Contrat Doctoral en paléographie numérique (CrEMe)

Contexte

Ce contrat doctoral s’inscrit dans le cadre du projet CrEMe Caractérisation des écritures médiévales qui réunit deux laboratoires du CNRS pour une recherche interdisciplinaire :

  • Institut de Recherche et d’Histoire des Textes
  • Laboratoire d’informatique Gaspard Monge

Le projet est financé par la MITI (Mission pour les initiatives transverses et interdisciplinaires).

Le projet CrEMe associe des équipes de l’INSHS et de l’INS2I pour une recherche interdisciplinaire sur les écritures manuscrites du Moyen Âge. En caractérisant les productions écrites grâce au deep learning, on étudiera les mécanismes évolutifs de l’écriture en alphabet latin dans un univers multilingue, aux niveaux individuel (fatigue, vieillissement), collectif et sur le temps long, pour comprendre l’émergence, la stabilisation, les influences de familles d’écritures. On isolera les signes comme des motifs iconographiques et leurs modifications. Côté INSHS, cette recherche formalisera les critères d’analyse et modifiera profondément notre compréhension de l’histoire de l’écriture (classification, datation, processus évolutifs, morphologie et formalité) ; côté INS2I, on améliorera les techniques d’apprentissage non supervisées de réseaux de neurones et dont les décisions sont traçables et interprétables – enjeu majeur pour le développement d’outils d’apprentissage profond bien au-delà de ce projet.

Projet doctoral

Le ou la doctorant.e, s’inscrivant premièrement dans le champ des humanités, sera placé sous la direction de Dominique Stutzmann (DR2 IRHT-CNRS) et la codirection de Mathieu Aubry (ICPEF, LIGM). Il ou elle devra s’insérer dans les deux équipes du projet (IRHT et LIGM), mais aussi dans deux univers disciplinaires, l’histoire médiévale et l’analyse historique des écritures, d’une part, et l’analyse d’image par ordinateur, d’autre part.

Du point de vue scientifique, le ou la doctorant.e aura pour objectif de caractériser les écritures en alphabet latin du Moyen Âge et d’étudier leurs mécanismes évolutifs en se fondant sur l’étude des signes qui les composent.

Il ou elle devra d’abord mettre en œuvre les outils existants pour créer des « prototypes », une description formalisée des signes de l’écriture (cf. ci-dessous), et valider les résultats et les confronter à la « doctrine » paléographique. Après discussion avec les porteurs sur la pertinence des sources et des types d’écritures analysés, le choix des corpus d’analyse lui reviendra selon ses centres d’intérêts préalables. On peut en effet imaginer des comparaisons en synchronie (e.g. textualis, cursiva, hybrida, semitextualis) comme en diachronie (e.g. onciale, semi-onciale, caroline, praegothica).

Selon les résultats de cette première phase, une annotation pour créer des prototypes valides sera peut-être nécessaire. Le choix de ces annotations sera nourri par une confrontation avec la littérature paléographique et l’exploitation des éditions hyperdiplomatiques existantes, qui ont déjà formalisé des phénomènes efficients pour l’analyse de l’écriture.

Ces phases réalisées, il/elle devra proposer une stratégie de mise en œuvre et d’exploitation des résultats en créant les prototypes et en mesurant les déformations sur les corpus déjà alignés au niveau ligne. Le but sera de proposer des métriques pondérées, en analysant les métriques générées par la vision artificielle (distance entre prototypes et distance entre prototypes et réalisations) et en les corrélant, si possible, aux critères de l’analyse paléographique.

À partir de là, l’analyse pourra être étendue aux corpus non encore annotés pour proposer, selon les divers critères retenus à l’étape précédente, des classifications des écritures à l’échelle large du millénaire médiéval.

Le ou la doctorant.e aura la marge nécessaire pour imaginer des expériences et des analyses dédiées pour appliquer à sa recherche les résultats des collègues.

 

État de l’art

Les écritures des gens du Moyen Âge sont marquées, comme celles du xxie s. mais davantage qu’aux temps modernes, par le multilinguisme et par la coexistence de différentes écritures, de formes multiples, et de stratégies de communication différenciées.

Les études paléographiques ont mis en évidence, au début des années 2010, le besoin d’établir une ontologie des signes de l’écriture au Moyen Âge pour étudier et comprendre les variations et variabilité des écritures. En effet, les mécanismes évolutifs et les processus de « canonisation » des écritures, c’est-à-dire de sélection de formes et de stabilisation provisoire de types d’écritures, restent mal connus et difficiles à mesurer et à caractériser. Alors que les classifications actuelles des écritures médiévales se fondent souvent sur deux ou trois lettres (par ex. ‘a’, ‘l’, ‘s’, cf. [4], [5]), une telle sélection peut mener à d’importantes erreurs d’interprétation historique [6]. De plus, les gens du Moyen Âge nommaient différemment et distinguaient des écritures à partir de traits accessoires, ignorés par les classifications actuelles[7], et qui relèvent généralement des « éléments de style ».

Dans son projet ERC Digipal, P. Stokes a créé un modèle d’analyse, une base de données en ligne et un framework d’abord nommé Digipal puis Archetype pour l’annotation fine des écritures [8], [9]. Ce framework a depuis été utilisé dans plusieurs projets paléographiques et diplomatiques (e.g. Models of Authority). À l’IRHT même, à la suite du projet ANR Graphem [10], M. Gurrado a créé un l’outil Graphoskop pour mesurer les propriétés métrologiques de l’écriture [11], [12]. Ses développements se poursuivent actuellement et se fondant toujours sur l’observation individuelle.

