Atelier Collaboratif de Transcription en ligne

Laboratoire de recherche civilisation, identités culturelles, textes et francophonies (AGORA) (EA 7392) – Université de Cergy
Responsable : Emmanuelle de Champs

Présentation du projet

Appliquer la technologie participative à l’exploitation du patrimoine manuscrit n’est pas une idée nouvelle. Suivant l’exemple des sciences dures, des dispositifs participatifs ont été adaptés et repris avec succès par des institutions patrimoniales ou des fonds d’archives privés dans le monde entier pour accélérer l’indexation de contenus numérisés. En effet, si de nombreuses campagnes de numérisation ont été menées depuis une vingtaine d’années, qu’elles concernent des manuscrits, des ressources iconographiques, ou des imprimés, les fichiers images mis en ligne ne sont exploitables qu’à condition qu’ils soient accompagnés de métadonnées permettant la recherche de contenu en mode texte. Ainsi, faute d’une indexation suffisante, nombre de documents restent inaccessibles par le biais des moteurs de recherche. Ce travail de transcription et d’annotation ne peut que partiellement être réalisé automatiquement et requiert des moyens humains importants. Des outils de crowdsourcing ont donc été conçus afin de mobiliser les compétences des internautes pour accomplir différents types de tâches. Les plus simples concernent par exemple la description d’un document à partir d’une sélection de mots-clés pertinents, ou bien la correction d’erreurs générées par les logiciels de reconnaissance automatique de caractères (ex : « Correct » Bibliothèque Nationale de France). D’autres ont fait appel à des compétences plus complexes et plus spécialisées : l’étiquetage d’images (ex : « shipstag », British Library, voir notamment le portail http://www.metadatagames.org/) et la transcription d’écriture manuscrite (« Civil War Letters », voir le portail https://diyhistory.lib.uiowa.edu/). Pour assurer que les données soient correctement saisies par les utilisateurs, les concepteurs ont mis en place des différents dispositifs de contrôle de qualité : faire corriger le travail des uns par d’autres utilisateurs, ne valider une saisie que si elle correspond à celle réalisée au même moment par un autre utilisateur, faire relire les saisies par des utilisateurs plus expérimentés ou habilités. Certaines de ces initiatives ont été largement relayées dans les médias et ont permis de valoriser des fonds manuscrits méconnus, ou bien de proposer un accès inédit à un patrimoine dont la valeur symbolique est forte, par exemple celui qui touche à la Première Guerre mondiale.
La transcription de textes manuscrits comporte cependant des difficultés spécifiques que les projets cités ci-dessus n’ont pas résolu de manière satisfaisante, ce qui peut expliquer certaines réticences des institutions patrimoniales françaises à mettre en place de tels dispositifs participatifs. Tout d’abord, la transcription requiert de la part du public des compétences plus pointues que l’identification d’une image ou la correction de transcription d’un texte imprimé. Il faut en amont identifier et préparer des corpus qui se prêtent à la transcription ouverte et mettre en place des processus de contrôle de qualité efficaces. En outre, la transcription ne se justifie pas uniquement à des fins d’indexation, sa réelle valeur ajoutée réside dans le fait qu’elle puisse servir à l’intelligibilité du document et à sa mise à disposition des lecteurs, chercheurs ou issus du grand public. Ainsi, le logiciel scripto, dont la conception a été financée par le National Endowment for the Humanities (USA) ne permet qu’une transcription basique, sans mise en forme, ce qui n’offre qu’une lecture simple du contenu textuel du manuscrit et rend impossible la matérialisation des ratures, de la mise en page et d’autres caractéristiques qui font la spécificité du texte manuscrit. La solution mediawiki adoptée pour le projet Transcribe Bentham (University College London) résout partiellement ce problème en permettant l’insertion de balises html au moment de la saisie, pour aboutir, pour chaque image, à la création d’un fichier XML/TEI correspondant à une transcription pseudo-diplomatique. Le logiciel génère ainsi un fichier par page, et des fichiers distincts pour le recto et le verso. Le projet ACT-online, dont l’équipe de Transcribe Bentham  est partenaire se propose de partir de cette dernière solution pour développer une version du logiciel qui améliore l’indexation et la recherche des images numériques des manuscrits et s’ouvre vers une nouvelle étape : la préparation d’une édition en ligne.

Fonds concernés : Archives nationales et AD Yvelines, minutier central des notaires. Testaments de poilus, l’essentiel est déjà numérisé, fonds en cours de documentation

Contexte scientifique et institutionnel : Labex Patrima

Formats et standards utilisés : XML / TEI

Retour à la liste