Publicité

Lancement d'OCR4all, un outil open source et gratuit de reconnaissance de caractères anciens pour les chercheurs en histoire et les archivistes

  • ocr_wurzburg.jpg

    Narrenschiff
    Page d'une version française du Narrenschiff de Sébastien Brant (Bibliothèque d'État et d'université de Dresde, CC BY-SA 4.0)
  • Imaginez un logiciel capable de reconnaître, presque à coup sûr, les lettres "e", "c", "v" ou "r" dans un texte ancien.

    Comment transformer les polices d'écriture d'ouvrages imprimés séculaires numérisés en des fichiers textes lisibles sur ordinateurs quand on n'est pas un expert informatique ? Ce défi, attendu par nombre d'historiens, d'archivistes et de chercheurs en sciences humaines, a été relevé par une équipe de recherche de l'Université de Würzburg, en Allemagne. Celle-ci vient de mettre à la disposition de la communauté scientifique un nouvel outil de reconnaissance automatique de caractères : OCR4all. Fiable et open source, il convertit les écrits historiques numérisés en fichiers texte avec un taux d'erreur annoncé de moins de 1%. Ergonomique et facile d'utilisation, il ne nécessite aucune expertise en programmation et est d'ores et déjà disponible gratuitement, avec explications et exemples, sur la plateforme GitHub.

    L'informatique et les sciences humaines main dans la main

    OCR4all a été créé par l'équipe du projet JMU Kallimachos, financé par le ministère fédéral allemand de l'éducation et de la recherche, et qui rassemble des chercheurs, des étudiants et des assistants en informatique appliquée, en intelligence artificielle et en sciences humaines numériques. La filière des études allemandes et romanes et des études littéraires a été également associée au développement d'OCR4all avec l'objectif de numériser l'ouvrage allemand le Narrenschiff (La Nef des fous) publié en 1494 par le Strasbourgeois Sebastien Brant. 

    A chaque imprimerie ses lettres

    Pour qui s'intéresse de loin à la reconnaissance automatique de caractères (OCR), le défi peut sembler modeste. Et pourtant : si l'OCR est une technologie mature et qui fonctionne très bien pour les polices de caractères modernes, il n'en était rien pour les polices historiques. Les lettres "e", "c", "v" ou "r", sont nottamment très difficiles à distinguer dans les textes anciens. "L'un des problèmes les plus importants était la typographie, explique Christian Reul, expert en IA et en informatique appliquée, directeur par interim de l'unité de numérisation ; l’une des raisons est que les premiers imprimeurs du 15e siècle n’utilisaient pas de polices uniformes. Leurs timbres d’impression ont tous été sculptés par eux-mêmes, chaque imprimerie disposant pratiquement de ses propres lettres." 

    Ce sujet vous intéresse? Retrouvez-en davantage dans les Guides Pratiques Archimag !
    guide-archivage-hybride-electronique-durees-conservation
    Travailler “dans le cloud” n’a pas mis fin à l’usage du document papier. La question de l'archivage doit donc être abordée tant sous l’angle hybride (papier et électronique) que purement électronique. Ce guide se situe dans cette double problématique, avec le contexte d’une organisation devant gérer mobilité ou télétravail. Il montre comment répondre aux impératifs de sécurité, traçabilité et respect du cadre légal, réglementaire et normatif. En bonus : un deuxième guide contenant les durées légales de conservation de documents du secteur public ou du secteur privé. EN BONUS : Les durées légales de conservation de documents !
    Acheter ce guide  ou  Abonnez-vous
    À lire sur Archimag
    Le chiffre du jour
    1
    est en moyenne signalée toutes les semaines dans les établissements de santé depuis janvier 2021. Les hôpitaux ont subi 27 cyberattaques majeures - qui ont effectué tout ou partie de leurs systèmes d'information - en 2020.
    Publicité

    archives 2021.PNG

    Indispensable

    Bannière BDD.gif