures des 19e et 20e siècles et souhaite, après avoir acquis le texte par HTR, proposer une interface d’interrogation des répertoires de notaires numérisés permettant de constituer des corpus en vue de recherches quantitatives. Il vise, au-delà, à partager avec les communautés du patrimoine écrit et de la recherche, des transcriptions et des modèles de segmentation/transcription/NER documentés.
Vincent Jolivet est responsable de la mission projets numériques de l’École nationale des chartes. Aujourd’hui l’HTR fait partie intégrante de projets dont l’école est partenaire, comme eNDP (ANR 2020, https://lamop.pantheonsorbonne.fr/e-ndp). Le projet a entrepris d’acquérir grâce à cette technologie le texte des registres de Notre-Dame de Paris afin de mieux connaître l’administration du chapitre Notre-Dame, sa puissance économique et politique dans la ville de Paris, ainsi que les rapports qu’il entretenait avec les autres institutions urbaines.
Sergio Torres est postdoctorant, pour le projet eNDP, sa mission est de mettre en place un protocole d’acquisition HTR des 14 000 pages des 26 volumes des registres de Notre-Dame de Paris, et d’ainsi proposer une première transcription automatique du corpus, ainsi qu’une annotation des identités nommées.
Marguerite Vernet, après avoir obtenu le master « Humanités numériques » de l’École nationale des chartes, est maintenant doctorante à l’EPHE et utilise l’HTR pour acquérir un corpus de sermons de Saint-Victor encore inédits afin de préparer sa thèse.
Jean-Baptiste Camps est maître de conférence en philologie computationnelle. Après sa thèse de doctorat portant sur l’édition de la chanson de geste d’Otinel, il s’intéresse très tôt à l’acquisition automatique de texte pour élargir son corpus d’étude et pouvoir ainsi proposer des analyses quantitatives. Il s’intéresse essentiellement à l’utilisation de l’HTR pour les manuscrits médiévaux et à la question de l’interopérabilité des modèles HTR pour passer de la confection de modèles individuels à la mise à disposition de modèles partageables.
Benedetta Salvati est doctorante en philologie romane à l’université de Lausanne et à l’École nationale des chartes. Sa thèse de doctorat est une édition numérique de la Chronique rimée de Nicaise Ladam (16e siècle). Travaillant sur des textes longs, elle s’intéresse à l’HTR afin d’accélérer la phase de transcription de son texte.
Lucien Dugaz, postdoctorant à l’École nationale des chartes, travaille à l’édition de l’Éneide française d’Octovien de Saint-Gelais d’après un manuscrit du 16e siècle. Son corpus étant très long (l’adaptation du texte en français représente trois fois son modèle latin), l’HTR devrait permettre d’accélérer la phase d’acquisition du texte.
Lucence Ing est doctorante à l’École nationale des chartes. Sa thèse de doctorat porte sur l’étude des disparitions lexicales dans le Lancelot en prose. Elle s’est servi de l’OCR pour récupérer dans des éditions existantes les textes des différents témoins afin de faciliter l’étape d’acquisition textuelle de son corpus de thèse et d’ainsi pratiquer sur ce dernier des traitements automatiques pour l’interroger.
Anne Rochebouet est maîtresse de conférence en langue et littérature médiévales françaises à l’université de Versailles Saint-Quentin-en-Yvelines. Ses recherches portent sur les Histoires universelles médiévales et leur édition numérique. Elle s’intéresse donc à des corpus extrêmement vastes, rarement étudiés dans leur intégralité. L’HTR pourrait lui permettre d’accélérer l’acquisition des corpus et d’ainsi pouvoir les interroger rapidement.
Dominique Stutzmann, directeur de recherche au CNRS, responsable de la section Paléographie latine, a dirigé plusieurs projets de recherche traitant de l’acquisition automatique du texte dont HIMANIS qui propose l’indexation de 80 000 pages de texte issues de sources manuscrites médiévales, l’ANR HOME qui porte sur 2400 cartulaires ou encore HORAE avec l’acquisition du texte de près d’un millier de livres d’heures.
