1Cet article porte sur les défis soulevés par la numérisation des fiches dialectologiques conservées dans le Fichier Gaston Dulong en vue de leur intégration au Fonds de données linguistiques du Québec (FDLQ). Malgré leur valeur patrimoniale et documentaire évidente, ces fiches ont été peu exploitées à ce jour par les chercheurs qui s’intéressent à l’histoire et à la variation diatopique du français au Québec. Cette situation s’explique en grande partie par l’accès limité au fichier jusqu’à ce jour et par l’absence d’un inventaire détaillé des contenus qu’il renferme. Plusieurs fiches contiennent pourtant des données inédites permettant d’attester des usages peu présents dans d’autres sources qui témoignent de l’évolution et de la diversité régionale en français du Québec.
2Pour remédier à cette situation, l’équipe du FDLQ a entrepris la numérisation des fiches dans le but d’en extraire les contenus et de les rendre disponibles à des fins d’analyses. Ce travail chronophage demande une réflexion constante sur la notion de « bruit » numérique, interprété ici comme toute altération indésirable du texte original pouvant s’insérer dans des jeux de données textuelles lors de leur traitement informatique, au risque d’en affecter la qualité. En effet, compte tenu de la nature même des fiches (leur aspect strictement matériel, mais aussi le type de données qu’elles contiennent), il a fallu trouver un équilibre entre le traitement manuel et automatique. Dans cet article, nous présenterons la démarche adoptée tout au long du traitement des données en vue de gérer le bruit de manière raisonnée. Notre objectif n’est pas de traiter la question de manière quantitative (évaluer la place que prend le bruit dans nos données), mais plutôt qualitative (réfléchir à la meilleure manière de traiter le bruit dans un projet comme le nôtre, cette expérience pouvant servir à d’autres projets similaires).
- 1 V. Jentsch et Porada (2020) pour une réflexion similaire concernant le traitement d’autres document (...)
3Après avoir présenté les enquêtes à l’origine des fiches, nous décrirons comment nous avons utilisé certains outils pour faciliter leur traitement tout en assurant la qualité des données1. Il sera plus particulièrement question d’un outil destiné à l’édition assistée des fiches qui a été spécialement conçu pour les besoins du projet.
4Gaston Dulong (1919-2008) a été professeur de linguistique à l’Université Laval de 1949 à 1986. Ses activités de recherche ont porté sur l’histoire du français au Québec et sur sa variation régionale, ce dernier aspect ayant longtemps été délaissé dans la recherche portant sur le français québécois. Tout au long de sa carrière, Dulong a insisté sur l’intérêt que revêtait selon lui la préparation d’un atlas linguistique du Canada français :
Presque tous les jugements que l’on a portés […] sur le français parlé au Canada sont fragmentaires, incomplets, pour ne pas dire faux parce qu’aucun n’a pu ou ne peut tenir compte de la complexe réalité linguistique telle qu’elle se présente en fait. Des faits particuliers, localisés, on tire des conclusions générales. De ce qu’on a pu observer disons dans la région de Montréal, on croit pouvoir l’étendre à celle d’Ottawa, de Québec, du Lac-Saint-Jean, de la Gaspésie, etc. Seule une photographie, seul un instantané de la langue parlée dans les différentes régions où l’on parle français pourra nous empêcher de piétiner sur place [et] mettra à notre disposition des matériaux datés, localisés, écrits phonétiquement, donc comparables les uns aux autres, sur lesquels nous pourrons faire enfin une étude objective du franco-canadien […]. (Dulong 1955 : 178 ; nos gras)
- 2 Pour un aperçu complet des travaux dialectologiques réalisés au Canada français au 20e siècle, v. V (...)