En 2010-2015, l’analyse d’écriture par ordinateur se fondait alors principalement sur la décomposition en connexités ou en l’identification de points d’intérêt, et quelques recherches se poursuivent dans cette direction (par ex. [13], [14], [15, p. 120], [16], [17]). Dans ce contexte, dans le projet ANR Oriflamms, D. Stutzmann et ses collègues ont développé des librairies d’alignement texte-image et publié un corpus aligné de grande ampleur et en open access [18]–[20]. L’alignement texte-image est maintenant largement considéré comme un problème résolu, au niveau page du moins, avec l’insertion de l’outil Text2Image dans Transkribus. Dans Oriflamms, la classification des formes a été entamée : avec des modèles de Markov cachés (HMM), on a modélisé des « événements graphiques » permettant d’étudier la présence d’allographes [21], [22].

L’apprentissage machine (machine learning) a ensuite profondément modifié le paysage de la recherche sur les écritures manuscrites. Après des décennies de recherche en Reconnaissance Optique des Caractères (ROC ou OCR pour Optical Character Recognition) donnant accès au « plein texte » d’imprimés anciens numérisés (Google Livres, Gallica, etc.), la reconnaissance d’écriture manuscrite (REM ou HTR pour Handwritten Text Recognition) est apparue possible. Au sein d’un riche écosystème de projets, le projet européen Himanis, aussi sous la direction de D. Stutzmann, a donné accès pour la première fois à large échelle au texte de manuscrits médiévaux. L’application à des corpus médiévaux est devenue commune. C’est aujourd’hui une technologie mûre utilisée dans des infrastructures à échelle industrielle (Transkribus, eScriptorium, Arkindex de Teklia), même si le character error rate ne descend généralement pas sous 8 %. Le Consortium pour la Reconnaissance d’Écriture Manuscrite des Matériaux Anciens (CREMMA) cherche à rassembler et unifier les corpus d’entraînement (HTR-United). Dans ce contexte, les recherches en ontologie des formes ont été mise en pause, pour l’étude paléographique et celles des fontes (cf. Paradiit [23]).

Parallèlement à ces développements concentrés sur l’obtention du texte par HTR, la recherche en paléographie a intégré le machine learning avec la création de corpus et la tenue de compétitions de classification et datation des manuscrits et d’identification des copistes [24]–[26]. Même si parfois les modèles sont fondés sur des caractères graphiques (par ex. logiciel GIWIS[27]–[29] ou avec des SIFT features), les résultats finaux ne sont pas interprétables finement [30], [31]. En revanche, un nouveau courant se développe qui revient à l’échelle du signe, notamment avec les éditions dites « hyper­diplomatiques » [32], [33], très longues à établir et imposant des choix restrictifs. Certains projets annotent des mots ou des parties de lettres pour entraîner des reconnaisseurs [34], mais les résultats sont actuellement très limités. Dans le projet Ecmen, D. Stutzmann et ses collègues ont créé un vaste corpus hyper­diplomatique, aligné avec les images numériques au niveau de la ligne. Des exploitations des transcriptions ont été réalisées [35], [36], mais l’exploitation conjointe du texte encodé et de l’image est encore hors de portée.

Le clustering d’images et la découverte de motifs répétés dans les images, notamment fondées sur des réseaux neuronaux, a fait l’objet de recherches innombrables.  Dans le cadre du projet ANR JCJC EnHerit, visant à développer de nouvelles méthodes pour l’enrichissement de bases de données patrimoniales, M. Aubry et ses collègues ont proposé et mis en œuvre des technologies d’analyse des documents [37]–[39] et ils poursuivent leur recherche en analyse de documents historiques, notamment dans le cadre du projet ANR VHS (https://vhs.hypotheses.org)[40]. Ils viennent de proposer une nouvelle méthode de clustering invariant à des transformations basées sur des approches d’apprentissage profond (« Deep Transformation-Invariant Clustering ») [41] qui vise à regrouper les motifs et à aligner les images en rendant le groupement insensible à certaines familles de transformations. Cette technique permet de de représenter chaque cluster par un « prototype » et de modéliser les transformations (spatiales, colorimétriques, morphologiques) intervenant entre le prototype et chaque image qui y est assignée. Ils ont ensuite étendu cette méthode pour pouvoir traiter des images contenant plusieurs objets (ce qui est le cas de lignes de textes) et séparer le motif (dans notre cas les lettres) de l’arrière-plan [42]. Cette technique nouvelle est prometteuse pour distinguer l’ensemble des différents signes dans des lignes d’écriture.

Verrous

Le projet CrEMe vise à renouveler la compréhension des écritures médiévales par une approche systématique et globale pour les corpus étudiés, grâce à une analyse locale et interprétable des signes soutenue par des avancées en analyse d’image par intelligence artificielle. La variabilité des écritures médiévales est extrême, ce qui rend leur analyse à large échelle très difficile. Différentes familles d’écriture coexistent, plus ou moins corrélées avec des morphologies spécifiques, dont l’apparence ou la nature sont modifiées par des processus de cursivité (liaison entre les lettres), de distinction de formalité et d’éléments de style. Elles peuvent être utilisées ensemble et spécialisées pour hiérarchiser l’information, ce qui impose une approche semi-supervisée. Un verrou technologique doit être ouvert pour caractériser l’ensemble des signes employés et faire apparaître leurs transformations puis analyser les évolutions des profils scribaux et des systèmes graphiques.

Les annotations manuelles de type Digipal/Archetype ou Graphoskop et les éditions hyperdiplomatiques imposent un travail manuel trop intensif et doivent se limiter à des corpus restreints. En outre, elles ne peuvent pas se fonder sur une normalisation commune, malgré des demandes anciennes [43] et le soutien du CREMMA. Cela diminue l’intérêt des systèmes HTR développés en vue d’éditions hyperdiplomatiques, qui ne peuvent de toute façon pas faire coïncider les prédictions des versions imitative et normalisée au niveau nécessaire pour l’analyse historique [44], [45]. Ainsi, toutes ces voies ne fournissent pas assez d’indications sur la forme des signes pour comprendre les cohérences et les évolutions des systèmes graphiques dans l’écriture du millénaire médiéval.

