Okapi

Le corpus et les résultats d’analyse du projet ANTRACT sont intégrés dans Okapi, plateforme client-serveur intégrant des fonctionnalités de documentation, de recherche d’information et de publication hypermédia au sein d’un même environnement entièrement fondé sur les technologies et standards du web sémantique. La plate- forme sert à la fois pour l’intégration des résultats d’analyse automatique, pour l’annotation manuelle et pour la présentation des résultats, le démonstrateur du projet étant un site web généré automatiquement.

https://okapi.ina.fr

Présentation synthétique

Travail sur les tapuscrits

Les tapuscrits des commentaires ont été scannés et océrisés, et l’INA a produit une expérimentation de mise en correspondance automatique avec les documents filmés, en utilisant conjointement les textes issus, d’une part, de la transcription automatique de la parole et, de l’autre, de l’OCR. Les tapuscrits scannés sont disponibles sur Okapi, avec alignement au sujet. Les tapuscrits océrisés sont disponibles dans le corpus enrichi.

Transcription automatique de la parole

Comme prévu, le LIUM a procédé à une transcription entière en début de projet avec les systèmes existants. Un second système, plus adapté aux caractéristiques du projet, a été développé et a permis de transcrire à nouveau le corpus avec un niveau de qualité très supérieur. Ce nouveau système s’appuie sur les tapuscrits et les notices. Sur la dernière année du projet, une correction manuelle des transcriptions automatique a été effectuée.

Textométrie

L’IHRIM a produit plusieurs types de corpus pour l’analyse avec TXM en fonction des avancées des différents partenaires et des besoins des historiens : (a) un corpus TXM des notices documentaires de l’INA adapté à l’exploration fine des descriptions structurées [AF-NOTICES-V4-2022-04-27.txm, 5 versions successives] ; (b) un corpus TXM des valeurs de plan mentionnées dans les notices pour l’analyse de la grammaire cinématographique [AF-PLANS-V2-2021-10-11.txm, 3 versions successives] ; (c) un corpus TXM multimédia des fichiers vidéos re-segmentés en émissions (par le partenaire INA) et de la transcription automatique de leur piste audio (partenaire LIUM) [fichier AF-VOIX-OFF-V5-2022-04-27.txm, 7 versions successives] ; (d) un corpus TXM exploratoire des OCR de tapuscrits [fichier AF-CMT-OCR-2-TT.txm]

Analyse des images

EURECOM a tout d’abord réalisé des tests de classification d’image et de classification des valeurs de plans. Dans un second temps, EURECOM a développé plusieurs versions de FaceRec, une plateforme open source permettant d’identifier des personnalités présentes à l’image en donnant simplement son nom, https://github.com/D2KLab/FaceRec. La plateforme utilise les images collectées sur le Web pour construire des modèles visuels permettant de les reconnaître. La plateforme offre une interface permettant à un utilisateur de contrôler les images qui seront sélectionnées pour la construction des modèles ou encore pour visualiser les résultats de la reconnaissance automatique, http://facerec.eurecom.fr/visualizer/?project=antract. Dans sa toute dernière version, la plateforme permet également de reconnaître des personnes qui apparaissent de manière récurrente dans les vidéos sans que l’on sache forcément les nommer.

Plateforme Okapi

Le consortium a choisi pour plateforme d’intégration des résultats et de démonstration des résultats du projet d’utiliser la plateforme Okapi développée par l’INA. Okapi est le résultat de plusieurs projets de recherche, et en particulier du projet Campus AAR financé par l’ANR. Il s’agit d’une plateforme client-serveur intégrant des fonctionnalités de documentation, de recherche d’information et de publication hypermédia au sein d’un même environnement Web entièrement fondé sur les techniques et standards du web sémantique. La plateforme a été adaptée aux besoins des utilisateurs SHS du projet. Une passerelle d’interopérabilité entre Okapi et TXM a également été réalisée dans le but d’échanger des corpus entre les deux outils. Les fonctionnalités de segmentation d’Okapi ont été utilisées pour améliorer les alignements erronés de sujets.

