Exploration de données du répertoire numérisé du Projet « Ritter+ » sur les incunables alsaciens
Le travail sur les catalogues numérisés de Ritter se poursuit, cette fois dans le cadre d’un stage court mené par Paolo Brusa de la Bibliothèque centrale et régionale de Berlin (ZLB) au cours des deux dernières semaines de septembre 2025 au sein du Lab de la Bnu. Il s’inscrit dans la continuité du projet Ritter+, consacré à la création d’une édition numérique en XML-TEI du Répertoire bibliographique des livres imprimés en Alsace aux XVe et XVIe siècles de François Ritter (1876-1969). Cette édition vise à établir une version structurée du répertoire, enrichie et consultable en ligne, selon le plan déjà décrit dans un précédent billet de Lieu de recherche (https://bnu.hypotheses.org/19771) « Une première phase consistera donc à produire une structuration en XML-TEI à partir des fichiers OCR au format XML-ALTO ; une seconde consistera à extraire les noms de personnes ainsi que leur rôle, prioritairement à d’autres éléments qui seront traitées dans un second temps (noms géographiques ou titres d’œuvres standardisés) ; une troisième consistera à créer les référencements croisés avec les autres ressources en ligne spécialisées. La dernière sera un contrôle qualité et l’insertion des enrichissements manuels avant livraison et mise en ligne des données. »
Le stage a porté sur la première phase exploratoire du traitement et de la structuration des données, dans la continuité du travail préalable réalisé par Alexia Schneider, centré sur la génération automatisée du répertoire à l’aide de méthodes de reconnaissance d’entités nommées (Named Entity Recognition, NER), sur l’ensemble des volumes de l’œuvre de François Ritter.
Objectifs et méthode
L’objectif immédiat était de vérifier la cohérence et la qualité des extractions opérées par les outils de NER et de tester les moyens d’exploiter ces résultats à grande échelle. Les fichiers XML issus de l’OCR contenaient une grande quantité de mentions de personnes, dates et lieux, mais dans un format hétérogène. Ces données ont été extraites et rassemblées dans un dataframe Pandas, ce qui permet de travailler sur un ensemble considérable d’occurrences, de les filtrer et de les visualiser statistiquement.
Les étapes réalisées :
- extraction automatique des entités grâce au balisage des fichiers TEI-XML (noms, dates, lieux) ;
- standardisation minimale pour supprimer les doublons ;
- création d’un dataframe exploitable et “explosion” des références multiples ;
- nettoyage des dates situées hors de la fourchette 1450-1650 (travail uniquement sur les dates en chiffres romains);
- observation de la distribution globale des dates mentionnées et focalisation sur les plus fréquentes (plus de 50 mentions — environ 20 % de l’ensemble, pour une moyenne de 13 et une médiane de 3 mentions) ;
- visualisation des distributions sous forme graphique.
Résultats et observations
Les premiers résultats montrent une majorité nette de dates postérieures à 1501, presque entièrement concentrées au XVIᵉ siècle, à l’exclusion de quelques occurrences du XIXᵉ siècle, en particulier 1871, qui se rapportent à la reconstruction des processus d’inventarisation et de catalogage. Les pics de fréquence se situent autour de 1513-1515, 1523 et 1525, avec un maximum dans la décennie 1520-1525, qui apparaît comme la période de plus forte activité d’impression dans le corpus considéré.

Ces observations corroborent partiellement les attentes historiques mais mettent aussi en évidence plusieurs anomalies structurelles dans la saisie initiale :
- mentions d’années ou de périodes ou de dates exprimées en chiffres romains, par exemple « MDIII » ou « au XVe siècle », qui n’ont pas été détectées et seront à convertir en valeurs numériques ;
- erreurs de détection et transcription (par ex. 15571 au lieu de 1571), qui seront à corriger ;
- absence de distinction entre les dates d’impression, par opposition à celles relevant de l’acquisition ou de l’inventorisation (ainsi que, le cas échéant, aux chiffre de référence dans d’autres répertoires)
Perspectives
Une restructuration de l’édition XML-TEI du répertoire est nécessaire, notamment par l’attribution d’identifiants uniques à chaque item (donc à chaque livre imprimé), qui ne sont actuellement pas inscrits dans la TEI. Cette opération permettra un traitement plus précis des données et facilitera la mise en correspondance des différents éléments textuels, pour distinguer plus clairement les segments textuels donnant des informations sur le livre de ceux consacrés aux provenances, notes d’ex-libris ou références bibliothéconomiques. Cette distinction rendra donc possible une organisation et un classement plus rigoureux des informations, qu’il s’agisse des dates, des noms de lieux ou des noms de personnes.
Pour des analyses plus approfondies, une normalisation plus systématique des données sera également indispensable. Celle-ci ne sera vraisemblablement pas effectuée dès l’étape de la reconnaissance d’entités nommées (NER), mais à un stade ultérieur de l’exploitation ou de la structuration des données.
Une telle systématisation ouvrirait la voie à des exploitations variées, par exemple la création d’une carte de l’Alsace indiquant les lieux d’impression des différentes œuvres et permettant d’en visualiser les provenances.
Apports du travail
Même limité dans le temps, ce travail a permis :
- de mieux comprendre la structure interne du corpus et les défis spécifiques de sa numérisation ;
- de formuler un premier protocole de nettoyage et de validation des entités extraites ;
- de tester la pertinence des outils statistiques appliqués à l’ensemble Ritter ;
- de définir les prochaines étapes du pipeline d’encodage.
Ces résultats intermédiaires contribueront à la phase suivante d’enrichissement, consacrée à la désambiguïsation des noms de personnes et à leur mise en relation avec les autorités externes (VIAF, IdRef, GND, etc.), même si déjà partiellement commencée, puis avec les ressources géographiques et les titres d’œuvres standardisés.
Les observations quantitatives issues de l’analyse des dates renforcent l’intérêt du corpus Ritter comme témoin de la production alsacienne de la première moitié du XVIᵉ siècle. Les prochaines phases dépendront de la finalisation des scripts de nettoyage et de la validation des modèles d’extraction.
Paolo Brusa, Elisa Michelet
OpenEdition vous propose de citer ce billet de la manière suivante :
emichelet (14 novembre 2025). Exploration de données du répertoire numérisé du Projet « Ritter+ » sur les incunables alsaciens. Lieu de recherche : le carnet de la Bnu. Consulté le 19 janvier 2026 à l’adresse https://doi.org/10.58079/1559z






