• 1 FP7-ERANET-2013-RTD. Grant Agreement n° 618104. Cf. http://cordis.europa.eu/project/rcn/191238_fr.h (...)

1HIMANIS (Historical MANuscript Indexing for user-controlled Search) est un projet de recherche européen associant, sous le pilotage de l’Institut de Recherche et d’Histoire des Textes (IRHT, CNRS, France), la société innovante A2iA (France), la Rijksuniversiteit Groningen (RUG, Pays-Bas) et l’Universitat Politècnica de València (UPV, Espagne). Il est l’un des seize projets retenus parmi 352 lors de l’appel Heritage Plus Joint Call de la JPI ou Joint Programming Initiative « Cultural Heritage and Global Change : a challenge for Europe »1. Il vise à l’indexation du texte copié dans les registres de la chancellerie royale française des années 1302-1483, c’est-à-dire les registres conservés aux Archives nationales sous les cotes JJ35 à JJ211, à partir des images produites par leur numérisation. Les enjeux de recherche d’information (données massives et bruitées) permettent de conjoindre les enjeux technologiques (reconnaissance de l’écriture manuscrite) et historiques (analyses paléographiques et diplo­matiques, recherche sur les institutions, le fonctionnement de la monarchie, la naissance de l’État-nation).

• 2 Registrum veterius (1204-1212), Bibliothèque apostolique vaticane, Ottoboni, lat. 2796.
• 3 Voir notamment Y. Potin, La Mise en archives du trésor des chartes (xiii^e-xix^e siècle), thèse pour (...)

3Les plus anciens registres de chancellerie remontent à l’époque de Philippe Auguste2. Sans entrer dans le débat sur leur origine3, ils attestent assurément d’une mutation profonde des pratiques de conservation et de thésaurisation de la mémoire du gouvernement royal. Révélateurs des méthodes d’administration qui se mettent en place dans un contexte géopolitique profondément bouleversé en ce début de xiii^e siècle, mais aussi de la vision des missions royales, leur visée première est de garder la trace des actes utiles et de connaître de manière circonstanciée les droits comme les engagements du roi. Le registre, compagnon de la chancellerie itinérante, se substitue d’une certaine manière aux chartes dont il est la copie et qui demeurent dans le palais de Paris.

• 4 La nova compilatio, qui prévoyait la mise au point d’un nouveau cartulaire-registre aux rubriques e (...)

4Qualifiés plutôt de « cartulaires-registres » par les diplomatistes, les registres du xiii^e siècle se caractérisent par une certaine hétérogénéité due à la variété des informations qui y sont copiées : il n’y a pas en vérité que des chartes. Les actes sont enregistrés de manière non linéaire, de façon méthodique, répartis entre de grandes rubriques thématiques dont la liste ne cesse de se complexifier au cours du siècle, au point de rendre l’opération de recopie – et donc de reclassement des actes au sein de ces thèmes – intenable à la fin du règne de saint Louis4. Cette complexité de l’enregistrement, paradoxalement nourrie par les succès d’une royauté assumant des prérogatives toujours plus larges, explique vraisemblablement les changements du mode de tenue des registres à l’orée du xiv^e siècle, sous le règne de Philippe le Bel. À partir du registre JJ35, qui couvre les années 1302-1305, débute la pratique jugée conventionnelle de l’enregistrement, c’est-à-dire une copie sérielle, continue, d’actes qui se suivent plus ou moins chronologiquement. Les actes d’un registre sont référencés dans une table précédant les cahiers où est copié le texte enregistré (fig. 1).

• 5 Les actes relatifs aux foires et marchés font l’objet d’une étude et d’une édition par les étudiant (...)
• 6 H. Larcher-Maurin, « Tam Parisius quam alibi ». Unité et pluralité de la chancellerie royale au tem (...)