Études transdisciplinaires

Les recherches menées au cours du contrat doctoral portant sur l’histoire de la firme de presse filmée Les Actualités Françaises ont exposé les liens entre les mutations technologiques, les parcours professionnels et l’écriture de l’information. Les outils du projet ANTRACT, notamment la plateforme TXM, ont permis de mettre en évidence l’existence d’une grammaire cinématographique standardisée des journaux filmés des Actualités Françaises et ont ainsi apporté une contribution majeure à l’historiographie de la presse filmée de la seconde moitié du XXe siècle. L’équipe d’historiens, qui a également fédéré quelques chercheurs extérieurs au consortium, a travaillé dans deux directions principales. La première a consisté à mettre en évidence ses besoins à partir de sujets de recherche identifiés comme significatifs au début du projet (“foules” – nom commun très présent dans les notices et les “voix off”, personnalités), et à les transmettre aux partenaires technologiques (occurrences de termes, d’images…). Ce premier temps du projet a ainsi permis aux historien.nes de nourrir un dialogue riche avec leurs collègues des laboratoires technologiques pour les plus avancé.e.s, encore à venir pour celles et ceux rentrés plus tardivement dans le projet.

La deuxième direction a consisté à organiser des rencontres, fructueuses entre historien.ne.s et collègues des laboratoires technologiques : premiers retours d’expérience ; moments de formation interne au projet ; organisation d’ateliers pratiques autour de la reconnaissance automatique du texte, du son, de l’image. Ces rencontres ont permis à l’équipe des historien.nes de commencer à s’approprier les outils technologiques et à appréhender le type de questions à poser aux laboratoires partenaires. L’outil Okapi, disponible en septembre 2019, a eu un rôle de levier important en matière de recherche.

Sur l’ensemble de la période, des séances régulières de travail ont donné lieu à des présentations, orales ou écrites, du projet. Celles-ci ont permis :

1/ d’envisager les différentes étapes d’enrichissement des corpus

2/ de conduire une élaboration collective et progressive de l’ouvrage final

Quelques résultats du projet Antract

Histoire : les Trente Glorieuses au prisme des Actualités Françaises

Pascale Goetschel (2019), “Les Actualités Françaises (1945-1969) : le mouvement d’une époque”, revue #1257, Université Paris 1, n°1, juin 2019, p. 34-39

Franck Mazuet, Le cinéma de l’événement. Histoire de la société de presse filmée Les Actualités Françaises (1945-1969), thèse soutenue le 19 avril 2023.

Matthieu Frey, La rencontre entre Philippe Leclerc et Jean de Lattre de Tassigny

Actes de la journée d’étude sur l’histoire mondiale des actualités cinématographiques pendant la seconde moitié du XXe siècle, Campus Condorcet, 18 septembre 2020 : Histoire mondiale des actualités cinématographiques durant la seconde moitié du XXe siècle-Part 1, Histoire mondiale des actualités cinématographiques durant la seconde moitié du XXe siècle-Part 2

 

Des avancées informatiques au service des sciences humaines et sociales

Jean Carrive (INA), “Un environnement numérique pour la recherche sur les archives audiovisuelles”, communication, journée ANTRACT du 13 juin 2022, Eurecom, Sophia-Antipolis

Sylvain Meignier (LIUM), “Progrès de la transcription automatique et retour d’expérience de la transcription manuelle”, communication, journée ANTRACT du 13 juin 2022, Eurecom, Sophia-Antipolis

Bénédicte Pincemin (IHRIM), Serge Heiden (IHRIM), Franck Mazuet (CHS), The textometric concept of active corpus, JADT 2022

Raphaël Troncy (Eurecom), Pasquale Lisena (Eurecom), Jorma Laaksonen (Aalto University), Understanding videos with face recognition: a complete pipeline and applications, 2022

Pasquale Lisena, When did De Gaulle and Eishenower met?, vidéo, slides, 2022

Bénédicte Pincemin, Serge Heiden, Matthieu Decorde (IHRIM), Textometry on Audiovisual Corpora, 2020

Franck Mazuet (CHS), “Le projet ANTRACT : l’intelligence artificielle au service de l’historien“, Culture et Recherche, ministère de la Culture, numéro thématique “Cinéma, audiovisuel, son”, 141, septembre 2020, p. 11-13

Analyse textométrique avec TXM

 

L’analyse des Actualités Françaises avec TXM

Logiciel TXM : quelles foules dans les Actualités françaises ? Les adjectifs qualifiant le mot “foule” dans les notices documentaires INA (volet de gauche), dans le commentaire audio (volet central) ; et les mots particulièrement présents dans les contextes de “foule immense” (cooccurrences, volet de droite).

 

Logiciel TXM : parle-t-on d’agriculture et des paysans dans les mêmes contextes ? Relevé des contextes d’usage et graphique de leur usage au fil du temps. L’agriculture rime avec modernité et contraste avec les paysans, dans les autres continents ou contestataires.

