Corpus de Manuscrits Numériques : Apports de l'analyse d'image au travers de l'exemple des « Dossiers de Bouvard et Pécuchet. »
Résumé
Dans cette communication on détaillera les différents apports de l'analyse d'image pour les corpus manuscrits au travers d'un exemple : les «Dossiers de Bouvard et Pécuchet ».
Les dossiers constituent un ensemble documentaire d'environ 3200 feuillets. Ce corpus est riche et diversifié, tant par le fond que par la forme. Il s'agit également d'un corpus essentiellement fragmentaire. Cette composition particulière ainsi que cette diversité nous a conduit à envisager une approche pluridisciplinaire pour l'analyse du corpus, alliant les connaissances des chercheurs en sciences humaines et les outils informatiques d'analyse d'images.
Les apports potentiels de l'analyse d'image pour l'étude et l'enrichissement des corpus manuscrits sont multiples. On peut d'ores et déjà citer trois axes d'investigation principaux :
- L'aide à la transcription
- La reconnaissance de la structure des manuscrits
- L'apport d'éléments d'indexation automatisés
Les apports concernant l'aide à la transcription peuvent être nombreux, on exposera dans cette communication un ensemble de méthodes allant de la recherche d'illisibles à la récupération d'un fragment verso.
La reconnaissance de la structure est quand à elle une étape essentielle de notre travail : il est en effet important de conserver la structure fragmentaire du corpus. Il nous faut donc pour cela disposer d'une division en fragments textuels de chacune des pages du corpus. Cette
étape sera réalisée via une pré-segmentation informatique validée par la suite par les transcripteurs. Cette reconnaissance de la structure nous permettra d'envisager une mise en correspondance du manuscrit numérisé et de sa transcription. Enfin, la mise au point d'outils
informatiques nous permet de réaliser l'extraction d'éléments d'indexation pour le corpus : la structure mais aussi la mise en page apportent notamment des éléments d'indexation.
L'utilisation de l'analyse d'image nous permettra également de remplir un certains nombre de méta-données de manière automatisée : les différents scripteurs, la couleur de papier, ou encore la présence de signes génétiques pourront être identifiés pour l'indexation.
Toutes ces applications nécessitent néanmoins une forte interaction et des allers-retours constants entre chercheurs en sciences humaines et chercheurs en informatique : la mise au point des outils ne peut se faire de manière efficace sans ces interactions. De même on ne peut
envisager la mise au point d'un outil universel et autonome : celui-ci doit être placé sous le contrôle et la validation des chercheurs en sciences humaines.
Les dossiers constituent un ensemble documentaire d'environ 3200 feuillets. Ce corpus est riche et diversifié, tant par le fond que par la forme. Il s'agit également d'un corpus essentiellement fragmentaire. Cette composition particulière ainsi que cette diversité nous a conduit à envisager une approche pluridisciplinaire pour l'analyse du corpus, alliant les connaissances des chercheurs en sciences humaines et les outils informatiques d'analyse d'images.
Les apports potentiels de l'analyse d'image pour l'étude et l'enrichissement des corpus manuscrits sont multiples. On peut d'ores et déjà citer trois axes d'investigation principaux :
- L'aide à la transcription
- La reconnaissance de la structure des manuscrits
- L'apport d'éléments d'indexation automatisés
Les apports concernant l'aide à la transcription peuvent être nombreux, on exposera dans cette communication un ensemble de méthodes allant de la recherche d'illisibles à la récupération d'un fragment verso.
La reconnaissance de la structure est quand à elle une étape essentielle de notre travail : il est en effet important de conserver la structure fragmentaire du corpus. Il nous faut donc pour cela disposer d'une division en fragments textuels de chacune des pages du corpus. Cette
étape sera réalisée via une pré-segmentation informatique validée par la suite par les transcripteurs. Cette reconnaissance de la structure nous permettra d'envisager une mise en correspondance du manuscrit numérisé et de sa transcription. Enfin, la mise au point d'outils
informatiques nous permet de réaliser l'extraction d'éléments d'indexation pour le corpus : la structure mais aussi la mise en page apportent notamment des éléments d'indexation.
L'utilisation de l'analyse d'image nous permettra également de remplir un certains nombre de méta-données de manière automatisée : les différents scripteurs, la couleur de papier, ou encore la présence de signes génétiques pourront être identifiés pour l'indexation.
Toutes ces applications nécessitent néanmoins une forte interaction et des allers-retours constants entre chercheurs en sciences humaines et chercheurs en informatique : la mise au point des outils ne peut se faire de manière efficace sans ces interactions. De même on ne peut
envisager la mise au point d'un outil universel et autonome : celui-ci doit être placé sous le contrôle et la validation des chercheurs en sciences humaines.