Which papyrus HTR is good enough? Character-error-rate tolerance of four papyrological tasks on Greek texts
Cette étude établit des seuils spécifiques de taux d'erreur de caractères pour quatre tâches papyrologiques sur des textes grecs, démontrant que si les exigences de précision varient selon la tâche (allant de 3 % à 20 %), le réentraînement des modèles sur des données bruitées atténue considérablement la dégradation des performances et rend les systèmes de l'HTR imparfaits pratiquement utiles.
Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète
Le monde antique de la Méditerranée a laissé derrière lui une vaste bibliothèque silencieuse de fragments de papyrus, dispersés dans les musées et les collections en plus d'un million de pièces. La plupart de ces éclats n'ont jamais été lus. Ils sont écrits dans une main cursive fluide, sans espaces entre les mots, et sont souvent endommagés par le temps et remplis d'abréviations que seul un expert formé peut déchiffrer. Pendant plus d'un siècle, des chercheurs ont transcrit ces documents à la main avec acharnement, un processus qui peut prendre des jours ou des semaines pour un seul texte. Parce qu'une grande partie reste non lue, la majorité de ces archives historiques est invisible pour les outils numériques modernes. Un chercheur ne peut pas simplement interroger une base de données pour trouver un nom ou une expression spécifique afin de dénicher un nouveau document, car le texte n'existe pas encore sous une forme lisible par machine.
Pour changer cela, les chercheurs se sont tournés vers une technologie appelée reconnaissance de texte manuscrit, une forme d'intelligence artificielle capable de regarder l'image d'une écriture ancienne et de la convertir en lettres numériques. Cependant, ces systèmes ne sont pas parfaits. Ils font des erreurs, lisant mal une lettre ici ou sautant un mot là. Pendant des années, le domaine s'est concentré sur l'amélioration de la précision de ces systèmes, signalant la fréquence à laquelle ils réussissent ou échouent à lire une lettre. Mais une question critique restait sans réponse : quel degré de précision le système doit-il réellement atteindre pour être utile ? Un chercheur n'a peut-être pas besoin d'une transcription parfaite pour savoir si un document est un contrat juridique ou un poème, mais il pourrait avoir besoin d'une précision quasi parfaite pour déterminer exactement quand il a été écrit. Sans connaître la réponse à cette question, il est impossible de savoir si la technologie actuelle est prête à aider à déverrouiller la majorité non lue des papyrus.
Une équipe de chercheurs s'est mise en quête de la réponse en testant comment différents niveaux d'erreurs affectent quatre tâches spécifiques que les papyrologues accomplissent quotidiennement. Ils n'ont pas attendu l'apparition d'une machine parfaite ; au contraire, ils ont commencé avec des milliers de textes déjà édités et ont délibérément introduit des erreurs pour simuler ce qu'une machine défaillante pourrait produire. Ils ont soumis ces versions imparfaites à des modèles informatiques conçus pour identifier le type de document, estimer son âge, distinguer les registres officiels des œuvres littéraires et rechercher des mots spécifiques. En augmentant systématiquement le nombre d'erreurs, de zéro jusqu'à ce que la moitié du texte soit erronée, ils ont mesuré précisément quand chaque tâche commençait à échouer.
Les résultats ont révélé que la tolérance aux erreurs dépend entièrement de ce que le chercheur tente de faire. Certaines tâches sont étonnamment robustes. Par exemple, faire la différence entre un document bureaucratique et une pièce de littérature est facile pour un ordinateur, même lorsque le texte est assez désordonné. Les modèles pouvaient toujours identifier correctement le genre avec une grande précision, même lorsque le texte contenait vingt pour cent d'erreurs. Cela s'explique par le fait que le style général et le vocabulaire des documents juridiques diffèrent si nettement de la poésie que l'ordinateur peut reconnaître le motif malgré le bruit. De même, la recherche de longues phrases ou de formules spécifiques reste fiable même avec des dommages importants, à condition que les termes de recherche soient suffisamment longs.
D'autres tâches, cependant, sont beaucoup plus fragiles. Déterminer la date exacte d'un document s'est avéré être la tâche la plus sensible aux erreurs. Les modèles ne pouvaient maintenir leur précision que lorsque le taux d'erreur était maintenu très bas, autour de trois pour cent. Une fois que les erreurs dépassaient ce faible seuil, la capacité à localiser précisément le siècle ou même la décennie du texte s'effondrait. Cela suggère que pour la datation, la qualité de la transcription est primordiale, et que les systèmes actuels devront s'améliorer considérablement avant de pouvoir être dignes de confiance pour ce travail spécifique. L'identification du sous-type spécifique d'un document, comme distinguer un reçu d'une pétition, exigeait également un niveau de précision plus élevé, les performances chutant notablement dès que les erreurs atteignaient cinq pour cent.
Une découverte cruciale de l'étude est que la manière dont les modèles sont entraînés change tout. Lorsque les chercheurs ont entraîné leurs ordinateurs sur du texte propre et parfait, puis les ont testés sur du texte désordonné et plein d'erreurs, la performance a chuté brutalement à mesure que les erreurs augmentaient. Cependant, lorsqu'ils ont réentraîné les modèles en utilisant du texte contenant déjà les types d'erreurs qu'ils prévoyaient de voir, les systèmes sont devenus beaucoup plus résilients. La chute sévère de performance qui se produit habituellement lorsque les erreurs dépassent quinze pour cent a largement disparu. En d'autres termes, un ordinateur qui a appris à lire un texte désordonné est bien meilleur pour lire un texte désordonné qu'un ordinateur qui n'a vu que des exemples parfaits. Cela signifie qu'avec la technologie imparfaite disponible aujourd'hui, les chercheurs peuvent toujours utiliser ces outils efficacement s'ils les entraînent sur des données réalistes et bruitées plutôt que d'attendre une machine sans faille.
L'étude a également souligné que la taille du fragment importe. Un ordinateur peut souvent deviner correctement le type d'un document long même s'il contient de nombreuses erreurs, car il dispose de suffisamment de contexte pour voir l'ensemble. Mais pour les fragments très courts, même quelques erreurs peuvent ruiner l'analyse. De plus, les chercheurs ont découvert que manquer une ligne entière de texte est moins dommageable que mal lire des lettres individuelles. Perdre un bloc de texte est une lacune connue, tandis qu'une suite de mauvaises lettres peut tromper l'ordinateur en lui faisant voir des motifs qui n'existent pas.
En fin de compte, la recherche fournit un ensemble clair d'objectifs pour l'avenir de la papyrologie numérique. Elle montre que nous n'avons pas besoin d'un système de transcription parfait pour commencer à déverrouiller les papyrus non lus. Pour de nombreuses tâches, comme le tri des documents par type ou la recherche de thèmes larges, la technologie actuelle est déjà "suffisante", surtout si les outils sont entraînés pour gérer les erreurs inévitables. Pour des tâches plus délicates comme la datation, l'exigence est plus haute, et la technologie doit s'améliorer. La voie à suivre n'est pas d'attendre la perfection, mais de construire des systèmes assez robustes pour travailler avec la réalité imparfaite de l'écriture ancienne et endommagée. En comprenant exactement quelle erreur une tâche peut tolérer, les chercheurs peuvent désormais appliquer ces outils aux vastes collections non lues du monde, transformant des fragments invisibles en une histoire consultable.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.