7Le choix des actes enregistrés évolue aussi clairement par rapport aux origines : sont de plus en plus privilégiés les actes à valeur perpétuelle au détriment des actes d’administration plus courante. D’un enregistrement abordant initialement une large gamme de questions, on passe à un enregistrement plus sélectif. Le Parlement et la Chambre des comptes prennent également le relais de la chancellerie. Parmi les actes que cette dernière continue d’enregistrer, une forte proportion concerne désormais des mesures visant des personnes particulières : les fameuses lettres de rémission, accordant la grâce royale à des personnes condamnées, prennent une part importante, mais les mesures d’anoblissement en relèvent aussi. Au-delà de ces mesures individuelles, témoins de l’emprise de la royauté sur les sujets, les registres n’en demeurent pas moins le reflet de la politique des Capétiens et des Valois. Ceux de la fin du xv^e siècle, par exemple, contiennent les actes relatifs aux (re)fondations de foires et marchés, dans le contexte d’un royaume dont l’activité commerciale s’intensifie à la sortie de la guerre de Cent Ans5. Enfin, pour achever la comparaison avec les premiers registres, la masse d’information enregistrée devient de plus en plus considérable au fil des décennies. Cette masse explique le net déséquilibre entre les registres du xiv^e et ceux du xv^e siècle, tant en ce qui concerne les outils permettant de les exploiter que le traitement qu’en a fait l’historiographie. Les premiers bénéficient de travaux d’inventaires encore assez nombreux et précis, tandis que les seconds ne peuvent être approchés que par des réalisations plus partielles ou plus générales, à quelques exceptions près. Et si les registres de Charles VII ont fait l’objet d’une étude récente6, ceux de Louis XI restent encore largement méconnus et sous-exploités.

• 7 Tome 1 : https://www.siv.archives-nationales.culture.gouv.fr/siv/rechercheconsultation/consultation (...)
• 8 Les index de ces registres, issus des règnes de Louis X, Philippe V et Charles IV, n’ont pas encore (...)

10En ce qui concerne les inventaires systématiques, tous les registres ont fait l’objet d’un dépouillement ancien, mais extrêmement sommaire, qui s’est contenté de compiler les tables des actes qu’ils contiennent. Des quatre volumes concernés, trois sont consultables dans la salle des inventaires virtuelle : le tome 1 couvrant les cotes JJA-JJN et JJ1-JJ79, le tome 3 couvrant les cotes JJ156-JJ211 et enfin le tome 4 pour JJ212 à JJ2647. Quant aux autres instruments de recherche, alors que la série des registres proprement dits commence avec la cote JJ35, le chercheur dispose d’inventaires publiés pour les registres JJ37 à JJ79B (mais dépourvus d’index pour les registres JJ50 à JJ648), et d’inventaires dactylographiés ou manuscrits pour les registres JJ80 à JJ96.

• 9 Le format de document électronique EAD (Encoded Archival Description) est un format basé sur le lan (...)
• 10 Plus précisément, les personnes qui ne sont pas identifiées comme des producteurs et qui ne bénéfic (...)

11Les inventaires géographiques réalisés aux Archives nationales et couvrant la Gascogne, le Languedoc, le Rouergue ainsi que la Loire moyenne sont plus aisément exploitables, car ils ont été numérisés par la Bibliothèque nationale de France et leur contenu est mis à disposition sous forme de fichier texte dans la bibliothèque numérique Gallica grâce à un logiciel OCR. Les Archives nationales ne sont certes pas restées inactives, mais, si certains de ces inventaires ont été numérisés, voire convertis dans le format EAD (Encoded Archival Description)9, ils ne sont pas encore à la disposition du public ; la salle des inventaires virtuelle ne permet pas pour l’heure d’exploiter des index matières et personnes10, et les index n’ont pas toujours été intégrés lors des opérations de rétroconversion massive des inventaires anciens, même si une recherche plein texte peut maigrement compenser l’absence d’index informatisé.

• 11 O. Guyotjeannin et al., « Un acte diplomatique en TEI », École des chartes, http://developpements.e (...)
• 12 F. Clavaud, « The Digital Edition of the Medieval Charters of the Abbey of Saint-Denis : first Resu (...)

