OMÉLiE

Nom du projet

Outils et méthodes pour l’édition linguistique enrichie (OMÉLiE)
[en] Tools and Methods for Enriched Linguistic Editions of Ancient and Medieval Texts

Projet financé par l’IRIS Scripta (PSL), Histoire et pratiques de l’écrit, ainsi que par le Domaine d’Intérêt Majeur (DIM) émergent Sciences du texte et connaissances nouvelles.

Responsables et leur affiliations

Jean-Baptiste Camps (Centre Jean-Mabillon, ÉNC | PSL )

Frédéric Duval (Centre Jean-Mabillon, ÉNC | PSL)

Détail des ressources et corpus concernés

Ancien français

  • corpus Geste de la littérature épique (cf. Camps, 2016 ; amorcé par un financement PSL/LAKME) ;
  • corpus juridique (resp. Frédéric Duval ; amorcé par un financement Biblissima).

D’autres corpus sont mis en route, grâce à des travaux de recherche des étudiants ou des partenariats, notamment :

  • corpus de textes arthuriens (œuvres de Chrétien de Troyes, Lancelot en prose…).

Occitan (voir Camps & Couffignal, 2017)

  • corpus de la fin’amor (resp.: JBC) ;
  • corpus documentaire auvergnat et gascon (resp.: JBC).

Pour l’occitan, un partenariat avec le projet CORLIG (Corpus de la Renaissance Littéraire Gasconne ; Gilles Couffignal, Paris-Sorbonne) permet l’extension chronologique et générique des corpus.

Sites internet

Camps (Jean-Baptiste), dir., Geste : un corpus de chansons de geste, avec la collab. d’Elena Albarran, Alice Cochet & Lucence Ing, Paris, 2016-…, http://github.com/Jean-Baptiste-Camps/Geste.

Clérice (Thibault), et al., Pyrrha (pandora-postcorrect-app), Paris, 2017-…, http://dh.chartes.psl.eu/pyrrha (sources: https://github.com/hipster-philology/pandora-postcorrect-app).

Description du projet

Méthodologie

Enrichir un texte d’une interprétation linguistique, sous la forme d’une lemmatisation et d’une annotation morpho-syntaxique ou syntaxique, est un enjeu pour toutes les langues naturelles, y compris anciennes ou médiévales, notamment pour leurs états les moins standardisés. Si les modèles sont propres à une variété linguistique donnée, il est en revanche possible de développer des outils et des méthodes communes. En outre, l’enrichissement linguistique des éditions savantes permet d’exploiter pleinement leur dimension numérique, par l’inclusion de fonctionnalités inaccessibles aux éditions imprimées traditionnelles.

L’enrichissement linguistique permet une lecture et une interrogation renouvelées et étendues des textes. La lemmatisation, couplée à une annotation flexionnelle, permet à l’utilisateur de visionner à la demande le paradigme d’un lemme dans un texte ou un corpus de textes, facilitant son étude linguistique, ou, d’un point de vue pédagogique, et grâce aux liens possibles avec dictionnaires et grammaires, de faciliter la compréhension du sens pour un étudiant ou un curieux, tant pour des langues anciennes accessibles aux locuteurs de leurs variétés modernes (où ces fonctionnalités viennent soutenir l’intuition linguistique) que, a fortiori, pour des langues plus difficiles d’accès. D’un point de vue computationnel, ces corpus annotés permettent, en vertu d’un processus circulaire, l’entraînement de modèles plus performants pour la lemmatisation et l’annotation, par des méthodes d’apprentissage profond. Ils permettent également de poser de nouvelles questions aux textes, grâce, par exemple, aux analyses sémantique ou scriptométrique de corpus.

Toutefois, à l’heure actuelle, les langues anciennes doivent faire face à des difficultés particulières, qui rendent les outils développés pour les langues modernes peu accessibles. Ces problèmes sont de deux natures : 1) les outils sont encore peu adaptés aux spécificités de l’écrit ancien, notamment à des états de langue incomplètement standardisés. La variation linguistique dans l’espace et dans le temps, l’absence, la faiblesse ou la pluralité des normes graphiques sont autant de difficultés rencontrées ; 2), la rareté des données disponibles ainsi que la petite taille des corpus, qui limite la pertinence d’outils fondés sur l’apprentissage en contexte de données annotées, vérifiées et en nombre important.

