TEI et Humanités Digitales : projet HumanitéDigitMaghreb

f
Mokhtar Ben Henda
MICA EA 4426
TEI et Humanités Digitales : retour d’expérience du
projet « HumanitéDigitMaghreb »

 Trois axes :
HD : Humanités digitales
TEI : Text Encoding Initiative
HuMiDa : Projet HumanitéDigitMaghreb
Plan de présentation

HD : points d’histoire
 Est-ce qu’il y a eu un Big Bang des HD ?
 Les Humanités digitales synthétisent plus clairement
l'esprit qui animait les anciennes fondations d'Alexandrie,
Pergame, et Memphis, les grandes bibliothèques
monastiques du Moyen Age, et même les premières
bibliothèques de recherche des Lumières.
 L’obsession par les variétés de représentation, de
l'organisation des connaissances, la technologie de
communication et de diffusion, et la production d'outils
utiles pour la recherche académique
 Au XXe Sc. l’informatique leur donne un nouvel élan
 3 périodes successives qui ont marqué le développement
des relations entre sciences humaines et informatique,
ainsi que les principes qui les ont portées

 1 - Le literacy and linguistic computing (1960-1980)
 L’Index Thomisticum : début 1950, le père Busa était le premier à avoir l’idée générer de
façon automatique un index de chaque mot (lemmatisation) du corpus de l’œuvre de
Thomas D’Aquin
 Brown Corpus for Use on Digital Computers (1964)
 Tous les mots de la langue anglaise dans toutes les variétés de discours, indexés au
moyen de machines
 Première tentative de normaliser, de standardiser la construction d’un corpus selon des
principes statistiques
 Le Thesaurus Linguae Graecae (1972)
 Base de données qui rassemblerait tous les textes de la littérature grecque (BetaCode Vs
Cartes perforées)
Considérer le texte comme un phénomène statistique
 Quantifier les signes, identifier les régularités statistiques dans les textes,
d’établir des concordances (recherche des occurrences en contexte pour
chaque mot et tri)
 Définir la paternité d’un texte en étudiant la distribution de fréquences

 2 - L’humanities computing (1980-1994)
 Années 1980 : importantes évolutions technologiques et
informatiques
 Encodage des données informatiques (OCR, appareil photo,
clavier)
 Émergence du concept de document numérique
 Besoin d’un modèle abstrait de structuration pour :
– produire une représentation numérique des ressources du monde réel
(livres, objets d’art…)
– pouvoir les traiter, les analyser automatiquement et les enrichir.
 Enjeu
 Pérenniser les bits dont est composé un texte numérisé
 Exprimer la portée (sens) de l’encodage dans le modèle
abstrait du texte
  Langage à balises

 Les HC coïncident avec l’émergence des langages de documents structurés
 1968 : GML (Generalized Markup Language)
 1985 : ODA (Open Document Architecture). Publié en 1993
 1986 : SGML (Satandard Generalized Markup Langage)
 1987 : TEI (Text Encoding Initiative)
 Enjeu : rendre possible la mutualisation des données en apportant une
solution à l’immense variété des manières d’encoder
 Tel est l’enjeu fondamental de la Text Encoding Initiative
 Marquer tous les éléments devant être distingués dans un texte
 Un modèle unique, encyclopédique, de représentation des éléments
signifiants d’un texte
Morale des humanities computing : « I used to read texts, but now I’m learning the
tools to play with them » (Lou Burnard)

 Institutionnalisation
 Création de formations universitaires
 Services de données : Arts and Humanities Data Service (http://www.ahds.ac.uk/)
 Archivage longue durée : Oxford Text Archive (1976 : http://ota.ahds.ac.uk/)
 Le partage et la collaboration
 En 1987 est fondée la liste Humanist : notion de communauté de pratiques reprise
du principe de la correspondance des savants du XVIIe
 Interdisciplinarité & classification des sciences
 Alliance entre sciences sociales, sciences informatiques et sciences humaines
(Pierre Bourdieu, Régis Debray, Umberto Eco, Jack Goody, Eric Havelock, Harold
Innis, André Leroi-Gourhan, Bruno Latour, Marshall McLuhan, Edgar Morin, Walter
Ong…)
 Industrialisation des savoirs
 L’imprimerie (SGML) : rupture avec l’imprimerie conventionnelle

