Analyse historique de sources manuscrites : infrastructure

8Nos sources ont été chacune saisies en XML en utilisant le codage préconisé par TEI. Nous nous sommes restreints à la version « légère » de TEI. Nous avons adopté un codage en niveaux sémantiques, chaque niveau ajoutant des annotations plus abstraites et éventuellement moins génériques. Les niveaux que nous avons retenus sont :

1. Codage syntaxique : chaque document manuscrit est transcrit diplomatiquement (en respectant les passages à la ligne et autant que possible la topographie de la page). A ce niveau, nous avons noté les abréviations, les numéros de feuillets et de lignes, les insertions, les suppressions, les erreurs manifestes (sic), les sections illisibles ou difficiles à lire (non sûres). Tous ces éléments sont standard dans TEI ce qui permet en outre de spécifier des régularisations ou des corrections en attributs. A ce stade, les documents sont transcrits et peuvent être vus dans leur version originelle ou régularisée à l’aide de feuilles de style.
2. Codage sémantique. Un certain nombre de catégories sémantiques sont balisées : les dates, les noms, les lieux. Les dates sont régularisées (en attribut) car le calendrier du 16^e siècle est différent du nôtre. Les noms aussi sont régularisés. Comme nous le verrons plus loin, la régularisation des noms nécessite plusieurs passes sur les documents et l’utilisation d’index générés.
3. Codage analytique. TEI propose un mécanisme d’annotations appelé « interprétation » qui s’organise en deux phases : la déclaration de catégories d’interprétations et l’association de ces catégories à des éléments TEI. Par exemple, si le sexe des personnes est important, on peut déclarer les catégories interprétatives suivantes :

9L’association entre ces catégories et les éléments se fait avec l’attribut standard « ana » de TEI :

10Il est possible d’associer plusieurs catégories à un même élément. Lorsqu’une partie de document n’est pas balisée, l’élément <seg> peut être utilisé pour lui accrocher un attribut analytique.

11Les catégories d’interprétation sont placées dans un fichier unique qui est inclus dans chaque document TEI comme entité externe XML. Ce mécanisme d’interprétation est très proche de la grille d’analyse utilisée par certains historiens pour dépouiller leurs sources (Gauvard, 1991).

12Techniquement, ces trois niveaux de codage se retrouvent dans un même document XML, mais les codages sont ajoutés en plusieurs étapes. Il serait intéressant que XML permette de garder les trois niveaux dans des documents séparés.

13Nous avons évalué le temps de travail à environ 1h30 par document pour la transcription et 1h30 pour le codage. Ce temps peut paraître important mais le temps de transcription est de toute façon indispensable pour toute analyse de source manuscrite, en particulier faite dans le cadre d’une thèse en histoire. Notre méthode demande du temps pour coder la transcription, mais ce temps ne nous semble pas déraisonnable par rapport à la méthode standard d’exploitation des sources. Nous ne disposons pas de chiffres précis sur le temps requis à la mise en forme des annexes dans un travail de thèse standard ; même si le temps de saisie d’une transcription dans un logiciel de traitement de texte peut sembler inférieur à 1h30, le temps nécessaire à l’établissement d’un index – nécessitant la régularisation des noms propres par exemple – est certainement comparable à notre temps de codage. Les exploitations multiples du codage faites ultérieurement permettent d’économiser beaucoup plus de temps que celui nécessaire à l’établir. Le problème se pose différemment lorsque les sources sont imprimées car alors, elles ne nécessitent pas de transcription ni de saisie et l’évaluation du rapport coût/bénéfice change sensiblement.

14A partir du codage, plusieurs outils ont été construits pour traduire le corpus en HTML et créer des index, comme le montre la figure 1. Cette représentation permet de naviguer dans les documents suivant plusieurs axes (index). La création d’un index des noms permet aussi de retravailler les documents afin de les régulariser sur l’ensemble du corpus. Cette régularisation est une condition essentielle de l’utilisabilité du corpus car elle permet de garder à jour le réseau social de chaque personne présente dans les sources.

Figure 1

Représentation sous la forme d’un site Web du corpus XML/TEI. Les index disponibles sont listés en haut à gauche. L’index sélectionné (ici celui des noms) est représenté en dessous. La transcription traduite en HTML est disposée en haut à droite tandis que l’image du manuscrit, lorsqu’il est disponible, est en bas à droite

Représentation sous la forme d’un site Web du corpus XML/TEI. Les index disponibles sont listés en haut à gauche. L’index sélectionné (ici celui des noms) est représenté en dessous. La transcription traduite en HTML est disposée en haut à droite tandis que l’image du manuscrit, lorsqu’il est disponible, est en bas à droite

15Un avantage indéniable à l’utilisation de TEI/XML est la facilité avec laquelle les données peuvent être corrigées lorsque des erreurs apparaissent. La construction d’index est un exemple où des allers-retours continuels sont indispensables. Loin d’être pénible, le cycle création d’index/vérification se fait de manière simple et naturel car les index référencent les documents XML/TEI. Un nom isolé est facile à repérer ; il référence l’emplacement du document où il apparaît : il suffit de cliquer sur le lien pour faire apparaître le document et le corriger.

