scantent

ScanTent, DocScan et Transkribus : retour d’expérience sur le cas des prud’hommes de la Seine.

Une présentation proposée par Kévin Champougny.

Dans le cadre du projet TIME-US, les archives prud’homales représentent des sources particulièrement riches, que ce soit pour les questions de salaire, les conditions de travail ou encore la répartition géographique des ouvriers et employeurs. S’il est possible de faire ressortir ces informations en recourant à un traitement informatique, il est nécessaire pour cela d’effectuer la numérisation des registres des procès, de les transcrire manuellement puis, si besoin, de corriger les transcriptions automatiques. Ce billet a pour objectif de présenter ces différentes étapes tout en revenant sur l’expérience des logiciels (DocScan1 et Transkribus) et instruments (ScanTent2) utilisés lors du traitement du registre D1U10-379.

I/ Présentation du registre D1U10-379

Si les Conseils des Prud’hommes sont officiellement créés en 1806, ils ne font leur première apparition à Paris qu’en 1844, ne concernant alors que l’industrie des métaux. Il faut attendre l’ordonnance royale du 9 juin 1847 pour voir la création du Conseil pour l’industrie des tissus de la Seine3.

Le registre D1U10-379, qui rassemble les procès du 8 octobre 1847 au 7 décembre 1849, est ainsi le premier registre des jugements rendus par ce Conseil. La lecture des affaires du 24 décembre 1847 au 19 mai 1848 laisse apparaître qu’un seul secrétaire, Me Corbin, est chargé de la mise par écrit des procès. Cela permet donc de retrouver une écriture plus ou moins constante tout au long du registre, facilitant ainsi la transcription manuelle et automatique.

Les tentatives de Me Corbin pour faire tenir autant que possible chaque affaire sur une unique page représente, par ailleurs, un avantage inattendu. En effet, lors de la transcription manuelle et le temps de s’habituer à l’écriture, il s’avère important de pouvoir comparer les différentes graphies des termes revenant fréquemment. Or, les noms des parties parcourent chaque affaire et sont mentionnés assez souvent pour permettre une telle comparaison.

II/ La numérisation avec la ScanTent et DocScan.

Les registres des prud’hommes ne pouvant pas être sortis des archives départementales de Paris, il est de ce fait obligatoire de les numériser en les photographiant directement sur place. Afin d’obtenir des copies numériques de bonne qualité, nous avons souhaité faire usage de la ScanTent. Elle pose cependant un inconvénient : étant constituée d’une tente en toile cirée noire, elle cache, à quiconque désirant observer, les manipulations des sources à moins de se placer derrière la personne qui effectue les photographies. L’impossibilité de surveiller la manipulation des registres a généré des inquiétudes chez les archivistes. Toutefois, avec leur aimable autorisation, j’ai pu expérimenter la ScanTent à titre exceptionnel.

L’appareil est simplement constitué d’une lampe LED, d’une toile, d’un plateau sur lequel est posé un téléphone et de quatre tiges métalliques qui forment l’armature. Il est donc facilement démontable et transportable. Seul le montage peut s’avérer légèrement compliqué le temps de prendre le coup de main nécessaire pour encocher chaque tige convenablement dans les coins de la toile. Autrement, et même sans schéma, il est aisé de comprendre comment s’emboîtent les éléments.

Il est recommandé d’avoir avec soi un ordinateur ou un adaptateur pour prise, le branchement de la lampe LED se faisant par USB. Une fois la ScanTent montée, il suffit de poser son téléphone sur la plateforme pour pouvoir photographier les sources. Deux options sont alors possibles : nous pouvons tout simplement recourir à l’application appareil photographique du téléphone, ou utiliser l’application DocScan. Pour la numérisation du registre D1U10-379, j’ai opté pour cette dernière.

L’avantage de DocScan est de proposer une synchronisation avec un compte Transkribus, permettant ainsi de directement mettre en ligne les photographies et de les transcrire aussitôt. Toutefois, l’application peut s’avérer difficile à prendre en main, à première vue, par rapport à l’application de photographie du téléphone qui est plus familière. En effet, la mise au point automatique proposée par DocScan peut se révéler capricieuse et lente à obtenir : alors même que le téléphone et le registre sont restés disposés de la même façon durant tout le processus de numérisation, chaque changement de page entraînait automatiquement la nécessité de refaire la mise au point. Certaines pages présentaient davantage de difficultés, il n’est pas à exclure de préférer avoir recours à l’appareil photographique du téléphone pour gagner du temps. Force est de reconnaître malgré ce point que les clichés obtenus par DocScan sont de loin de bien meilleure qualité et bien plus nets.

