Tag Archives: segmentation

Qu’est-ce qu’un acte ?

(billet écrit en collaboration avec Dominique STUTZMANN)

1         Introduction et contexte

Le projet européen HOME (« History of Medieval Europe ») prend la suite du projet HIMANIS. Si HIMANIS portait sur la diplomatique publique des registres de chancellerie, HOME se consacre à un plus vaste corpus et intègre la diplomatique privée avec plusieurs objectifs : indexer le texte de 2000 cartulaires médiévaux ; intégrer la reconnaissance d’entités nommées ; proposer une approche par unités textuelles (« actes ») qui est historiquement plus pertinente.

La section de Paléographie latine de l’Institut de Recherche et d’Histoire des Textes a récemment révisé la segmentation en actes d’une soixantaine de registres de la chancellerie royale française du XIVe siècle (Paris, Archives nationales, JJ 35-JJ 91), en tout plus de 22000 actes. En tant que support écrit, l’acte non seulement sert à créer ou confirmer une action juridique par des moyens de validation appropriés, mais il peut aussi être vu de prime abord comme une unité visuelle et graphique (un début, un milieu et une fin se succédant de manière logique sur un ou plusieurs feuillets, par exemple lorsqu’il s’agit d’une copie dans un cartulaire). Pourtant, les registres de chancellerie qui nous préoccupent renferment des formes diplomatiques visuellement variées qui nous amènent à nous interroger sur la définition même de l’acte. Sans prétendre résoudre un tel questionnement qui dépasserait très largement le cadre informatif de ce billet, nous évoquerons ici des situations atypiques rencontrées lors de l’examen des manuscrits étudiés.

Ces derniers font partie d’un ensemble archivistique et diplomatique plus vaste, à savoir 199 registres dits du « Trésor des Chartes », rédigés en latin et en moyen français, couvrant les années 1302-1483 (environ 68000 actes pour plus de 83000 pages), et numérisés et accessibles sur la BVMM (« Bibliothèque virtuelle des manuscrits médiévaux »).

En matière d’analyse d’image, ce travail sur les registres de chancellerie s’inscrit dans la continuité directe d’un autre projet mené par la Section de Paléographie latine et nommé HIMANIS (« Historical MAnuscript Indexing for user controlled Search »). Cette entreprise avait donné lieu à une nouvelle numérisation des sources précitées sur une plateforme désormais hébergée par HUMA-NUM (http://himanis.huma-num.fr/himanis/), permettant, grâce à l’intelligence artificielle, la recherche plein-texte dans de telles sources.

2         Segmentation en actes : définition et formats

2.1         Pourquoi segmenter en actes  ?Granularité physique et granularité textuelle

La segmentation en actes implique d’appréhender les registres de chancellerie non pas en unités-pages (ainsi que cela apparaît sur les interfaces BVMM et HIMANIS), mais en unités-textes : une unité-page peut dès lors correspondre à une ou plusieurs unités-textes. Il est légitime de considérer que l’acte doit être doté d’une autre unité, cette fois d’ordre graphique et visuelle, en d’autres termes, qu’il doit coïncider avec un bloc de texte contenu sur ou un plusieurs feuillets. Pourtant, l’examen nous a donné à voir d’autres réalités bien plus complexes.

2.2         Fichiers

Pour appréhender cette réalité de l’acte royal dans les registres de chancellerie, nous avons non seulement bénéficié des images numérisées dans les deux plateformes précitées ainsi que des listes d’actes consultables dans les inventaires publiés et manuscrits, mais aussi :

  • de fichiers XML au format PAGE en grande partie préparés durant le projet HIMANIS et indiquant les zones de textes (« Text Region » sur Transkribus) correspondant à chaque image 
  • de fichiers Excel mettant en concordance
    • le numéro HIMANIS propre à chaque acte, le folio de début et éventuellement de fin d’acte, le numéro d’inventaire
    • le numéro de volume et de feuillet avec le nom d’image. Le système de nommage des Archives nationales lors de la numérisation avait spécifié un nom d’image correspondant théoriquement au numéro de feuillet, avec les suffixes « R_A » pour les images correspondant aux feuillets recto et « V_A » pour les versos, mais un démarrage de la numérotation au plat supérieur et la suppression des pages blanches font qu’il est très rare que le nom d’image corresponde réellement au numéro de feuillet.