 3 - Les digital humanities (1994-…)
 Développement exponentiel des capacités informatiques :
 Pleine période de discussions théoriques sur l’encodage
 Explosion du nombre de bibliothèques numériques et de projets de
numérisation en masse
 Émergence du grid computing : partage et mise à disposition des
informations
 Émergence du cloud computing
 Émergence de la folksonomie : contribution par l’utilisateur final sans
médiation scientifique ou technique
03 âges numériques (Jean-Alain Pigearias)
1. Numérisation (machine) : [encodage binaire]
2. Médiatisation : [Documents numériques structurés]
3. Relation numérique (Scénographie) : [Réseaux virtuels,
Hypertexte, cloud…]

 « La spécificité des sciences humaines et sociales consiste en
l’étude du texte, de l’objet textuel. Nous travaillons sur le
texte, qui représente un discours, raconte une histoire, et
tâchons d’expliquer ces histoires, ces contes, ces
représentations. »
 « Nous sommes des experts de la maïeutique du texte, et
c’est précisément ce qui définit la contribution des sciences
humaines et sociales à l’élaboration du Web sémantique ».
Lou Burnard, « Du literary and linguistic computing aux digital
humanities : retour sur 40 ans de relations entre sciences humaines et
informatique », in Pierre Mounier (dir.), Read/Write Book 2, Marseille,
OpenEdition Press (« Collection « Read/Write Book » »), 2012, p. 45-58
 Or …

HD : au-delà de la textualité
 La prédominance du texte est désormais remise en cause
 Réfléchir à la déconstruction de la catégorie « texte » et prendre en compte
les catégories parlées ou visuelles « Les Humanités délivrées » (*):
(*) Les « humanités délivrées » Cultures parlées, visuelles et écrites, réinventées
hors du livre 1-2 octobre 2013, Amphimax 414, Université de Lausanne
 Développement d’une attention aux « littératies plurielles » (imprimée,
informatique, audiovisuelle)
 La codification digitale d’un document, de quelque nature qu’il soit (écrit,
oral, filmé, etc.), est aujourd’hui un des terrains les plus importants de
redéfinition de la connaissance
 La TEI s’y adapte progressivement d’une version à une autre

TEI : logique structurelle
 Un format XML (un langage à balises
: jeux de recommandations de
‘‘Tags’’ pour représenter des formes
de texte complexes
 Les TEI Guidelines sont publiées en
1990 (P1) en pleine période de
conception de langages structurés
(fondés sur SGML)
 Mode opératoire : définir la nature
des faits à représenter, puis chercher
un moyen de l’exprimer (définir des
schémas de structure) [bottom-up]
1987: Vassar College, Poughkeepsie
1990: P1 : SGML
1992: P2 : SGML
1994: P3 : SGML : 600 + elements
1995: TeiLite : SGML : 131 elements
1999: P3rev : SGML
2000: TEI Consortium
2001: P4 : XML comp
2001: TeixLite : XML
2005: P5 : XML
2007: P5 version 1

Using TEI XML
 A semantic markup language for recording and publishing texts
 It describes what something IS or what something MEANS
(rather than how it will look)
 We decide to what extent we want to identify and record
information about our texts
 -> the XML works for us, notthe other way round
 We choose the “tags” we want to use to mark up our texts, and
we list these in a schema that can be shared with others ->
development of shared markup

Why use an ontology?
 To model our common understandings and expert knowledge.
This allows us to:
 Share our knowledge with other people - also across computers and
software
 Standardize our terms – shared vocabulary
 Explicitly state our knowledge (and discover any implicit assumptions)
 Reuse our models in similar scenarios
 Computer-assisted analysis to help us work