 

Logiciel TXM : sur- et sous-emplois du mot “foule” au fil des années (par rapport à la moyenne du corpus – écarts statistiques mesurés par les Spécificités – corpus des notices documentaires)

 

Logiciel TXM : Les personnalités au fil des années. Analyse factorielle des correspondances croisant les années (de 1945 à 1969) avec les 51 personnalités indexées dans au moins 20 notices documentaires de sujets des Actualités françaises.

 

Logiciel TXM : travail sur les successions de plan cinématographique telles que décrites dans le champ “Séquences” des notices documentaires INA. Les mentions de plan automatiquement repérées sont surlignées en rose ; dans le volet de droite, la même notice en ne conservant que les codes de plan, pour faciliter leur analyse.

 

Logiciel TXM : Visualisation de l’évolution des mentions de quatre types de plan ou d’angle de caméra dans les notices documentaires INA. L’abandon du plan porté (rouge) au profit du plan moyen (bleu), le style magazine des années 1950 avec les diapos-titre (vert), l’apparition (technique) du zoom dans les années 1960 (jaune).

 

Présentation des corpus

Documentation de la dernière version du corpus AF-VOIX-OFF :

AF-VOIX-OFF-V5-2022-04-27-documentation

Documentation de la dernière version du corpus AF-NOTICES :

AF-NOTICES-V4-2022-04-27-documentation

Environnement de travail avec TXM

Fiche installation TXM :

fiche_installation_txm_antract_230627

Mémo ressources TXM pour le projet ANTRACT :

memo_ressources_txm_antract_230627

Supports pédagogiques et notes des formations

Avertissement : le corpus AF-NOTICES a été profondément restructuré en octobre 2021 (à partir de la v3), les requêtes des documents antérieurs doivent être adaptées.

Tutoriel d’exploitation documentaire du corpus des Notices documentaires des Actualités françaises avec TXM :

TUTORIEL_exploitation_notices_180409

Formation TXM du 15 octobre 2018 :

antract_formation_txm_15octobre2018_230405

Notes des mini-ateliers TXM du 10 juillet 2019 :

txm_mini_ateliers_190710_230405

Notes de l’atelier du 16 janvier 2020 :

txm_atelier_200116_v1_230405

Tutoriel d’utilisation des outils d’échanges entre TXM et Okapi :

https://groupes.renater.fr/wiki/txm-info/public/chantier_antract#tutoriel_d_utilisation_des_outils_d_echanges_entre_txm_et_okapi

Quelques productions

Analyse historique

Pascale Goetschel, “Les Actualités françaises (1945-1969) : le mouvement d’une époque“, #1257, n° 1, juin 2019, p. 34-39.

Jean Carrive, Abdelkrim Beloued, Pascale Goetschel, Serge Heiden, Antoine Laurent, Pasquale Lisena, Franck Mazuet, Sylvain Meignier, Bénédicte Pincemin, Géraldine Poels, Raphaël Troncy, “Transdisciplinary Analysis of a Corpus of French Newsreels: The ANTRACT Project“, in Taylor Arnold, Stefania Scagliola, Lauren Tilton, Jasmijn van Gorp (eds), Special Issue on AudioVisual DH: Challenges and Possibilities, Digital Humanities Quaterly, 2021, 15, 1.

Fabien Théofilakis, “Entre les colonnes du Trône, la patrouille de France survole la place de la Nation : commémorer le 8 Mai et le 11 Novembre dans Les Actualités Françaises (1945-1969)“. Faire l’histoire des violences en guerre – Annette Becker, un engagement, Créaphis, p. 309-338, 2021.

Pincemin Bénédicte, Heiden Serge, Mazuet Franck, “The Textometric Concept of Active Corpus. Illustration by an Analysis Scenario based on Annotation then Projection“, in Michelangelo Misuraca, Germana Scepi, Maria Spano (eds), Proceedings of the 16th International Conference on Statistical Analysis of Textual Data, Naples, 6-8 July 2022, Vadistat Press, vol. II, p. 691-698.

Méthodologie et corpus

Bénédicte Pincemin, Serge Heiden, Matthieu Decorde, “Textometry on Audiovisual Corpora: Experiments with TXM software“, Proceedings of the 15th International Conference on Statistical Analysis of Textual Data (JADT 2020), Toulouse, juin 2020, Univ. Toulouse.

