Archives par mot-clé : lemmatisation

Le corpus épigraphique bourguignon (VIIIe-XVe s.): Des catalogues aux applications numériques

Journée d’études : 23 octobre 2018, 10h-17h

Galerie Colbert – Salle AVD (Architecture, Ville, Design), 1er étage – porte 133, 6, rue des Petits-Champs – Paris 2e

Palais-Royal – Musée du Louvre (Métro 1 et 7) et Bourse (Métro 3)

Dans le cadre de la collaboration établie par les programmes consolidés des CIFM (Corpus des Inscriptions de la France Médiévale  – CESCM-Poitiers) et CBMA (Corpus Burgundiae Medii Aevi  – LaMOP – Paris), leurs équipes ont constitué un corpus de plus de 1400 inscriptions bourguignonnes du VIIIe au XVe siècle, publiées ou inédites, écrites en différentes langues, latin et ancien français en particulier.

Le propos de cette journée d’études est de revenir sur le processus d’acquisition et de structuration des données du corpus et d’évaluer son potentiel d’exploitation pour la recherche historique au regard des différents traitements informatiques possibles, linguistiques et spatiaux. Il s’agit de discuter, sur la base des différentes expériences réalisées, aussi bien des caractéristiques propres du matériel linguistique des inscriptions que de leurs usages dans l’espace et dans le temps.

Cette journée d’études est ouverte à tous les intéressés. En vue de l’organisation matérielle, les collègues souhaitant assister à cette rencontre sont priés de nous informer de leur présence avant le 08 octobre 2018 : cbma.project@gmail.com

Porté par le LaMOP (Laboratoire de Médiévistique Occidentale de Paris – UMR 8589) et le CESCM (Centre d’études supérieures de civilisation médiévale – UMR 7302), ce projet bénéficie du soutien du LabEx haStec (en partenariat avec l’IRHT – Institut de recherche et d’histoire des textes – CNRS UPR 841, le Centre Jean Mabillon -EnC – EA 3624 et le LEM/CERCOR (Laboratoire d’Études sur les Monothéismes – UMR 8584 / Centre européen de recherche sur les congrégations et les ordres religieux) et du Consortium COSME2 (CNRS – TGIR Huma-Num).

Organisation et coordination scientifique :
Eliana Magnani, CNRS – LAMOP UMR 8589 eliana.magnani@univ-paris1.fr
Estelle Ingrand-Varenne, CNRS – CESCM UMR 7302
estelle.ingrand.varenne@univ-poitiers.fr

PROGRAMME

Acquisition et traitements

 10h – Introduction. Autour du corpus épigraphique bourguignon : chiffres, chronologie, langues – Eliana Magnani (CNRS, Lamop) et Estelle Ingrand-Varenne (CNRS, CESCM)

10h40 – De l’OCR à Philologic. Un parcours informatique – Pierre Brochard (CNRS, Lamop)

11h20 – Le matériel épigraphique révisé et complété. Le traitement des inscriptions de la fin des années 1990 à aujourd’hui – Aurore Menudier (CESCM) 12h-12h30 – Discussions

 Exploitations 

14h – La lemmatisation des inscriptions est-elle possible ? – Nicolas Perreaux (Université de Francfort)

14h40 – Les inscriptions d’après des expériences en SIG – Davide Gherdevich (Univ. Versailles-Saint-Quentin, DYPAC), Thomas Lienhard (Univ. Paris 1 Panthéon-Sorbonne, Lamop)

15h30 – Pause

16h – Discussions et tour de table conclusif

Les ateliers du groupe « Lemmes »

Groupe de travail « Lemmes » – responsable Eliana Magnani (CNRS -LaMOP)

Le groupe de travail « Lemmes » s’est donné pour objectif initial l’aide au développement des outils de lemmatisation des langues médiévales (latin, français, anglais…) et l’incitation à la diffusion des corpus textuels lemmatisés. En effet, encore très peu connue et pratiquée par la communauté des historiens médiévistes, cette opération fondamentale à toute approche des grands corpus est pourtant indispensable dans le cas des langues médiévales très flexionnées et à très grande variation orthographique.

Quatre équipes françaises partenaires de COSME2 (Biblissima, EnC, IRHT, LaMOP) ainsi qu’une équipe allemande (Univ. de Francfort) qui s’est également associée aux travaux du groupe, développent actuellement des « tagueurs » et/ou des paramètres pour des tagueurs préexistants. Avec d’autres partenaires (comme le CESCM), ces équipes diffusent aussi des corpus textuels lemmatisés ou en projet de lemmatisation.

Le groupe de travail compte réunir un à deux ateliers par an pour décider en commun et mettre en œuvre son activité.