Objectifs

Afin de contribuer à lever ces difficultés, le projet OMÉLiE se propose d’œuvrer au développement d’outils, indépendants de la langue, pour permettre un changement d’échelle dans l’annotation de corpus, ainsi que pour enrichir de fonctionnalités linguistiques les éditions électroniques. Ces développements informatiques devront d’appuyer sur l’accroissement des corpus disponibles et sur une réflexion méthodologique, qui porteront sur des langues rares du point de vue de leur traitement automatique, à savoir le français et l’occitan médiévaux.

Technologies

Ce projet bénéficie de collaborations établies, notamment, avec l’Université d’Anvers (Mike Kestemont), dans le cadre du développement des lemmatiseurs, Pandora (Kestemont et al., 2016) et Pie (Manjavacas et Kestemont 2019), qui se fondent sur des calculs de vecteurs de mots (embeddings) et des méthodes d’intelligence artificielle (réseaux convolutifs ou réseaux récurrents Long Short Term Memory). Des modèles ont déjà été entraînés, avec des résultats encourageants (> 94% de réussite en lemmatisation de l’ancien français).

Néanmoins, pour permettre des progrès ultérieurs des modèles d’annotation et pour gagner en efficacité, il s’avère nécessaire d’opérer un changement d’échelle. Une croissance de plusieurs ordres de grandeur des données disponibles est souhaitable. Pour ce faire, nous développons des outils qui permettront de réduire autant que faire se peut le temps pris par la relecture, tout en conservant la qualité et l’intégrité des données, et en rendant possible le travail collaboratif.

Grâce à des fonctionnalités permettant de corriger des cas similaires par lots, tout en conservant accessible leur contexte immédiat, des centaines d’occurrences peuvent se voir corrigées en quelques clics et avec une intervention réduite du correcteur. Des calculs de similarité permettent de généraliser des corrections ponctuelles à un lot d’occurrences, tout en en conservant trace dans l’historique. La création de profils de correction, fondés sur des listes de lemmes ou étiquettes de référence, permet d’éviter coquilles et incohérences dans les données. Des scripts de vérification permettent de signaler les cas douteux à l’attention du chercheur. Intégrer à un outil de ce type une dimension collaborative et web permet à plusieurs correcteurs de travailler à distance et simultanément sur les corpus à corriger. L’utilisation de sessions permet, si souhaité, de confronter la correction d’une même occurrence par divers correcteurs. Elle permet aussi d’envisager une utilisation pédagogique – en classe, en cours d’ancien français, par exemple -, voire même une production participative (crowdsourcing).

Dans cette perspective, le développement d’un outil a déjà été entrepris par Thibault Clérice (ÉNC), sous la forme d’une pandora-postcorrect-app (Clérice, 2017), nommée Pyrrha. Développée en Python, avec le serveur web Flask, cet outil Open Source (licence MIT) possède déjà un certain nombre des fonctionnalités souhaitées.

Open Source, libre et gratuit, cet outil est aussi indépendant de la langue, laissant le soin aux utilisateurs de définir, de manière simple, le profil linguistique (lemmes, étiquettes, morphologie…). Sa mise à disposition pourra bénéficier à d’autres projets et, plus largement, à la communauté savante.

Quoique absolument centré sur des corpus précis, ce projet se veut ainsi de portée générale en permettant le développement d’outils libres et réutilisables, facilitant la production d’éditions numériques enrichies linguistiquement, dans les langues couvertes par Scripta. En structurant des initiatives existantes, il permet le renforcement de ce champ au sein de Scripta, et offre en outre l’opportunité, avec un financement restreint, de se positionner, à un niveau national et international, dans le domaine des outils d’annotation de corpus en langue ancienne.