TEI Specific achievments
 a determination that the Standard Generalized Markup Language (SC") is the
framework for development of the Guidelines;
 the specification of restrictions on and recommendations for SGML use that best serves
the needs of interchange, as well as enables maximal generality and flexibility in order
to serve the widest possible range of research, development, and application needs;
 analysis and identification of categories and features for encoding textual data, at many
levels of detail;
 specification of a set of general text structure definitions that is effective, flexible, and
 extensible;
 specification of a method for in-file documentation of electronic texts compatible with
library cataloging conventions, which can be used to trace the history of the texts and
thus assist in authenticating their provenance and the modifications they have
undergone;
 specification of encoding conventions for special kinds of texts or text features,
including: character sets, language corpora, general linguistics, dictionaries,
terminoiogicd data, spoken
 texts, hypermedia, literary prose, verse, drama, histokcal souece materials, text critical
apparatus

 La TEI est une architecture plastique, qui peut s’adapter aux nouveaux
besoins et enjeux de la recherche en SHS
 Les réadaptations de la TEI :
 TEI Lite : schéma pour la description de documents simples
 Bare TEI : schéma basique avec un minimum d’éléments
 All : schéma avec tous les modules inclus
 Corpus : schéma pour encoder les corpus linguistiques
 MS : schéma pour la description des manuscrits et les formes complexes
 Performance : schéma pour la description d’oeuvres théâtrales et autres (audio, vidéo)
 Speech : schéma pour la représentation du discours oral
 Verse : schéma pour la description de poèmes
 Dictionaries : schéma pour la description des dictionnaires
 MEI : Music Encoding Initiative (2010)

 3 niveaux de représentation
 Niveau 1 : Toutes les ressources
numériques en SHS disposent
d’un minimum de structure
commune (Core TAG SET)
 Niveau 2 : Les ressources en
SHS peuvent être classées en
sous catégories par genres ou
types disposant à leurs tours
d’un minimum de points
communs (Base TAG SET)
 Niveau 3 : Chaque ressource
dans une sous catégorie peut
avoir ses propres spécificités
Champs des SHS
Discipline Discipline Discipline
Document Document Document

 Because the TE1 is an SGML application, a TE1 conformant
document must be described by a document type definition
(DTD), which defines tags and provides a BNF grammar
description of the allowed structural relationships among them.
A TEI DTD is composed of the core tagsets, a single base tagset,
and any number of user selected additional tagsets, built up
according to a set of rules documented in the TE1 Guidelines. In
general, the full tagset for a given document is put together in
such a way that sets of tags can be included or excluded from it,
and thus the tags are allowed in a document or prohibited,
respectively.

Addidiormal tagsets (optional)
 special application areas such as alignment and linkage of text
segments to fom hypertexts;
 feature structure notation proposed for the encoding of entirely
abstract in
 A user of the TE9 scheme may combine as rnany or as few
additional tagsets as suit his or her needs. The existence of
tagsets for particulae application areas in the Guidelines reflects,
to some extent, accidents of history: no claim to systematic or
encyclopedic coverage is implied. It is expected that new tagsets
will be defined as a part of the continued work of the TE1 and in
related projectsterpretations of a text

Niveau collection
Niveau entité
Niveau unité
Niveau paragraphe
Niveau chapitre
Liminaires : page de titre,
table des matières,
préface, dédicace etc
Annexes : Index, …
En-tête
(métadonnées) :
Données
bibliographqiues,
Techniques,
administratives, etc.

 At the highest level, al1 TE1 documents conform to a common
model. The basic unit is a text, that is, any single document or
stretch of natural language regarded as a self-contained unit for
processing purposes. The association of such a unit with a header
describing it as a bibliographic entity is regarded as a single TE1
element. Two variations on this basic structure are defined: a
collection of TE1 elements, or a variety of composite texts. The
first is appropriate for large disparate collections of independent
texts, for example in language corpora, or collections of unrelated
papers in an archive; the second applies to cases such as the
complete works of a given author, which might be regarded
simultaneously as a single text in its own right and as a series of
independent texts.

