À partir des ressources numériques du CLÉO, la première mission sera d’identifier et de sélectionner un corpus présentant différents styles de références bibliographiques et de les décrire correctement afin de constituer une base de connaissances.
Le triple corpus, que compte OpenEdition, représente un peu plus de 70,000 documents répartis entre les billets des carnets de recherche, les articles de revues ou les chapitres d’ouvrages et les annonces en SHS. Tous ces documents présentent des particularités dans le style bibliographique, imposé par les rédactions des revues ou adopté par l’auteur de l’article. Plus encore, quand ces références se situent à différents endroits du document. On peut alors distinguer trois niveaux de complexité dans l’identification et l’annotation de celles-ci :
- 1er niveau : les références se situent à la fin de l’article dans une rubrique “bibliographie” ce qui permet de les repérer et de les identifier en tant que tel.
- 2nd niveau : le document a ou n’a pas de rubrique “bibliographie”, mais les références sont insérées dans les notes de bas de page et restent encore normées. L’identification tout comme l’annotation reste encore possible.
- 3ème niveau (et le plus complexe) : les références sont imbriquées dans du texte (par exemple : tel auteur a dit “…” dans titre de l’ouvrage et mention de publication). À ce stade, l’identification est beaucoup plus complexe, il s’agit de répondre à la question, où commence et où finit la référence bibliographique?
En tenant compte de ces différents éléments, il a fallu constituer un corpus composé de 500 à 1,000 références ou exemples afin de permettre à Bilbo de créer un système d’apprentissage automatique qui apprend à reconnaître les chaînes de caractères grâce à un étiquetage des éléments. Pour cela, le corpus s’est basé uniquement sur la plateforme Revues.org (en excluant les collections de livre) en tenant compte des catégories disciplinaires des revues.
Au final, 32 revues ont été sélectionnées selon un échantillonnage stratifié dont 38 articles ont été prélevés après analyse des documents : 737 références bibliographiques ont été identifiées et annotées en utilisant le langage TEI.
OpenEdition vous propose de citer ce billet de la manière suivante :
Élodie Faath (9 mai 2011). Le corpus “d’exemples” pour Bilbo. BILBO - Automatic Annotation of Bibliographical References. Consulté le 19 janvier 2026 à l’adresse https://doi.org/10.58079/m0fx
Ping : Évaluation préliminaire sur la détection des références bibliographiques implicites | OpenEdition Lab