Digital resources in the Social Sciences and Humanities OpenEdition Our platforms OpenEdition Books OpenEdition Journals Hypotheses Calenda Libraries OpenEdition Freemium Follow us

ATR étape 2: où et comment obtenir des numérisations


Diesen Beitrag auf Deutsch lesen: https://harmoniseatr.hypotheses.org/2717
Read this post in English on DARIAH-Campus: https://hdl.handle.net/21.11159/019595c4-2c37-7079-8d74-3463a9b31b3b


Les images de sources textuelles photographiées dans des archives ou découvertes dans les collections numériques d’institutions patrimoniales comme les bibliothèques ou les musées constituent pour de nombreux chercheurs et chercheuses en sciences humaines le point de départ du travail de recherche. Chercher, créer et rassembler des images de documents-source représente bien souvent la première étape du processus de recherche. Nous allons vous présenter ici quelques méthodes permettant d’obtenir des images numérisées.

Les archives et autres institutions patrimoniales possèdent un grand nombre de documents qui n’ont pas encore été numérisés. Si vous avez des difficultés à obtenir la numérisation des documents qui vous intéressent, il peut être nécessaire de vous rendre dans l’institution en question et d’y demander la numérisation d’un document particulier.

Numérisation de documents d'archives
Numérisation de documents d’archives : Anna Busch en train de scanner un livre

La plupart des institutions patrimoniales entrent lentement mais sûrement dans l’ère numérique; ainsi, votre voyage dans le monde numérique commencera le plus souvent chez vous. De là, vous pouvez consulter des catalogues et préparer une liste des institutions et des documents d’archives dont vous demanderez des copies numériques.

Une fois que les archivistes vous ont apporté les documents que vous souhaitez consulter, votre travail de sélection en fonction de votre thème de recherche commence. Il est rare qu’un carton complet d’archives soit utile. À ce stade, une sélection minutieuse peut non seulement faire gagner du temps à l’archiviste responsable de la numérisation, mais aussi vous faire économiser de l’argent au moment de la numérisation.

La plupart des archives et institutions patrimoniales définissent clairement les conditions de diffusion et de réutilisation des copies numériques issues de leurs fonds. Ces règles peuvent être intégrées à un contrat plus général entre l’usager et les archives concernées. Toutefois, dans le cas d’un projet de numérisation à plus grande échelle, il peut s’avérer nécessaire de réaliser une convention stipulant les règles spécifiques à un projet donné.

La numérisation des documents d’archives peut être réalisée directement par l’usagère ou l’usager, mais elle est généralement prise en charge par un service spécialisé au sein de l’institution, ou par un prestataire extérieur. Dans ce cas, l’usagère ou l’usager peut spécifier la qualité souhaitée pour la numérisation en fonction des besoins propres au traitement automatique des images. Cette prestation est souvent payante; le prix dépend du nombre de documents numérisés.

Une fois la numérisation réalisée et les fichiers transmis, votre voyage dans le monde de l’ATR peut commencer.

Même si aller en archives est une expérience fabuleuse, il arrive de trouver en ligne des sources tombées dans le domaine public sur Internet Archive ou sur Google Books. Ces sources sont des collections de documents numérisés auxquels a été ajoutée une reconnaissance optique de caractères (OCR) qui est, la plupart du temps, de trop mauvaise qualité pour être utilisable. L’image et le texte OCRisé sont encapsulés dans un seul PDF.

Qu’en est-il du copyright et de la réutilisation?

Les conditions de réutilisation et de republications de ces documents numériques ne sont généralement pas indiquées. En revanche, la numérisation est précédée d’une page stipulant que le copyright appartient à Google. Qu’est-ce que cela signifie pour une source tombée dans le domaine public?

Le copyright concerne, ici, l’objet numérique, c’est-à-dire l’image numérisée, et non pas le document imprimé. Cela signifie que si vous envisagez d’utiliser uniquement le contenu textuel de la source, aucun droit d’auteur ne vous empêche de le faire. Passer par le texte lui-même et non par l’image peut être un bon moyen d’utiliser ou de republier le contenu de numérisations.