Frédéric Duval, professeur de philologie romane à l’École nationale des chartes. Il s’intéresse à l’utilisation de l’HTR dans le cadre de sa participation au projet d’édition de la Mer des histoires (un incunable de 1488), et dans le cadre de ses responsabilités dans l’ANR LiBer qui vise à éditer numériquement et à étudier la première traduction française de Tite-Live et sa réception européenne. Cette technologie lui semble également utile pour encourager les étudiants à utiliser des outils numériques afin d’ouvrir de nouvelles perspectives de recherche.
Marco Maulu, professeur associé en philologie romane à l’université de Sardaigne, travaille sur des textes longs, dont un recueil turinois de la Bibliothèque de Turin endommagé en 1904 par un incendie, et utilise dans ce cadre l’HTR. Cette technologie l’intéresse également en termes de formation pour la mise en place d’une université d’été en Humanités numériques dans son université.
Camille Carnaille est postdoctorante à l’université de Genève et de Bruxelles. Elle fait partie de l’équipe du Projet de recherche « Canoniser les Sept Sages » et participe à l’édition numérique du Roman de Pelyarmenus. C’est dans ce cadre qu’elle s’est familiarisée avec l’HTR.
Prunelle Deleville est maître-assistante en littérature française médiévale à l’université de Genève. Elle fait partie de l’équipe du projet de recherche « Canoniser les Sept Sages » et participe à l’édition numérique du Roman de Pelyarmenus. C’est dans ce cadre qu’elle s’est familiarisée avec l’HTR.
Simon Gabay est maître-assistant à l’université de Genève en humanités numériques. Il travaille activement à la production de modèles de segmentation et d’HTR pour les imprimés du 17e siècle français.
Nicolas Perreaux est ingénieur de recherche au LAMOP. Il travaille en data mining sur des documents médiévaux (grands corpus de chartes). Il participe également au projet eNDP et fait partie des partenaires des projets CREMMA et CREMMALab.
Peter Stokes est directeur d’étude à l’EPHE, Section des Sciences Historiques et Philologiques. Il est co-responsable du projet eScriptorium. Il s’occupe du partage de données, des modèles, ainsi que de l’amélioration et de l’enrichissement de l’interface.
Ariane Pinche est postdoctorante sur le projet CremmaLab. Elle s’intéresse à la confection de données d’entraînement à partir de documents médiévaux pour les modèles HTR, mais aussi aux mécanismes d’apprentissage de cette technologie. Elle utilise l’HTR pour acquérir des données textuelles en masse afin de poursuivre ses recherches sur la composition des légendiers français.
III-Présentation de l’HTR et des modalités d’entraînement d’un modèle
Définition :
HTR (Handwritten Text Recognition) : prédiction d’un contenu textuel à partir d’une image de la source, par une intelligence artificielle entraînée par des données (créées par un humain) qui peut s’intégrer dans un processus alternant phases d’intervention humaines et phases de calcul (prédiction).
Dans ce séminaire, nous nous intéresserons tout particulièrement à la constitution des données d’entraînement, soit la constitution du corpus « gold », c’est-à-dire de données créées et/ou vérifiées par l’humain. À l’issue de l’entraînement d’algorithme d’HTR sur le corpus gold, on obtient un modèle HTR. Ce modèle pourra être utilisé sur le reste du corpus pour acquérir automatiquement des données textuelles depuis les images sources. Les données sont issues de la prédiction du modèle sont appelées corpus silver. Aujourd’hui on peut trouver des données gold pour entraîner son modèle sur HTR-united (https://htr-united.github.io).
III-Pourquoi utiliser ou créer un modèle l’HTR ? Comment évaluer ses performances ?
L’utilisation de l’HTR est souvent liée au souhait de gagner du temps dans la phase de transcription. On peut utiliser un modèle HTR quand un modèle déjà performant existe, mais c’est rarement le cas pour les textes médiévaux.