Dans ce cadre, le premier atelier (novembre 2017[1]) visait à faire le bilan des outils existants, des points d’achoppement des applications et des orientations et actions à développer. Différents « lemmatiseurs » ont été présentés : Collatinus (Y. Ouvrard, Ph. Verkerk), Pandora (J.-B. Camps), CompHistSem (T. Geelhaar), OMNIA (R. Alexandre), PALM (M. Aouini, C. Fletcher, A. Mairey), avec le constat que, quels que soient leurs objectifs (pédagogiques, lexicographiques, textométriques) ou leurs structures (lexique plus entrainement ; réseau de neurones), tous les outils (tagueurs et/ou paramètres) présentés sont estimés performants à environ 90% (±5%). Ce sont donc les 5-15% d’erreurs qui demandent réflexion, comme la reconnaissance des noms propres (personnes et lieux) qui figurent parmi les erreurs récurrentes d’étiquetage. Par ailleurs, il est apparu nécessaire de réaliser l’évaluation systématique et comparative des outils de lemmatisation.

Le deuxième atelier  (juin 2018[2]) s’est articulé autour de ces points : la présentation de deux recherches doctorales sur les entités nommées (M. Auoini, S. Torres), du projet « Opera latina » du LASLA (Univ. de Liège) (D. Longrée, M. Fantoli) et la discussion sur les modalités à adopter pour l’évaluation des outils de lemmatisation. Les débuts des tests donneront l’occasion à la tenue d’un troisième atelier (décembre 2018).

Le groupe s’est engagé également à développer des activités de diffusion (tableau comparatif de la structure des outils et paramètres de lemmatisation) et de formation, à mettre en place à partir de 2019.

[1] Voir le programme : Étaient présents à cet atelier : Renaud Alexandre, Mourad Aouini, Pierre Brochard, Jean-Baptiste Camps, Chris Fletcher, Simon Gabay, Łukasz Gagala, Tim Geelhaar, Jean-Philippe Genet, Marlène Helias-Baron, Estelle Ingrand-Varenne, Fabrice Jejcic, Anne-Françoise Leurquin, Eliana Magnani, Aude Mairey, Yves Ouvrad, Nicolas Perreaux, Coraline Rey, Evgeniya Shelina, Sergio Torres, Philippe Verkerk.

[2] Voir le programme : Étaient présents à cet atelier : Renaud Alexandre, Mourad Aouini, Bruno Bon, Olivier Canteaut, Thibault Clérice, William Diakité, Margherita Fantoli, Simon Gabay, Christopher Geekie, Jean-Philippe Genet, Dominique Longrée, Eliana Magnani, Aude Mairey, Krzysztof Nowak, Yves Ouvrard, Nicolas Perreaux, Coraline Rey, Michał Rzepiela, Sergio Torres, Philippe Verkerk.

Le projet PALM – Plateforme d’Analyse Linguistique Médiévale

http://palm.huma-num.fr/PALM/

Responsables scientifiques : Jean-Philippe Genet, Christopher Fletcher, Aude Mairey (LaMOP)

La plateforme d’analyse linguistique PALM est une plate-forme d’analyse linguistique en ligne qui, associée à la bibliothèque de textes médiévaux disponibles en accès libre MEDITEXT, permet de constituer, de gérer et de lemmatiser automatiquement un corpus de textes en trois langues : latin, moyen français et moyen anglais. Les textes de la bibliothèque sont exportables sous trois formats (HYPERBASE, Lexico3 et TXM), soit sous leur forme originale, soit sous forme lemmatisée, l’objectif étant de permettre un traitement textométrique. La lemmatisation automatique repose pour chacune de ses langues sur un tagger et sur un dictionnaire, le tagger étant entraîné sur le dictionnaire. Mais la lemmatisation automatique laisse subsister une proportion non négligeable de formes ambigües (une forme qui peut correspondre à plusieurs lemmes différents, le contexte immédiat ne permettant pas de trancher) et de formes qui ne correspondent à aucun lemme du dictionnaire. La résolution des ambiguïtés et l’addition de nouveaux lemmes au dictionnaire enrichit donc celui-ci : au fur et à mesure de la lemmatisation des textes et après chaque campagne de lemmatisation importante, le couple tagger-dictionnaire est mis à jour et donc amélioré.

