Appréhender et segmenter le Terrien (1578) en vue l’encodage en TEI-XML

La constitution d’un corpus présente toujours des difficultés : à partir d’éléments plus ou moins disparates, il faut produire une base de données textuelle homogène exploitable par les mêmes procédés malgré les différences inhérentes entre les témoins. Dans un corpus diachronique de coutumiers s’étendant sur six siècles (XIIIe-XVIIIe siècles), les standards graphiques ont évolué depuis les normes manuscrites jusqu’à des normes d’imprimerie bien plus proches des nôtres, en passant par un peu d’expérimentation, peu après l’apparition de l’imprimerie et le changement des standards diplomatiques, cherchant à tirer au mieux parti des nouvelles possibilités. L’impression juridique a, il est vrai, fait ces recherches après la littérature qui s’est vite emparée de l’outil. En témoigne notre coutumier commenté par Guillaume Le Rouillé en 1539, utilisant des caractères gothiques plutôt qu’italiens et mis en page comme une Bible à glose encadrante1.

Les notes de Guillaume Terrien

Le témoin le plus difficile à encoder dans notre corpus sera sans nul doute celui de Guillaume Terrien, en 1578. Ce dernier comprend tant de types de notes qu’il est fastidieux de les lister, sans compter de les repérer dans l’original, d’autant plus que le·s compositeur·s ne saute·nt jamais de page et une note peut être insérée entre deux pièces de coutume. Elles sont écrites dans des caractères plus petits que le texte juridique, mais la différence est assez minime pour que parfois l’œil la manque. Le plus aisé à ce stade est de les différencier par leur type de renvoi.

terrien_pages_titre_203_204

La page de titre et l’enchevêtrement de marginalia, notes et texte principal sur le coutumier de Guillaume Terrien (1578). Cliquez pour agrandir l’image et l’examiner plus facilement.

  • Il existe tout d’abord, sur la coutume, des notes telles qu’on en trouve dans le Rouillé de 1539, appelées par des lettres minuscules. Ces notes se trouvent l’une après l’autre, comme des notes de fin d’article, après l’extrait de coutume qu’elle concerne. L’appel de note se trouve au sein du texte et en marge. La note contient en italiques l’expression qu’elle commente.
  • Les ordonnances sont, elles, parsemées de notes. Ces dernières sont insérées entre deux paragraphes, sans appel aucun ni saut de ligne, simplement distinguées par leur fonte plus petite et l’absence de numéro de paragraphe (car les paragraphes des ordonnances sont numérotés).
  • Toute note peut faire l’objet d’une « additio » qui se trouve à sa suite, en latin la plupart du temps mais parfois en français, toujours clairement indiquée par un titre « additio » en majuscule et centré, avec souvent un saut de ligne.
  • Il existe encore des notes, la plupart du temps courtes, appelées par des astérisques ou des obèles. Ce sont des notes sur des notes, elles se situent à la fin de la note qu’elles commentent.
  • Enfin, l’auteur a glissé sous forme de manchettes des références et des renvois, entre deux titres dont la fonction se rapproche des rubriques médiévales : le sujet abordé à cet endroit du texte.

Ainsi, les pages du Terrien sont un complexe imbroglio de différents éléments qu’il faut prendre le temps de démêler. En effet, sans avoir compris comment s’enchevêtrent ces différentes notes et leurs objets eux-mêmes divers, il est impossible de préparer l’automatisation du traitement du texte, à tel point que j’ai attendu, pour poster ce billet, de pouvoir analyser le fichier de sortie TEI afin d’être sûre que mes méthodes avaient effectivement porté leurs fruits car le tâtonnement fut long. L’analyse des correspondances éventuelles entre typographie et rôle des notes sera possible une fois l’export TEI transformé via XSLT en un TEI plus proche de notre modèle final d’encodage.

Segmenter les pages

Il serait possible, bien qu’absurde en terme de temps de travail, de prendre le fichier XML brut sans tant de préparation et de replacer chaque note manuellement à sa place. J’ai plutôt choisi d’exploiter plus avant l’outil Transkribus2 qui permet entre autres une segmentation fine des pages, notamment en lignes, images et zones de texte, ainsi que de les catégoriser selon une liste d’éléments prédéfinis tels que « marginalia », « header », « paragraph », principalement codicologiques mais également structurels. En réfléchissant selon les outils dont je disposais ainsi que la méthode de travail possible sur les sorties XML produites par Transkribus, je suis parvenue à une préparation certes bien plus longue que les témoins ultérieurs mais qui permettra, en quelques manipulations, d’obtenir un fichier correct et prêt au travail.

Nous avons donc commencé un travail de découpage et catégorisation des zones de texte, page par page. La vitesse de travail revient ici à une centaine de pages par jour. Catégoriser, via un clic droit, les entêtes, numéros de page et signatures permettra ainsi de repérer immédiatement le corps du texte. Ce dernier est divisé entre les catégorisations « heading » pour les titres de livre et de chapitre, « paragraph » pour les textes juridiques commentés (coutume, ordonnances…) et « endnote » pour les notes dans le corps du texte.

Signalons également que les catégories prédéfinies de Transkribus ne correspondaient pas toujours aux distinctions qui nous étaient nécessaires et j’ai donc dû catégoriser les notes comme « endnote » et les explicit comme « footnote » afin de pouvoir les distinguer. L’inverse eût été tout aussi possible : ce sont des catégories codicologiques artificielles ici, mais que j’ai évidemment pris soin de documenter. Une simple recherche dans mon document XML suffira ensuite pour remplacer ces termes inadéquats par ceux que nous aurons choisis d’utiliser dans l’encodage final.