2.3         Logiciel de vérification de cohérence

Forts de ces outils de travail, nous avons pu avoir à notre disposition un script python (mis en œuvre via le logiciel Anaconda) présentant de manière systématique la segmentation en actes propre à telle ou telle image. En théorie, une zone de texte correspond à l’une ou l’autre de ces quatre possibilités :

  • Un début d’acte (abrégé AI : « Act-Initial »)
  • Un acte médian, à savoir un bloc de texte occupant la totalité de l’image (AM : “Act-Middle”)
  • Une fin d’acte (AF : “Act-Final”)
  • Un acte complet sur un seul feuillet (AC : “Act-Complete”)

Sur une page, la première zone peut être un AC ou un AF, tandis que la dernière peut relever d’un AI ou d’un AC, et ce en fonction du nombre d’actes présents sur les pages actuelles et suivantes.

 

Le schéma ci-dessous représente six pages avec les zones de texte et indique le nombre de débuts d’acte : pour N zones de texte, il peut y avoir soit N débuts d’actes, soit (N-1) débuts d’actes si la première zone est une fin d’acte (« AF »). Une page sans début d’acte mais avec une zone de texte est un milieu d’acte (« AM ») ou la partie finale d’un acte (« AF »), ce que l’on ne peut trancher qu’avec des informations supplémentaires, soit l’indication de la fin d’acte (c’est une information dont on ne dispose pas toujours), soit le compte de zones et de débuts d’acte de la page suivante (s’il y a un « AF » en tête, alors la zone de la page précédente est un « AM »).

Le nombre d’actes est bien entendu très variable selon les images. Le volume JJ 58 est un cas particulier dans la mesure où il contient surtout des résumés d’actes, ce qui génère beaucoup de numéros sur certains feuillets.

Notons enfin que l’attribution de Text Regions ne concerne pas l’intégralité du registre : sont normalement exclus les pages blanches ainsi que des textes non retenus dans la liste des numéros HIMANIS, par exemple les tables d’actes que l’on peut trouver au début du manuscrit.

Si ces métadonnées générées par l’outil informatique avaient été correctes et complètes, le logiciel aurait conféré le bon statut à chaque zone de texte selon ses caractéristiques. 

 

2.4         Problèmes rencontrés

Pourtant, à la lecture du script, sont apparues de nombreuses erreurs (« ERROR » sur python), une multitude d’images présentant des défauts de segmentation ou des incohérences entre les zones et les fichiers des débuts d’actes.

2.4.1        Segmentation des Text Regions

Le cas le plus fréquent concerne des pages sous-segmentées, par exemple à propos du folio 9r du volume JJ 54B (image 11R_A). Initialement, l’image n’avait reçu qu’une seule Text Region alors qu’elle contient deux actes (le 18 et le 18bis). Il a donc fallu la diviser en deux zones de texte adéquates.

D’autres images ne présentaient aucune segmentation, comme nous le voyons dans le volume JJ 64 où 21 d’entre elles ont dû être munies d’au moins une zone de texte.

Ces problèmes successifs ont rendu nécessaire la vérification et la correction de la segmentation en actes pour l’ensemble des images relatives aux registres de chancellerie JJ 35 à JJ 95. Par la suite, ce corpus a été arrêté à JJ 91 inclus en raison de l’absence de métadonnées consultables via python pour les quatre derniers volumes. Le travail manuel de resegmentation a en tout concerné plus de 3500 images et a dû parfois être appliqué à des volumes entiers (JJ 66, JJ 71, JJ 74 et JJ 77).

 

2.4.2        Problèmes de numérisation

 

Les erreurs découlent tout d’abord de problèmes liés à la numérisation.

2.4.2.1         Pages blanches

Signalons tout d’abord le cas des pages blanches. Les Archives Nationales les ont généralement supprimé lors de la réception des images. Néanmoins, un certain nombre d’entre elles  sont tout de même intégrées dans le corpus et ont reçu, par défaut, une zone de texte unique couvrant la page.

