Textes et savoirs numériques
Une édition numérique savante est une publication qui met à disposition des sources, des transcriptions, des traductions, des annotations et des analyses dans un environnement numérique structuré. Elle ne consiste donc pas simplement à convertir un livre imprimé en fichier PDF. Son objectif est de rendre les documents consultables, vérifiables et parfois interrogeables à plusieurs niveaux.
Une édition peut porter sur un manuscrit, un corpus de lettres, des archives administratives, des inscriptions, des textes scientifiques anciens, des partitions ou des documents audiovisuels. Le travail éditorial consiste à établir une relation explicite entre le document source et les informations ajoutées par l’éditeur : transcription, normalisation, datation, identification des personnes, repérage des lieux ou commentaire historique.
Le numérique permet notamment de présenter plusieurs états d’un même document, de comparer une image avec sa transcription, d’afficher des variantes et de relier un passage à une notice documentaire. Cette souplesse suppose cependant de distinguer clairement ce qui appartient à la source et ce qui résulte d’une interprétation éditoriale.
La première étape n’est pas le choix d’un logiciel. Il faut d’abord déterminer la question éditoriale et le périmètre du corpus. Une édition destinée à établir un texte de référence ne répond pas exactement aux mêmes besoins qu’un inventaire documentaire ou qu’un corpus destiné à l’analyse linguistique.
Plusieurs décisions doivent être prises dès le départ :
Une note de cadrage permet de garder la cohérence du projet. Elle décrit les sources, les règles de transcription, le vocabulaire employé, les niveaux de validation et les responsabilités de chaque intervenant. Cette documentation est importante pour les utilisateurs, mais aussi pour les personnes qui reprendront les données plusieurs années plus tard.
Une édition fiable commence par une description précise des documents utilisés. Il faut identifier la version consultée, son origine, sa cote ou sa référence interne, son état matériel et, lorsque l’information est disponible, son histoire de conservation. Une image numérique n’est pas le document lui-même : elle constitue une représentation produite à partir d’un support matériel ou d’un fichier antérieur.
La provenance doit être conservée à chaque étape. Il est utile d’enregistrer les fichiers originaux, les versions traitées, les corrections manuelles et les transformations automatiques. Pour une numérisation, la résolution, le format, la colorimétrie et les conditions de prise de vue peuvent influencer la lecture. Pour un document déjà numérique, les métadonnées techniques et les éventuelles conversions doivent également être notées.
Cette traçabilité ne sert pas uniquement à résoudre des problèmes techniques. Elle permet de distinguer une lacune de la source d’une lacune de la numérisation, une lecture incertaine d’une erreur de transcription et une information présente dans le document d’une donnée ajoutée par l’éditeur.
Lorsque les sources sont matérielles, la numérisation fournit le socle visuel de l’édition. Les images doivent être suffisamment détaillées pour permettre la vérification de la transcription. Un fichier de consultation léger peut être généré à partir d’un fichier maître conservé séparément, mais la relation entre les deux doit rester documentée.
La reconnaissance optique de caractères, souvent appelée OCR, peut accélérer la production d’un premier texte à partir de documents imprimés. Elle identifie des formes dans une image et propose des caractères. Elle ne comprend pas nécessairement le sens du texte et ses résultats varient selon la typographie, la qualité de l’image, la langue, les abréviations et la présence de tableaux ou de notes manuscrites.
Une sortie OCR doit donc être considérée comme une hypothèse de transcription à contrôler. Les erreurs fréquentes concernent les lettres proches, les signes diacritiques, les colonnes, les numéros de page et les caractères effacés. Pour les manuscrits, la reconnaissance automatique de l’écriture peut être utile dans certains contextes, mais elle exige elle aussi une validation humaine et une description de la méthode employée.
Le projet doit préciser si le texte affiché correspond à la sortie brute, à une version corrigée ou à une transcription établie indépendamment de l’OCR. Cette distinction évite de donner une apparence de certitude à un résultat qui reste soumis à vérification.