5Coauteur de l’Atlas linguistique de l’Est du Canada (ALEC), entrepris à partir de 1969 et publié en 1980 (Dulong & Bergeron 1980), Dulong a mené des enquêtes dialectologiques tout au long de sa carrière. L’Atlas, qui demeure à ce jour l’entreprise géolinguistique la plus complète jamais réalisée au Québec2, est ainsi l’aboutissement d’une série d’autres recherches en dialectologie menées dès les premières années de sa vie de chercheur. En 1947, Dulong a d’abord réalisé un séjour de recherche en Normandie et au Poitou, où il a accompagné des enquêteurs qui travaillaient à la préparation du Nouvel atlas linguistique de la France entrepris par Albert Dauzat. Et dès la fin des années 1940, alors professeur à l’Université Laval, il a commencé à sillonner les régions du Québec, et certaines régions acadiennes, pour enquêter sur les pratiques linguistiques locales. Comme le rappelle Lavoie (2002 : 73), ces enquêtes devaient servir à relancer l’entreprise dialectologique de la Société du parler français au Canada, au sein de laquelle Dulong a occupé plusieurs fonctions de 1949 à 1962.
- 3 V. Dulong (1953, 1957). Ce questionnaire était basé sur celui qu’avait préparé Ernest F. Haden en 1 (...)
- 4 En plus des publications déjà mentionnées, v. Dulong (1961), où il est question des régionalismes d (...)
6Dulong n’a consacré aucun texte de synthèse à cette entreprise, dont nous ignorons plusieurs aspects méthodologiques. Nous savons néanmoins que la collecte de données s’est mise en place de façon plus systématique en 1951 et que le Questionnaire de l’Atlas linguistique du Canada français (1953), réalisé par Dulong pour le compte de la Société, a été un outil important3. Dans un court texte paru en 1962, Dulong signale avoir réalisé une vingtaine d’enquêtes « dans les régions de Montréal, de Québec, du Bas du Fleuve, de la Gaspésie, sur la côte Nord, aux Îles-de-la-Madeleine, au Nouveau-Brunswick, au Cap-Breton et dans le sud de la Nouvelle-Écosse » (p. 250), dont certaines avec l’aide de ses étudiants. L’enquête réalisée en Gaspésie, avec la collaboration de Jean-Denis Gendron, devait aboutir à la publication d’un Atlas linguistique de la Gaspésie (Dulong 1954), mais celui-ci n’a jamais vu le jour. Quelques années plus tard, avant même d’entreprendre la collecte de données qui allait mener à la réalisation de l’ALEC, Dulong (1965) envisageait même de « dresser un atlas linguistique du Canada français » (p. 1378) sur la base de ces enquêtes, mais ce projet n’a pas non plus été réalisé. En réalité, les attestations dialectologiques recueillies par Dulong pendant cette période ont été peu étudiées, y compris par Dulong lui-même qui n’y a consacré que quelques publications ponctuelles et somme toute assez partielles4.
- 5 V. Dulong (1955, 1970). On trouve à l’occasion des attestations ponctuelles qui ne proviennent pas (...)
- 6 Il faut rappeler que la constitution de ce fichier avait d’abord été entreprise par la Société du p (...)
- 7 Une entente a été conclue avec Claude Poirier, ancien directeur du TLFQ, et le Département de langu (...)
7Les résultats de ces enquêtes, qui ont duré une vingtaine d’années, ont été soigneusement consignés sur des fiches dialectologiques5. Celles-ci ont été versées au Fichier Dulong, où elles côtoient d’autres types de fiches qui contiennent des citations puisées dans des dictionnaires, des journaux, des œuvres littéraires ou des documents d’archives (plus rarement aussi, des fiches portant sur des gentilés et quelques fiches sans précision concernant la provenance des données)6. L’ensemble de ces fiches, dont le nombre total est estimé à environ 150 000, sont triées par ordre alphabétique (certaines par ordre thématique) et réunies dans huit classeurs. Ce corpus, d’abord légué par Dulong au Trésor de la langue française du Québec (TLFQ) de l’Université Laval, est entreposé depuis 2019 au Centre de recherche interuniversitaire sur le français en usage au Québec (CRIFUQ) à l’Université de Sherbrooke7.
- 8 Les autres fiches de ce corpus ne sont pas dénuées d’intérêt, mais les attestations qu’elles contie (...)
- 9 https://fdlq.recherche.usherbrooke.ca
- 10 V. Remysen et Saint-Amant Lamy (à paraître) pour une présentation plus détaillée.
- 11 Cette préoccupation grandissante trouve aujourd’hui écho auprès des instances gouvernementales, com (...)
