Réutiliser les corpus numériques constitués par OCR : bruit et silence dans les data papers - HAL Accéder directement au contenu
Poster de conférence Année : 2021

Réutiliser les corpus numériques constitués par OCR : bruit et silence dans les data papers

Résumé

L’acquisition des données textuelles pour constituer des corpus numériques se fait par transcription des œuvres physiques. Les transcriptions peuvent être manuelles ou automatiques, par utilisation des systèmes de reconnaissance op- tique de caractère (OCR). Utiliser un système OCR permet une plus grande rapidité d’exécution de la tâche, comparativement à une saisie manuelle longue et fastidieuse. Toutefois, force est de constater que l’usage d’un système OCR entraîne l’introduction d’erreurs de transcription (insertion, suppression ou sub- stitution de caractères). Ces erreurs produites par la machine peuvent être ré- pétitives et donc modélisables et corrigeables automatiquement dans les sorties [Stanislawek et al., 2019] mais parfois elles sont singulières et une routine de correction automatique efficace reste difficile à mettre en place. La qualité des transcriptions OCR est souvent perçue comme source de dys- fonctionnements, voire d’empêchement, pour une analyse manuelle et automa- tique sérieuse [Baledent et al., 2020], comme par exemple l’extraction d’entités nommées. Ainsi, pour pallier ce problème et obtenir un résultat idéal et réutili- sable, les utilisateurs mettent souvent en place des stratégies de nettoyage des textes, a posteriori, coûteuses en temps et en moyens. Il est donc légitime de s’interroger sur cette pratique et de poser ouvertement la question de la réutili- sabilité de ces corpus « imparfaits »pour des études quantitatives et qualitatives. Nous avons constaté au cours d’une enquête utilisateur menée auprès de cher- cheurs en Humanités Numériques ou en Traitement Automatique des Langues que nombre d’entre eux utilisent des transcriptions OCR non corrigées pour « sonder » leur corpus et avoir une première vision des grandes tendances à analyser. On peut dès lors se demander si ces corpus permettent de dépasser le « coup de sonde » et d’amener des analyses de phénomènes attestés qui donne- ront lieu à des éditions scientifiques ou à des data papers viables ? Le problème de l’utilisabilité de ces corpus tient au fait que les erreurs d’OCR sont de deux types très différents : bruit (ajout et substitution de caractères) et silence (suppression de caractères). Ainsi, que les corpus OCRisés soient utilisés en tant que tel ou comme outil pour forger en amont des hypothèses, il convient de définir la nature de l’impact des erreurs d’OCR sur les usages consécutifs [van Strien et al., 2020]. Après évaluation des systèmes de reconnaissance d’entités nommées Spacy [Honnibal et al., 2020] et Stanza [Qi et al., 2020], on constate que : — sur des corpus très bruités, une proportion conséquente d’entités nom- mées peut malgré tout être reconnue (et même des formes fautives comme "Mlolincourtl" pour "Morlincourt" 2) ; — sur des transcriptions considérées comme propres certaines entités nom- mées ne sont pas reconnues, amenant donc du « silence », d’autres sont détectées par erreur, donc du « bruit ». Ainsi silence et bruit dans les exploitations des corpus ne sont pas simplement inhérents à la qualité des données en entrée. L’enjeu de notre proposition est de montrer les phénomènes mis en jeu par l’introduction de bruit et de silence lors de la création automatique de cor- pus numériques et de répondre à la défiance ambiante vis-à-vis de ces corpus imparfaits. Car si le bruit peut être dépassé (selon plusieurs stratégies : post- correction, lecture attentive, etc.), le silence fait disparaître l’information pour bon nombre d’utilisations postérieures potentielles. Nous montrerons donc dans quelle mesure on peut élaborer des data papers à partir de données textuelles imparfaites ?
Loading...
Fichier non déposé

Dates et versions

hal-04029006, version 1 (14-03-2023)

Identifiants

  • HAL Id : hal-04029006 , version 1

Citer

Caroline Koudoro-Parfait, Jean-Baptiste Tanguy, Gaël Lejeune. Réutiliser les corpus numériques constitués par OCR : bruit et silence dans les data papers. dhnord2021 - Publier, partager, réutiliser les données de la recherche : les data papers et leurs enjeux, Nov 2021, En ligne, France. ⟨hal-04029006⟩
67 Consultations
0 Téléchargements
Dernière date de mise à jour le 07/04/2024
comment ces indicateurs sont-ils produits

Partager

Gmail Facebook Twitter LinkedIn Plus