En conséquence, le script de vérification a pu, selon les informations fournies par les tableaux de concordance et de segmentation, soit ignorer les pages sans zone, soit les reconnaître correctement pour ce qu’elles sont (par exemple, pour le feuillet 8v du volume JJ55 : « //////// Folio 8v is a blank page  //////// »), soit encore attribuer des labels erronés AI, AM, AF, AC pour des pages.

2.4.2.2         Pages non reproduites

Les défauts de numérisation peuvent aussi correspondre à des pages qui n’ont tout simplement pas été reproduites. Cela concerne entre autres les folios 358r à 361v inclus du volume JJ 81.

2.4.2.3         Images en double

A l’inverse, certains feuillets ont été numérisés deux fois, par exemple le folio 247r du volume JJ 56, ou encore à la suite les folios 276v et 277r du volume JJ 59.

2.4.2.4         Erreurs de nommage des feuillets

Ces situations ont produit de nombreux décalages, en particulier sur la BVMM, entre noms d’images et numéros de feuillets et, par conséquent, des discordances entre zones de textes et actes tels qu’ils apparaissent à l’aune des inventaires.

 

2.4.3        Volumes et inventaires

2.4.3.1         Feuillets disparus, mais avec contenu connu par les tables liminaires

 

En lien avec les problèmes de numérisation, des feuillets peuvent faire défaut dans certains volumes. Cette lacune est particulièrement flagrante dans le volume JJ 64 où l’on trouve l’acte 238 au folio 132v, mais ce dernier est immédiatement suivi de l’acte 270 au feuillet suivant pourtant numéroté 133r. Les actes 239 à 269 ont donc été déclarés « en déficit ».

2.4.3.2         Restauration de reliure avec déplacement de feuillets : JJ 89

Les déplacements de feuillets affectent aussi le volume JJ 89 : le cahier correspondant aux actes 729 à 758 a été réinséré entre le 716 et le 717. Cette incohérence est issue d’une restauration de reliure qui est intervenue après la conception de l’inventaire relatif à ce registre.

2.4.3.3         Inventaires incomplets

L’inventaire manuscrit concernant le volume JJ 82 a été saisi aux Archives Nationales. Pour une raison inconnue, il ne couvre pas l’intégralité du volume et s’arrête après l’acte 452 au f. 313v alors qu’il y a près de 700 actes connus dans le registre. Aussi la concordance image-acte ne peut-elle évidemment pas être vérifiée et validée.

 

3         Définir l’acte pour le segmenter

Ces embûches numériques et matérielles nous ont conduits à ne pas toujours suivre la numérotation des actes proposée par les inventaires : d’une part, la philosophie de ces derniers est de dénombrer l’ensemble des textes produits par la chancellerie (et donc pas seulement les seuls actes royaux qui nous intéressent ici), et d’autre part nous avons pu observer une évolution dans les pratiques d’inventorisation. Se pose dès lors la question de la définition de l’acte à segmenter.  

 

3.1         Une pratique évolutive d’inventorisation

3.1.1        Non-actes inclus avec numéros d’actes : titres de registres

Les inventaires ont parfois attribué des numéros d’actes spécifiques aux titres de registres, comme par exemple au folio 1r du volume JJ 45.

Mais les inventaires plus récents ont une tendance grandissante à ignorer ces rubriques initiales, ainsi que cela apparaît notamment dans le volume JJ 86 où, au folio 21r, le titre n’a pas été pris en compte.

3.1.2        Actes royaux non retenus : ordonnances

Certains actes n’ont pas fait de description ou de numérotation quand ils relèvent d’un autre processus d’élaboration ou quand ils ont déjà été décrits. Ainsi, l’introduction portant sur le volume JJ 41 indique : « Sur les feuillets restés blancs du dernier cahier de ce registre (folios 114 v-122 v [Ce verso est folioté 123 par erreur, tandis que le recto est folioté 122] ont été transcrites 5 ordonnances de Louis X le Hutin, numérotées 209 à 213. Les 4 premières ont déjà été analysées ci-dessus sous les nos 78, 109, 160 et 131. ». Ces ordonnances ne sont pas reprises par l’inventaire, mais ne peuvent évidemment pas être distinguées par l’analyse automatique d’image.