- 12 https://www.go-fair.org/
- 13 Ces métadonnées sont descriptives (chaque document est minimalement identifié par un nom d’auteur, (...)
- 14 Nous envisageons de partager certaines données libres avec le portail de Données Québec ou encore d (...)
8Pour remédier au problème d’accessibilité, la décision a été prise de numériser les fiches. Devant l’impossibilité de traiter tout le fichier, seules les fiches dialectologiques ont été ciblées, en raison essentiellement de leur intérêt plus marqué pour la recherche sur le français québécois8. Ce travail a été entrepris dans le cadre du Fonds de données linguistiques du Québec9, développé au CRIFUQ depuis 2020 dans le but de préserver et de rendre accessibles les plus importantes collectes de données réalisées depuis le milieu du 20e siècle en vue d’étudier le français du Québec10. En plus de pérenniser les corpus, la plateforme assure leur accessibilité et permet une plus grande découvrabilité, un enjeu de plus en plus important pour les contenus culturels et scientifiques produits en langue française11 et, partant, pour les humanités numériques (Citton 2015). Le Fonds adhère aux principes FAIR12, adoptés par un nombre croissant de chercheurs, dont les principaux objectifs consistent à rendre les données de recherche faciles à trouver, accessibles, interopérables et réutilisables (Wilkinson et al. 2016). Dans le cadre de notre projet, cela passe notamment par l’utilisation de métadonnées structurées, riches et pérennes13 et par l’utilisation de standards ouverts. Ultimement, nous souhaitons aussi offrir, sous forme de données ouvertes, une sélection des données de référence sur les corpus ainsi que des données qui en sont extraites, selon les limites permises par les droits d’auteur et d’utilisation14.
9Même si les fiches ont été rédigées pendant un laps de temps relativement long qui s’échelonne sur une vingtaine d’années, la plupart d’entre elles présentent une structure similaire, signe de l’approche systématique adoptée par Dulong au moment d’enregistrer les données. En règle générale, les fiches comportent trois sections qui regroupent des informations spécifiques (image 1).
Image 1. Structure des fiches
10La première section ressemble au bloc-entrée d’un article de dictionnaire. Elle comprend la vedette de la fiche, généralement accompagnée d’une catégorie grammaticale et d’une transcription phonétique ajoutée à la main et inspirée de l’alphabet phonétique Rousselot-Gilliéron. La deuxième est consacrée à la définition, plus ou moins élaborée (il s’agit souvent d’une simple définition synonymique), du mot ou de l’expression en vedette. Il arrive que cette définition soit accompagnée d’un exemple pour illustrer l’emploi. La troisième comprend les données dialectologiques qui permettent de contextualiser l’usage relevé. Ces données incluent généralement le lieu et l’année d’observation ainsi que le nom de l’observateur (souvent Gaston Dulong lui-même, mais certaines attestations sont attribuées à des collègues, dont les linguistes Jean-Denis Gendron et William Mackay ou encore l’historien Jean Hamelin), plus rarement aussi de l’informateur. À l’occasion, on trouve dans cette section de l’information à propos de l’origine de l’emploi ou encore à propos d’équivalents utilisés dans d’autres régions au Canada (images 2 et 3), voire en France.
Image 2. Exemple de fiche (boiler) contenant de l’information concernant l’origine du mot
Image 3. Exemple de fiche (chaise berçeuse) contenant de l’information complémentaire à propos de la diffusion régionale de certains mots
11Le dernier exemple montre que la structure des fiches n’est pas toujours rigoureusement la même. Certaines fiches ne sont pas consacrées à un emploi précis, mais regroupent plutôt une série de régionalismes. Si le lieu et l’année d’attestation sont presque toujours fournis, d’autres informations, comme la catégorie grammaticale, la prononciation ou le nom de l’informateur ou de l’observateur, sont parfois absentes. À l’occasion, Dulong ajoute un dessin fait à la main pour illustrer l’objet auquel est consacrée la fiche (image 4).