Pour la création de « prototypes » des différents signes, la variabilité des écritures médiévales impose plusieurs verrous : (a) les signes évoluent progressivement dans le temps, de sorte qu’établir des « prototypes » impose de discrétiser ce qui est d’abord un continuum évolutif ; (b) l’existence d’écritures cursives, où les signes sont non seulement déformés, mais liés ou fusionnés ; (c) les signes peuvent être modifiés par la présence de signes abréviatifs qui sont conceptuellement dissociés ; (d) la déformation des écritures selon leur dimension réelle pour des raisons techniques ; (e) la modélisation des niveaux de formalité et leur impact sur la forme de l’écriture est encore balbutiante [4]. Pour étudier (d), une difficulté technique est que l’échelle de nombreuses images numériques est inconnue (e.g. numérisation de microfilms).

Il faudra réussir à exploiter de façon cohérente des données visuelles dont la signification est une construction sociale plutôt que des objets du monde réel. Ainsi, selon les temps et les lieux, la même forme pourra signifier ‘g’ ou ‘s’, ‘a’, ‘d’, ‘ct’ ou ‘s’ [20]. La construction de « prototypes » et leur étude ne sera pertinente qu’en tenant compte des textes représentés. De façon exploratoire, il s’agira aussi de combiner des modélisations différentes et d’établir des pondérations variées pour comparer des métriques de déformation sur l’image et des effets sur la perception visuelle ou la classification des écritures.

Pour atteindre les objectifs d’une étude allant du « local », car au niveau du signe, au « global », car étudiant l’ensemble du Moyen Âge et non un corpus restreint et homogène, en passant par les échelles intermédiaires des styles et des écritures, une recherche interdisciplinaire est nécessaire. Les SHS doivent interpréter les informations qualitatives, en particulier la signification des signes, et les STIC doivent développer les moyens de la métrique sur les images des signes à large échelle.

Méthodologie

Les recherches du projet CrEMe complèteront les travaux de l’ÉquipEx Biblissima+ et s’appuieront sur les ressources de l’IRHT et les résultats du projet ANR Oriflamms, qui a constitué des corpus d’études, préparé la caractérisation différentielle (ou ontologie) des signes utilisés au Moyen Âge et théorisé le cadre d’étude [19], [20]. L’objectif est de généraliser l’observation des phénomènes et d’analyser les corrélations des facteurs internes et externes de l’écriture.

Les développements récents du LIGM et la création automatique de « prototypes » sont prometteurs, car ils permettent d’envisager non seulement l’identification sur l’image des réalisations de chaque prototype, mais aussi d’étudier et de mesurer objectivement les transformations subies entre les différentes réalisations (changement de module, de forme, de couleur) en plus d’une caractérisation par un changement dans l’ordre et l’exécution des traits (ductus et style). Ils permettront ainsi de distinguer différents scribes au sein d’un même manuscrit ou entre manuscrits, d’étudier les évolutions d’un même scribe, de caractériser les écritures sur une longue période et de renouveler l’analyse de leur évolution.

Une étape d’analyse préliminaire consistera à confronter les résultats d’extraction non supervisée de prototypes avec des conclusions obtenues soit par analyse qualitative, soit par analyse d’image au niveau global. La comparaison avec l’analyse qualitative sera double. Il faudra d’une part déterminer si les prototypes détectés sont interprétables selon les grilles de l’analyse paléographique traditionnelle et d’autre part déterminer si des répartitions significativement différentes de prototypes correspondent à des changements identifiés de scripteur. Cette opération sera répétée pour voir s’il y a une corrélation entre emploi différencié de prototypes et distinction de scripteur par analyse globale.

Selon les résultats de cette phase préliminaire, nous envisageons ensuite d’annoter un petit nombre de caractères pour produire rapidement et sans risque un ensemble de prototypes et d’alignements (déformations spatiales, épaisseur de traits) pertinents pour l’analyse historique. Cette étape permettra d’une part à l’étudiant.e de monter en compétence dans l’utilisation des algorithmes de vision artificielle utiles dans le projet sans avoir à programmer de nouvelles fonctionnalités et d’autre part de vérifier la pertinence des résultats obtenus pour l’analyse paléographique, ainsi que de donner de premier élément de réflexion sur cette dimension.

Dans un second temps, l’algorithme sera adapté pour fonctionner à partir d’annotation faibles, i.e. à partir de lignes de textes et de leurs transcriptions, sans annotation à l’échelle du caractère. Cela permettra d’étendre les caractéristiques étudiées à celles concernant plusieurs caractères (échelle, rotation, positionnements relatifs de différents caractères, éléments de style). Il est à noter qu’une fois les modèles de caractères appris, il sera possible de les appliquer pour extraire les caractéristiques de lettres sur des documents similaires sans aucune annotation disponible.

Selon les résultats des étapes précédentes, nous étendrons la méthode à l’analyse de lignes de textes sans aucune annotation, qui permettra de considérer des bases de données beaucoup plus larges. Le développement d’un tel algorithme pour des textes imprimés est actuellement en cours dans l’équipe du LIGM et donne des résultats suffisamment bons pour envisager son extension à des textes manuscrits.

Cette dernière partie est la plus risquée. Cette étape sera préparée par une formalisation des critères d’analyse en comparant métriques de vision artificielle et d’analyse paléographique pour permettre l’interprétation de résultats même imparfaits. Pour pallier ce risque, les partenaires peuvent aussi se fonder sur les corpus annotés finement dans les projets Oriflamms et Ecmen. Ils sont déjà vastes (2000 pages, 80 000 lignes) et comprennent aussi bien la transcription graphématique que la transcription normalisée. Ils permettent d’associer l’analyse textuelle et linguistique avec l’analyse graphique et de tester des hypothèses sur les rapports entre morphologie, formalité, type d’écriture, type de texte, ainsi que pour la chronologie et la géographie de production.

