Ressources numériques en sciences humaines et sociales OpenEdition Nos plateformes OpenEdition Books OpenEdition Journals Hypothèses Calenda Bibliothèques OpenEdition Freemium Suivez-nous

Modélisation du corpus en XML-TEI

Dans un contexte de Science Ouverte, répondant à l’incitation institutionnelle visant l’ouverture des données de la recherche et des protocoles de leur traitement, afin de respecter la législation à propos de l’ouverture des données issues des institutions publiques (voir https://www.ouvrirlascience.fr/accueil/ ), et d’incitation à la production de données FAIR (Findable, Accessible, Interoperable, Reusable, voir https://doranum.fr/enjeux-benefices/principes-fair_10_13143_z7s6-ed26/), il a été décidé de produire une édition numérique dans le respect du standard de l’XML-TEI. La Text Encoding Initiative, format de balisage né de réflexions de toute une communauté académique internationale, est en effet une réponse aux enjeux scientifiques du projet et aux exigences propres à la structuration de données de qualité. Le schéma d’encodage du corpus est ainsi détaillé et expliqué dans un document ODD disponible sur GitLab et à terme sur Nakala.

Une édition semi-diplomatique

Le principal objectif de l’édition numérique est de rendre accessibles les facs-similés en fournissant une transcription en partie modernisée. Si les graphies originales sont conservées (la ponctuation, les accents, les mots soulignés par les auteurs des lettres), la typographie est normalisée. Ainsi, seuls les sauts de ligne signifiants sont reproduits (lorsque l’auteur marque clairement un passage à la ligne avec un alinéa, et non pas lorsque l’espace restreint du papier oblige à passer à la ligne). Les titres d’ouvrages, abrégés ou non, et les mots en langue étrangère sont aussi marqués en italique ; les majuscules sont ajoutées aux noms propres ; les abréviations latines par exemple, de dates ou de politesse (sauf S.P.D., Salutem plurimam dat), sont développées. La ponctuation et l’orthographe du scripteur sont conservées, les rares erreurs en latin signalées par (sic). Les balises <choice> permettent alors de traiter les cas d’expansions d’abréviations, de régularisations ou de corrections d’erreur.

Par ailleurs, une description succincte de la matérialité des sources est fournie, soit le nombre de folios, la présence ou non d’une enveloppe, les changements de couleur d’encre ou d’écriture qui peuvent indiquer un changement de main. Est aussi précisée la nature de la lettre, brouillon, copie (corrigée ou non), originale de la correspondance passive.

Un des intérêts de l’édition numérique est ici de mettre en regard images et textes, afin de faciliter les va-et-vient entre la source manuscrite (avec les croquis éventuels, les tableaux, les listes, les formules mathématiques, les relevés…) et sa transcription semi-diplomatique. L’aspect critique de l’édition se concentre dans la définition de différents niveaux de notes. Elles relèvent :

  • d’un ajout d’information pour éclairer le contenu ou de l’explicitation d’une difficulté de transcription ;
  • du signalement d’une variante dans le cas où on dispose d’un brouillon et de la lettre reçue ;
  • d’une rectification (erreur sur les noms propres par ex.)

Des index pour faciliter la navigation dans le corpus

Le corpus de correspondance est donc structuré selon les recommandations des teiguidelines pour ce type de corpus. L’encodage de la structure d’une lettre répond en effet à des règles particulières en rapport avec les étapes classiques de rédaction d’une lettre, qui comprennent une phrase d’introduction, puis le corps de la lettre, la formule de clôture, et éventuellement un post-scriptum et des ajouts (copie d’extraits, listes, commandes, figures, petit traité à réviser…).

Outre l’encodage diplomatique des lettres, l’équipe a choisi de se concentrer sur 5 types d’index pour explorer le corpus :

  • Un index de personnes, d’auteurs anciens ou contemporains, pour identifier les correspondants et les individus évoqués dans les lettres (relations communes, porteurs, hôtes…)
  • Un index des institutions mentionnées (académies, sociétés savantes, consulats), des ateliers de fabrication d’instruments, de pièces… pour établir une carte des réseaux de savants)
  • Un index des lieux d’expédition et de réception des lettres, des lieux visités (par exemple Ciera, en Amérique latine)
  • Un index des mots-clés thématiques (notamment ceux permettant d’identifier les disciplines savantes évoquées, les sujets de controverses, les questions scientifiques, les instruments et machines, le contexte historique, les événements personnels et familiaux…)
  • Un index des ouvrages mentionnés, des revues et journaux, des catalogues de libraires, de bibliothèques…

Des liens sont créés entre les entités nommées indexées dans le corpus et les référentiels d’autorité du web sémantique (VIAF, ISNI, Geonames), quand ils existent.

Des spécificités : gestion des symboles astronomiques et des formules mathématiques

Le corpus a pour particularité de présenter l’écriture manuscrite de certains symboles astronomiques et zodiacaux (terre, Soleil, Cancer, Capricorne…) et de formules mathématiques. Certains caractères spéciaux doivent être affichés grâce à un code HTML héxadécimal. C’est pourquoi une DTD externe a été élaborée afin de les afficher correctement (Document Type Definition, document servant à décrire la grammaire d’un document XML et son vocabulaire supplémentaire sous la forme d’une liste d’entités de caractères, voir https://fr.wikipedia.org/wiki/Document_type_definition) : elle est disponible sur GitLab et à terme sur Nakala.

En ce qui concerne les formules scientifiques et mathématiques, afin qu’elles soient correctement prises en compte, on s’appuie sur le langage MathMl, dont la syntaxe est comprise dans une balise <formula>.


OpenEdition vous propose de citer ce billet de la manière suivante :
Gwenaëlle Patat (13 juillet 2022). Modélisation du corpus en XML-TEI. La correspondance européenne de Giovanni Poleni. Consulté le 30 avril 2025 à l’adresse https://europoleni.hypotheses.org/230


Laisser un commentaire

Votre adresse e-mail ne sera pas publiée. Les champs obligatoires sont indiqués avec *

This site uses Akismet to reduce spam. Learn how your comment data is processed.