Image 4. Exemple de fiche (cabarouet) contenant un dessin de l’objet décrit
12Les fiches contiennent essentiellement des particularismes lexicaux utilisés au Québec ou dans certaines de ses régions. Cela dit, certaines fiches portent sur des aspects morphologiques et grammaticaux ou encore sur des phénomènes de prononciation. À titre d’exemple, Dulong consacre une fiche à bossu pour signaler le féminin bossuse et à saule pour signaler que ce mot est parfois utilisé au féminin. Il consacre quelques fiches à cataplasme pour noter les prononciations [kàtàplàs] et [kàtàplàm]. Le même mot peut donner lieu à divers commentaires, comme c’est le cas de clouer auquel Dulong consacre différentes fiches pour commenter la conjugaison (ils clousaient) et la prononciation (ils quelouent). Certaines fiches sont d’intérêt historico-culturel. Dulong consacre par exemple quelques fiches aux noms couramment donnés aux chevaux dans certains points d’enquête (comme Djack, Prince, Belle, Ti Djim).
13La chaîne de traitement des fiches comprend plusieurs étapes, résumées dans la figure 1. Nous nous intéressons surtout ici aux étapes après le tri manuel des quelque 150 000 fiches constituant le corpus dans son ensemble. Celui-ci a permis de cibler un sous-ensemble de près de 26 000 fiches dialectologiques.
Figure 1. Chaîne de traitement
14La présentation matérielle des fiches a une incidence directe sur la qualité des données extraites et certaines de leurs caractéristiques ont été des sources potentielles de bruit dans le processus d’océrisation. Les fiches ont été dactylographiées à l’aide d’une machine à écrire, avec tous les problèmes que cela peut générer. On observe en effet régulièrement des problèmes d’alignement et d’espacement des mots ou des lignes, des caractères superposés ou encore des positions problématiques de certains caractères ou signes diacritiques. Dans la fiche aguetter par exemple, présentée dans l’image 5, l’accent aigu de mécanique se trouve directement sous un point, ce que le logiciel d’océrisation a reconnu comme « ; ». À cela s’ajoute la présence de notes, de transcriptions ou de corrections faites à la main, soit du texte que les logiciels d’océrisation reconnaissent mal. En plus, la couleur de fond des fiches et la couleur plus ou moins pâle de l’encre utilisée varient d’une fiche à l’autre, ce qui est un défi lorsqu’on veut procéder au traitement en lot. Il faut aussi mentionner que les fiches contiennent en vedette des formes souvent inconnues des dictionnaires qui sont utilisés par certains logiciels d’océrisation, ce qui ajoute au risque d’introduire du bruit dans le texte extrait, notamment lors de l’étape du post-traitement.
Image 5. Exemples de sources potentielles de bruit régulièrement
observées dans les fiches
15Il est apparu rapidement qu’en raison de toutes ces contraintes, il était impensable de se contenter d’un traitement automatique en lot dont le taux d’erreur serait trop élevé. Les résultats obtenus lors de tests préliminaires ont en effet été jugés insatisfaisants pour l’exploitation des données. En même temps, devant le nombre élevé de fiches à traiter, il n’était pas non plus envisageable de procéder à une saisie manuelle, jugée trop chronophage. Le défi était donc de trouver un équilibre permettant d’assurer la qualité des données tout en demeurant réalistes dans leur préparation. Pour y arriver, nous avons eu recours à l’ingénierie informatique et développé un outil permettant de toiletter, de réviser et de baliser aisément le contenu des fiches après l’extraction de texte. Dans ce qui suit, nous passons en revue les principaux aspects concernant ce traitement, soit les principes philologiques adoptés, la numérisation et l’océrisation des fiches, l’édition assistée de leur contenu ainsi que la publication sur la plateforme du Fonds.
- 15 On pourrait conclure à leur absence dans le corpus, ce qui en ferait une autre source de bruit.