3.1.3        Listes de destinataires

Les listes de destinataires témoignent d’une autre variante de traitement. Les inventaires publiés dans les années 1950 considéraient ces listes comme faisant partie de l’acte royal et ne les mentionnaient même pas : voir par exemple à propos de l’acte 440 du volume JJ 58 (folio 50r) où la liste de destinataires est ainsi considérée (elle est signalée en bleu dans l’illustration n° 1).

                   Illustration n° 1 (JJ 58, f.50r)

Cette pratique change dans les inventaires ultérieurs. Nous le voyons notamment dans le volume JJ 85 : au folio 77r, juste après l’acte 156, la liste (encart bleu dans l’illustration n° 2) a été divisée par l’archiviste en fonction du nombre de destinataires, ce qui a généré la création des actes 157 à 177.

                    Illustration n° 2 (JJ 85, f.77r)

 

3.2         Actes cancellés

 

Les actes cancellés n’ont pas non plus toujours été pris en compte par les inventaires. Par exemple, pour le folio 119r du volume JJ 69, l’inventorisation ignore un début d’acte rayé par le scribe et placé entre la fin de l’acte 280 et l’acte complet 281 (voir l’illustration n° 3 où l’acte cancellé en question est signalé par un encart bleu). Notre choix a été d’intégrer ce texte cancellé dans notre liste d’actes en lui attribuant le numéro 280bis.

                   Illustration n° 3 (JJ 69, f.119r)

 

3.3         Actes en plusieurs parties

La prise de distance à l’égard des inventaires nous a également amenés à créer une catégorie originale d’actes que sont les actes en plusieurs parties. Il s’agit d’actes ayant reçu des additions ou des corrections et dont la cohérence textuelle est dès lors bouleversée. Il en est ainsi au folio 99v du volume JJ 46 : la fin de l’acte 168 est dotée d’une croix figurée marginale renvoyant à une partie additionnelle située au bas du feuillet, ces deux éléments textuels (signalés en bleu dans l’illustration n° 4) étant séparés par l’acte 169.

                    Illustration n° 4 (JJ 46, f.99v)

 

Cette dispersion peut aussi s’étaler sur plusieurs feuillets. Dans le volume JJ 76, l’acte 20 commence au folio 21r, mais il se termine en 2r et 2v ! L’examen des registres de chancellerie a permis d’identifier en tout 45 de ces actes dont les métadonnées ont été rassemblées dans un fichier Excel à part.

 

4         Qu’est-ce qu’un acte ? Regards croisés du diplomatiste et de l’informaticien

 

L’analyse d’image par ordinateur procède linéairement, page après page, et de haut en bas. Si le diplomatiste aborde pleinement les textes, il peut lui arriver d’en oublier la réalité matérielle ou de la faire passer au second plan de ses investigations. Notre travail centré sur la segmentation en actes a cherché à réconcilier ces deux réalités.

Notre approche systématique, exigée par la mise en œuvre d’outils informatisés exploitant le document médiéval même à travers sa numérisation, a permis de mettre en lumière les imprécisions et les changements dans les procédures d’inventorisation et, ce faisant, dans la perception de ce qui constitue un « acte » de la chancellerie royale.

Par prudence, nous avons souvent choisi de ne pas redéfinir un « acte », mais de suivre l’exemple de nos illustres prédécesseurs, même quand nous étions confrontés à des incohérences et à des numérotations fondées sur des principes d’inventorisation mouvants. Deux raisons justifient cette précaution. Tout d’abord, la mise à profit de l’intelligence artificielle ne doit pas empêcher de reconnaître la qualité du travail des archivistes, diplomatistes et « humanistes » (au sens anglo-américain) et de se fonder sur des données existantes. De plus, il n’était pas question de modifier à grande échelle l’ordre et le nombre des actes car il aurait été encore plus difficile d’assurer une traçabilité des informations et une navigation entre inventaires publiés et images. Redéfinir l’acte au sens diplomatique du terme est bel et bien hors de l’objectif du projet HOME et de la présente correction des données de segmentation, qu’il s’agisse des registres de chancellerie ou plus largement des cartulaires.