ATR étape 6 : formats de sortie et réutilisation

De Floriane Chiffoleau et Sarah Ondraszek


Read this post in English: https://harmoniseatr.hypotheses.org/439
Diesen Beitrag auf Deutsch lesen: https://harmoniseatr.hypotheses.org/2600


Arrivé·es à la dernière étape de votre aventure ATR, une fois vos transcriptions terminées, vous voudrez probablement continuer à travailler avec ce que vous venez de générer avec l’aide de l’ordinateur. Pour ce faire, vous devez exporter vos transcriptions, ce qui nécessite de choisir au préalable un format de sortie. Votre choix va dépendre du type d’informations que vous souhaitez conserver et exporter.

Pourquoi devrais-je exporter mes transcriptions ?

Click, click, click… tellement de données, tellement de possibilités! Image générée en utilisant Midjourney AI image generator.

On pourrait se demander, pourquoi est-ce qu’on exporte la transcription ? Les raisons de procéder à un export peuvent varier. Toutes les transcriptions ne nécessitent pas forcément de procéder à un export, comme nous allons le voir. L’une des raisons les plus fréquentes de procéder à un export concerne la sauvegarde des données. En effet, les outils numériques et les serveurs ne sont pas fiables à 100%. L’export peut être effectué même à partir de transcriptions inachevées, lorsque votre projet est encore en cours. Dans la vidéo “Débuter avec la transcription automatique de texte” et dans notre feuille de route “Comment commencer“, nous avons mentionné la nécessité d’évaluer les logiciels disponibles avant d’en choisir un, car il n’est pas toujours possible d’en changer au cours du travail. Dans les cas où il est effectivement possible de changer, vous devrez déplacer vos données du logiciel actuel vers celui vers lequel vous souhaitez migrer. De même, en exportant la transcription, vous pouvez alimenter en données un autre outil. C’est l’une des options de réutilisation possibles. L’export peut également servir à publier des transcriptions achevées, qu’il s’agisse de l’ensemble du corpus ou simplement d’un échantillon. Enfin, si vous souhaitez transformer un corpus transcrit, une exportation préalable sera nécessaire. Bien que certains types d’exports proposent déjà une conversion, il est essentiel de choisir correctement votre format de sortie.

Quels sont les choix de fichiers de sortie ?

Tellement de questions. Même le robot n’a pas de réponse : Qu’est-ce que sont toutes ses sorties ? Image générée en utilisant Midjourney AI image generator.

Selon le logiciel utilisé pour l’ATR, le choix du format de sortie peut varier. Les deux principaux types d’informations, le texte brut et la mise en page, sont généralement inclus, soit tout-en-un soit en combinant plusieurs formats. Le texte brut représente l’export le plus simple d’une transcription, puisqu’il ne fournit que le texte lui-même, qu’il a été manuellement transcrit ou prédit par un modèle et corrigé ensuite. Il existe deux formats pour le texte brut: les fichiers TXT ou la version DOCX. L’autre partie de l’export, c’est-à-dire la mise en page, conserve toutes les informations recueillies au cours du processus de reconnaissance automatique: les métadonnées, les régions, les lignes ou les masques issus de la segmentation et du texte, et parfois même des annotations complémentaires. L’export de la mise en page fournit une version encodée de la transcription, mais selon le format, le langage de balisage n’est pas le même. Il en existe deux sortes: une mise en page encodée en HTML, appelée hOCR, et des mises en page encodées en XML, avec des vocabulaires spécifiques, appelées PAGE XML et ALTO XML. On peut parfois trouver un troisième type d’export: le format PDF, qui contient du texte brut enrichi, c’est-à-dire que l’image est disponible en PDF avec des informations provenant de la segmentation ou de la reconnaissance de texte directement intégrées sous forme de couches d’information supplémentaires.

Il existe de nombreux formats d’export, chacun adapté à des usages différents, et il peut arriver que vous réalisiez à l’usage que le choix que vous avez fait au départ n’était pas le bon, et que vous découvriez que vous n’avez pas la possibilité de récupérer votre transcription sur le logiciel que vous avez utilisé. Pour pallier de telles situations, les membres de la communauté ont créé un répertoire utile, qui recense tous les outils existants pour convertir un format en un autre – vous trouverez le lien vers le dépôt ici.

Accessibilité/Transparence et réutilisation

Nous l’avons déjà évoqué: les transcriptions sont souvent destinées à être réutilisées. Il se peut que vous souhaitiez y travailler seul·e, sans les communiquer à des tiers. Mais il est plus probable que vous travailliez sur votre transcription dans le cadre d’un projet (collaboratif), destiné à être mis à disposition d’un public plus large (scientifique, voire grand public). Dans ce cas, vous devez vous familiariser avec les outils ouverts qui peuvent être exploités pour réutiliser vos données et faciliter l’accessibilité de vos projets.