Établi que la sortie TEI produira un élément « p » (page) par zone de texte (dont la catégorisation deviendra un attribut @type) contenant un élément « l » (line) contenant le texte, ligne par ligne3, voici la méthode que j’ai choisi d’appliquer :

Les « additio » sont repérables par leur titre, je n’aurai donc aucun problème à les isoler. Ma transformation XSL cherchera en effet les « p » à attribut @type= »endnote » dont la première ligne contiendra exactement « ADDITIO », afin de l’insérer à la fin de l’élément « p » à attribut @type= »endnote » précédent, puisqu’elle le concerne systématiquement.

Pour repérer les notes appelées par des lettres minuscules, j’ai séparé en plusieurs lignes la lettre de référence, la citation en italique et le corps de la note. Je pourrai donc rechercher les éléments « p » à attribut @type= »endnote » dont la première ligne ne contient exclusivement qu’une lettre minuscule. Pour la replacer à sa place, je chercherai identiquement les appels de note en marge que nous avons isolés du corps du texte. Ma transformation XSL ira donc chercher dans le tout dernier élément « p » à attribut @type= »paragraph » la même lettre, seule dans sa ligne également. La même méthode permettra de replacer les notes à astérisques et obèles dans la note qui les précède.

Pour les notes sans appel de note, il me suffira de rechercher les éléments « p » à attribut @type= »endnote » dont la première ligne contient plus d’un caractère et l’insérer dans le tout dernier élément « p » à attribut @type= »paragraph ».

Enfin, pour distinguer les chapitres les uns des autres je pourrai faire une recherche dans les éléments « p » à attribut @type= »heading » et lorsque le titre contiendra la mention « Chap. » j’inclurai dans un même élément tous les éléments « p » jusqu’au prochain « p » à @type= »heading ».

coutumier_terrien_zones_de_texte_et_export_tei

Le découpage des zones de texte de la page 102 du Terrien sur Transkribus (le texte principal y est grisé) et un extrait de son export TEI (cf note 1). L’on peut remarquer que j’ai choisi de faire une zone par note pour faciliter leur reconnaissance plus tard. La zone centrale dans la TEI, dont le titre « ADDITIO » est surligné, correspond à la zone n°13 de l’image segmentée.

 

But et choix des outils

Mais une fois exposée cette méthode, je me dois de rappeler ce que je viens de faire exactement : je me suis donné les moyens d’isoler et reconnaître avec XPath chaque type de texte présent dans mon témoin. Il me faut donc à présent mettre en lumière des difficultés subséquentes.

En effet, nos témoins ont chacun une organisation interne propre. Les témoins ultérieurs contiennent des notes de bas-de-page, le Rouillé de 1539 une glose encadrante, le Très Ancien Coutumier aucun commentaire. Avec le temps, avec un regard plus large sur le corpus, il faut synthétiser toutes ces mises-en-page en un seul modèle TEI. Cela signifie, bien sûr, que certains types d’éléments seront présents uniquement dans un témoin. Mais il doit y avoir un seul modèle TEI pour tous. Cela permettra tout à la fois une compréhension plus facile par les chercheurs qui aimeraient utiliser nos fichiers TEI, un affichage homogène sur notre futur site et une exploitation fluide par le moteur de recherche. C’est également à lui que je dois songer en préparant mon corpus pour l’encodage. Il y a cependant de larges chances pour que le Terrien soit le témoin le plus déterminant pour l’encodage général, étant le plus compliqué et le plus difficile.

La compréhension de la structure de chaque témoin, ainsi que l’anticipation des besoins et étapes postérieures, sont les clés pour synthétiser efficacement les diverses structures sans trahir les textes originaux. Mon modèle TEI n’est pas encore finalisé ; mais je sais cependant que j’aurai besoin de différencier chaque type de note pour restituer correctement sa fonction dans le texte, et j’ai donc cherché les moyens de les trier simplement. Je sais comment chercher une « additio », mais ce que je déciderai finalement d’en faire dépend toujours des témoins que je n’ai pas encore terminé de préparer.

 


[1] Le grand coustumier du pays et duché de Normendie … avec plusieurs additions… par… maistre Guillaume Le Rouillé, d’Alençon…, 1539, cf. le facsimile sur Gallica.

[2] Transkribus est un outil de transcription développé à l’université d’Innsbruck en Autriche, permettant à la fois segmentation des pages, OCR, HTR, entraînement d’un modèle d’HTR… Fonctionnant via une interface et sur serveur, c’est un excellent outil pour travailler sur des transcriptions en équipe.

[3] Note au lecteur : pour des raisons de clarté de ce billet, j’ai simplifié la structure décrite. En fait elle est un peu plus complexe, le @type étant contenu dans les éléments de facsimile séparés du texte, contenant un lien vers les images TIFF ainsi que les délimitations en pixels des différentes zones de texte sur l’image. Le @type sera donc récupéré lors de la transformation XSLT grâce aux identifiants liant élément « p » et zone de facsimile associée.


Vous aimerez aussi...

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.

Rechercher dans OpenEdition Search

Vous allez être redirigé vers OpenEdition Search