15Dans le cadre du projet HIMANIS, et en nous appuyant sur le format proposé par l’École nationale des chartes pour l’édition des actes11, nous assumons volontairement le choix inverse de celui qui a été fait par la même institution de publier un texte ancien en EAD, fût-il un inventaire d’archives comme celui de Saint-Denis12. En effet, nous considérons ici que l’inventaire est un regroupement de métadonnées sur des textes, même si nous ne disposons pas (encore) de ces derniers.

• 13 Sur ce point, nous divergeons du modèle proposé par l’École nationale des chartes, qui utilise <orgName> ave</orgName> (...)

16De ce fait, nous ne décrivons pas les actes originaux. Il faut néanmoins noter ici une différence substantielle : nous utilisons <msDesc> à l’intérieur de <witness> pour bénéficier de toute la finesse d’encodage native, ici manifestée par l’utilisation de <msIdentifier> avec <repository> et <idno>13.

• 14 Le latin domine d’abord (80 % d’actes en latin) jusqu’en octobre 1330, date à partir de laquelle le (...)

23Nous avons déjà dit que le corpus est très faiblement décrit par les inventaires disponibles sous forme informatique, notamment pour la deuxième moitié de l’ensemble. Il faut maintenant en souligner la diversité structurelle. Du point de vue linguistique, le fonds est bilingue et contient principalement des actes en latin et en français ; mais des textes en occitan, flamand et navarrais se rencontrent également14. L’exploitation d’un corpus multilingue est toujours délicate. La complexité est ici accrue par la pratique médiévale des vidimus et actes insérés, qui peut transformer un acte royal en une mosaïque multilingue : ainsi, sous Philippe VI, 46 % des actes sont concernés et contiennent entre un et dix actes insérés. En outre, la variété diplomatique des actes est grande, allant des lettres de rémission aux mandements, en passant par les amortissements, anoblissements, et confirmations, tout en intégrant souvent des copies de procurations et pouvoirs.

• 15 Agence Nationale de la Recherche, « Projet ANR. Corpus, données et outils de la recherche en scienc (...)
• 16 D. Stutzmann, « Ontologie des formes et encodage des textes manuscrits médiévaux. Le projet ORIFLAM (...)

25La possibilité d’entraîner une « machine à lire » a été testée et développée par deux des partenaires d’HIMANIS dans un projet antérieur : ORIFLAMMS (« Ontology Research, Image Features, Letterform Analysis on Multilingual Medieval Scripts », financement ANR/Cap Digital, 2013-2016, réf. ANR-12-CORP-0010)15. Celui-ci visait à étudier la variabilité de l’écriture selon la formalité et les supports et, pour ce faire, se fondait sur un « alignement texte-image » automatique et exhaustif, plutôt que sur une annotation sélective, afin d’éviter le « biais de confirmation » et la surreprésentation des phénomènes rares16.

• 17 T. Bluche, D. Stutzmann, C. Kermorvant, « Automatic Handwritten Character Segmentation for Paleogra (...)

26Le principe en est le suivant : on utilise des logiciels de reconnaissance de l’écriture manuscrite (HTR, Handwritten Text Recognition), donc des technologies d’intelligence artificielle et des réseaux neuronaux profonds, mais, au lieu d’en attendre une transcription, on utilise une transcription qui existe déjà et on crée des modèles statistiques qui optimisent la production automatique d’un texte pour qu’il soit le plus identique possible à la transcription « humaine » fournie au préalable17. Celle-ci est appelée « vérité terrain » (ground truth) : comme son nom l’indique, cette « vérité terrain » est censée être un échantillon représentatif de textes tels qu’ils sont en réalité sur le terrain (par opposition au « modèle »).

• 18 http://corpus.enc.sorbonne.fr/actesroyauxdupoitou/.
• 19 P. Guérin et L. Celier, Recueil des documents concernant le Poitou contenus dans les registres de l (...)