Pincemin Bénédicte, Heiden Serge, Mazuet Franck, “The Textometric Concept of Active Corpus. Illustration by an Analysis Scenario based on Annotation then Projection“, in Michelangelo Misuraca, Germana Scepi, Maria Spano (eds), Proceedings of the 16th International Conference on Statistical Analysis of Textual Data, Naples, 6-8 July 2022, Vadistat Press, vol. II, p. 691-698.

Bénédicte Pincemin (2022), “Une relecture de l’expérience d’accompagnement de l’utilisation de TXM au sein du projet ANTRACT : fécondité et limites de l’interdisciplinarité“, Journée finale du projet ANTRACT, Sophia-Antipolis, 14 juin 2022.

Bénédicte Pincemin (2020), “Observations par rapport aux possibilités de (Re)catégorisation automatique des Résumés et des Séquences des notices documentaires INA“, Document de travail, Projet ANR ANTRACT.

Serge Heiden

Serge Heiden est ingénieur de recherche au laboratoire IHRIM http://ihrim.ens-lyon.fr, École normale supérieure de Lyon (France), et responsable du groupe de recherche Cactus. Il est titulaire d’un doctorat en Informatique de l’Université Pierre et Marie CURIE Paris 6. Il a développé pendant deux décennies la méthodologie d’analyse de corpus textuels appelée ‘textométrie’ à travers son implémentation dans plusieurs logiciels d’application. Il est impliqué dans les activités de plusieurs consortium d’humanités numériques nationaux (CORLI – TGIR Huma-Num) et internationaux (TEI) ainsi que de conférences (JADT) et écoles d’été (MISAT). Il donne régulièrement des cours de formation professionnelle ou universitaire. Depuis 2007, il anime le développement de la plateforme TXM d’analyse de corpus textuels destinée à la fois aux ordinateurs personnels de chercheurs et à des serveurs web.

L’IHRIM développe le logiciel open-source TXM (https://textometrie.org) utilisé dans le projet pour l’analyse textométrique. Une extension logicielle dédiée à l’analyse des corpus multimédia (MediaPlayer) a été produite dans le cadre d’Antract : elle permet d’avoir des liens hypertextes ciblés pour naviguer entre les résultats d’analyses textométriques et la visualisation des passages vidéos synchronisés aux données textuelles considérées. Par ailleurs, les données des Actualités françaises ont été intégrées à TXM selon plusieurs types de corpus, en fonction des avancées des différents partenaires et des besoins des historiens, principalement : (a) un corpus TXM des notices documentaires de l’INA adapté à l’exploration fine des descriptions structurées, avec accès direct à la vidéo décrite par chaque notice [AF-NOTICES-V4-2022-04-27.txm] ; (b) un corpus TXM des valeurs de plan mentionnées dans les notices pour l’analyse de la grammaire cinématographique [AF-PLANS-V2-2021-10-11.txm] ; et (c) un corpus TXM des vidéos elles-mêmes, articulant les sources vidéos des émissions, la transcription automatique du commentaire audio sujet par sujet, et les informations des notices documentaires INA [AF-VOIX-OFF-V5-2022-04-27.txm], dans lequel tout mot ou passage de la transcription audio donne directement accès à la lecture des vidéos sources (par retour au média depuis les concordances et éditions). Pour en savoir plus sur TXM pour l’analyse des Actualités françaises -> Page TXM

Daniel Luzzati

Daniel Luzzati est professeur émérite en linguistique, il est spécialiste du langage parlé et de sa grammaire. Il a participé à l’analyse des transcriptions du corpus de textes du projet ANTRACT.

Antoine Laurent

Antoine Laurent est professeur d’informatique. Ses domaines de recherche principaux sont le traitement automatique de la parole. Il a été responsable du développement du système de transcription du projet ANTRACT.

Pierre-Alexandre Broux

Pierre-Alexandre Broux a obtenu un doctorat en informatique en 2020 de Le Mans Université en partenariat avec l’INA (thèse CIFRE) sur la reconnaissance automatique des locuteurs. Il a poursuivi sur la détection d’entités nommées dans le cadre du projet ANTRACT.

Sylvain Meignier

Sylvain Meignier est professeur d’informatique au Laboratoire d’Informatique de l’Université du Mans (LIUM). Ses domaines de recherche principaux sont le traitement automatique de la parole et la reconnaissance du locuteur. Il est responsable de l’intégration, de la transcription enrichie et du traitement des locuteurs dans ANTRACT.

