Forme extraite (exemples)	Nb d’occ.	docs concernés	Thématique
Bronzes de vanadium	26	5	Chimie
Chimie de coordination	22	8	Chimie
Thèse de troisième cycle	16	7	France, Éducation
Microscopie électronique	63	20	Physique
Microscopie électronique à transmission à haute résolution	3	2	Physique
Four solaire d’Odeillo	3	4	Industrie, Sciences

Mot-clé	Poids	tot	A	B
alumine	0.414	30	4	4
mat. réfractaires	0.197	23	3	3
Daniel Vivien	0.093	28	2	2
Vitry-sur-Seine	0.062	50	3	6
Perez	0.052	11	1	1
ferrites	0.052	10	1	1

Mot-clé	Poids	tot	A	B
vanadium	0.606	23	6	8
bronzes de tungstène	0.511	9	5	4
John Goodenough	0.509	19	4	5
verres fluorés	0.421	55	2	19
bronzes de vanadium	0.395	22	2	12
octaèdres	0.375	19	2	12

{RE}gistres de la {C}omédie-{ITAL}ienne

Histoire des spectacles (XVIIIe)
Économie du spectacle

La Comédie-Italienne : [dessin] / [Jean Baptiste Lallemand]. src: gallica.bnf.fr

Dans une étude longitudinale, que nous enseigne la comptabilité du théâtre sur :

la structure sociale du public ?
la popularité du répertoire et des auteurs ?
la circulation des acteurs, ouvriers, danseurs,etc.?
les décors et la mise en scène (accessoires) ?

Le fonds documentaire

conservé sous les toits de la Bibliothèque-Musée de l’Opéra

numérisé dans le cadre d’un précédent projet du CETHEFI convention avec la BnF pour un droit d’exploitation

fac-similés disponibles sur gallica.bnf.fr

69 registres, 27544 pages

Extraction des données

Que faire avec les 25.250 pages d’archives numérisées ?

Du fac-similé à la donnée :

numérique, par ex. un montant de recette
et symbolique, par ex. une catégorie de dépense, ou un titre de pièce

Deux sous-projets en informatique, menés conjointement :

Reconnaissance automatique d’écriture manuscrite
Transcription participative avec RECITAL

Crowdsourcing

"Science participative"

Le problème :

Une tâche colossale et complexe d’annotation et de transcription des registres

La (notre) solution :

Scinder cette tâche en une myriade de micro-tâches indépendantes,
exposées instantanément et disponibles 24/7 via le Web,
exploitant une ressource inépuisable : le citoyen-bénévole !

Estimation temps expert : 7400 heures (pour les comptes quotidiens = 70% du corpus)

« labeling and transcription are well-suited HITs (Human IntelligenceTasks) for crowdsourcing »

Crowdsourcing

"Science participative"

Pourquoi ne peut-on pas automatiser l’extraction de données ?...

autrement dit

Pourquoi la reconnaissance de formes est-elle peu performante ?

écriture manuscrite irrégulière
2 langues : Italien et Français
monnaie duodécimale de l’Ancien Régime : Livre-Sou-Denier
7+ « caissiers » : de Alborghetti à Linguet (à partir de 1741)
au cours du siècle :
- évolution formelle des bilans comptables
- évolution des règles comptables

Crowdsourcing

"Science participative"

http://recital.univ-nantes.fr

Sciences participatives

Co-production de connaissance par l’expert et le citoyen
Le crowdsourcing (ou production participative) comme accélérateur de projets et vecteur du passage à l’échelle
Une communauté très active autour des projets pour la santé,l’environnement et la biodiversité, l’astronomie

Sciences participatives

Fold It

Sciences participatives

Pour aller plus loin :Les sciences participatives en France : État des lieux, bonnes pratiques et recommandations par François Houllier, PDG de l’Inra, Fév. 2016.

Galaxy Zoo

Sciences participatives

Pour la transcription d’archives principalement

Popularité grandissante des plate-formes participatives

Quelques projets emblématiques :

Testaments de Poilus: 354 documents en TEI pour l’édition électronique.
Transcribe Bentham: 21 609 pages (partiellement) transcrites dont 20 779 (96%) ont été approuvées.
Transcribathon : 51 652 documents dont 15 187 en cours de transcription et 14 132 achevés

Et les humanités ?

Sciences participatives

Global Impact Award de Google ($1,8M)
Vaste communauté de volontaires (essentiellement anglophones)

Zooniverse

Sciences participatives

projet démarré en 2016

CS pour la transcription participative de 25 000 pages de registres
comportant 8 types de documents et 133 catégories d’information
3+1 familles de tâches et un workflow complexe incluant :
- indexation des pages
- annotation graphique des pages
- indexation des marques
- transcription des marques
- évaluation collaborative des transcriptions

Et RECITAL ?

Sciences participatives

Avancement : >1M tâches réalisées par +1800 bénévoles

Et RECITAL ?

Crowdsourcing

"Science participative"

http://recital.univ-nantes.fr

À vous de jouer !

Données fiables ?

(1) Recherche de consensus

Propositions	Votes
Le mercredy 15e novembre 1758	2
mercredi 15 novembre 1759	1
Mercredi 15 novembre 1758	3

(2) Élimination des doublons

Données fiables ?

Le CS génère de l’incertitude (et donc du stress !)