28Dans le cadre d’HIMANIS, nous avons instrumentalisé ainsi l’édition électronique des Actes royaux du Poitou18, fondée sur l’édition donnée par Paul Guérin19, et nous l’avons utilisée comme vérité terrain pour entraîner une machine et obtenir un effet levier qui permette de se rapprocher d’une édition de l’ensemble du corpus, c’est-à-dire, au moins, d’indexer les mots présents. Cette édition, avec ses douze tomes et ses 1 744 actes au total, non contente d’être la seule disponible, a l’avantage de couvrir l’ensemble du corpus jusqu’à la fin du Moyen Âge.

• 20 Il faut souligner ici que les technologies utilisées par A2iA et UPVLC exploitent uniquement l’info (...)

31Cet investissement en temps n’est pas négligeable. En outre, nous avons également enrichi vingt-sept transcriptions en marquant les abréviations, avec l’espoir que la lecture automatique en serait facilitée et permettrait en retour d’enrichir les éditions à venir et d’étudier les évolutions du système abréviatif de façon diachronique. En pratique, un premier alignement a été produit avant l’indication des sauts de ligne ; il a été intégralement corrigé pour offrir une meilleure base d’apprentissage et c’est à cette occasion qu’ont été insérés les éléments <lb/> dans l’édition20.

• 21 Les autres éditions d’actes n’ont pas été utilisées, parce qu’elles portaient sur des volumes non n (...)

32L’effort minutieux d’enrichissement de l’édition électronique a permis d’en voir de nombreuses faiblesses, allant d’erreurs de transcription à des choix éditoriaux très invasifs, tout en validant son intérêt pour entraîner l’intelligence artificielle21. À cet égard, il est maintes fois apparu que les sciences humaines entretiennent un rapport ambigu avec la qualité de leur production : puisque celle-ci ne peut pas être strictement évaluée, l’impression d’une perfection supposée est peut-être donnée trop facilement à l’extérieur ; en tout cas, les partenaires ingénieurs attendent une précision de 100 % alors que la réalité médiévale – à commencer par les abréviations – fait dépendre la perfection des attentes et objectifs de l’édition. Ainsi, les partenaires s’attendaient à une édition qui indique de façon exhaustive les abréviations, car – du moins le pensions-nous initialement – seule la production d’une chaîne de caractères reflétant celle présente sur les images pouvait être attendue des machines avec restitution selon les règles et statistiques d’abrègement. Or, pour des raisons ergonomiques et cognitives, il est impossible de fournir un tel corpus ! L’apprentissage des abréviations de façon à enrichir automatiquement les transcriptions à des fins d’analyse paléographique reste un problème non résolu, mais il se trouve que la machine a finalement appris à lire en « lecture globale » en restituant les abréviations ; le problème de la qualité et de sa définition reste crucial pour tous les projets en sciences humaines.

• 22 https://transkribus.eu/Transkribus/.

33Il faut aussi prendre en compte les questions d’ergonomie. En effet, cette dernière tient une place capitale car elle conditionne à la fois la masse et la qualité des données, puisqu’un outil ergonomique permet de multiplier les données correctement formatées avec un investissement moindre en temps. Dans le projet HIMANIS, tant pour l’annotation préalable des zones concernées par l’édition de Paul Guérin qu’ensuite, pour corriger l’alignement, nous avons utilisé le logiciel Transkribus22 développé par le projet Transcriptorium et continué par le consortium READ dont fait partie l’Universitat Politècnica de València, partenaire d’HIMANIS (fig. 5).

• 23 Du Cange (http://ducange.enc.sorbonne.fr) ; Godefroy (http://www.eonet.ne.jp/~ogurisu/francais/sect (...)
• 24 TreeTagger (http://www.cis.uni-muenchen.de/~schmid/tools/TreeTagger/) ; Collatinus (http://outils.b (...)
• 25 CBMA (http://www.cbma-project.eu/). Nous remercions Nicolas Perreaux de nous avoir communiqué ces i (...)

