Corpus Représentatif des Premiers Textes Francaismutec.huma-num.fr/sites/...2010/06/10 · La TEI en France, Lyon, 9-11 juin 2010 3 Avant de commencer En fonction des objectifs du

Balisage :Choisir ses balises, créer son schémapourquoi ? comment ?

Alexei LavrentievUMR ICAR – CNRS / Université de Lyon

Journées d’étude MutEC « La TEI en France : pratiques et perspectives »Lyon, 9-11 juin 2010

La TEI en France, Lyon, 9-11 juin 2010 2

Plan

Avant de commencer... cahier des charges d’un projet d’encodage

Créer son schéma choisir des balises documenter les choix (TEI ODD)

Expérience de projets CoRPTeF BFM – Manuscrits et Graal

Discussion


Avant de commencer

En fonction des objectifs du projet définir les besoins prioritaires :

qu’est-ce qu’on veut voir / chercher dans l’édition numérique ? penser aux perspectives :

échanges, intégration dans des collections élargissement du public enrichissement maintenance

Dilemme richesse et précision des données vs compatibilité et

facilité d’échanges et de maintenance


Avant de commencer

Analyser le(s) document(s) source corps du texte / descripteurs source primaire / édition papier une source / plusieurs sources à aligner apparat critique


Créer son schéma

Partir de l’existant http://www.tei-c.org/Activities/Projects/

Sinon : définir le jeu de balises minimal

voir la sélection « Parties les plus visitées » des Guidelines de la TEI

choisir les balises supplémentaires à partir des chapitres spécialisés des Guidelines en cherchant dans l’index des éléments

http://www.tei-c.org/Activities/Projects/http://www.tei-c.org/release/doc/tei-p5-doc/fr/html/index.html


Créer son schéma

Documenter ses choix pour les humains pour les machines

Pour les machines définir les balises, leurs attributs, leur contenu

on peut inclure ou exclure une balise proposée par la TEI telle quelle modifier une balise TEI (attention à la conformité TEI !) définir sa propre balise

Pour les humains expliquer pourquoi et comment...

TEI ODD


Créer son schéma

Pour éditer un ODD ROMA (interface web ou en ligne de commande)

http://www.tei-c.org/Roma/ éditer directement le fichier XML

Empty pointing element in a very simple schema

supplies the URI of the thing pointed at

http://www.tei-c.org/Roma/


Créer son schéma

Une fois les balises définies, on peut vérifier si la personnalisation est viable

« sanity check » générer des schémas aux formats standards

DTD, RNG, Schematron, W3C générer la documentation contrôler le balisage dans un logiciel d’édition XML

... et on peut toujours revenir sur ses choix et ajuster le jeu de balises


Projet CoRPTeF

Corpus Représentatif des Premiers Textes Français resp. Céline Guillot

(ICAR / ENS de Lyon) financement ANR 2008-2010

Utilisateurs linguistes médiévistes autres linguistes littéraires, historiens...

http://corptef.ens-lyon.fr/http://corptef.ens-lyon.fr/


Projet CoRPTeF Objectifs

décrire le très ancien français (IXe – XIIe s.) créer un corpus représentatif,

linguistiquement enrichi

Priorités de codage descripteurs (pour construire un corpus) corps du texte (pas de notes ni d’apparat critique) compatibilité avec les outils de TAL et d’annotation linguistique

« manuelle » (import / export) intégration dans les outils d’exploitation (plateforme TXM,

TigerSearch...)


Projet CoRPTeF Sources

« bonnes » éditions papier fidélité à la source

textes déjà numérisés (BFM, ANH) compatibilité avec les anciens choix d’encodage

sélection de textes à numériser en fonction des critères d’organisation du corpus (date, genre, dialecte...)

Communautés Consortium international pour les Corpus de Français

Médiéval Textométrie TEI

http://ccfm.ens-lsh.fr/http://textometrie.ens-lsh.fr/


Projet CoRPTeF Variété des sources

prose, vers, proverbes traductions, « mélange » français / latin éditions normalisées / « ultra-diplomatiques » nombreuses lacunes


Projet CoRPTeF Les dialogues du pape

Grégoire éd. Foerster 1876 texte parallèle en français et

en latin indication des locuteurs quelques corrections

file:///C:/Documents and Settings/alavrent/Mes documents/Communications/TEI Formation MUTEC 2010-06-09/dialgreg.jpg


Projet CoRPTeF

Trope liturgique paraphrasant le Cantique des cantiques

(éd. Foerster & Koschwitz 1932)

plusieurs systèmes de numérotation

alinéas variables marques d’abréviations s « long » italiques (caractères

illisibles)


Projet CoRPTeF Choix des balises

modules utilisés tei textstructure core header analysis corpus linking namesdates transcr



point de départ : jeu CCFM Niveau 1 : Structure du texte

groupe de textes unité textuelle différents niveaux de sections (partie, chapitre,

section…)

paragraphe , vers et groupe de vers (non utilisées) structure de la taille d’un paragraphe sans en avoir

le rôle dans la BFM, on utilise cette balise au lieu de pour assurer la

compatibilité avec le balisage de phrases

http://ccfm.ens-lyon.fr/



point de départ : jeu CCFM Niveau 1 (suite) : Segmentation de référence

passage à la ligne changement de page délimitation de phrase

Niveau 2 : Analyses , , , , : interventions éditoriales , : analyses graphiques , : analyses linguistiques , : liens entre différents éléments d’un texte

http://ccfm.ens-lyon.fr/



balises supplémentaires pour représenter les données de la source (édition critique)

: références diverses : titre d’une division , : prise de parole et locuteur : caractères ou mots ajoutés par l’éditeur : lacune du manuscrit (points de suspension dans

l’édition) : une mise en relief typographique difficile à interpréter...



balises supplémentaires pour faciliter le traitement automatique

, : interpréter les points (.ii.) ; @rend="word_part" : tokeniser correctement les mots contenant

des balises ; → : pour les passages au discours direct et/ou @xml:lang : identifier les passages en une

langue différente... pour insérer des notes et des commentaires

: références diverses


Projet CoRPTeF Ajout d’une balise « en cours de route »

(module verse)



documentation Toute la documentation actuelle

Spécification ODD

Manuel d’encodage...