Résultats attendus

Le projet a des ambitions à la fois en SHS et en STIC et peut viser des applications avec un impact pour le grand public via une amélioration de la lecture automatisée par HTR. Du côté SHS, le premier résultat sera de créer un nouveau référentiel d’analyse et d’étendre les grilles de lecture actuelle qui classent les écritures selon les morphologies d’un faible nombre de lettres. Dans une interaction constante entre les données préparées par des historiens et les traitements automatisés, non-supervisés d’abord, supervisés ou semi-supervisés ensuite, l’analyse des écritures prendra place ensuite, tant pour définir des types d’écriture selon l’agencement des « prototypes » qui pourront y être détectés de façon stable que pour mesurer leurs variations. Dans cette interaction, la capacité des outils d’analyse d’image à formuler des « prototypes », et éventuellement à les subdiviser ou à proposer des combinaisons sera affinée. Leur repérage dans des corpus dépourvus d’annotation sera, indépendamment des progrès d’HTR, un moyen d’aborder la réalité graphique de manuscrits sans passer par le texte, tant pour l’analyse historique que pour proposer une des proto-éditions diplomatiques. Du point de vue de la vision artificielle, cette approche complètement nouvelle de l’analyse de texte manuscrit permettra d’envisager non seulement de reconnaître du texte sans supervision, mais également de modéliser précisément la forme de chaque caractère. Au-delà de l’application étudiée dans le cadre de ce projet, l’approche développée produira des résultats interprétables, une caractéristique rare dans les algorithmes d’intelligence artificielle, mais essentielle pour des utilisations avancées et leur acceptabilité sociale.

Dans l’interaction entre les deux processus également, l’interprétation des métriques sera un domaine nouveau. En effet, à l’heure actuelle, les historiens sont à peu près démunis d’outils pour mesurer les distances entre des objets différents et sont obligés de repasser des modélisations très arbitraires. En l’occurrence il s’agit d’écritures (pour une approche entre des alphabets et systèmes d’écriture différents, cf. [46]), mais la prise en compte envisagées de plusieurs modélisations concurrentes (ici morphologie, style, formalité) pour un même objet sera également un apport pour les autres disciplines.

Complémentarité des équipes et contribution des participants

Les deux équipes partenaires (IRHT et École des Ponts ParisTech) forment un consortium interdisciplinaire et collaborent déjà ensemble dans d’autres projets interdisciplinaires, notamment avec le projet « Filigranes pour tous » soutenu par l’Iris « Données de la science, sciences des données ». Les différentes recherches de chacun des deux laboratoires montrent leur capacité à déborder les frontières disciplinaires et à poser en commun des questions d’analyse du document en historien.en.s et informaticien.ne.s à l’occasion des ressources patrimoniales. Fortement impliqué dans l’ÉquipEx Biblissima+, infrastructure numérique multipolaire de recherche fondamentale et de service consacrée à l’histoire de la transmission des textes anciens, l’IRHT mènera des développements connexes qui enrichiront et soutiendront le projet CrEMe.

Les deux porteurs du projet ont déjà eu l’occasion de travailler ensemble et partagent d’autres centres d’intérêt communs au-delà de l’analyse de l’écriture, allant de l’analyse du document (mise en page, extraction des éléments de décor) à l’analyse textuelle (HTR, reconnaissance des entités nommées).

Dans le cadre du présent projet, les besoins de modélisation et d’exploitation des données se trouvent avec la même urgence pour les deux équipes et chacune a besoin des capacités de l’autre pour avancer dans son analyse. Créer des « prototypes » avec des formes ambiguës qui représenteraient des graphèmes divers n’aurait pas de sens, mais toute analyse paléographique sur un corpus trop restreint se révélerait vaine par rapport aux objectifs du présent projet.

L’IRHT assure la mise à disposition des corpus d’analyse qui ont déjà été constitués au cours des projets ANR Oriflamms et Ecmen, et assure l’expertise sur les données (formats et capacité descriptive), de façon à ce qu’un.e doctorant.e puisse procéder au traitement statistique et à l’analyse des données textuelles encodées. Il fournit aussi un cadre dynamique avec des développements liés intellectuellement.

Des librairies d’identification de scribes ou de classification d’écritures existent et peuvent être utilisées soit off the shelf, soit améliorées, et les résultats pourront être confrontés avec les clusters de signes produits par DTI clustering. L’IRHT assurera aussi l’accompagnement dans la découverte et la prise en main de librairies de reconnaissance de scripteur avec lesquels on pourra comparer les résultats des analyses au sein du présent projet.

Le LIGM met à disposition les librairies de clustering et de découverte de motifs qui sont déjà développées. Ces librairies ne sont pas utilisables off the shelf et devront être adaptées à la spécificité du problème.

Les directeurs de thèse en cotutelle consacreront cinq à six mois-personne au suivi. Les recherches interdisciplinaires présentent des difficultés spécifiques nécessitant d’importants efforts de communication et de médiation, et l’adoption d’un méta-langage commun. Le ou la doctorant.e assistera aux réunions hebdomadaires de projet de l’IRHT et bénéficiera d’une réunion hebdomadaire de suivi spécifique. Des collaborations avec des doctorants ou post-doctorants travaillant sur ces thématiques au laboratoire Gaspard Monge (UMR8049) sont également envisageables. Des stages longs permettront d’explorer des hypothèses et des développements partiels.

 

Rôle du/de la doctorant.e

L’allocation doctorale sera attribuée à un.e étudiant.e SHS avec un solide intérêt pour les humanités numériques et la programmation. Il ou elle devra être capable de mettre en œuvre les librairies logicielles existantes, de procéder à de nouveaux entraînements et de tester différents paramètres. Il ou elle sera codirigé.e par les deux porteurs du projet CrEMe.