La transcription constitue l’un des principaux choix scientifiques de l’édition. Une transcription diplomatique cherche à restituer les caractéristiques du document : graphie, abréviations, retours à la ligne, ratures, ajouts et parfois disposition spatiale. Une transcription régularisée facilite la lecture en développant certaines abréviations ou en modernisant la ponctuation, mais elle s’éloigne alors de la forme originale.
Il n’existe pas une politique valable pour tous les corpus. L’important est de l’annoncer et de l’appliquer de manière constante. Les interventions éditoriales peuvent être signalées par des conventions explicites, par des notes ou par un affichage différencié. Une édition peut aussi proposer plusieurs vues : image du document, transcription diplomatique et lecture normalisée.
Les signes utilisés doivent être décrits dans une documentation accessible. Il faut notamment expliquer le traitement :
Une convention difficile à comprendre peut être techniquement élégante mais éditorialement peu utile. Le lecteur doit pouvoir retrouver le chemin entre l’objet reproduit et le texte proposé.
Un texte numérique peut être stocké comme une suite de caractères, mais une édition savante a besoin d’une structure plus riche. Il faut pouvoir distinguer un titre, une note, une citation, un nom de personne, une date, une variante ou une lacune. L’encodage transforme ces distinctions éditoriales en informations lisibles par des logiciels.
Le standard XML-TEI, développé et documenté par le TEI Consortium, est couramment utilisé pour représenter des textes et des phénomènes éditoriaux complexes. Il ne fournit pas une solution automatique : le projet doit choisir les éléments pertinents, définir ses pratiques et parfois établir un schéma personnalisé. La TEI peut décrire la structure du texte, les métadonnées, les variantes, les personnes, les lieux et les relations entre une transcription et une image.
Un modèle de données efficace doit éviter deux écueils. Le premier consiste à tout encoder sans hiérarchie, ce qui rend l’exploitation difficile. Le second est de réduire la source à une présentation visuelle, ce qui fait perdre des informations utiles à la recherche. Avant de coder, il est donc préférable de rédiger quelques exemples représentatifs et de vérifier qu’ils couvrent les cas ordinaires comme les cas problématiques.
Les technologies ne sont pas interchangeables. Elles répondent à des besoins différents et doivent être évaluées selon la taille du corpus, la complexité des sources, les compétences disponibles et les conditions de maintenance.
| Besoin | Solution fréquente | Point de vigilance |
|---|---|---|
| Conserver une structure textuelle riche | XML associé à un modèle documentaire | Le schéma et les conventions doivent être documentés |
| Afficher des pages numérisées | Images haute définition et dérivés de consultation | Prévoir des fichiers stables et des métadonnées techniques |
| Relier une image à des zones de texte | Manifests et annotations compatibles avec IIIF | Définir précisément les coordonnées et les identifiants |
| Rechercher dans un corpus | Indexation plein texte ou base structurée | Les variantes et les formes normalisées doivent être distinguées |
| Publier plusieurs vues | Transformation des données vers des pages web | Éviter de modifier manuellement les sorties publiées |
Le principe le plus robuste consiste à séparer les données sources, les règles de transformation et l’interface de consultation. Cette séparation facilite les corrections et permet de produire plusieurs formats à partir d’un même fonds éditorial.
Un flux de travail reproductible décrit comment passer des sources aux données publiées. Il peut comprendre la préparation des images, la transcription, l’encodage, la validation, la génération des pages, les tests et la mise en ligne. Les étapes n’ont pas toutes besoin d’être automatisées, mais leurs règles doivent être explicites.
Un dépôt de versions permet de conserver l’historique des modifications. Il rend visible l’auteur d’une correction, la date de son intervention et la raison du changement. Dans un projet collectif, cette pratique réduit les conflits entre fichiers et évite qu’une correction soit perdue lors d’une nouvelle génération du site.