Consignes au relecteurs

Manuel de description des textes

http://ccfm.ens-lyon.fr/spip.php?article49http://ccfm.ens-lyon.fr/IMG/xml/tei_bfm_odd.xmlhttp://ccfm.ens-lyon.fr/IMG/pdf/Manuel_Encodage_TEI.pdfhttp://ccfm.ens-lyon.fr/IMG/pdf/Consignes_BFM.pdfhttp://ccfm.ens-lyon.fr/IMG/pdf/Manuel_Descripteurs_BFM.pdf


Projet BFM - Manuscrits Corpus de transcriptions de manuscrits

créé pour une thèse sur la ponctuation médiévale destiné à compléter la Base de Français Médiéval

Priorités de codage

représentation fine de l’écriture manuscrite ponctuation, segmentation, abréviations, variantes de

caractères normalisation pour une lecture facilitée annotation linguistique

http://bfm.ens-lsh.fr/


Projet BFM - Manuscrits

Pro deo amur et pro christian poblo et nostro communsaluament, d'ist di In auant, in quant deussauir et podir me dunat, si saluarai eo,cist meon fradre karlo, et in aiudha,et in cadhuna cosa, si cum om per dreit sonfradra saluar dift. In o quid il mi altresifazet. Et ab ludher nul plaid nunqua·mprindrai qui meon uol cist meon fradrekarle in damno sit.

Transcription graphématique

Pro Deo amur et pro christian poblo et nostro commun salvament, d’ist di in avant, in quant Deus savir et podir me dunat, si salvarai eocist meon fradre Karlo et in aiudhaet in cadhuna cosa, si cum om per dreit sonfradra salvar dift, in o quid il mi altresi fazet. Et ab Ludher nul plaid nunqua·m prindrai qui, meon vol, cist meon fradre Karle in damno sit.

Transcription normalisée

Pro doa̅mur &ꝓxpı̅ an poblo & nro com̅unſaluament · dıst dı [e + I] n auant · ınquantdẝſauır & podır medunat · ſıſaluaraıeo ·cıst meon fradre karlo · & ın aḍ ıudha ·& ın cad huna coſa · ſıcu̅ om ꝑ dreıt ſonfradra ſaluar dı · I no quıd ıl mıaltreſı faz& · E tabludher nul plaıd nu̅quaprındraı quı meon uol cıst meonfradrekarle ındamnoſıt ·

Transcription allographique

Serments de Strasbourg (BnF, lat. 9768)


Projet BFM - Manuscrits

Annotation linguistique

[5] Pro deo+amur et+pro+christi_an poblo et nostro commun [6] saluament [· > ,] d'ist di [eI]n auant [· > ,] in+quant+deus [7] sauir et podir me+dunat [· > ,] si+saluarai+eo [· > ] [8] cist meon fradre karlo [· > ] et in ad_iudha [· > ] [9] et in cad_huna cosa [· > ,] si+cun om per dreit son [10] fradra saluar dift [· > ,] I_n+o quid il mi+altresi [11] fazet [· > .] E_t+ab+ludher nul plaid nunqua·m [12] prindrai qui+[ > ,] meon uol [ > ,] cist meon+fradre [13] karle in+damno+sit [· > .]

d1-f3f


Projet BFM - Manuscrits Choix des balises

balises TEI-CCFM balises TEI-BFM balises TEI supplémentaires

, : corrections scribales , : marques d’abréviation et résolutions @facs : lien avec les images

annotation des « unités ponctuables » attributs sur des balises et


Projet BFM - Manuscrits Extension de la TEI

balises Menota , , : pour les 3 niveaux de

transcription balises BFM

: marque de ponctuation adoptée par la TEI en 2009

: « déglutinations » : lettrine : marque de coupure de mot en fin de ligne @aggl (sur ) : agglutinations...

http://www.menota.org/


Projet Graal Édition en ligne « multi-facette » (ms. Lyon, bm, P.A. 77)

éditeur scientifique : Ch. Marchello-Nizia prototype encodage d’une partie du texte selon le schéma BFM-

Manuscrits affichage « vis-à-vis »

images du manuscrit les trois transcriptions traduction en français moderne

« outillage textométrique » concordances (formes et catégories morphologiques, discours

direct) ; retour au texte

http://txm.risc.cnrs.fr/txm


Projets BFM – Manuscrits et Graal Documentation

Manuel d’encodage BFM - Manuscrits

Introduction à l’édition de la Quête du saint Graal

Fichiers sources de l’édition du Graal

spécification ODD document XML feuilles de style

http://ccfm.ens-lyon.fr/IMG/pdf/BFM-Mss_Encodage-XML.pdfhttp://txm.risc.cnrs.fr/txm/texte/introhttp://ccfm.ens-lyon.fr/IMG/zip/qgraal_cm_2010-01.zip


Discussion...

Diapo 1Diapo 2Diapo 3Diapo 4Diapo 5Diapo 6Diapo 7Diapo 8Diapo 9Diapo 10Diapo 11Diapo 12Diapo 13Diapo 14Diapo 15Diapo 16Diapo 17Diapo 18Diapo 19Diapo 20Diapo 21Diapo 22Diapo 23Diapo 24Diapo 25Diapo 26Diapo 27Diapo 28Diapo 29