Il/elle travaillera avec les deux équipes du projet, IRHT et LIGM, et bénéficiera de leur soutien. En particulier, l’IRHT recrutera grâce à l’ÉquipEx Biblissima+ et durant le temps du contrat doctoral des ingénieurs pour (a) affiner les concepts de typologies textuelles, (b) créer un identifiant unique standard pour les manuscrits, (c) alimenter des référentiels de noms de lieux, (d) classifier les éléments graphiques sur les pages, (e) cataloguer automatiquement les textes transmis dans les manuscrits, (f) repérer les entités nommées. Ces développements ne sont pas directement liés au projet CrEMe, mais permettront de nourrir et compléter les recherches menées par le ou la doctorant.e CrEMe. En effet les textes transmis, leur typologie, la présence d’élément graphiques sur la page, la nature sémantique des mots (noms de lieux/personnes) peuvent avoir un impact sur la façon dont les signes sont tracés. Le ou la doctorant.e aura la marge nécessaire pour imaginer des expériences et des analyses dédiées pour appliquer à sa recherche les résultats des collègues.

En raison du profil désiré du ou de la doctorant.e, il faut également stabiliser les développements au LIGM et « mettre en production » des codes encore expérimentaux ou en développement. Pour cela, le contrat doctoral devra être accompagné d’un « stage long » d’ingénieur informatique qui prend la forme d’un contrat CDD au LIGM pour attirer de bon.ne.s candidat.e.s.

Le contrat doctoral devra permettre non seulement une insertion dans les deux équipes du projet, mais aussi dans deux univers disciplinaires. À cette fin, il est important de multiplier les contacts humains et l’élaboration d’une langue commune (le « créole » de M. Kemman [47]). Le contrat doctoral devra donc être doté également d’un budget de mission important. En revanche les porteurs ne prévoient pas de budget pour des manifestations scientifiques spécifiques, car il sera fourni par le cluster 3 de Biblissima+. Le ou la doctorante sera associée à l’organisation des réunions annuelles du cluster 3.

Du point de vue scientifique, le ou la doctorant.e devra d’abord mettre en œuvre les outils existants pour créer des prototypes, valider les résultats et les confronter à la « doctrine » paléographique. Après discussion avec les porteurs sur la pertinence des sources et des types d’écritures analysés, le choix lui reviendra selon ses centres d’intérêts préalables. On peut en effet imaginer des comparaisons en synchronie (e.g. textualis, cursiva, hybrida, semitextualis) ou en diachronie (e.g. onciale, semi-onciale, caroline, praegothica).

Selon les résultats de cette première phase, une annotation pour créer des prototypes valides sera peut-être nécessaire. Le choix de ces annotations sera nourri par une confrontation avec la littérature paléographique et l’exploitation des éditions hyperdiplomatiques existantes, qui ont déjà formalisé des phénomènes efficients pour l’analyse de l’écriture.

Ces phases réalisées, il/elle devra proposer une stratégie de mise en œuvre et d’exploitation des résultats en créant les prototypes et en mesurant les déformations sur les corpus déjà alignés au niveau ligne. Le but sera de proposer des métriques pondérées, en analysant les métriques générées par la vision artificielle (distance entre prototypes et distance entre prototypes et réalisations) et en les corrélant, si possible, aux critères de l’analyse paléographique[48]. Ces métriques devront être corrélées aux différents niveaux de granularité de l’expertise historique (e.g. distinguer des scribes, des types d’écritures, des familles d’écritures ou des lieux de production).

À partir de là, l’analyse pourra être étendue aux corpus non encore annotés pour proposer, selon les divers critères retenus à l’étape précédente, des classifications des écritures à l’échelle large du millénaire médiéval.

Directeurs de thèse

STUTZMANN Dominique (https://cv.archives-ouvertes.fr/dominique-stutzmann)

Dominique Stutzmann est un historien du Moyen Âge, directeur de recherche à l’Institut de Recherche et d’Histoire des Textes (IRHT, UPR-841), spécialisé en histoire graphique et socio-culturelle de l’écriture et en analyse d’image par ordinateur appliquée aux sources écrites médiévales. Il a soutenu en 2002 une thèse à l’École nationale des Chartes, en 2009 une thèse de doctorat sur les pratiques de l’écrit chez les Cisterciens (Univ. Paris 1) et en 2021 une habilitation à diriger des recherches (HDR) avec un mémoire inédit sur les Réseaux et politiques documentaires de l’Ordre cistercien aux xiie et xiiie siècles. Après avoir travaillé à Berlin (Staatsbibliothek zu Berlin) et à la Bibliothèque nationale de France (dép. Bibliothèque numérique), il dirige depuis 2010 la section de Paléographie latine à l’IRHT, est membre du Comité international de paléographie latine, du bureau de la Société des historiens médiévistes (SHMESP), du comité de programmation de l’International Medieval Congress de Leeds, du réseau ICARUS, des comités de Scriptorium et de Cîteaux Commentarii Cistercienses. Il a été / est membre du comité scientifique du projet AHRC Models of Authority et du projet du projet ERC Pages of Prayer, et fellow du Schoenberg Institute à « Penn » (Univ. of Pennsylvania, Philadelphie).