La validation peut porter sur plusieurs niveaux :
Des tests sur un échantillon représentatif sont plus instructifs qu’un contrôle limité aux cas simples. Il faut inclure des pages avec notes, colonnes, lacunes, changements de main, caractères particuliers et documents de formats différents.
L’interface ne doit pas seulement présenter un texte final. Elle doit aider le lecteur à comprendre comment ce texte a été établi. Une vue en regard peut afficher la reproduction du document et la transcription, tandis qu’une autre vue peut mettre en évidence les variantes ou les annotations.
Les informations essentielles doivent rester accessibles sans surcharger chaque page. Une notice peut indiquer la référence du document, sa date, sa provenance, la méthode de transcription et le niveau d’incertitude. Les notes détaillées peuvent être affichées à la demande, à condition que leur relation avec le passage concerné soit claire.
L’accessibilité concerne aussi les personnes qui ne consultent pas les images dans des conditions idéales. Les textes doivent pouvoir être parcourus au clavier, les contrastes doivent être suffisants et les informations importantes ne doivent pas dépendre uniquement de la couleur ou d’un effet visuel. Les images devraient disposer d’une description adaptée à leur fonction. Une transcription ne remplace pas toujours l’image, mais elle permet d’accéder au contenu lorsque l’image est difficile à consulter.
Les métadonnées décrivent les documents et les objets numériques. Elles peuvent préciser un titre, une date, une langue, une personne associée, un lieu, une source, un statut juridique ou une relation avec un autre objet. Des métadonnées régulières améliorent la recherche et facilitent la réutilisation du corpus.
Chaque objet important doit recevoir un identifiant stable : document, page, image, passage, personne ou lieu. Un identifiant ne devrait pas dépendre d’une position fragile dans une interface. Si une page est déplacée, l’identifiant du document doit rester interprétable et renvoyer vers la bonne ressource.
Les personnes et les lieux peuvent être décrits dans des listes d’autorité. Il faut toutefois séparer l’identification certaine de l’identification proposée. Une notice peut indiquer qu’un nom est attesté dans la source, qu’il a été normalisé par l’éditeur ou qu’il reste incertain. Cette prudence est particulièrement importante lorsque les documents comportent des homonymes, des graphies variables ou des informations incomplètes.
La diffusion d’une reproduction ou d’une transcription dépend du statut des documents et des fichiers produits. Le fait qu’un texte soit ancien ne suffit pas à régler toutes les questions : des droits peuvent concerner une photographie, une traduction, une annotation récente ou une base de données. Le projet doit examiner séparément les droits liés à la source, à la numérisation, aux contributions éditoriales et au logiciel utilisé.
Les conditions de réutilisation doivent être indiquées pour chaque catégorie de contenu lorsque les situations diffèrent. Une image peut avoir des conditions distinctes de celles de sa transcription. Une licence claire favorise la compréhension des usages autorisés, tandis qu’une formulation vague crée de l’incertitude pour les étudiants et les chercheurs.
Il est également utile de publier une méthode de citation. Elle peut préciser le titre de l’édition, l’identifiant du document, la version consultée et la date de consultation. Les identifiants stables et l’historique des versions rendent les références plus vérifiables lorsque le contenu évolue.
La diffusion ne se réduit pas à la mise en ligne d’une interface. Elle comprend l’indexation, la documentation, l’export des données et l’information des utilisateurs. Une édition peut proposer plusieurs niveaux d’accès : une lecture simple, une recherche avancée, des images, des transcriptions annotées et des fichiers structurés pour la réutilisation.
Les formats d’export doivent être choisis en fonction des usages. Un fichier lisible par un humain ne contient pas nécessairement toute la structure nécessaire à l’analyse. À l’inverse, un format très détaillé peut être difficile à exploiter sans documentation. Il est donc utile de fournir une description du modèle, un exemple de fichier et un glossaire des principaux éléments.