Après les quatre années du programme SAS financé par l’ERC, le logiciel qui fait fonctionner la plate-forme et qui a été développé par Mourad Aouini donne toujours pleine satisfaction ; Mourad Aouini, qui utilise le logiciel pour sa thèse de doctorat en ingénierie linguistique et est vacataire dans une équipe du CNRS, en a assuré la maintenance et a apporté des améliorations significatives. Il sera disponible pour l’entraînement des taggers si nous améliorons les dictionnaires : c’est d’ailleurs ce qui s’est passé pour le dictionnaire de moyen anglais, langue pour laquelle de nouveaux textes ont été introduits dans la bibliothèque par Christopher Fletcher et par Aude Mairey, tandis que les lemmatisations étaient validées par une philologue du CESCM de Poitiers. Le présent projet porte sur le latin médiéval, langue pour laquelle nous voudrions améliorer nos outils en profitant du fait que Mourad Aouini ne s’est pas encore éloigné de notre laboratoire. Le travail de lemmatisation a été commencé dans le cadre de SAS par Laura Albiero, mais elle a surtout utilisé des textes, d’ailleurs fort difficiles, de latin poétique insulaire. Le dictionnaire latin, grâce à son noyau primitif constitué par les lemmes issus du dictionnaire du latin médiéval conçu par Michel Parisse et Monique Goullet est cependant de bonne qualité, mais il doit encore être amélioré par le traitement de textes appartenant à des corpus que nous n’avons pas ou peu abordés jusqu’ici, comme les textes de latin scolastique. Par ailleurs, l’un des objectifs initiaux de MEDITEXT était de rassembler l’ensemble des textes ressortant du champ du politique en France, en Angleterre et il nous paraît utile de mettre à la disposition de la communauté scientifique à la fois le full-text et le texte lemmatisé. En effet, chaque utilisateur peut lemmatiser un texte pour son propre usage dans le cadre de son espace de travail mais cela prend un certain temps et tous les chercheurs n’ont pas forcément une bonne formation philologique dans nos trois langues de travail.

Il serait donc très utile de pouvoir mettre à la disposition de la communauté scientifique des versions lemmatisées de grands textes politiques médiévaux, puisque l’absence d’orthographe fait de la lemmatisation une phase préalable et nécessaire au traitement textométrique de ces textes. Nous avons donc projeté la lemmatisation systématique d’un corpus de textes politiques qui doit servir au développement de méthodes statistiques d’exploration des corpus diachroniques que Stéphane Lamassé et Jean-Philippe Genet ont l’intention de présenter au prochain colloque JADT à Nice en Juin 2016. Le corpus est constitué de 12 textes, auxquels seront ajoutés si possible ceux du Defensor Pacis de Marsile de Padoue, le De ecclesiastica potestate de Gilles de Rome, un sous-corpus de textes de soutien à Philippe le Bel et, plus tard, la traduction latine de la Politique d’Aristote. Le parti pris est celui de la diachronie, en rupture avec l’exigence canonique de la synchronie affirmée par les théoriciens de la linguistique de corpus. C’est que nous ne nous situons pas dans l’optique de la production des textes, mais dans celle de leur lecture (ou audition). Le De Civitate Dei de Saint Augustin figure ainsi dans ce corpus parce que c’est le livre « politique » le plus lu (et de très loin) pendant toute la période médiévale (comme l’atteste l’enquête BIB menée par Jean-Philippe Genet sur les « bibliothèques » individuelles anglaises de 1100 à 1550 et qui porte sur environ 40000 mentions de livres), le De Officiis de Cicéron ne reparaissant dans les bibliothèques qu’à la seconde moitié du XVe siècle. L’un des points forts du corpus est la présence du De Regimine principum rédigé par Gilles de Rome à l’attention du futur Philippe le Bel, le texte politique phare produit pendant la période médiévale, dont subsistent aujourd’hui plus de 300 manuscrits pour 29 versions en dix langues : il n’y a pas d’édition moderne de ce texte et grâce au programme SAS, le LAMOP a pu faire numériser le texte d’une édition romaine du XVIe siècle. Les deux textes de la fin du Moyen âge, le De vita, moribus et regimine principum adressé vers 1356-1358 à Pierre IV par l’Infant Pierre d’Aragon que nous devons à la générosité d’Alexandra Beauchamp et le Tractatus de Regimine Principum ad regem Henricum Sextum adressé vers 1438-1440 à Henri VI d’Angleterre sont là comme simples témoins de l’évolution de la langue du conseil politique, car leur diffusion a été très limitée à la différence de celle des autres textes qui peuvent presque tous être considérés comme des « best-sellers » médiévaux.

Le principal obstacle à la mise en place de ce corpus lemmatisé est celui du temps. Si environ 80% des formes sont lemmatisées automatiquement – mais même ces formes doivent être vérifiées, car un lemme nouveau peut être confondu avec un lemme déjà présent dans le dictionnaire ce qui génère une lemmatisation fautive – il reste environ 20% de formes correspondant à des lemmes nouveaux ou dont l’ambigüité doit être résolue. Grâce au soutien du consortium COSME, nous avons pu commencer ce travail, en lemmatisant le « De Regimine Principum » de Gilles de Rome. En utilisant les ressources linguistiques ainsi créées, nous allons pouvoir améliorer la performance de PALM pour la langue latine, suite au réentrainement des taggeurs et du enrichissement des dictionnaires à base de cette première lemmatisation.