Il a dirigé/dirige de nombreux projets interdisciplinaires, financés par des instances nationales et internationales pour un montant de plus de 2 millions d’euros. En particulier, deux projets européens HIMANIS – HIstorical MANuscript Indexing for user-controlled Search (JPI Cultural Heritage, 2015-2018, 410 k€) qui a mené à l’indexation du premier corpus massif et en accès libre de sources médiévales avec moteur « plein texte » (80 000 pages, 200 manuscrits) et HOME – History of Medieval Europe (JPI Cultural Heritage, 2018-2021, 422 k€) ; et deux projets ANR : ORIFLAMMS – Ontology Research, Image Features, Letterform Analysis on Multilingual Medieval Scripts (ANR 12-CORP-0010, 2013-2016, 241 k€) et HORAE – Hours, Recognition, Analysis, Editions (ANR 17-CE38-0008, 2018-2022, 402 k€) ; ainsi qu’un projet de la Ville de Paris, ECMEN – Écriture médiévale et outils numériques (Emergence(s), 2015-2019, 260 k€). Ces projets ont en commun d’interroger de larges corpus de sources médiévales jusqu’ici inaccessibles, à la fois en donnant accès à un texte transcrit, mais aussi au texte comme image et, ainsi, à la nature sociale de l’écriture comme instrument de représentation. Il coordonne actuellement le cluster 3 « Intelligence artificielle, reconnaissance de formes et d’écritures manuscrites » de l’ÉquipEx Biblissima+ (ANR-21-ESRE-0005).

Il a publié deux monographies en nom propre, édité trois livres collectifs et publié une centaine d’articles scientifiques et de communications. Il publie ses jeux de données en accès libre (Zenodo, e.g. [1]–[3] et Github).

 

AUBRY Mathieu

Mathieu Aubry est chercheur en vision artificielle (statutairement ICPEF, Ingénieur en Chef des Ponts, Eaux et Forêts) dans l’équipe A3SI du Laboratoire d’Informatique Gaspard Monge (LIGM, UMR-8049) depuis 2014. Il a soutenu en 2015 à l’ENS une thèse en informatique sur la représentation des formes 3D, et en 2019 à l’université Paris Est une habilitation à diriger des recherches (HDR) sur l’utilisation de l’apprentissage pour la reconnaissance intermodale et la représentation paramétrique de formes. Il a (co-)encadré 6 thèses soutenues et a été rapporteur de 6 autres. Il travaille depuis 2015 sur le développement d’outils de vision artificielle pour les humanités numériques, notamment en (co-)dirigeant un projet du France-Berkeley-Fund (FBF) sur la recon­naissance de motifs répétés dans les œuvres d’art (2017-2018), le projet ANR JCJC EnHerit (2017-2021) sur l’augmentation automatique des bases de données patrimoniales et le projet ANR VHS (2021-2025) sur l’étude de la diffusion des illustration scientifiques. Il co-organise également le séminaire Digital Humanities and Artificial Intelligence (DHAI). Il a publié de nombreux articles scientifiques, dont 10 cités plus de 100 fois (h-index 22). Il intervient régulièrement comme conférencier invité, par exemple récemment dans le ACM Multimedia 2021 workshop on Structuring and Understanding of Multimedia heritAge Contents (SUMAC).

Références

[1]    D. Stutzmann, S. Torres Aguilar, et P. Chaffenet, « HOME-Alcar: Aligned and Annotated Cartularies ». Zenodo, 26 octobre 2021. doi: 10.5281/zenodo.5600884.

[2]    D. Stutzmann, S. Hamel, I. de Kernier, G. Mühlberger, et G. Hackl, « HIMANIS Guérin ». Zenodo, 29 septembre 2021. doi: 10.5281/zenodo.5535306.

[3]    D. Stutzmann, C. Tensmeyer, et V. Christlein, « Script Classification and Writer Identification: Two Tasks for a Common Understanding of Cultural Heritage  – Dataset ». Zenodo, 25 septembre 2021. doi: 10.5281/zenodo.5527711.

[4]    A. Derolez, The Palaeography of Gothic Manuscript Books from the Twelfth to the Early Sixteenth Century. Cambridge: Cambridge University Press, 2003.

[5]    M. H. Smith, « [recension] Derolez (Albert). The Palaeography of Gothic Manuscript Books. From the Twelfth to the Early Sixteenth Century. Cambridge: Cambridge University Press, 2003 », Scriptorium, vol. 58, p. 274‑279, 2004.

[6]    S. Zamponi, « The Papyri of Dura Europos in the History of Latin Script », in Scribes and the Presentation of Texts (from Antiquity to c. 1550), B. A. Shailor et C. W. Dutschke, Éd. Turnhout: Brepols, 2021, p. 13‑28. doi: 10.1484/M.BIB-EB.5.124968.

[7]    F. Gasparri, « Sur la terminologie médiévale des écritures », Archivum Latinitatis Medii Aevi, vol. 65, p. 261‑277, 2007.

[8]    S. J. Brookes, P. A. Stokes, M. Watson, et D. Marques de Matos, « The DigiPal Project for European Scripts and Decorations », in Writing Europe, 500-1450: Texts and Contexts, A. Conti, P. Shaw, et O. D. Rold, Éd. Rochester: Boydell & Brewer, 2015, p. 25‑58.

[9]    G. Noël, G. Buomprisco, R. Galdieri, M. Vieira, et P. Stokes, kcl-ddh/digipal: 2.8. Zenodo, 2022. doi: 10.5281/zenodo.5883194.

[10] D. Muzerelle, « À la recherche d’algorithmes experts en écritures médiévales », Gazette du livre médiéval, vol. 56, no 1, p. 5‑20, 2011, doi: 10.3406/galim.2011.1979.