Différents types de copyright.
Le copyright peut etre différent pour le livre imprimé, sa numérisation et le contenu textuel

Pour accumuler les sources numériques, Google Books a établi de nombreux partenariats avec des institutions patrimoniales en contractualisant la numérisation. Certains de ces contrats, rendus publics, permettent de voir que les insitutions patrimoniales acquièrent une copie de la numérisation qu’elles peuvent distribuer aux chercheuses et chercheurs. Par conséquent, si vous trouvez sur Google Books un pdf pour lequel vous avez besoin que le copyright de la numérisation soit clarifié, vous pouvez retrouver l’institution qui a réalisé la numérisation dans les métadonnées fournies par Google Books, et demander une licence ouverte à l’institution concernée. La plupart du temps, vous recevrez une réponse sous une semaine.

Les questions à (se) poser

Dans la réserve des archives.
Dans la réserve des archives. Aneta Plzáková

En résumé, les bonnes questions à se poser avant d’utiliser Google Books ou Internet sont le suivantes :

  • De quel type de données y a-t-il besoin à partir du PDF fourni ? (texte, paratexte, objet numérique)
  • Est-il prévu de faire de la fouille de texte dans les sources ou bien de les republier? (par exemple, comme données d’entraînement pour d’autres projets de reconnaissance de texte)

En fonction de ses objectifs, on peut se satisfaire de :

  • PDF directement pris sur Google Books
  • Licence obtenue auprès de l’institution en charge de la numérisation
  • Création d’un ensemble de données qui ne contient pas à proprement parler l’objet numérique protégé par le droit d’auteur, mais qui l’enrichit d’annotations de qualité telles que des transcriptions, en ne faisant que référencer l’objet numérique protégé par le droit d’auteur.

Avec autant d’actrices et acteurs impliqués, de manières de faire, de choix différents, s’orienter dans un processus d’ATR peut sembler déroutant. C’est pourquoi la communauté de recherche et les infrastructures s’efforcent de simplifier les échanges et les procédures pour faciliter la collaboration.

La Charte de réutilisation des données patrimoniales

Si vous avez prévu de publier les résultats de votre recherche, il peut être utile de consulter la charte de réutilisation des données patrimoniales, une initiative de l’infrastructure de recherche DARIAH. Cette charte contient six points sur lesquels les institutions et les chercheuses et chercheurs ont vocation à s’accorder au préalable de toute collaboration :

réciprocité: Est-ce que les institutions patrimoniales et les chercheuses et chercheurs se sont accordés pour partager les contenus entre eux, en s’appuyant sur des centres de données et des infrastructures de recherche?

interopérabilité: Les données patrimoniales sont-elles accessibles sous une forme qui en facilite la réutilisation par la recherche? Les formats utilisés ont vocation à fonctionner et à être intéropérables pour les chercheuses et chercheurs et pour les institutions patrimoniales.

citabilité: Les données patrimoniales et la recherche qui y est adossée sont-elles citables? Il importe d’appliquer les standards de citation pour augmenter la visibilité et l’impact des données produites.

ouverture: Les données patrimoniales sont-elles partagées avec une licence la plus ouverte possible (en prenant en compte le droit d’auteur, les éventuelles restrictions propres aux législations nationales, et les questions de droit liées aux données personnelles)?

pérennisation: La préservation sur le long terme, la durabilité, l’accessibilité et la lisibilité des données patrimoniales ont-elle été priorisées?

fiabilité: La provenance des données patrimoniales et de la recherche qui y est adossée est-elle claire, actualisée, mise à disposition de maniètre ouverte et transparente, et donc fiable?

Charte de réutilisation des données patrimoniales de DARIAH, https://www.dariah.eu/activities/open-science/data-re-use/.

Pour en savoir plus sur les étapes suivantes dans le processus de reconnaissance automatique de texte, consultez l’étape 3 de cette série, consacrée à l’optimisation des images.


Images : Anna Busch et Aneta Plzáková, CC-BA 4.0.

Pour citer cet article : Anna Busch, David Lassner et Aneta Plzáková, ATR étape 2 : Où et comment obtenir des numérisations, in: Anne Baillot, Mareike König (s.l.d.d.), Automatic Text Recognition. Harmonising ATR Workflows, xx.05.2024, https://harmoniseatr.hypotheses.org/3780.

OpenEdition suggests that you cite this post as follows:
Anna Busch, David Lassner, Aneta Plzáková (May 16, 2024). ATR étape 2: où et comment obtenir des numérisations. Automatic Text Recognition. Retrieved March 12, 2026 from https://doi.org/10.58079/11ohl


You may also like...

1 Response

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.