Compte-Rendu : “Text Encoding” A.H. Renear

Renear, A. H. “Text Encoding.” In A Companion to Digital Humanities, edited by Susan Schreibman, Ray Siemens, and John Unsworth, 218–239. Blackwell Publishing Ltd, 2004.  http://www.digitalhumanities.org/companion/view?docId=blackwell/9781405103213/9781405103213.xml&chunk.id=ss1-3-5&toc.depth=1&toc.id=ss1-3-5&brand=default

Ce billet porte sur l’article « Text Encoding » par Allan H. Renear présent dans A Companion to Digital Humanities de 2004. Le lecteur devra tenir compte de l’ancienneté de l’article. Dans ce texte, l’auteur aborde la question de l’encodage des textes pour qu’ils puissent être étudiés par les machines, en particulier dans les Humanities Computing, à travers les langages à balises ou « markup langage» tels SGML ou XML .

L’article se divise en trois parties : les langages à balises, l’histoire de SGML et XML dans la discipline des Humanities Computing et enfin, l’arrivée de la TEI.

I)Langages à balises

Un markup langage est ici, pour l’auteur, un système pour annoter un document de façon à ce que cette annotation ou balise soit syntaxiquement différente du texte. On se place ici dans un cadre d’édition digitale d’un texte. Les balises permet d’identifier des caractéristiques physiques ou logiques ou encore contrôler un processus.

Depuis les années 1960, il existait déjà ce besoin d’utiliser un ordinateur pour composer un texte dans les Humanités. Entre les années 1960s et les années 1980s, les  langages à balises  apparaissent en remplaçant les codes longs par des abréviations simples à utiliser.  La balise et la commande longue avait le même résultat.  Ces abréviations ont été nommées « macros ». L’avantage de celles-ci devint très vite la possibilité de pouvoir retrouver l’occurrence d’un composant de texte à travers la macro qu’on lui avait appliqué auparavant.

Les langages descriptifs à balises  sont liés,pour l’auteur, à la notion OHCO pour “Ordered Hierarchy of Content Objects”. On construit un texte comme une arborescence d’objet (chapitres, paragraphes etc) avec un ordre linéaire mais sans mise en page. Chaque type d’objets est lié au contenu de celui-ci. Les langages à balises permettent de rendre explicite cette hiérarchie. D’autres visions de la nature d’un texte existe mais l’auteur ne les mentionne pas.

Ces langages permettent d’identifier et décrire des éléments de texte en opposition aux langages procéduraux à balises faits de commandes ou instructions. Ils permettent de distinguer la structure intrinsèque d’un texte  et les caractéristiques visuelles d’une représentation particulière du document.

Les avantages générés par les langages à balises sont classés en trois classes :

• Création, composition et transcription : on peut citer la simplification de la composition en identifiant chaque composant du texte ou encore éditer une structure avec un large choix d’outils. Il était aussi possible d’afficher le texte sous différentes vues selon le composant ou la partie du texte recherché.
• Publication:  La mise en page est stockée sur un autre fichier. Les indexs sont automatisés. On peut séparer les outils de leurs données. La portabilité et l’interopérabilité sont maximisées.
• Archives,retrait et Analyses:Le retrait de l’information est possible. Les documents sont traités comme des bases de données dans lesquelles les balises sont les mot-clés. La recherche est ainsi simplifiée.

 II) SGML / XML

•   SGML(“Standard Generalized Markup Language” ):

À la suite d’une série d’évènements, on vit en 1969 l’arrivée à IBM par Charles Goldfarb du macro-langage GML (“Generalized Markup Langage”), un langage pour les machines capables de lire les balises.  Une communauté de chercheurs s’intéressent, plus spécifiquement au SGML  dont notamment Norman Scharpf, directeur de la Graphics Communication Association. Il initia le “GenCode” project dont le but était de standardiser un langage descriptif à balises  pour la publication.