La diffusion doit aussi prévoir les erreurs découvertes après publication. Une procédure de signalement peut permettre aux lecteurs de transmettre une correction ou une question, sans transformer automatiquement toute proposition en modification. Les changements doivent être examinés, documentés et intégrés selon les règles du projet. Une page de version ou un journal des modifications aide à comprendre l’évolution de l’édition.
Une publication en ligne peut disparaître, devenir illisible ou perdre une partie de ses fonctionnalités. La pérennisation doit donc être pensée avant la diffusion. Elle repose sur plusieurs copies, des formats documentés, une organisation claire des fichiers et une surveillance régulière des supports et des services.
Il est prudent de conserver séparément les sources numérisées, les données encodées, les scripts de transformation, les fichiers de configuration et la documentation. Une simple sauvegarde de l’interface ne suffit pas si elle ne permet pas de reconstruire les données ou de les migrer.
Les principes FAIR, souvent mobilisés pour les données de recherche, invitent à rendre les données repérables, accessibles, interopérables et réutilisables. Ils ne constituent pas une recette unique, mais fournissent un cadre pour examiner la qualité de la documentation et des identifiants. La pérennité dépend aussi de la capacité à transmettre les compétences : une personne extérieure au projet doit pouvoir comprendre la structure du corpus et relancer les opérations principales.
Plusieurs difficultés reviennent dans les projets d’édition numérique. La première est de commencer par l’interface. Une présentation séduisante ne compense pas des transcriptions incohérentes ou des données impossibles à reprendre. La deuxième consiste à traiter l’OCR comme une transcription validée. L’automatisation accélère certaines tâches, mais elle ne supprime pas l’examen éditorial.
Une autre erreur est de confondre la normalisation avec la correction. Remplacer systématiquement les formes anciennes par des formes actuelles peut rendre le texte plus accessible, mais modifie l’information historique. Les deux niveaux doivent être séparés et, si possible, reliés.
Il faut aussi éviter de cacher les choix scientifiques dans le code. Les règles de transcription, les critères d’inclusion et les décisions concernant les identifications doivent apparaître dans une documentation lisible. Enfin, un corpus très vaste n’est pas toujours préférable à un ensemble plus limité mais contrôlé. Un périmètre maîtrisé permet de tester les méthodes, de corriger le modèle et d’expliquer les limites de l’édition.
Pour transformer un projet général en plan de travail, la séquence suivante fournit un repère :
Cette méthode laisse une place aux retours d’expérience. Le modèle initial devra souvent évoluer lorsque des cas inattendus apparaîtront. Modifier une règle n’est pas un échec, à condition de conserver la trace de la décision et de vérifier ses conséquences sur les données déjà produites.
Non. XML-TEI est adapté à de nombreux projets textuels complexes, mais le choix dépend du corpus et des usages. Un projet peut utiliser une autre structure, à condition de documenter son modèle et de préserver les informations nécessaires à la vérification et à la réutilisation.
Pas nécessairement. Elle doit annoncer son objectif. Une transcription diplomatique cherche une proximité avec le document, tandis qu’une lecture normalisée privilégie l’accessibilité. Proposer plusieurs niveaux et expliquer les écarts est souvent plus informatif qu’imposer une seule représentation.
Non. L’OCR produit une proposition fondée sur l’image. Les erreurs peuvent modifier les mots, les nombres, les noms propres et la structure des pages. Une relecture adaptée au type de document reste nécessaire.
L’interface peut être modifiée ou interrompue, alors que les données structurées permettent de reconstruire une publication, de vérifier une correction ou de produire un nouvel affichage. Les fichiers sources et leur documentation sont donc une partie essentielle de l’édition.
Il faut distinguer les niveaux d’information : une présentation simple pour commencer, des notes accessibles, puis des détails techniques et éditoriaux pour les lecteurs qui souhaitent vérifier la méthode. La clarté des conventions et la possibilité de comparer la source à la transcription sont déterminantes.