16Le protocole tient compte d’un objectif d’exploitation des données pour la recherche. Le plus important principe philologique adopté concerne le respect du texte original (majuscules sans accent, guillemets typographiques, etc.) et de sa disposition sur les fiches (incluant les sauts de ligne et les césures des mots). Cela dit, la transcription des fiches ne peut pas être considérée comme une édition diplomatique, car certaines interventions ont été jugées nécessaires pour éviter que des données demeurent invisibles15. C’est le cas lorsque des fiches contiennent des coquilles évidentes (lettres inversées, absence ou redoublement d’une lettre, etc.). Ces corrections sont indiquées par une balise <choice>, ce qui permet de repérer à la fois la forme originale et la forme corrigée. Dans les rares cas où un mot est manquant, celui-ci est ajouté entre accolades. Seules quelques erreurs mineures sont corrigées sans indication, essentiellement pour éviter que l’ajout de balises ne ralentisse trop le travail. Ces interventions concernent entre autres des espaces manquantes ou superflues (usuel le → usuelle), des problèmes de ponctuation (G, Dulong → G. Dulong) ou encore des parenthèses non fermées. Les lettres flottantes en fin de ligne sont aussi éliminées sans indication. En outre, lorsqu’une coquille est corrigée à la main par Dulong, c’est la forme corrigée, et donc voulue par l’auteur, qui est retenue dans la transcription.
Image 6. Exemple de corrections apportées : Ils se gazeé → Ils se {sont} gazés (ajout d’accolades et de la balise <choice>, identifiée par le symbole ⓘ)
Image 6a. Fiche originale
Image 6b. Visualisation de la fiche traitée
Image 6c. Fiche au format XML-TEI
- 16 Diffusé en 2014, le Recueil de règles de numérisation a été élaboré en collaboration avec la Biblio (...)
17Toutes les fiches ont été numérisées au format TIF, un format non compressé, ce qui permet de garder la qualité de l’image, selon les normes proposées par Bibliothèque et Archives nationales du Québec16. Pour faciliter l’océrisation, les images ont été optimisées en lot avec le logiciel libre ImageMagick, ce qui a permis de changer la palette de couleur à gris, d’ajuster le contraste et la luminosité et de régler la saturation. Les images optimisées ont été converties au format PDF, dont la taille est plus facile à gérer, et océrisées avec Tesseract (version 5.0), un outil sous licence Apache 2.0, développé depuis 2006 par Google (Smith 2007) et connu pour sa puissance.
18Tesseract procède en deux étapes, puisque le logiciel segmente d’abord les différentes lignes du texte, regroupées en zones, avant de procéder à la reconnaissance des caractères formant les mots. Le texte extrait est sauvegardé au format hOCR puis converti au format XML-TEI grâce à un script ad hoc (feuille de style XSL) spécialement conçu pour cette étape. Le fichier XML-TEI, qui constitue la base du travail d’édition assistée, est composé d’un en-tête TEI suivi du texte lui-même. L’en-tête comprend des informations concernant l’identification et les droits d’utilisation de la fiche, alors que le corps du texte est structuré suivant les trois sections que l’on retrouve généralement dans les fiches. La présentation relativement systématique de l’information contenue dans les fiches a en effet permis de prévoir une structure simple pour tous les fichiers, dont le corps comprend les balises <form> (section « vedette »), <sense> (section « définition ») et <bibl> (section « information dialectologique »). Le choix des balises est conforme au format TEI P5. La division en trois sections est faite automatiquement par le script de transformation qui permet de passer du format hOCR au format XML-TEI. Elle est corrigée au besoin lors de l’édition, étape pendant laquelle d’autres balises sont ajoutées de façon à compléter la structuration des fiches.
19En raison de la diversité des images, et malgré les précautions prises pour améliorer et harmoniser leur qualité, l’océrisation comporte certaines limites. Il a été impossible de choisir des paramètres d’optimisation qui pouvaient s’appliquer à l’ensemble des fiches : si certaines corrections permettaient d’arriver à des extractions de texte parfaites pour un certain nombre de fiches, elles généraient des problèmes de reconnaissance ailleurs dans le corpus. Il aurait fallu regrouper, trier et classer les fiches en fonction de certains aspects matériels pour améliorer leur prétraitement. Nous avons estimé qu’une telle étape prendrait trop de temps. Nous avons aussi envisagé de tirer profit du degré de certitude utilisé par Tesseract. Cette valeur, fournie pour chaque token, devait en théorie permettre de regrouper des sous-ensembles de fiches selon le taux de réussite de l’extraction de texte et d’adopter des stratégies ciblées pour faciliter le prétraitement. Malheureusement, cette information a été peu utile puisque les valeurs fournies n’étaient pas toujours fiables. Cette solution a donc été écartée.