 Structure minimale
<TEI>
<teiHeader>
[en-tête TEI]
</teiHeader>
<text>
<front>
[liminaires...]
</front>
<body>
[contenu]
</body>
<back>
[annexes]
</back>
</text>
</TEI>

Identifier dans un poème :
 La mesure des vers
 Les différents types de vers
 Les groupes de verts (couplets,
tercets, quatrains)
 La strophe
 La forme de la strophe
 La rime
 L’enjambement
 Le rejet et le contre-rejet
 ...
Le choix de granularité peut varier entre grands
segments et éléments plus petits
Stucturation d’un poème (TEIVerse)
Un sonnet : 2 quatrains, 2 tercet

Stucturation d’un poème (TEIVerse)
<text>
<body>
<head>Heureux qui, comme Ulysse, a fait un beau voyage </head>
<lg>
<l>Heureux qui, comme Ulysse, a fait un beau voyage </l>
<l> Ou comme cestuy-là qui conquit la toison </l>
<l> Et puis est retourné, plein d'usage et raison </l>
<l> Vivre entre ses parents le reste de son âge ! </l>
</lg>
<lg>
<l> Quand reverrai-je, hélas, de mon petit village </l>
<l> Fumer la cheminée, et en quelle saison </l>
<l> Reverrai-je le clos de ma pauvre maison </l>
<l> Qui m'est une province, et beaucoup davantage ?
</lg>
<lg>
<l> Plus me plaît le séjour qu'ont bâti mes aïeux </l>
<l> Que des palais Romains le front audacieux </l>
<l> Plus que le marbre dur me plaît l'ardoise fine : </l>
</lg>
<lg>
<l> Plus mon Loir gaulois, que le Tibre latin </l>
<l> Plus mon petit Liré, que le mont Palatin </l>
<l> Et plus que l'air marin la douceur angevine </l>
</lg>
</body>
</text>
<teiHeader>
<fileDesc>
<titleStmt>
<Title>Heureux qui comme
Ulysse</title>
<respStmt>
<resp>Auteur</resp>
<Name>Joacquim Du
Belay</name>
</respStmt>
</titleStmt>
<sourceDesc>
<Bibl>Recueil Les regrets
</bibl>
</sourceDesc>
</fileDesc>
</teiHeader>
<text>…

Identifier dans une pièce de théâtre :
 L’interprétation et la mise en scène
 La parole sur scène
 Les didascalies
 Les types d’exposition
 Le dénouement
 Le prologue
 …
Structuration d’une pièce de théâtre (TEIDrama)

Structuration d’un manuscrit (TEIManuscript)
<surface> : une page, une stèle, tout
objet avec une inscription
 La surface contient des zones et des
lignes
 Elle a des coordonnées
<zone>: Une aire de la superficie définie
de façon arbitraire à des fins éditoriaux.
Les zones peuvent se superposer : la
superposition est définie selon des
coordonnées spatiaux
 Peut contenir des <line>
 Dispose de coordonnées
<line> : une suite de texte identifiée de
façon claire par l’éditeur
 Peu contenir du texte et des <zone>
 Ne dispose pas de coordonnées

<sourceDoc>
<surface ulx="0" uly="0" lrx="200" lry="300">
<zone ulx="10" uly="43" lrx="185" lry="84"
rotate="0”>
<zone>
<line rend="right"> 1 April 2009</line>
</zone>
<line>Fed Birds in the park today.</line>
<line>Might write an articleabout</line>
<line>the Thick-billed Warbler.</line>
</zone>
<zone ulx="9" uly="20" lrx="70" lry="60" rotate="90”>
<line>Samaria is a Greek</line>
<line>brand of water that</line>
<line>comes from the natural</line>
<line>springs of Stilos, in</line>
<line>Crete</line>
</zone>
</surface>
</sourceDoc>
<surface
ulx="0"
uly="0"
lrx="700"
lry="1000">