Comment garantir l’accessibilité/la transparence de votre projet ?

Une fois les données produites, vous aurez besoin de quelques informations supplémentaires pour garantir leur accessibilité. Les principes FAIR constituent un guide essentiel. L’acronyme FAIR signifie Facile à trouver, Accessible, Interopérable et Réutilisable. Il ne suffit pas de fournir des documents contenant des informations de mise en page, car il leur manquerait toujours un contenu essentiel pour les principes FAIR.Tout d’abord, des métadonnées doivent être associées aux données, c’est-à-dire les informations-clé liées au corpus, telles que son titre, ses auteur·es, les sources dont il provient, etc. De cette façon, le corpus n’est pas une œuvre perdue, et les personnes qui le consulteront auront plus de facilité à le comprendre.

Ensuite, et c’est peut-être l’une des étapes les plus importantes pour pouvoir dire que vos données sont ouvertes, il importe de documenter les méthodes et les outils que vous avez utilisés pour réaliser votre transcription. En particulier, pour que les données soient interopérables, vous devez mentionner le logiciel utilisé pour créer la transcription, chacun ayant ses particularités. En outre, la documentation doit également décrire les règles de transcription que vous avez décidé d’utiliser, particulièrement dans les cas où il y a des irrégularités. Il est important de documenter tous les choix effectués afin que les personnes qui réutilisent les données sachent comment procéder. Enfin, pour que votre projet soit ouvert et réutilisable, il doit être lui-même dans un format ouvert. Attention : Certains formats de sortie mentionnés dans la première partie de la vidéo, comme DOCX, ne sont pas ouverts et ne conviennent donc pas pour l’export.

Comment réutiliser vos données ?

Une fois les données sont ouvertes, de nombreuses options de réutilisation se présentent. Nous en abordons ici quelques-unes, mais cette liste n’est pas exhaustive, et d’autres méthodes sont également possibles. L’une des options de réemploi consiste à archiver et/ou à partager votre travail. Cela vous permet de disposer d’une sauvegarde séparée, souvent en ligne. C’est aussi une façon de partager vos données, car elles pourraient être utiles à quelqu’un d’autre au sein de la communauté de recherche. Dans ce cas, vous pouvez utiliser Zenodo ou GitHub. Dans une optique de partage plus que d’archivage, HTR-United peut également être une option intéressante.

Une autre manière de réutiliser vos données consiste à y adosser une analyse. Les grands corpus ATR peuvent être explorés par le biais d’analyses lexicales, textométriques, statistiques, etc. Pour ce faire, il existe des outils ouverts qui peuvent être facilement téléchargés et utilisés, tels que TXM ou R. Vous pouvez également vouloir fournir un format plus riche que celui que vous avez obtenu précédemment. Il existe différents langages de balisage que vous pouvez utiliser, comme la Text Encoding Initiative (TEI) pour que votre corpus suive les normes scientifiques de représentation des textes numériques, ou une transformation HTML, pour que vos données soient directement prêtes pour la publication.

Enfin, vous voudrez peut-être publier vos données dans un format de texte brut ou dans le format que vous avez choisi pour votre transformation. Il existe plusieurs outils libres pour ce faire, comme Omeka ou TEI Publisher. Comme vous le voyez, des transcriptions de qualité offrent de nombreuses possibilités de (ré)utilisation.

Vous voyez, de grandes transcriptions impliquent de grandes (ré-)utilisations !

Êtes-vous pressé de commencer ou de continuer votre propre projet ATR ? Nous vous souhaitons bonne chance ! N’oubliez pas d’aller consulter notre glossaire si vous avez encore des questions ou de nous joindre en commentant sous l’un des posts de blog.


Citer cet article : Floriane Chiffoleau, Sarah Rebecca Ondraszek, “ATR Step 6: formats de sortie et réutilisation”. In : Anne Baillot, Mareike König (s.l.d.d.) : Automatic Text Recognition. Harmonising ATR Workflows, 06.05.2024, https://harmoniseatr.hypotheses.org/439.


OpenEdition suggests that you cite this post as follows:
Floriane Chiffoleau (May 6, 2024). ATR étape 6 : formats de sortie et réutilisation. Automatic Text Recognition. Retrieved July 13, 2024 from https://doi.org/10.58079/11npy


Floriane Chiffoleau

I am a PhD candidate in digital humanities in the ALMAnaCH team at the French Institute for Research in Computer Science and Automation (INRIA) and in the 3.LAM at Le Mans Université.

You may also like...

Leave a Reply

Your email address will not be published. Required fields are marked *

This site uses Akismet to reduce spam. Learn how your comment data is processed.

Search OpenEdition Search

You will be redirected to OpenEdition Search