Il faut donc créer son modèle, soit à partir d’un autre modèle que l’on personnalisera, soit de zéro. Se poser alors la question de la rentabilité de la création du modèle : quel temps y passer ? Quels sont les coûts (temps des transcriptions/corrections manuelles) et gains de productivité à terme ? L’HTR est avantageux, quand, malgré le coût de l’entraînement du modèle, il permet d’accélérer la phase d’acquisition du texte, notamment pour des corpus qu’ils serait impossible de traiter à la main. Par exemple, son utilisation est intéressante, si en transcrivant dix folios de ma source, je suis capable d’obtenir une prédiction de qualité pour les 400 suivants.
La constitution du modèle dépend aussi du degré de qualité que l’on attend des données. Si la prédiction sert :
– de base à une édition, on attend un niveau de précision haut, supérieur à 95 % d’accuracy
– à de la mise à disposition de texte brut : niveau de précision moyen, entre 90 % et 95 %
– de base à des analyses quantitatives : niveau de précision faible, supérieur à 80 % (voir Maciej Eder, « Mind your corpus : systematic errors in authorship attribution », Literary and Linguistic Computing, vol. 28/4, décembre 2013, p. 603-614, il y est montré que jusqu’à 25 % de lettres remplacées aléatoirement dans les textes, les résultats des algorithmes de stylométrie pour l’attribution d’auteur qui s’appuient sur des 3 ou 4 grammes restent stables).
Les pourcentages d’accuracy donnés précédemment s’appuient sur le CER (caractère error rate), mais comment comprendre ces scores ?
Le CER évalue le nombre de différences au niveau des caractères entre le corpus de test et la prédiction. Dans le cas du modèle Bicerin entraîné à partir des données de CremmaLab, 30 % des erreurs sont liées à l’insertion ou à la suppression fautive d’un espace. Cependant, quel peut être le statut de ces erreurs, quand cette donnée est difficile à apprécier par l’humain ? D. Stutzmann rappelle qu’il n’existe pas de vérité de terrain pour les espaces dans les manuscrits médiévaux. Leur transcription est très variable d’une personne à une autre, car ce système est un système conçu pour l’imprimerie. Le projet LectAuRep prend en compte un CER brut, mais aussi un CER ne considérant que les erreurs sur un caractère lettre et nombre, les autres types d’erreurs étant jugés moins pertinents. Ces évaluations sont rendus possibles par l’utilisation du logiciel KAMI développé par L. Terriel à l’INRIA (https://gitlab.inria.fr/dh-projects/kami/kami-lib).
Ce taux pose également la question du post-traitement. Si par exemple, la question de la segmentation des mots était traitée après la phase d’acquisition du texte par l’HTR, les résultats du modèle Bicerin seraient alors optimisés et les erreurs d’espace n’auraient pas d’impact sur le texte final. Des projets, comme le projet Himanis(https://himanis.hypotheses.org), calculent le CER sur une prédiction avec résolution d’abréviations, tandis que le corpus cremma-medieval conserve les abréviations. Ainsi, les deux taux ne mesurent pas exactement la même chose. Il est donc très important de documenter sa pratique : ce qu’on mesure et sur quelles données.
En outre, les taux proposés sont calculés sur un corpus test très similaire à celui de l’entraînement (un échantillon différent de celui des données d’entraînement, mais issu du même corpus). Ainsi, plus le corpus est hétérogène et le CER bas, plus le modèle sera performant sur des données différentes (out of domain). En revanche, un CER bas sur des données très homogènes ne garantira pas que le modèle soit performant sur des données out of domain. Pour tester la résistance de son modèle, comme l’a signalé Sergio Torres, on peut utiliser des corpus out of domain, comme le corpus MINST pour la reconnaissance des nombres. On pourrait aussi envisager que les données d’entraînement d’HTR crées par un projet puissent plus tard servir de données out of domain pour tester d’autres modèles, si le corpus est partagé et a bien été documenté, notamment en indiquant le type de document, la période et le type d’écriture. La mise à disposition de nombreux corpus gold pourrait alors permettre de tester un modèle pour évaluer son élasticité et identifier ses points de rupture. À terme, peut-être serait-il bien de pouvoir proposer une évaluation de la capacité de transfert.