[11] M. Gurrado, « Graphoskop: uno strumento informatico per l’analisi paleografica quantitativa », in Kodikologie und Paläographie im digitalen Zeitalter – Codicology and Palaeography in the Digital Age, M. Rehbein, P. Sahle, et T. Schaßan, Éd. Norderstedt: BoD, 2009, p. 251‑259. [En ligne]. Disponible sur: http://kups.ub.uni-koeln.de/2973/

[12] M. Gurrado et D. Stutzmann, « Mesure et histoire des écritures médiévales », in Mesure et histoire médiévale. XLIIIe Congrès de la SHMESP, Tours, 31 mai-2 juin 2012, vol. 123, PUPS, 2013, p. 153‑166. Consulté le: 9 août 2018. [En ligne]. Disponible sur: https://hal.archives-ouvertes.fr/hal-01855268

[13] L. Wolf, N. Dershowitz, L. Potikha, T. German, R. Shweka, et Y. Choueka, « Automatic Paleographic Exploration of Genizah Manuscripts », in Kodikologie und Paläographie im digitalen Zeitalter 2 – Codicology and Palaeography in the Digital Age 2, F. Fischer, C. Fritze, et G. Vogeler, Éd. Norderstedt: BoD, 2011, p. 157‑179. [En ligne]. Disponible sur: http://kups.ub.uni-koeln.de/4348/

[14] H. Daher, V. Églin, S. Brès, et N. Vincent, « Étude de la dynamique des écritures médiévales. Analyse et classification des formes écrites », Gazette du livre médiéval, vol. 56‑57, p. 21‑41, 2011, doi: https://doi.org/10.3406/galim.2011.1980.

[15] T. Hassner, R. Sablatnig, D. Stutzmann, et S. Tarte, Éd., « Digital Palaeography: New Machines and Old Texts », Dagstuhl Reports, vol. 4, no 7, p. 112‑134, 2014, doi: 10.4230/DagRep.4.7.112.

[16] S. Fiel et R. Sablatnig, « Writer Identfication on Historical Glagolitic Documents », Magazin für digitale Editionswissenschaften, vol. 4, p. 7‑19, 2017.

[17] M. Dahllöf, « Automatic Scribe Attribution for Medieval Manuscripts », Digital Medievalist, vol. 11, no 1, Art. no 1, déc. 2018, doi: 10.16995/dm.67.

[18] D. Stutzmann, « Ontologie des formes et encodage des textes manuscrits médiévaux. Le projet ORIFLAMMS », Document numérique, vol. 16, no 3, p. 81‑95, 2013, doi: 10.3166/DN.16.3.69-79.

[19] Consortium Oriflamms, « Compte-rendu final du projet ORIFLAMMS / ORIFLAMMS Final report », Écriture médiévale & numérique | Écritures médiévales et lecture numérique. Carnet du projet ORIFLAMMS (Ontology Research, Image Features, Letterform Analysis on Multilingual Medieval Scripts), 1 avril 2017. http://oriflamms.hypotheses.org/1592 (consulté le 25 mai 2017).

[20] D. Stutzmann, « Variability as a Key Factor For Understanding Medieval Scripts: the ORIFLAMMS project (ANR-12-CORP-0010) », in Digital Palaeography, S. J. Brookes, M. Rehbein, et P. A. Stokes, Éd. Routledge, Taylor & Francis Group, 2018. [En ligne]. Disponible sur: https://halshs.archives-ouvertes.fr/halshs-01778620

[21] D. Stutzmann, T. Bluche, A. Lavrentiev, Y. Leydier, et C. Kermorvant, « From Text and Image to Historical Resource: Text-Image Alignment for Digital Humanists », présenté à Digital Humanities 2015, Sydney, 2015. Consulté le: 29 juin 2015. [En ligne]. Disponible sur: https://hal.archives-ouvertes.fr/hal-01855337/document

[22] T. Bluche, D. Stutzmann, et C. Kermorvant, « Automatic Handwritten Character Segmentation for Paleographical Character Shape Analysis », in 2016 12th IAPR Workshop on Document Analysis Systems (DAS), avr. 2016, p. 42‑47. doi: 10.1109/DAS.2016.74.

[23] F. Rayar et al., « PaRADIIT Project: Main Concepts and Outcomes », Tours, France, avr. 2014. Consulté le: 14 décembre 2021. [En ligne]. Disponible sur: https://hal.archives-ouvertes.fr/hal-01094430

[24] M. Kestemont, V. Christlein, et D. Stutzmann, « Artificial Paleography: Computational Approaches to Identifying Script Types in Medieval Manuscripts », Speculum, vol. 92, no S1, p. S86‑S109, oct. 2017, doi: 10.1086/694112.

[25] V. Christlein, A. Nicolaou, M. Seuret, D. Stutzmann, et A. Maier, « ICDAR 2019 Competition on Image Retrieval for Historical Handwritten Documents », in 2019 15th IAPR International Conference on Document Analysis and Recognition (ICDAR), sept. 2019, vol. 01, p. 1505‑1509. doi: 10.1109/ICDAR.2019.00242.

[26] M. Seuret et al., « ICDAR 2021 Competition on Historical Document Classification », in Document Analysis and Recognition – ICDAR 2021, Cham, 2021, p. 618‑634. doi: 10.1007/978-3-030-86337-1_41.

[27] J. Smit, « Meten is weten? De toepassing van het Groningen Intelligent Writer Identification System (GIWIS) op Hollandse kanselarij-oorkonden, 1299-1345 », Bulletin de la Commission royale d’Histoire, vol. 176, no 2, Chancelleries princières et Scriptoria dans les anciens Pays-Bas Xe-XVe siècles / Vorstelijke kanselarijen en Scriptoria in de Lage Landen, 10de-15de eeuw, p. 343‑360, 2010.

[28] J. Smit, « The Death of the Palaeographer? Experiences with the Groningen Intelligent Writer Identification System (GIWIS) », Archiv für Diplomatik, vol. 57, p. 413‑426, 2011.

[29] E. Leclercq, « L’élaboration des chartes médiévales : l’exemple des évêchés d’Arras, Cambrai et Liège (XIe-XIIe siècles) », phdthesis, Université de Strasbourg, 2019. Consulté le: 8 février 2022. [En ligne]. Disponible sur: https://tel.archives-ouvertes.fr/tel-02481139

[30] D. Stutzmann, « Clustering of medieval scripts through computer image analysis: Towards an evaluation protocol », Digital Medievalist, vol. 10, juin 2016, doi: 10.16995/dm.61.