40Les référentiels linguistiques, tout d’abord, ont un potentiel important pour améliorer la reconnaissance et l’indexation du texte en régularisant et normalisant des termes que les outils automatiques auraient mal lus et dont ils auraient mutilé l’un ou l’autre caractère. Les indices de fréquence permettent en outre de calculer la « confiance » d’un mot de façon bien plus pertinente, de façon à offrir un meilleur service de recherche. La lemmatisation, utile aussi bien en latin qu’en ancien et moyen français, affine non seulement le calcul de pertinence et de confiance des termes indexés, mais permet surtout une recherche plus intelligente, par radical, indépendamment des formes déclinées ou conjuguées, tout en ouvrant la voie à des analyses lexicométriques qui tiennent compte de la construction syntaxique. Pour HIMANIS, ces outils doivent couvrir et le français et le latin. Un premier référentiel est constitué par le texte des éditions qui fournissent un premier « dictionnaire », c’est-à-dire, dans le contexte des sciences de l’ingénieur, une liste de mots avec des statistiques de fréquence. Les référentiels externes au corpus comprennent à la fois des dictionnaires définissant les termes, mais sans fréquences (Du Cange, NGML pour le latin ; Godefroy, Tobler-Lommatzsch et DMF 2015 pour le français)23, et des outils de lemmatisation (TreeTagger et Colatinus pour le latin ; LGeRM pour le français)24. Pour le latin, à titre de comparaison, nous disposons également des fréquences des mots dans la Patrologie latine et dans les CBMA25.

• 26 Les entrées d’index étant reliées à un numéro d’acte de l’inventaire et l’analyse indiquant cote, n (...)

43Plusieurs référentiels sont issus des travaux menés aux Archives nationales sur les registres de la chancellerie royale : il s’agit simplement, une fois océrisés, des index publiés en appendice des inventaires systématiques et géographiques. Les partenaires d’HIMANIS ont travaillé à les nettoyer, puis à les rétroconvertir et, en reprenant le modèle proposé en EAD, à recréer des liens structurels entre les références des actes et les termes indexés grâce aux éléments <index> et <term> (nous n’avons pas traité de façon structurelle les renvois qui ne sont pas les mêmes d’un inventaire à l’autre). Grâce à l’excellente qualité de la reconnaissance d’écriture manuscrite produite par A2iA, nous avons également pu récupérer les analyses et entrées d’index géographiques des inventaires manuscrits. Ces index ont l’avantage de porter directement sur les volumes étudiés et de contenir les identifications absentes des regestes. Néanmoins, ils mélangent noms de lieux et noms de personne – alors que le traitement adéquat des anthroponymes comprenant un nom de lieu est une difficulté commune dans les études médiévales ; les inventaires géographiques ne couvrent pas tout le territoire ; surtout, tous ces index ne donnent que la forme actuelle et ne peuvent donc enrichir les dictionnaires de formes pour la reconnaissance de texte26. Ils servent ainsi, d’une part, d’étalon pour mesurer le degré de précision de l’indexation automatique en recherche par mot en fournissant non pas une « vérité terrain », mais une liste minimale des occurrences à identifier, sans toutefois en fournir la forme précise ; d’autre part, leur rétroconversion sous forme informatique prépare des visualisations de données par cartes et frises chronologiques, reliant les toponymes entre eux et aux dates où on les trouve mentionnés.

• 27 http://cths.fr/dico-topo/.

44Parmi les référentiels externes, outre des données universelles telles que GeoNames et Wikipedia (ou plutôt DBpedia) qui permettent d’obtenir les coordonnées géographiques, nous désirons utiliser la série des dictionnaires topographiques27. Ceux-ci ont été convertis dans un format XML selon une DTD spécifique par le Comité des travaux historiques et scientifiques. Même s’ils ne couvrent pas non plus toute la zone géographique concernée par les registres médiévaux de la chancellerie royale, ils présentent l’intérêt de fournir les formes anciennes et les formes latines.