Toutefois, la prise en compte immédiate du CER au sein d’un projet, comme l’a souligné Aurélia Rostaing, permet de se tenir à un objectif de performance à atteindre et de motiver l’amélioration du modèle. Il peut aussi être utilisé pour créer des clusters de documents au sein d’un corpus hétérogène pour identifier quels lots possèdent des particularités qui demandent une personnalisation du modèle. Enfin, comme l’a rappelé Nicolas Perraux, il faut nuancer la valeur des métriques, mais aussi faire une évaluation qualitative : les résultats produits permettent-ils d’obtenir les résultats voulus ? Si malgré les erreurs, mon analyse quantitative ou mon analyse sémantique est viable, alors le modèle convient. Si malgré un CER bas, la transcription produite ne peut pas être utilisée, alors le modèle ne convient pas.
III-Pourquoi et pour qui créer des modèles HTR ?
On peut demander à l’algorithme d’IA d’effectuer une tâche d’interprétation du texte en résolvant plusieurs problèmes en une fois. Cette méthode est utilisée lorsqu’on veut produire rapidement du texte à lire. On peut alors demander à l’algorithme de résoudre les abréviations, de produire des annotations sur les identités nommées par exemple. Ainsi, l’algorithme apprendra à résoudre l’abréviation ꝑ (p barré) en « per », « par » ou « pro » grâce à la constitution au sein de son modèle d’un modèle de langue1. C’est par ailleurs sur ce modèle de langue sous-jacent que s’appuient certains projets qui utilisent l’HTR pour lire les trous dans les cartulaires, comme l’a signalé Dominique Stutzmann. Entraîner un algorithme d’HTR avec résolution d’abréviations permet ainsi de ne pas modifier les habitudes des transcripteurs qui souvent transcrivent et développent les abréviations d’un même geste, ou encore d’acquérir plus rapidement du texte à partir d’éditions existantes à aligner avec les sources. Cette méthode possède ses limites : on est déjà dans l’interprétation, on génère un modèle tout en un spécifique, difficilement généralisable et difficile à enrichir après coup. Développer les abréviations entraîne une perte d’informations.
On peut aussi limiter l’utilisation de l’HTR à de la reconnaissance de caractères et dans ce cas, entraîner le modèle à reproduire le texte de la page source. Des post-traitements pour développer les abréviations, ajouter des annotations ou encore proposer des normalisations (lemmatisation) sont envisageables. Cette méthode s’appuie sur des transcriptions graphématiques, voire allographétiques (encore très coûteuses). Procéder de la sorte permet de garder des informations sur les graphies de la source qui peuvent être utiles à la compréhension du texte (étude linguistique, établissement), comme l’a souligné Anne Rochebouet. Cette méthode permet également de mettre en place un protocole avec des étapes bien distinctes qui pourront être entraînées indépendamment les unes des autres et garder les données de sortie des étapes intermédiaires. Cette méthode possède elle aussi ses limites : l’acquisition des données est très coûteuse et demande une mise en commun des données qui peut s’avérer complexe sans harmonisation. Elle entraîne aussi des coûts de post-traitement des données pour une exploitation aisée.
S’il n’est pas motivé par une obligation pragmatique, le choix d’une méthode ou l’autre, comme l’a explicité Vincent Jolivet, dépend de ce que l’on attend de l’HTR : de reconnaître les caractères (une tâche) ou de lire, voire d’interpréter le texte (plusieurs tâches complexes). Si on attend de l’HTR d’interpréter l’information, alors on peut lui demander de développer les abréviations, de reconnaître les entités nommées, etc., pour créer un outil tout-en-un. Si l’HTR est limité à de la reconnaissance de caractères, on s’oriente vers une chaîne de traitement en plusieurs étapes où la segmentation et l’annotation seront des post-traitements. Le choix d’une méthode ou d’une autre dépend des besoins et surtout de la communauté scientifique à laquelle on s’adresse. Si l’on veut mettre à disposition du texte au plus grand nombre ou bien si l’on veut produire des données pour des spécialistes ou comme base d’une édition scientifique où il est intéressant, par exemple, de garder une trace des graphies originales pour comprendre la transmission du texte ou analyser les traces dialectales.