</surface>
<zone
ulx="93"
uly="681"
lrx="967"
lry="1568">
<graphic url=« gb.jpg"/>
</zone>

<surface xml:id=“s1” ulx="0" uly="0" lrx="50"
lry="50">
<zone xml:id=“s1-z1” ulx="1" uly="1"
lrx="10" lry="10">
<line>Poem</line>

<line>the head</line>
</zone>
lrx="20" lry="20">
<surface xml:id=“s2” ulx="0" uly="0"
lrx="100" lry="100">
lrx="90" lry="95"> Spring has just set in here,
and the weather […] a steamer </zone>
</surface>
</zone>
</surface>
s1
s1-z1
s1-z2
s2
s2-z1

Structuration d’un graphique (Graph)
 Image Markup Tool

Structuration d’un graphique (Graph)
<teiHeader>
<fileDesc>
<titleStmt>
<title>The Image Markup Logo</title>
</titleStmt>
<publicationStmt>

</publicationStmt>
<sourceDesc>
377 x 259
</sourceDesc>
</fileDesc>
<encodingDesc>
</encodingDesc>
</teiHeader>

Structuration d’une partition musicale (MEI)
© The Music Encoding Initiative. http://music-encoding.org/

Structuration d’un partition musicale (MEI)

Métadonnées(TEIHeader)Espacedenom

‫الليل‬ ‫في‬ ‫الياسمينة‬ ‫تحت‬
‫نسمة‬‫والورد‬‫محاذيني‬
‫األغصان‬‫تــــميل‬ ‫عليا‬
‫تمسحلي‬‫دمعة‬ ‫في‬‫عيني‬
‫تحت‬‫الياسمينة‬‫اتكيت‬
‫عدلت‬‫وغنيت‬ ‫الـــعود‬
‫وتناطر‬‫وبكيت‬ ‫دمعي‬
‫تفكرتك‬‫كنت‬ ‫كيف‬‫تجيني‬
‫جنينة‬‫النوار‬ ‫مزينها‬
‫فاحت‬‫األزهار‬ ‫ريحت‬ ‫من‬
‫تفكرتك‬‫النار‬ ‫شعــــلت‬
‫عملت‬‫لهليبة‬‫في‬‫قليبي‬
‫متوحش‬‫محتار‬ ‫وحدي‬
‫ال‬‫أطيار‬ ‫حس‬ ‫ال‬ ‫و‬ ‫قمرة‬
‫كان‬‫األشجار‬ ‫ع‬ ‫النسمة‬
‫توانس‬‫فيا‬‫وتواسيني‬
Stanza(Quatrin)

Structuration d’un fichier son (TEISpeech)
 Un énoncé se définit comme une « séquence
attribuée à un locuteur à un instant » : flux
temporel « Timeline »
 Les énoncés sont regroupés dans des balises
<div> (division)
 Les segments de discours composant l’énoncé
sont balisés par <s> ou <seg>
 Opérer, au moyen de balises et d’attributs,
une description très fine des différents
phénomènes de communication oraux et
non-oraux qui font partie du discours :
 pauses, chevauchements de paroles, changements
d’intonation, de voix ou de langue, expressions
vocalisées (tousser, rire, se moucher, grogner…),
gestes, etc.