- 17 Cet outil, qui combine des éléments de XSL, Javascript et HTML, a été développé par Benoît Mercier, (...)
20Un outil d’édition assistée, destiné à faciliter le toilettage, la correction et la révision des fichiers textuels bruts, a été développé expressément pour cette étape17, ce qui nous a permis d’obtenir un gain de temps significatif. Concrètement, l’outil permet de corriger les erreurs d’océrisation et de compléter, en partie automatiquement, le balisage sémantique du contenu. Ce balisage permet d’identifier certaines informations récurrentes (vedette, catégorie grammaticale, année et lieu d’attestation, etc.). Certains éléments ainsi ajoutés s’inspirent des lignes directrices du format TEI Lex-0, utilisé pour l’encodage de données lexicographiques, comme <gramGrp> (pour la catégorie grammaticale) ou <pron> (pour la transcription phonétique). Nous avons également utilisé certains attributs de balise utilisés dans TEI Lex-0, comme <form type="headword"> (pour identifier les vedettes) et <form type="variante"> (lorsqu’une vedette est accompagnée d’une variante graphique ou morphologique). Les autres balises sont tout à fait standards en langage XML-TEI ; il s’agit de <placeName> et <date> (qui servent à identifier le lieu où un emploi est attesté ainsi que l’année de l’attestation) ainsi que de <figDesc> (pour décrire une image qui a été dessinée sur une fiche). Occasionnellement, la balise <unclear> est utilisée pour identifier un mot ou une suite de mots qui ne peuvent pas être déchiffrés.
21Les balises ainsi ajoutées permettent de récupérer des métadonnées, comme le lieu et l’année d’attestation, en vue d’enrichir la description des fiches et de générer automatiquement des références bibliographiques. Il serait du reste intéressant, dans une phase ultérieure du projet, d’associer les noms de lieux attestés à des référentiels géographiques externes et universels (comme Geonames) en vue de les désambiguïser18. Les balises sont par ailleurs exploitées à des fins de visualisation (p. ex., la vedette est soulignée et la catégorie grammaticale affichée en italique). L’outil procède aussi à un toilettage du fichier et élimine automatiquement certaines informations superflues provenant de l’étape d’océrisation, comme les balises <s> et <w>, associées à la segmentation du texte par ligne et par mot, ainsi que le degré de certitude. Au terme de cette étape, l’outil génère, à partir du fichier textuel brut produit par Tesseract, un fichier conforme aux normes XML-TEI qui peut être publié sur la plateforme du FDLQ.
- 19 https://comet.crifuq.usherbrooke.ca
- 20 Depuis sa création, l’outil est utilisé pour d’autres projets en linguistique de corpus, en lexicog (...)
- 21 D’autres critères ont été pris en compte, notamment la langue de l’interface (français) et sa convi (...)
22L’outil servant à l’édition assistée des fiches est une application disponible en ligne dans l’interface COMET (Corpus Management and Edition Tool)19. COMET est une application Web spécialement conçue pour le stockage, la gestion et l’édition des divers contenus versés au Fonds20. Cette application a été développée pour répondre à des besoins précis identifiés pour le projet, dont la prise en compte conjointe de la gestion des corpus, du traitement des documents et de leur publication sur la plateforme de diffusion ainsi que le partage des fichiers à des fins de recherche. Ces actions nécessitent différents niveaux d’autorisation, allant de la simple consultation à l’approbation de certaines interventions21. L’image 7 illustre l’environnement de travail de la personne chargée d’éditer des fiches. Lorsque l’outil est activé, la personne voit, au milieu de l’écran, le texte extrait avec Tesseract et structuré en fonction des trois grands blocs d’information contenus dans les fiches. La visualisation du texte rappelle la fiche originale, que l’on peut consulter dans la partie de droite, et permet de valider le texte extrait ligne par ligne. À gauche, elle a un accès direct au contenu du fichier XML-TEI.