Recadrer une photo de manière à supprimer les marges est essentiel pour optimiser la qualité de la transcription automatique obtenu ultérieurement. DocScan prévoit un outil pour recadrer la photographie avant son enregistrement, mais cela nous a posé un problème. En effet, recadrer une image entraîne automatiquement la suppression de l’original. Il faut alors reprendre une photo de la page dans le cas d’une mauvaise manipulation ou si on exprime la volonté d’avoir une page de registre par photographie. Nous avions choisi de conserver les deux versions de l’image, ce qui a rendu nécessaire la réorganisation manuelle des photos afin de les reclasser dans l’ordre. Ce fait explique notamment pourquoi, lors de la numérisation du registre D1U10-379, la mise en ligne des photographies sur Transkribus a nécessité une correction manuelle préalable.

Les clichés obtenus grâce à DocScan sont nets et correctement éclairés. Même si la phase de recadrage manuel prend du temps, en définitive, la tâche de transcription est plus aisée car on distingue plus précisément l’écriture de Me Corbin.

III/ La transcription des sources sur Transkribus

Une fois les sources numérisées, il est temps de les transcrire sur Transkribus4.

Avant de pouvoir effectuer une transcription automatique via OCR, la première tâche consiste à transcrire un nombre suffisant de pages dans le but d’établir des données d’entraînement. Dans le cas du registre D1U10-379, la transcription a porté sur 44 pages et a consisté à recopier fidèlement, ligne après ligne, ce qui est écrit dans le registre : mots, chiffres, ponctuation, symboles divers,… Pour cela, il est primordial d’effectuer auparavant la segmentation, c’est-à-dire la reconnaissance des zones de texte, des pages que l’on traite. Elle peut se faire automatiquement ou manuellement. Il est également possible de corriger manuellement le résultat de la segmentation automatique.

L’orientation de l’image est cruciale pour éviter que les erreurs de segmentation. Il est alors nécessaire de corriger les métadonnées EXIF des photographies avec un logiciel tel que XnView5 et de recharger les clichés sur Transkribus. La manipulation est simple et permet de retrouver une segmentation correcte.

La transcription manuelle consiste ensuite simplement à recopier ce que nous pouvons lire sur plusieurs pages du registre. Précisons seulement qu’il peut s’avérer important de repérer les expressions et les mots les plus fréquemment utilisés par le secrétaire (dans le cas de notre projet, il s’agit surtout des expressions juridiques et de certains noms) afin de s’habituer au tracé des lettres.

Les données d’entraînement générées grâce à la transcription automatique permettent de produire un modèle de transcription (HTR) qui est ensuite appliqué par l’intermédiaire du logiciel Transkribus à des pages non transcrites. En fonction du taux d’erreur atteint, il peut être nécessaire de produire de nouvelles transcriptions manuelles afin d’améliorer le modèle : en partant de zéro ou bien en corrigeant le résultat des passages d’HTR. Nous avons pu constater, lors de la correction d’un modèle utilisé sur le registre D1U10-386 des prud’hommes de Paris, qu’une grande part des erreurs de la transcription automatique provient du chevauchement de certaines lettres sur les lignes inférieures. Ainsi, la boucle inférieure d’un  f » peut être interprétée comme un « l » ou un signe de ponctuation quelconque à la ligne suivante.

1 Lien pour télécharger l’application : https://play.google.com/store/apps/details?id=at.ac.tuwien.caa.docscan

2 Pour plus d’informations sur l’appareil, voir le lien suivant : https://scantent.cvl.tuwien.ac.at/en/#titlepage

3 LAINÉ Brigitte, Conseil de Prud’hommes de la Seine, 1844-1940 (1762-1971), Archives de Paris, avril 2010, p. 8.

4 Pour de plus amples informations sur le fonctionnement de ce logiciel, se référer au billet suivant : https://timeus.hypotheses.org/458

5 Disponible au téléchargement à cette adresse : https://www.xnview.com/fr/


Laisser un commentaire

Votre adresse de messagerie 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.