[31] D. Stutzmann, C. Tensmeyer, et V. Christlein, « Writer Identification and Script Classification. Two Tasks for a Common Understanding of Cultural Heritage », manuscript cultures, vol. 15, p. 11‑24, 2020.

[32] H. W. Klug, « Editorial guidelines for the hyperdiplomatic transcriptions in the CoReMA project », 2020. https://gams.uni-graz.at/o:corema.editorialdec/TEI_SOURCE.2021-03-25 (consulté le 27 janvier 2022).

[33] W. Haverals et M. Kestemont, « UnEditing the Unspoken: hyperdiplomatic digital editions of the remarkable vernacular MS collection of the Herne Charterhouse (c. 1350-1400) », présenté à Dark Archives 20/21: A Year-Long Voyage into the Medieval Unread and Unreadable, Oxford, 13 mars 2021. Consulté le: 27 janvier 2022. [En ligne]. Disponible sur: https://aevum.space/darkarchives/20/21/unedition/unediting-the-unspoken

[34] S. Ammirati et P. Merialdo, « In codice ratio. Machine learning meets historical research », présenté à Heritage Science on Air. Handwritten Text Recognition for Manuscripts and Documents. Comparing experiences, Napoli, 1 février 2022. Consulté le: 9 février 2022. [En ligne]. Disponible sur: https://www.youtube.com/watch?v=01-H41klLR8

[35] D. Stutzmann, « Conjuguer diplomatique, paléographie et édition électronique. Les mutations du XIIe siècle et la datation des écritures par le profil scribal collectif », in Digital diplomatics. The computer as a tool for the diplomatist, Köln: Böhlau, 2014, p. 271‑290.

[36] D. Stutzmann, V. Mariotti, et F. Ceresato, « Les abréviations dans les manuscrits français du XIIIe siècle : analyses statistiques », présenté à L’emersione delle scritture volgari – L’émergence des écrits en langue vulgaire – The rise of vernacular writing La prospettiva paleografica – Le point de vue paléographique – The palaeographical perspective. XXI Convegno del Comité international de paléographie latine, févr. 2020. Consulté le: 7 février 2022. [En ligne]. Disponible sur: https://halshs.archives-ouvertes.fr/halshs-03560918

[37] X. Shen, A. A. Efros, et M. Aubry, « Discovering Visual Patterns in Art Collections with Spatially-consistent Feature Learning », arXiv:1903.02678 [cs], mars 2019, Consulté le: 7 février 2022. [En ligne]. Disponible sur: http://arxiv.org/abs/1903.02678

[38] T. Monnier et M. Aubry, « docExtractor: An off-the-shelf historical document element extraction », in 2020 17th International Conference on Frontiers in Handwriting Recognition (ICFHR), sept. 2020, p. 91‑96. doi: 10.1109/ICFHR2020.2020.00027.

[39] X. Shen et al., « Large-Scale Historical Watermark Recognition: dataset and a new consistency-based approach », in 2020 25th International Conference on Pattern Recognition (ICPR), janv. 2021, p. 6810‑6817. doi: 10.1109/ICPR48806.2021.9412762.

[40] R. Kaoua, X. Shen, A. Durr, S. Lazaris, D. Picard, et M. Aubry, « Image Collation: Matching illustrations in manuscripts », arXiv:2108.08109 [cs], août 2021, Consulté le: 8 février 2022. [En ligne]. Disponible sur: http://arxiv.org/abs/2108.08109

[41] T. Monnier, T. Groueix, et M. Aubry, « Deep Transformation-Invariant Clustering », présenté à 34th Conference on Neural Information Processing Systems (NeurIPS 2020), Vancouver, 2020. [En ligne]. Disponible sur: https://proceedings.neurips.cc/paper/2020/file/5a5eab21ca2a8fef4af5e35709ecca15-Paper.pdf

[42] T. Monnier, E. Vincent, J. Ponce, et M. Aubry, « Unsupervised Layered Image Decomposition into Object Prototypes », 2021. [En ligne]. Disponible sur: https://arxiv.org/abs/2104.14575

[43] D. Stutzmann, « Paléographie statistique pour décrire, identifier, dater… Normaliser pour coopérer et aller plus loin ? », in Kodikologie und Paläographie im digitalen Zeitalter 2 – Codicology and Palaeography in the Digital Age 2, Norderstedt: BoD, 2010, p. 247‑277.

[44] J.-B. Camps, C. Vidal-Gorène, et M. Vernet, « Handling Heavily Abbreviated Manuscripts: HTR engines vs text normalisation approaches », 2021, p. 306. doi: 10.1007/978-3-030-86159-9_21.

[45] D. J. Wrisley et E. Guéville, Rethinking the Abbreviation: questions and challenges of machine reading medieval scripta, (28 septembre 2020). Consulté le: 6 juillet 2021. [En ligne Vidéo]. Disponible sur: https://www.youtube.com/watch?v=p38lvPRRNmA

[46] G. Hosszú, Scriptinformatics. Extended Phenetic Approach to Script Evolution. Budapest: Napkiado, 2021. Consulté le: 18 mars 2021. [En ligne]. Disponible sur: http://napkiado.hu/media/Hosszu_Gabor-Scriptinformatics.pdf

[47] M. Kemman, Trading Zones of Digital History. De Gruyter, 2021. doi: 10.1515/9783110682106.

[48] M. Aussems et A. Brink, « Digital palaeography », in Kodikologie und Paläographie im digitalen Zeitalter – Codicology and Palaeography in the Digital Age, M. Rehbein, P. Sahle, et T. Schaßan, Éd. Norderstedt: BoD, 2009, p. 293‑308.


Une réflexion sur « Contrat Doctoral en paléographie numérique (CrEMe) »

Laisser un commentaire

Votre adresse e-mail ne sera pas publiée. Les champs obligatoires sont indiqués avec *

Ce site utilise Akismet pour réduire les indésirables. En savoir plus sur comment les données de vos commentaires sont utilisées.