Ressources numériques en sciences humaines et sociales OpenEdition Nos plateformes OpenEdition Books OpenEdition Journals Hypothèses Calenda Bibliothèques OpenEdition Freemium Suivez-nous

Les billets de TopUrbi #8. L’annotation, une nouvelle étape technique.

Ces derniers mois, l’équipe du projet TopUrbi s’est attelée à une tâche fastidieuse mais néanmoins indispensable, à savoir la correction de l’OCRisation du dictionnaire. Il s’agissait de vérifier et rectifier les erreurs de la transcription automatique effectuée par le logiciel. Les trois mille pages du dictionnaires ont donc été passées au crible, une par une, par plusieurs membres de l’équipe, ainsi que par un groupe de stagiaires composé d’Elvira Labarca Pinto, Daniela Del Pilar Cardenas Huerta et Fabio da Silva (Gabriela Quezada, doctorante à l’EHESS, nous également prêté main forte pour le début, même si elle n’a finalement pas pu réaliser le stage).

Après un repos bien mérité cet été, et avant d’attaquer le travail de vérification de la localisation des toponymes sur l’atlas digital, cœur du projet qui impliquera les compétences et connaissances tous les membres de TopUrbi, l’équipe vient de commencer un autre processus fondamental, celui de l’annotation.

En résumé, l’annotation consiste à attribuer des catégories à une série de termes qui apparaissent dans les entrées du dictionnaire. Par exemple, l’entrée Alkansas comporte la définition suivante : “Nación de Indios Salvages del Canadá ó Nueva Francia, situada en 33 grad. de latit. sept. á la parte occid. del rio Misisipi.”
Or, afin qu’Almenas soit correctement étiquetée dans l’atlas digital, l’intelligence artificielle doit lui attribuer une série de caractéristiques, lesquelles rempliront sa fiche. Ici, les termes à catégoriser sont Alkansas (entrée) Nación (Concept/catégorie sociale), Indios, (Concept/catégorie sociale) Salvages (Concept/catégorie sociale), Canadá (GéoEntité/territoire), Nueva Francia (GéoEntité/territoire), rio (Concept/caractéristique naturelle), et Misisipi (GéoEntité/borne naturelle).

Bien entendu, ces caractéristiques sont arbitraires et furent l’objet de discussions au sein de l’équipe, notamment entre Carmen Brando, Werner Stangl (qui articulent la délicate partie de l’IA), Jean-Paul Zuñiga et moi-même, Mickaël Orantin. Nous sommes ainsi parvenus au consensus suivant, avec une série de 5 catégories, parfois subdivisées en sous catégories (entre parenthèses, un exemple illustrant la catégorie) :

  1. Concepts
    Type de caractéristique :
    Caractéristique naturelle (río, monte, sierra)
    Construction humaine (convento)
    District mineur (curato)
    Aire/territoire (provincia)
    Établissement (estancia)
    Catégorie sociale (Indios)
    Titre/rôle (Capitán)
  2. Erreur
  3. GéoEntité (toponymes)
    Landmark (“borne naturelle”, Orénoque)
    Établissement (Santiago)
    Territoire (Chile)
  4. Lemma (“entrée”, Almenas)
    Info additionnelle
  5. NonGéoEntité
    Organisation (Compagnie de Jésus)
    Personne (Alonso de Fuenmayor)
    Groupe humain (Guaranis)

L’équipe TopUrbi effectuera ces annotations tout au long d’un échantillon de 150 pages, ce qui devrait permettre, selon Werner, d’enseigner à l’IA un procédé que celle-ci appliquera à l’ensemble des 3000 pages du dictionnaire. Cette étape devrait donc être considérablement plus rapide que la précédente, et arriver à son terme à la fin du mois de septembre. Nous pourrons donc enfin passer à la phase de localisation (en réalité, les deux phases sont indépendantes et peuvent être réalisées simultanément, mais en pratique, elles se dérouleront sans doute dans cet ordre), qui permettra aux membres du projet de confronter leurs propres connaissances du terrain aux données fournies par le dictionnaire d’Alcedo.


OpenEdition vous propose de citer ce billet de la manière suivante :
mickaelorantin (4 septembre 2023). Les billets de TopUrbi #8. L’annotation, une nouvelle étape technique. Études ibériques. Consulté le 18 avril 2025 à l’adresse https://doi.org/10.58079/oyec


Vous aimerez aussi...