L'Optical Character Recognition (OCR) et l'Handwritten Text Recognition (HTR) sont deux technologies permettant d'effectuer de la reconnaissance automatique de texte imprimé et de texte manuscrit. Elles s’inscrivent dans un domaine vaste et parfois complexe, où il peut être difficile de se repérer, de savoir par où commencer et comment procéder. Toutefois, l'OCR et l'HTR sont suffisamment avancés pour proposer des outils à la disposition de tous, même sans connaissances en Deep Learning.

L'objectif de cet atelier est de présenter les différentes étapes dans la reconnaissance de texte imprimé ou manuscrit, de la préparation du corpus à la pratique avec eScriptorium.

Déroulement de l'atelier:

• Présentation générale
• Préparation d'un corpus de texte
• Choisir un outil
• Exercice pratique sur eScriptorium

Pré-requis : 

• apporter son propre PC
• Apporter quelques images contenant du texte à transcrire automatiquement

TXM pour l’analyse de corpus de textes

Excel est un logiciel de tableurs particulièrement connu pour être propice à la réalisation de calculs et de graphiques à partir de données numériques. Il est également tout à fait possible de l’utiliser pour manipuler des objets textuels. Cela est particulièrement pertinent lorsque des chercheur·euses disposent déjà de données formatées pour ce logiciel, ou bien enregistrées en format .csv (car elles ont été inscrites à la main par les chercheur·euses dans ce logiciel, parce qu’un logiciel de collecte a permis de construire un corpus dans le format .csv, ou encore car des jeux de données sont partagées en open data dans ce format). L’usage d’Excel pour l’analyse de textes est également pertinent lorsque le coût de migration d’un corpus déjà constitué vers des logiciels de textométrie est trop important, ou bien n’est pas nécessairement pertinent pour la question de recherche qui est en jeu.

Objectifs

• Comprendre les différences entre pseudonymisation et anonymisation
• Découvrir des outils pour pseudonymiser et anonymiser ses données

Contenus

• Présentation des différences entre anonymisation et pseudonymisation
• Présentation de méthodes pour anonymiser les données (généralisation, randomisation)
• Démonstration d’outils pour anonymiser les données

Objectifs
 

• Découvrir les principes fondamentaux du RGPD
• Connaitre les procédures à mettre en œuvre dans le cadre d’un traitement de données à caractère personnel

Contenus

• Définition des termes et des rôles
• Présentation des procédures à mettre en œuvre pour être en conformité avec le RGPD
• Réponses aux questions

Cet atelier présente deux librairies Python, keybert et keyphrase-vectorizers, pour la tâche d’extraction de concepts clés à partir de textes. Notre objectif est d’extraire les mots-clés à partir du corpus des textes médicaux écrits par Jean-Martin Charcot (fondateur de la neurologie moderne et française au XIXe s.) d’une part, et d’autre à partir des textes écrits par ses élèves et collègues. Cette tâche s’inscrit dans le projet de thèse en cours axé sur le pistage de circulation du discours médical de Jean-Martin Charcot.

Contenus

• Présentation de l’interface d’OpenRefine
• Créer des facettes, trier et filtrer ses données
• Nettoyer ses données avec des fonction pré-enregistrées
• Nettoyer ses données avec des formules en GREL
• Exporter son projet ou ses données

Contenus

• Principes et méthodes de la transcription
• Panorama des outils
• Exemples de projets de transcription collaborative
• Démonstration de Transkribus et eScriptorium

Les projets de recherche en humanités numériques créent des données qu’il faut gérer soigneusement. De cette fin, des connaissances de la théorie des bases de données et sa mise en pratique seraient un ajout important aux compétences des étudiant.e.s, doctorant.e.s et chercheur.euse.s. 

Cet atelier de deux heures vise à introduire les participant.e.s aux enjeux des bases de données relationnelles et des systèmes de gestion de bases de données. Nous parlerons également de Structured Query Language (SQL).