Lou Burnard : “Encoder l’oral en TEI : démarches, avantages, défis….”

Lou Burnard, a travaillé au sein de l’Oxford University Computing Services (OUCS) de 1975 à 2010. Très impliqué dans les « digital humanities » depuis les années 1990, il est notamment l’un des pères fondateurs du Text Encoding Initiative (TEI), du Arts and Humanities Data Service , et du British National Corpus. Il a rejoint le TGE Adonis en 2009, où il travaille à mi-temps.

Support de présentation : PDF

podcast :

Entretien avec Lou Burnard par Gabriel Bergounioux : partie 1, partie 2

Pour clore le séminaire annuel, Lou Burnard est venu nous présenter à la BnF les propositions de la TEI pour l’encodage des documents sonores et oraux. Un enjeu qu’il resitue dans la série complexe d’opérations techniques et conceptuelles relatives au traitement des sources orales par les chercheurs. Ce processus inclut :

–   Des techniques d’enregistrement de signaux sonores.

–  La nécessaire contextualisation de ces sources en vue de leur exploitation selon des angles d’approches multiples : historique, linguistique, anthropologique, etc.

–   Et enfin, l’important travail de transcription qui permet de décrire et de structurer l’oral sous une forme textuelle.

Ce travail de transcription à partir duquel l’encodage de l’oral devient possible dépend d’un processus de réécriture des énoncés oraux qui, comme le souligne Lou Burnard, suppose des choix et s’apparente déjà à un acte d’interprétation.

L’oral constitue en effet un objet particulièrement hétérogène qui renvoie à des styles de communication plus ou moins structurés : entretiens informels, fragments de conversation capturés avec des micros cachés, interviews, débats, interactions transactionnelles (achat), etc. Que va-t-on décider de représenter avant tout? Le contenu du message (analyse socio-historique) ou bien la manière dont il est exprimé (analyse linguistique) ? Sur quelle méthode de transcription orthographique va-t-on s’appuyer pour justifier la démarche de recherche ? Et jusqu’à quel degré de détail engager la description ?

Des figures de style qui structurent la conversation, en passant par leur découpage en énoncés, mots ou phonèmes jusqu’à la prise en compte de l’ambiance sonore et des modes de communication non verbaux, il n’existe pas de consensus académique sur les unités élémentaires pertinentes servant à la description de l’oral. D’où la prolifération de conventions qui, au sein des communautés, accompagnent ce travail de structuration « factice » des énoncés oraux et qui, jusqu’à présent, privilégient une lecture humaine de cette pluralité de point de vue.

Le défi selon Lou Burnard serait aujourd’hui de rendre ces modes de transcription compatibles avec des standards autorisant leur traitement informatique. Ce besoin de standardisation, soulignait   T. Schmidt[1], se fait de plus en plus sentir dans un contexte où l’émergence de grandes infrastructures numériques offre de nouveaux horizons pour regrouper et exploiter des corpus provenant de sources diverses.

La syntaxe XML TEI, issue du monde académique et à vocation pluridisciplinaire, met à disposition toute une gamme de propositions pour transcrire l’oral selon des schémas normalisés, à la fois lisibles par les humains et les machines. Elle permet en outre :

– De structurer les énoncés à travers un flux temporel <timeline> qui permet l’alignement avec la transcription et la synchronisation de séquences.

– De regrouper des énoncés sous la balise <div> et de les découper en segment de discours <s> attribué à un locuteur @who à un moment donné.

– D’introduire des métadonnées descriptives sur les locuteurs, les lieux, les organisations, le contexte ou d’anonymiser au contraire des personnes ou des entités nommées.

– D’opérer, au moyen de balises et d’attributs, une description très fine des différents phénomènes de communication oraux et non-oraux qui font partie du discours : pauses, chevauchements de paroles, changements d’intonation, de voix ou de langue, expressions vocalisées (tousser, rire, se moucher, grogner…), gestes, etc.

–  D’introduire des partis-pris scientifiques, des nuances, des lacunes, des doutes.

– D’utiliser des outils génériques et modulables, donc adaptables à des besoins spécifiques.

– De faire évoluer la théorie TEI en faisant des propositions qui ne perturbent pas les modèles « normalisés » préexistants.

Lou Burnard note en conclusion que les principaux obstacles à la normalisation des pratiques d’encodage – la fragmentation des communautés et l’immaturité théorique des standards – tendent désormais à s’estomper. La TEI présente certes encore des lacunes, mais elle a l’avantage de proposer une norme évolutive et non restrictive dont la richesse descriptive octroie aux chercheurs une grande liberté intellectuelle dans les choix d’encodage des données. Elle leur ouvre ainsi la possibilité de travailler de manière collaborative à l’enrichissement des balises répondant à des besoins ou des domaines de recherche spécialisés, à l’élaboration de schémas de structuration transversaux à l’étude de plusieurs corpus, et au développement des outils de traitement des corpus ainsi structurés.