IV- Pourquoi et comment harmoniser les modèles l’HTR ?
Harmoniser nos pratiques nous permettrait d’échanger nos données et de les mettre en commun :
- Pour éviter les doublons, d’autant plus en regard du temps investi pour la création des données.
- Pour réduire les coûts de l’acquisition textuelle et proposer des modèles HTR à la communauté scientifique qu’on pourra soit utiliser directement, soit personnaliser.
- Pour mettre en commun nos données afin de créer des modèles plus robustes et génériques qui soient réutilisables par la communauté.
D’après les expériences qu’Ariane Pinche a pu mener sur cremma-medieval, il semble plus intéressant à terme de proposer des corpus hétérogènes avec plusieurs mains et manuscrits que de créer des modèles personnalisés pour un manuscrit ou une main. Le modèle HTR entraîné sur une seule main atteint rapidement un plateau de performance qui peut être dépassé aisément par l’ajout de quelques folios d’une autre main ou d’un autre manuscrit. Avec l’ajout de données extérieures, le modèle devient à la fois plus performant sur des données out-of-domain, mais aussi plus performant sur un corpus donné, car il gère plus facilement les variations. Marguerite Vernet a observé le même phénomène dans son mémoire de master (VERNET, Marguerite, L’identité Victorine au tournant des xiie et xiiie siècles, Mémoire de master, École Nationale des Chartes, 2021).
Toutefois uniformiser nos pratiques sera source de difficultés, car toute volonté d’uniformisation va nous amener à gérer la tension entre le besoin de modèles génériques et la volonté de chaque projet d’avoir un modèle spécifique. Cette tension est soulignée par Dominique Stutzmann : il sera très difficile d’essayer d’avoir une production unifiée, car les projets n’utilisent pas les mêmes graphèmes, pas les mêmes caractères et n’ont pas les mêmes buts. En effet, déjà parmi nous, nous n’avons pas tous les mêmes pratiques et n’attendons pas les mêmes résultats de l’HTR. En outre, notre communauté n’est pas assez développée pour proposer aujourd’hui des standards internationaux. Cependant, le besoin se fait sentir pour de petites équipes de recherches qui n’ont pas les ressources techniques, mais aussi pour des étudiants, de mettre à disposition des modèles réutilisables pour les documents médiévaux. Or ces modèles sont impossibles à constituer sans mettre en commun nos données et, donc, sans harmoniser à minima les pratiques de transcription. C’est donc conscients de toutes ces difficultés que nous chercherons à établir quelques préconisations minimales (ne serait-ce que d’utiliser des caractères communs en utilisant MUFI et des tables de conversion de caractères ou un même vocabulaire pour nommer des zones). Cette recherche d’uniformisation pourra aboutir à la recherche de normes avec différents niveaux de granularité dans la préçision de la transcription en fonction de la prédiction voulue : normalisée, graphématique ou allographématique. Ainsi, nous souhaitons aboutir à la mise à disposition de quelques préconisations pour la constitution des données d’entraînement, en cherchant des solutions aussi pragmatiques que possible tout en essayant de les concilier avec une production scientifique de qualité.
Quelques pistes de lecture
CAMPS, Jean-Baptiste et PERREAUX, Nicolas, « Reconnaissance optique des caractères et des écritures manuscrites – Projet E-NDP » [en ligne : https://outils.lamop.fr/lamop/mp3/E-Ndp/JBC-NP_e-NDP_OCR-et-HTR.pdf].