1. Les facteurs endogènes :

Compétence et intention des bénévoles a priori inconnues

2. Les choix de conception de RECITAL :

Découpage, enchaînement et difficulté des tâches
Stratégie d’affectation aléatoire des tâches
Mode de transcription libre (diplomatique vs. modernisée)
Règle du consensus à la majorité

Nettoyage des données

Propositions	Votes
Arlecchino Mutto	2
Arlicn. Mutto	1
Arlequin Mutto	1

La recette

Simplification (Maj, ponctuation, ...)
Racinisation, lemmatisation
Segmentation, alignement
Calcul de similarité

Résolution d'entités

Soit un ensemble de titres de pièces tiré de sources fiables et variées (Gueulette, Repertorio, etc.)

Comment aligner des fragments de titres de soirée sur les titres de pièces ?

distance 3-Grams et taux de couverture
perspectives : clustering

"Le père de famille"
"Paysans de qualité"

Et maintenant ?

Une base de données « intermédiaire » de 64 979 fragments de transcription :

indexés :task_key et field
tracés et validés :status et confidence
repérés :mark_id

Et maintenant ?

Consensus sur un titre : 13 opinions !

A noter !

Comment est caractérisée la donnée ? status, confidence, mark_id
Quelle signification des indicateurs pour l’expert ?

Pour quelles finalités ?

Créer des productions numériques « fiables »complémentaires car nécessairement limitées : c’est l’historien qui connaît le contexte !
Représentation des données : multiplier les échelles d’observation !
Mise en évidence d’"éléments de surprise" amenant de nouvelles connaissances (dépense du « Lion »)

Recital

Quelles productions numériques?

https://recital.univ-nantes.fr/dashboard/#/

Conclusion

Objectif : disposer d’une BdD fiable, documentée et fidèle au corpus original augmentée de mécanismes d’exploration et d’analyse
Moyen :pallier les limites des techniques de reconnaissance automatique d’écriture par le crowdsourcing
Difficultés :la nature du corpus et les choix de conception de la plateforme induisent des problématiques de qualité des données
Solution partielle n°1 : les techniques de correction des données permettent de résoudre la très grande majorité des dissensus
Solution partielle n°2 : les techniques pour la résolution d’entités permettent d’opérer des rapprochements et donc, de consolider les données

Quelques questionnements

Pour le crowdsourcing, réduction du bruit et de l'incertitude par :

Évaluation des bénévoles
Évaluation de la difficulté des tâches
Recherche de consensus : appariement et réconciliation
Stratégie d'affectation des tâches aux bénévoles
Détection/prévention des contributions indésirables

Pour la valorisation du fonds documentaire :

Intégration de données avec des sources externes
Statistiques et visualisation
Recherche d'information
Analyse de données

Peut-on automatiser cette tâche ???

oui ! mais ... les algorithmes ont besoin de beaucoup de données pour apprendre !

Pour délimiter les zones, on peut :

Utiliser les données des annotations
Utiliser des données artificielles

Réseau de neurones

Apprentissage

Reconnaissance

Peut-on automatiser cette tâche ???

Réseau de neurones

Apprentissage

Reconnaissance

Arlicchino Mutto

Le 22 septembre 1717 Mercredi

je suis sans nouvelles

oui ! mais ... les algorithmes ont besoin de beaucoup de données pour apprendre !

Pour reconnaitre le texte, on peut :

Utiliser les données des annotations
Utiliser d'autres textes déjà annotés (fr, en, es, ...)

take care of you

de l'amour, et les villageois

Et en 2025 ?!

Les grands modèles de langage (LLM) ont-ils révolutionné le problème ?

https://recital.univ-nantes.fr/dashboard/#/pages/thoc42-012

Top Left:
Le Study 15 awit 1760:

Center:
fois, La rentrée des Théatres &c. Suivie du Ballet du Sultan Généreux, Précedé dela fausse Suivante,
Alecover- feux Damestiquco
ss premiereo- to manies

Right Side (Columns):
Payé alagude acteurs quu ont joués. -
3310
Dollas berare favart camille Calinon
73 secondes.
219
carlin
21 Croissemen
42
Balletti Champville Lejeune
40 parterre.
343
954

Gemini, peux-tu me transcrire l'image ci-contre provenant d'un document manuscrit du 18e ?

Recital

Titres :

carnaval d'été
amours champestres
(divertissement)

Liste de "référence" :

Repertorio

Clarence D. Brenner

(fautes/doublons)

4e Du Carnaval d'Été et Le Divertissement Precedé dés amours champestres

Nettoyage

Résolution d'entités (N-grams + position)

Recital

Résultats (sur un échantillon vérifié) :

70% de précision

Les deux jumeaux de Bergame Werther et Charlotte Le Comte d'albert

'Le Comte d'Albert', 0.56
'Deux Jumeaux de Bergame', 0.55
'Werther et Charlotte', 0.52

Couverture : 90%, Sim. moy. : 0.54

[('les', 0.13), ('esd', 0.13), ('sde', 0.13), ('deu', 0.13) [...] ('alb', 0.13), ('lbe', 0.13), ('rt', 0.13), ('t', 0.13)]

Calcul de similarité (cos) avec chaque titre de référence
Position approximative dans la chaîne originale
Vérification de la couverture totale

w_k = \frac{nb\_occ_k}{\sqrt{\sum_{i=0}^{n} nb\_occ_i^2 }}

w_k = \frac{nb\_occ_k}{\sqrt{\sum_{i=0}^{n} nb\_occ_i^2 }}

[Kondrak, 2005]

format de fichier	odt
structure interne (titre, sous-titre, etc.)	non
nombre de documents	41
nombre de mots	339k
nombre de mots après filtre	87 316
nombre de lemmes différents	9 884
moyenne du nb de mots par document	8 268
écart-type du nb de mots par document	4 837

Humanités numériques

Données et traitement(s)