Soutenance de thèse – Dissertation Viva

On 13 December 2022, Baptiste Blouin, a computer scientist specializing in Natural Language Processsing, will present and defend his doctoral dissertation on “Event extraction from facsimiles of ancient documents for History studies” (Extraction d’événements à partir de fac-similés de documents anciens pour les études en Histoire).

Baptiste has carried out his research as a Ph.D. candidate with the support of the ENP-China project. He ranks as the first doctoral candidate to complete his dissertation fully within the projects on Elites, Power, and Knowledge in Modern China. He has brought to the project not just exceptional skills, but remarkable insight and genuine curiosity for the challenges that historical documents — in our case both in English an Chinese — raise for NLP.

Baptiste hard at work!

His major contribution (see abstracts in English and French below) focused on “event detection” in historical texts, a notion that generated much discussion and reflection within our team. It led us to reconsider what many took for granted and, more to the point, to rethink how language delivers terms, concepts or notions in historical texts. It forced historians to come to terms with how texts are structured, how to define or conceptualize “events”, and to learn how to read differently.

English Abstract

In the current era of massive digitization of historical sources, the automatic extraction of events is a crucial step when dealing with historical texts. Event processing is an active area of research in the Natural Language Processing community, but resources and systems are mainly developed for processing contemporary texts.
In this context, this thesis aims at automatically extracting events from historical documents.
In collaboration with an ERC project in digital humanities, ENP-China, this thesis addresses the main difficulties in processing historical documents and adapting them to the needs of historians.
It is mainly about automatically extract semantic content such as named entities and events from OCRized text input in English and Chinese.
As these contents are not subject to a consensus on their ontologies and are mainly used for contemporary purposes, this thesis proposes multidisciplinary exchanges in order to adapt recent ontologies, through annotation campaigns, to historical research purposes.
Beyond the specific needs of the digital humanities, OCRized historical documents ranging from more than a century are far from what contemporary approaches are used to deal with. Whether in terms of diachrony, quality or adaptation to the domain, the processing of this type of document poses major problems in NLP. We then suggest domain adaptation technics combining the use of recent specialized architectures and pre-processing steps, allowing to reduce the impact of these difficulties while taking advantage of contemporary resources.
Finally, based on a recent paradigm consisting of translating tasks as a question and answer problem, we propose an event extraction pipeline suitable for processing historical documents. From the extraction of a word triggering an event in a sentence to a representation of more than a century of events in the form of graphs, we propose a targeted exploration of a large quantity of historical sources.

French Abstract

À l’heure de la numérisation massive des sources historiques, l’extraction automatique des événements est une étape cruciale dans le traitement des textes historiques. Le traitement des événements est un domaine de recherche actif dans la communauté du traitement automatique du langage naturel, mais les ressources et les systèmes sont principalement développés pour le traitement des textes contemporains. Dans ce contexte, cette thèse vise à extraire automatiquement des événements à partir de documents historiques.
En collaboration avec un projet ERC en humanités numériques, ENP-China, cette thèse aborde les principales difficultés du traitement des documents historiques et leur adaptation aux besoins des historiens.
Il s’agit principalement d’extraire automatiquement des contenus sémantiques tels que des entités nommées et des événements à partir d’entrées de textes OCRisés en anglais et en chinois.
Comme ces contenus ne font pas l’objet d’un consensus sur leurs ontologies et sont essentiellement utilisés à des fins contemporaines, cette thèse propose des échanges pluridisciplinaires afin d’adapter les ontologies récentes, par le biais de campagnes d’annotation, à des fins de recherche en histoire.
Au-delà des besoins spécifiques des humanités numériques, les documents historiques OCRisés datant de plus d’un siècle sont loin de ce que les approches contemporaines ont l’habitude de traiter. Que ce soit au niveau de la diachronie, de la qualité et de l’adaptation au domaine, le traitement de ce type de document pose des problèmes majeurs en TAL. Nous proposons alors des techniques d’adaptation au domaine combinant l’utilisation d’architectures spécialisées récentes et des étapes de prétraitement, permettant de réduire l’impact de ces difficultés tout en tirant parti des ressources contemporaines.
Enfin, sur la base d’un paradigme récent consistant à traduire des tâches comme un problème de questions-réponses, nous proposons un pipeline d’extraction d’événement adapté au traitement de documents historiques. De l’extraction d’un mot déclenchant un événement dans une phrase à la représentation de plus d’un siècle d’événements sous forme de graphes, nous proposons une exploration ciblée d’une grande quantité de sources historiques.

You may also like...

Leave a Reply

Your email address will not be published.

This site uses Akismet to reduce spam. Learn how your comment data is processed.

Search OpenEdition Search

You will be redirected to OpenEdition Search