SGML  est un méta-langage, c’est à dire,  un langage qui définit un langage. Il possède une meta-grammaire qui définit les autres grammaires.  De ce fait, sa possibilité d’utilisation est assez large.  SGML et XML définissent les langages à balises tels  HTML, XHTML, qui possèdent leurs propres listes de balises possibles.  Les caractéristiques techniques de SGML sont développés plus longuement dans l’article.

Ce projet de standardiser un méta-langage et non un langage était une décision stratégique. Cette démarche voulait  favoriser l’interopérabilité des applications des ordinateurs avec les données en faisant en sorte que le logiciel comprenne SGML et non un langage d’annotations spécifique issu de lui.

•  XML (“Extensible Markup Language”) :

Développé par le W3C, il fut lancé à partir de 1996. Une équipe de 100 à 150 personnes travaillèrent dessus dirigé par Jon Bosak de Sun Microsystems. Le but d’XML est de rendre les langages à balises utilisables sur le web sans coordination au préalable entre les développeurs de logiciels et les développeurs de contenu. On assiste ainsi à une version simple et restreinte de SGML.

XML permet d’utiliser un langage sans Document Type Definition. Quelques règles doivent être respectées : les attributs doivent être entre guillemets, les tags au début et à la fin par exemple. La validation du document en XML par un DTD est facultative. De cette manière, le logiciel fera tout seul un arbre des éléments et de leurs attributs sans faire intervenir un DTD.

III) TEI (“texte Encoding Initiative”)et Humanités numériques

La TEI débute en novembre 1987 à un meeting du Vassar Collège tenu par l’Association for Computers in the Humanities et fondé par le National Endowment for the Humanities.  L’ Association for Computers in the Humanities, l’ Association for Literary and Linguistic Computing, et l’ Association for Computational Linguistics ont été chargées du travail. Deux éditeurs furent choisis : Michael Sperberg-McQueen de l’University de l’Illinois à Chicago, et Lou Burnard de l’Oxford University.

En 1994, une première version des lignes directrices ou P3 est sortie. En 2002, le TEI consortium sort P4, une version revisitée de P3 qui explique les règles de TEI en XML. Depuis la publication de l’article, la version actuelle P5 est sortie en 2007.Depuis, la TEI est utilisé par un grand nombre de chercheurs.

Ces lignes directrices sont issues dune collaboration internationale de chercheurs du monde entier de disciplines et parcours différents. Elles sont composées de plusieurs Document Type Definition (DTD). Nous avons un DTD principal de 18 modules pour un certains nombres de types de documents auquel on rajoute des DTDs auxiliaires pour des usages spécifiques.

Le but primaire de la TEI était de développer des lignes directrices d’échanges qui permettraient d’autoriser des projets de partage de données textuelles et promouvoir le développement d’outils communs. De ce fait, la TEI possède des caractéristiques intéressantes :

• Le chercheur est seul juge : il choisit ses propres critères sur ce qui constitue pour lui un élément pertinent. La TEI a donnée plus des suggestions que des règles absolues à suivre.
• Les choix des tags sont flexibles pour faciliter le travail du chercheur.

La TEI réussit son pari puisque le développement d’un nouveau langage de description de données à améliorer de manière substantielle notre capacité à décrire les caractéristiques d’un texte. Finalement, les lignes directrices émises représentent  un décryptage de pratiques, méthodes et concepts courants qui ouvrent à de nouvelles méthodes d’analyse, de nouvelles compréhensions et de nouvelles possibilités de représentation et de communication.

Conclusion

Ainsi, la TEI est un domaine d’innovation intéressant aux portées concrètes et une communauté de recherche reliant des professions, des disciplines et des pays différents. D’un processus de réflexions est issue des techniques utilisées par une communauté de chercheurs d’horizons divers. Des travaux sont toujours en cours pour perfectionner la TEI.

Ce texte peut être mis en lien avec l’architecture de l’information à travers le besoin de structurer un texte de manière à pouvoir en extraire le squelette sans le texte lui-même. De même sur un site web, on a différentes couches d’informations. Ici, la TEI permet de faire apparaître plusieurs niveaux ou domaines de données d’un texte qui seront manipulables comme une base de données.

Lauriane Philippeaux

More Posts