CHAGUÉ, Alix, CLÉRICE, Thibault et ROMARY, Laurent, « HTR-United : Mutualisons la vérité de terrain ! », 2021 [en ligne : https://hal.archives-ouvertes.fr/hal-03398740].
CHAGUÉ, Alix, « Comment faire lire des gribouillis à mon ordinateur ? », Tuto@Mate, 2021 [en ligne : https://mate-shs.cnrs.fr/actions/tutomate/tuto31-lire-des-gribouillis-chague/].
CHAGUÉ, Alix, « Prendre en main eScriptorium », LECTAUREP, [en ligne :https://lectaurep.hypotheses.org/documentation/prendre-en-main-escriptorium].
CHAGUÉ, Alix, CLÉRICE, Thibault et CHIFFOLEAU, Floriane, HTR-United, a centralization effort of HTR and OCR ground-truth repositories mainly for French languages, 2021 [en ligne : https://github.com/HTR-United/htr-united].
DUVAL, Frédéric, « Transcrire le français médiéval : de l’« Instruction » de Paul Meyer à la description linguistique contemporaine », Bibliothèque de l’École des chartes, vol. 170/2, Persée – Portail des revues scientifiques en SHS, 2012, p. 321 ‑342.
EDER, Maciej, « Mind your corpus: systematic errors in authorship attribution », Literary and Linguistic Computing, vol. 28/4, décembre 2013, p. 603 ‑614.
KIESSLING, B., TISSOT, R., STOKES, P., [et al.], « EScriptorium: An Open Source Platform for Historical Document Analysis », International Conference on Document Analysis and Recognition Workshops (ICDARW), vol. 2, 2019, p. 19 ‑19.
PINCHE, Ariane et CLÉRICE, Thibault, HTR-United/cremma-medieval : 1.0.1 Bicerin (DOI), Zenodo, 2021 [en ligne :https://zenodo.org/record/5235186].
SMITH, Darwin et CLAUSTRE, Julie, « E-NDP | Laboratoire – LaMOP » [en ligne : https://lamop.pantheonsorbonne.fr/e-ndp].
STUTZMANN, Dominique, « Heures : Reconnaissance de l’écriture manuscrite, catégorisation automatique, éditions » [en ligne : https://anr.fr/Projet-ANR-17-CE38-0008].
Lexique :
– Allographétique: “En paléographie, renvoie aux différents types possibles de réalisation d’une même lettre de l’alphabet latin (comme les S longs et les S courbes)”, <https://num-arche.unistra.fr/voces/notice/allographetique.xml>
– Graphématique : En paléographie, une transcription graphémique rend compte des graphies originales du découpage des mots effectués par le scribe, des abréviations, mais pas des différentes formes possibles d’une lettre, Dominique, Stutzmann, “Paléographie statistique pour décrire, identifier, dater… Normaliser pour coopérer et aller plus loin ?” Franz Fischer, Christiane Fritze, Georg Vogeler (eds.), Kodikologie und Paläographie im digitalen Zeitalter 2 , pp.247-277, 2011, ⟨halshs-00596970⟩.
– Graphémique : “En paléographie, une transcription graphémique rend compte du découpage des mots effectués par le scribe et non des formes régularisées (par exemple dans l’agglomération entre une préposition et un article)”, <https://num-arche.unistra.fr/voces/notice/graphematique.xml>.
– MUFI : The Medieval Unicode Font Initiative, <https://mufi.info/m.php?p=mufi>. Cette initiative met à disposition un set de caractères pour les manuscrits médiévaux en s’appuyant sur UTF-8.
– Segmentation : Dans le cadre de l’HTR, la phase de segmentation permet de diviser un document en zones et en lignes comportant du texte.
Pour citer ce document : Ariane Pinche, Compte-rendu de la séance n°1 du séminaire : “Création de modèle(s) HTR pour les documents médiévaux en ancien français et moyen français entre le Xe-XIVe siècle”, École nationale des chartes; Centre Jean Mabillon, 2021.