Abigaël PESSES, TGE adonis

Crédits : images tirées du support de présentation de Lou Burnard.

Pour aller plus loin

Site officiel du consortium TEI et accès aux guides des bonnes pratiques

Accès à la liste de diffusion TEI

Références francophones :

Mutualisation des Expériences d’Encodage Textuel (MEET)

Une définition rapide de la TEI par Laurent Romary et Henri Hudrisier

Lot de billets sur les principes et fonctionnement de la TEI, les logiques XML vs RDF et la notion d’ontologie par Gautier Poupeau

Adresse de la liste de diffusion TEI française : tei-fr@cru.fr

 


[1] Thomas Schmidt, « A TEI-based Approach to Standardising Spoken Language Transcription », Journal of the Text Encoding Initiative [Online], Issue 1 | June 2011, Online since 08 June 2011, connection on 25 May 2012. URL : http://jtei.revues.org/142 ; DOI : 10.4000/jtei.142

Michel Jacobson : “L’archivage des données numériques : retours d’expérience sur des données orales”

Séance du Jeudi 10 novembre 2011

Michel Jacobson est chef de projet sur l’archivage électronique au Service Interministériel des Archives de France (SIAF)

Support de présentation de Michel Jacobson : PDF

Entretien avec Michel Jacobson par Gabriel Bergounioux : partie 1, partie 2, partie 3

Compte-rendu par Abigaël Pesses :

Le 10 novembre dernier, les équipes du TGE Adonis et du LLL (laboratoire Ligérien de Linguistique) de l’université d’Orléans ont eu le plaisir de recevoir Michel Jacobson à Orléans pour inaugurer la première séance du séminaire portant sur l’objet numérique sonore.  Michel Jacobson a ainsi pu nous faire partager le fruit de son expérience et de son parcours à travers cet objet qui, depuis le LACITO, un laboratoire de recherche du CNRS spécialisé sur l’étude des langues à tradition orale, au Centre de Ressources pour la Description de l’Oral (CRDO), l’ont conduit à devenir chef de projet au Service Interministériel des Archives de France (SIAF). Ce service rattaché au Ministère de la Culture a pour mission de définir la politique en matière d’archivage et de piloter le réseau des archives (communales, départementales, régionales,  nationales).

Michel Jacobson, partant des caractéristiques physiques du son et de leur transposition en unités informatiques binaires (bit : 0 et 1), a soulevé les différents enjeux relatifs à l’archivage de l’information numérique. Le passage de l’analogique au numérique présente en effet de nombreux avantages : copie à l’identique et à l’infini, facilité de stockage, de transmission et de traitement de l’information numérique. L’information n’en reste pas moins opaque, car codée, et suppose un dispositif particulier pour être lue, représentée, déchiffrée. Ce dispositif est composé d’une superposition complexe de strates qui interagissent entre elles : une couche matérielle – les supports (disques durs, DVD, mémoire flash),  elle -même  interprétée par une couche logicielle (système d’exploitation, pilotes, navigateurs, applications) et auxquelles se surajoute une couche de formats.

Ces formats  servent  à représenter des données numériques – sons, images ou textes – sous la forme d’un code compréhensible par des machines. L’information numérique codée dépend ainsi d’un empilement de technologies dont les évolutions constantes et rapidement obsolètes sont largement tributaires du marché. D’où la nécessité de mettre en place des procédures pour assurer la migration physique des documents afin de pouvoir les déchiffrer avec les technologies de son temps.

La nouveauté de l’archivage, souligne Michel Jacobson, c’est de conserver ces métadonnées de représentation, à savoir les formats, mais également leurs supports de lecture et la documentation qui spécifient les différentes méthodes d’encodage du contenu. Dans ce nouveau paradigme, il faut cependant ne pas perdre de vue que ce que l’on cherche à conserver, ce n’est pas tant la donnée numérique dans son format ou son support originel que son contenu informationnel. Et pour demeurer intelligible, une information numérique doit pouvoir être décodée.

Michel Jacobson est l’un des contributeurs au  guide des bonnes pratiques numériques disponible sur le site du TGE et dont l’objectif est d’aider les producteurs de données numériques à faire les bons choix dans l’usage des logiciels, des formats et des modes d’encodage des données.

Crédits : images tirées du support de présentation de Michel Jacobson

Approfondir :

Exemples de gestion de corpus oraux dans le réseau des Archives départementales :

Banque de l’Information Radiophonique des Deux Sèvres

Sauvegarde de la parole sarthoise

Collecte des témoignages oraux sur la Seconde Guerre Mondiale (Val de Marne)

Rechercher dans OpenEdition Search

Vous allez être redirigé vers OpenEdition Search