Avis de soutenance - doctorat - Alix CHAGUÉ

La transcription automatique permet de transposer le texte, qu'il soit imprimé ou rédigé à la main, présent dans un document physique source vers un format de texte numérique. Cette transposition a de nombreuses finalités pour la société en général, et ce, dès le développement des traitements de texte dans les années 1960, mais aussi plus particulièrement pour les chercheurs et chercheuses qui travaillent aujourd'hui à partir de textes issus de documents historiques. Justement, l'application de la transcription automatique aux documents historiques soulèvent des défis méthodologiques importants, dans la mesure où, en dépit des importantes avancées connues par cette technologie depuis le milieu des années 2010, les écritures qu'ils contiennent ne sont pas toujours bien traitées. L'amélioration des modèles actuels s'appuie sur l'amélioration des architectures d'apprentissage, mais aussi sur la production de données d'entraînement. Cependant, il n'existe pas de protocole pour guider la création de ces données, et derrière l'apparente unicité du procédé d'annotation que requiert leur création, disparaît la nécessité de reconnaître la diversité des approches de la transcription qui sont mises en oeuvre par les producteurs de données d'entraînement. Cette thèse de doctorat analyse la question de la production des données d'entraînement afin de contribuer à améliorer la définition de protocoles de productions tout en prenant en compte la diversité des pratiques. Elle intègre les enjeux de la Science Ouverte comme un fil conducteur pour envisager ces défis. Le cadre de cette thèse est défini par un état de l'art des technologies d'apprentissage mobilisées actuellement pour réaliser la transcription automatique de documents historiques, incluant un test de benchmark, ainsi qu'une analyse des situations d'usage, en particulier dans les institutions culturelles et pour les humanités numériques. La recherche présente une solution infrastructurelle pour le partage des données d'entraînement et faciliter leur découverte et leur réemploi. Ayant identifié les freins à la mise en commun des données, elle présente aussi un cadre pour comprendre la diversité des cadres d'annotation mis en oeuvre et améliorer la manière dont ils sont décrits et documentés.