• 28 Nouveaux usages, nouveaux usagers : quels contenus, quels services allons-nous offrir ?, Actes des (...)

46L’énergie consacrée aux référentiels d’entités nommées, anthropo- et toponymiques, est un investissement évidemment nécessaire, car les communautés d’utilisateurs, grand public, généalogistes et historiens médiévistes, vont naturellement chercher les informations de cette nature. Si cet aspect se vérifie dans toutes les communautés en ligne utilisatrices d’archives numérisées28, il ne fait que prolonger le besoin qui présidait à la réalisation des inventaires analytiques.

• 29 École nationale des chartes, Conseils pour l’édition de textes médiévaux, fascicule II, Actes et do (...)

49La granularité d’accès et ses rapports avec les besoins de l’utilisateur peuvent également motiver à interroger d’autres niveaux d’information. Si l’acte unitaire est le niveau pertinent, les vidimus et actes insérés pourraient faire l’objet d’un traitement particulier pour accroître la pertinence heuristique : ici, comme pour l’édition de texte, des choix d’accès différents sont théoriquement possibles29. De même, le diplomatiste désirera un accès à une autre granularité textuelle et graphique, où le texte, central sur la page, cèdera sa place à des informations marginales, mais cruciales pour l’étude de la chancellerie : titres, rubriques, annotations, mentions de collation, traitement des mentions hors teneur.

• 30 R. McNicholl et T. Miles-Board, « TranScriptorium : Computer-Aided, Crowd-Sourced Transcription of (...)

52Avec ou sans l’intervention des utilisateurs, et avec la possibilité de « propager » les lectures et améliorations30, donc de repérer les autres formes-mots qui auraient été indexées de façon similaire et de leur attribuer le nouveau label, il nous faut maintenant revenir à une différence essentielle entre l’indexation et l’édition. En effet, l’indexation, bien que plus pauvre sémantiquement, se présente de façon plus riche. Il ne s’agit pas d’un texte « à plat », mais d’un « treillis », d’une multiplicité d’interprétations possibles pour chaque mot sur l’image, avec un indice de confiance pour chacune de ces hypothèses.

• 31 P. Sahle, « Scholarly Digital Editions. Complete List A-Z », 2008, http://www.uni-koeln.de/~ahz26/v (...)

54Même dans le cas d’une restitution linéaire du texte indexé, et même si l’identification des toponymes peut être préparée automatiquement, l’on reste loin d’une édition critique numérique ou d’une édition savante électronique (scholarly digital edition)31. Il manque aussi bien le repérage et la collation textuelle des témoins que toute la critique textuelle et historique.

• 32 J. Glénisson et J. Guérout, Registres du trésor des chartes : inventaire analytique, 1 : Règne de P (...)
• 33 J. Smit, « Paleography and the Digital Middle Ages : Experiences with the Groningen Intelligent Wri (...)

59Ces questions appliquées à la reconnaissance des scribes sont encore plus délicates. Si Jean Guérout a proposé d’identifier 109 mains différentes et actives dans les registres JJ37 à JJ50, le tableau en est précédé par la remarque suivante : « On sait toute la difficulté que présente l’étude des écritures d’une chancellerie et l’on peut être amené à se demander si les résultats des distinctions qu’elle amène à faire entre les mains sont d’une solidité à toute épreuve32. » Quel usage faire de cette vérité terrain ? La reconnaissance de scribes dans les sources médiévales fait désormais l’objet d’une bibliographie établie33. Il n’en demeure pas moins qu’en l’absence de preuve sur caractères internes, le paléographe reste dans l’attribution ; il relève de sa responsabilité et de son jugement critique d’établir les frontières entre le même et l’autre. Sur la distinction des mains, il n’y a donc pas, à proprement parler, d’évaluation quantifiée possible. En revanche, les technologies de writer identification sont aussi les mieux à même de mesurer objectivement le « changement graphique » (cambio grafico) dans un milieu social homogène tel que celui des clercs de chancellerie.