L’Institut National de l’Audiovisuel (INA)

Deux secteurs de l’Ina participeront au projet ANTRACT : le Service de la Recherche sur l’analyse d’image, l’analyse sémantique des notices documentaires, la détection de passages musicaux, ainsi que sur le développement du démonstrateur, et la Direction des Collections sur les aspects documentaires.

 

Jean Carrive

Jean Carrive est titulaire d’un doctorat en informatique de l’Université Pierre et Marie Curie (aujourd’hui Sorbonne Université). Il était jusqu’en mars 2020 responsable du service de la Recherche de l’Institut national de l’audiovisuel (INA), où il a mené et encadré des recherches dans le domaine de l’analyse automatique des contenus audiovisuels. Dans le champ des humanités numériques, il s’intéresse particulièrement à l’usage des technologies à des fins historiques et patrimoniales. Il est aujourd’hui responsable du service Manifestations et Partenariats scientifiques au département Valorisation Scientifique de la Direction des Patrimoines de l’INA.

 

Steffen Lalande

Steffen Lalande est chef de projet R&D au sein du service de la Recherche de l’Institut national de l’audiovisuel. Il s’intéresse à l’utilisation des langages du Web sémantique pour la description de contenu, aux problématiques de qualité et d’interopérabilité des données ainsi qu’au traitement automatique de la langue parlée pour l’analyse du discours. Il est co-auteur du logiciel Okapi utilisé et adapté dans le cadre du projet ANTRACT.

 

Abdelkrim Beloued

Abdelkrim Beloued est ingénieur R&D sein du service de la recherche de l’Institut national de l’audiovisuel. Ses principaux domaines de recherche portent sur l’utilisation des technologies et des standards du web sémantique pour la description et la valorisation de contenu multimédia, ainsi que sur les approches de traitement automatique du langage naturel pour extraire des connaissances et décrire le contenu audiovisuel à partir de la transcription. Il s’intéresse également aux approches d’alignement d’entités nommées avec des référentiels du Linked Open Data. Il est co-auteur du logiciel Okapi utilisé dans le cadre du projet ANTRACT pour décrire et valoriser le corpus des Actualités Françaises.

L’Institut d’Histoire des Représentations et des Idées dans les Modernités (IHRIM)

L’Institut d’Histoire des Représentations et des Idées dans les Modernités (IHRIM, UMR 5317 CNRS) contribue au projet ANTRACT en apportant son expertise en matière d’analyse statistique des textes (textométrie). La textométrie offre une approche à la fois quantitative et qualitative des données textuelles, adaptée aux attentes et exigences des sciences humaines et sociales. Concrètement, le groupe de travail Cactus de l’IHRIM porte le développement de la plateforme open-source TXM. Le logiciel TXM implémente l’approche textométrique avec une prise en compte particulièrement avancée des formats et structures des corpus. Ainsi, le contexte du projet ANTRACT permet d’expérimenter des développements innovants pour l’analyse textométrique multimodale et multimedia (analyse intégrée de vidéos, audio, transcriptions, commentaires, fac-similés, annotations) en synergie avec les questionnements socio-historiques abordés au sein du projet.

Serge Heiden

Serge Heiden est ingénieur de recherche au laboratoire IHRIM http://ihrim.ens-lyon.fr, École normale supérieure de Lyon (France), et responsable du groupe de recherche Cactus. Il est titulaire d’un doctorat en Informatique de l’Université Pierre et Marie CURIE Paris 6. Il a développé pendant deux décennies la méthodologie d’analyse de corpus textuels appelée ‘textométrie’ à travers son implémentation dans plusieurs logiciels d’application. Il est impliqué dans les activités de plusieurs consortium d’humanités numériques nationaux (CORLI – TGIR Huma-Num) et internationaux (TEI) ainsi que de conférences (JADT) et écoles d’été (MISAT). Il donne régulièrement des cours de formation professionnelle ou universitaire. Depuis 2007, il anime le développement de la plateforme TXM d’analyse de corpus textuels destinée à la fois aux ordinateurs personnels de chercheurs et à des serveurs web.

Bénédicte Pincemin

Bénédicte Pincemin (http://ihrim.ens-lyon.fr/auteur/pincemin-benedicte) est chargée de recherche en linguistique. Elle s’intéresse à la textualité et à l’interprétation, en lien avec les outils d’analyse de corpus, en particulier selon l’approche textométrique. Dans le projet Antract, elle a participé à la conception des corpus TXM et accompagné les historiens dans la découverte de la méthode textométrique.

CACTUS

TXM

Rechercher dans OpenEdition Search

Vous allez être redirigé vers OpenEdition Search