Image 7. Outil d’édition assistée dans l’environnement COMET (aperçu général)
Image 8. Outil d’édition assistée dans l’environnement COMET (fenêtre d’édition)
- 22 Lorsqu’une année est balisée, elle s’affiche en vert, comme c’est le cas ici.
23Il suffit de sélectionner un mot ou une suite de mots dans le texte pour apporter une correction ou ajouter une balise. Dans l’image 8 par exemple, la fenêtre qui s’ouvre après la sélection du mot Bêche offre la possibilité d’intervenir dans le texte et de sélectionner la balise <form> qui sert à identifier la vedette. L’édition des fiches est facilitée du fait que l’outil est en mesure de repérer certaines informations qui sont alors balisées automatiquement, comme le lieu et l’année d’attestation22, ces informations se trouvant toujours au même endroit dans les fiches. Par ailleurs, l’outil corrige automatiquement les erreurs d’océrisation les plus fréquentes grâce à une liste qui est enrichie au fur et à mesure (p. ex. Dulon → Dulong). En moyenne, le traitement d’une fiche peut se faire en l’espace d’une trentaine de secondes seulement.
24Au terme de l’édition, les fiches sont envoyées pour approbation finale. Au besoin, des corrections sont apportées dans le fichier XML-TEI. Cette étape ultime sert à valider la transcription des fiches ainsi que le balisage de leur contenu. Les interventions nécessaires pour corriger des coquilles sont gérées avec la balise <choice> qui contient à son tour les balises <sic> et <corr>. Cette façon d’encoder permet à la fois de conserver la forme originale erronée (balise <sic>) et d’y associer la forme corrigée (balise <corr>).
- 23 La lemmatisation automatique se fait avec le logiciel libre SpaCy (https://spacy.io/).
25Une fois validé, le fichier XML-TEI (image 9) est publié sur la plateforme du Fonds, où la fiche peut être consultée sous sa forme éditée (transcription) ou sous sa forme originale (fichier PDF). En plus, son contenu textuel est tokénisé, indexé et lemmatisé23, rendant ainsi la fiche disponible pour des requêtes textuelles grâce au moteur de recherche disponible sur le site. La publication des fiches est réalisée par une simple commande dans l’interface COMET, où les données en TEI sont stockées.
Image 9. Exemple d’une fiche traitée (au langage XML-TEI)
26À ce jour, l’édition assistée des 26 000 fiches ciblées a été complétée. Environ 7 000 fiches ont déjà été approuvées et publiées sur la plateforme, soit environ le quart du corpus. La liste complète des fiches publiées peut être consultée en ligne24. Les informations qui apparaissent sur cette page sont dynamiques, et donc automatiquement mises à jour, dès lors qu’une nouvelle série de fiches est ajoutée. Il suffit de cliquer sur la cote d’une fiche pour avoir accès à certaines de ses métadonnées ou encore pour l’afficher au complet. La section « Lexique du corpus »25 permet de consulter la liste des formes de mots attestées dans les fiches déjà publiées.
27Compte tenu de leur valeur patrimoniale et de leur intérêt scientifique, les fiches dialectologiques de Gaston Dulong méritaient d’être sorties de l’oubli. Leur diffusion permettra une consultation simple et un accès élargi. Cela dit, pour que la numérisation des fiches puisse réellement servir, il était impensable de procéder à un traitement informatique entièrement automatisé qui aurait laissé trop de place à l’erreur et qui aurait rendu certaines données invisibles. Notre approche consiste plutôt à gérer de manière raisonnée le bruit occasionné par l’informatisation, en facilitant l’intervention manuelle nécessaire pour assurer la qualité des données. Le traitement des fiches a gagné en temps et en efficacité grâce à l’utilisation d’un outil d’édition assistée spécialement conçu pour les besoins du projet. Au fur et à mesure, notre méthode de travail s’est peaufinée et l’outil a été amélioré, ce qui nous a permis d’éditer l’ensemble des fiches en l’espace de quelques mois de travail seulement. Leur diffusion sur la plateforme du FDLQ se poursuivra au cours des prochains mois. Cette expérience nous permet de plaider en faveur d’une approche itérative dans la numérisation des données, où les difficultés sont traitées au fur et à mesure qu’elles se présentent dans le processus.