Le projet HumanitéDigitMaghreb
 Le projet est une recherche-action qui s’inscrit dans les orientations de
recherche des Humanités Digitales
 C'est un projet ISCC/CNRS mis en place en 2012 par une équipe de
chercheurs de différentes institutions universitaires en France et au
Maghreb et du Canada [des linguistes, chercheurs en littérature, culture,
histoire, musique, arts,… tant en français qu’en arabe ou berbère]

Objectifs du projet
 Mettre l’accent sur les opportunités, les difficultés et les limites de l'usage de la technologie
numérique dans les pratiques des recherches scientifiques notamment dans les sciences
humaines et la création artistique (Instrumentalisation de la recherche)
 Quelles méthodes doit-on adopter aujourd’hui pour évaluer le rôle et l’importance des
technologies numériques et de la communication dans la recherche scientifique ?
(Organisation de dispositif)
 Existe-t-il des procédures spécifiques pour diagnostiquer et juger les pratiques numériques
en arts et en sciences humaines ? (évaluation/qualité de pratiques)
 Trouver des orientations pour un meilleur usage des données du monde numérique, et une
bonne pratique scientifique, surtout chez les jeunes chercheurs en art et sciences humaines
(perspectives, stratégies)

Plus concrètement :
 S’approprier des nouveaux habitus de recherche sur des ressources numériques
en SHS
 Maîtriser leur mise en corpus interopérables pour favoriser la synergie de
coopération d’étude mondialisée sur ces patrimoines
 Étudier les processus d’appropriations, les déplacements d’approches et donc les
redéfinitions épistémologiques induites
Objectifs du projet

Plus concrètement encore …
 Définir des modèles de structure de corpus numérique en SHS fondés
sur des typologies de documents (genres littéraires) proposés par les
partenaires du projet dans des disciplines des sciences humaines, des
Arts et des techniques
 Produire un environnement applicatif de production de corpus SHS
normalisé par la TEI
 Mettre en ligne un corpus de démonstration de ressources
numériques en SHS mutualisées
Objectifs du projet

1. Les spécialistes en Arts et SHS
identifient la structure logique d’un
type de document dans leurs
spécialités respectives (roman, poésie,
théâtre, conte, manuscrit, peinture,
musique, …)
Une distribution des rôles:

2. Les techniciens convertissent le modèle
défini par les spécialistes SHS en schéma
informatique (TEI/XML) avec un logiciel
approprié

3. Les spécialiste de l’information font le référencement
des corpus par métadonnées

Spécialiste Arts & SHS
Technicien XML/TEI
Spécialiste de l’Info-Com.
Corpus Arts & SHS
Articulation des activités

Schéma général du projet
Corpus SHS :
échantillon de structures
de documents
Poésie
Théâtre Conte
Musique Manuscrit Discours
Fable
Autres
Vidéo
Peinture

Oxygen : logiciel de production
de corpus numérique en TEI
Les outils du projet

ROMA : pour créer des schémas TEI spécifiques et
valides

OxGarage : pour convertir des formats de documents
numériques de et vers la TEI ;

 OMEKA : agrégateur de corpus/collection/document

 OMEKA : référencement par métadonnées (Dublin Core)

 OMEKA : Moissonnage par OAI-PMH

 OMEKA : environnement d’archivage et de recherche

Le Quo vadis du projet !
 Journées d’évaluation du projet à l’ISCC (25-26 avril 2013)
 Pistes prévues
 Inscrire le projet auprès du consortium TEI (participation de Lou Burnard aux
journées)
 Internationalisation des référentiels : traduction des (bouts des) Guidelines en
 Arabe
 Berbère
 Monter des partenariats de bibliothèques numériques et préservation du
patrimoine au Maghreb et en Afrique
 Dynamique de recherche chez les partenaires Sud

<TEI>
<Teiheader>
Remercier la salle
</Teiheader>
<Text>
<Body>
Merci de votre attention
</body>
</Text>
</TEI>

TEI et Humanités Digitales : projet HumanitéDigitMaghreb

Recomendados

Recomendados

Más contenido relacionado

Destacado

Destacado (20)

Similar a TEI et Humanités Digitales : projet HumanitéDigitMaghreb

Similar a TEI et Humanités Digitales : projet HumanitéDigitMaghreb (20)

Más de Mokhtar Ben Henda

Más de Mokhtar Ben Henda (20)

TEI et Humanités Digitales : projet HumanitéDigitMaghreb