16Ce mécanisme est utilisable pour les index mais aussi pour les catégories interprétatives. Ainsi, au lieu de créer initialement une hiérarchie complexe de catégories interprétatives, l’annotation interprétative se fait par raffinements successifs : un ensemble minimal de catégories est créé et les documents sont annotés avec ces catégories. Par la suite, les index permettent de parcourir les documents par catégories : des sous-catégories émergent alors. Il suffit ensuite de cliquer sur les bons liens pour attribuer des sous-catégories aux éléments. Ce processus est raffiné autant que nécessaire, mais seulement quand la création de sous-catégories se justifie.

17Nous n’avons pas utilisé ce processus pour ajouter des balises car TEI est déjà très riche en balises et attributs et nous avons suivi les recommandations de TEI avec soin.

3.1 – Compus

20Compus (Fekete et Dufournaud, 2000) est un outil de visualisation de corpus XML qui visualise chaque document sous la forme d’un rectangle vertical. Chaque document XML est considéré comme une longue chaîne de caractères et chaque caractère a un index. Par exemple, le document suivant :

21est transformé en une suite d’intervalles A=[0,48[, B=[7,18[, C=[18,40[, D=[25,36[, chacun des éléments est alors associé à une couleur et affiché comme une longue bande dont les couleurs se superposent, la dernière couleur étant celle que l’on voit. Enfin, cette longue bande est coupée en lignes, comme le montre le tableau ci-dessous :

Index Couleur 0 A A A A A 5 A A B B B 10 B B B B B 15 B B B C C 20 C C C C C 25 D D D D D 30 D D D D D 35 D C C C C 40 A A A A A 45 A A A

22Tous les documents sont mis côte à côte et remis à l’échelle pour que le plus grand document occupe toute la hauteur de l’affichage, comme le montre la figure 2.

Figure 2

99 lettres de Rémission codées en XML/TEI visualisées dans Compus

99 lettres de Rémission codées en XML/TEI visualisées dans Compus

23Compus permet d’autres modes d’affichage où, au lieu de représenter les éléments à leur place relative dans le document, ils les regroupent et en montre la surface totale. Il est ainsi possible de comparer visuellement si un document contient plus d’abréviations qu’un autre. Il permet aussi de trier les documents selon le nombre ou la surface des éléments visibles.

24L’intérêt de Compus réside surtout dans sa capacité à visualiser le corpus transformé. Il est possible d’appliquer une feuille de style XSLT sur chaque document pour visualiser la version transformée. Nous avons développé une feuille de style qui met en évidence la transformation d’attributs analytiques TEI en éléments XML. Compus visualise alors les éléments d’interprétation et montre des catégories sémantiques plutôt que syntaxiques.

25Nous avons utilisé Compus dans une phase amont des réflexions sur le corpus pour confirmer ou infirmer des hypothèses. Par exemple, une hypothèse était que le Roi avait gracié plus de nobles autour de 1 532 dans le contexte du rattachement de la Bretagne au royaume de France. Compus a confirmé cette hypothèse en montrant que la moitié du corpus avait trait à des nobles.

3.2 – InfoZoom

29InfoZoom est un outil de visualisation d’information conçu par une équipe de recherche (Spenke, Beilken et al., 1996) et commercialisé par la société allemande HumanIT. Il est destiné à afficher de grandes tables et à naviguer rapidement dans ces tables.

30Une table pour InfoZoom est vue comme une suite d’enregistrements successifs, telle une table de base de données. InfoZoom affiche ensuite cette table de manière similaire à un tableur. En plus de ce mode de représentation, InfoZoom permet de compresser les tables. Dans cette configuration, toutes les valeurs identiques de cellules qui se suivent, sont représentées comme une seule valeur.

31L’utilisation rationnelle d’InfoZoom requiert une réflexion initiale car la flexibilité du système ne s’exprime que lorsque les données sont mises dans un format adéquat. Après discussion avec Mickael Spenke, auteur d’InfoZoom, nous avons opté pour le format suivant : chaque attribut analytique définit un événement qui est visualisé comme une colonne de la table d’InfoZoom. Cette colonne contient le nom du document, la date du document, la catégorie de l’attribut analytique, l’attribut analytique lui-même et le nombre d’occurrence de cet attribut dans le fichier. Par exemple, le document B19-0022-pinczault, rédigé le 22 mai 1510, contient les éléments suivants :