Detection and Tracking of Events in Historical Press Documents
Détection et suivi d’événements dans des documents de presse historique
Résumé
Reconstructing the thread of events in the press, tracing the path of false information or identifying the point of origin of a piece of information, whether true or not, are the challenges of this new century. The increasing digitisation of digital contents is favourable to massive analyses of the press. The availability since the beginning of the 2010s of large press collections by libraries around the world opens another perspective. To be able to take another look at past events, to unravel the thread, to know both the chronologies and the geographical distribution becomes possible.
The analysis of historical documents is a singular process. Although similar in appearance to articles from the digital press, they differ in all respects : in form (document, data format) and in content (journalistic style, themes addressed, characters mentioned). This thesis is associated with the
NewsEye project dedicated to the analysis of the historical press for the digital humanities. Within this project, the need to analyse events and the way they are talked about emerged : do we know everything about past events ? Can we identify information relays conducive to the introduction of false information ? The work undertaken in this thesis will help answer.
This work is not limited to identifying and exploiting already known and proven mechanisms for detecting and tracking events mentioned and reported in the historical press. Beyond these obvious constraints, the focus is on two essential elements. We evaluate the impact of historical documents on algorithms, and processes necessarily oriented towards the natively digital press. We also provide low-computing resources processes, as a first draft towards an adaptation to the ecological context in which we live.
In this acceleration of the research work associated with the digitisation of historical press collections, this thesis aims at proposing different architectures answering the challenges of tracking mentions of events in the press. We propose a complete study framework including the synthesis of documents with specificities related to digitised historical press articles. We describe the analysis process of these documents and an evaluation that considers different constraints and the effects of these degradations. Through this work, we seek to formulate initial recommendations to guide research dedicated to the
analysis of events in the historical press. We propose three methods, each adapted to answer the same need : as a user of digital press archives. As a researcher or as a simple private individual, how can I discover all the articles that mention this same historical event ? These three methods, adjusted
to different contexts, are rather classical, by the generation of a learning model, or more orthodox, functioning as a search engine dedicated to past events.
With this thesis, we share all the data we have generated and every algorithm, the different models and results, to be integrated in the movements dedicated to open science. The source codes are published on the public archive Software Heritage and the other data and resources on the platform
Zenodo.
Reconstruire le fil des événements dans la presse, retracer le parcours de fausses informations ou identifier le point d’origine d’une publication, véridique ou non, sont des enjeux de ce début de siècle. La numérisation croissante des contenus numériques favorise des analyses massives de la presse. La mise
à disposition depuis le début des années 2010 de fonds documentaires de presse par les bibliothèques du monde entier ouvre de nouvelles opportunités. Il devient possible d’adopter un autre regard sur des événements du passé, en découdre le fil et en connaître à la fois les chronologies et les diffusions
géographiques.
L’analyse des documents historiques relève de processus singuliers. En apparences similaires à des articles issus de la presse numérique, ils diffèrent pourtant en tout point : sur la forme (type de document, format des données) et sur le fond (style journalistique, thèmes abordés, personnages
mentionnés). Ce travail de thèse est adossé au projet NewsEye dédié à l’analyse de la presse historique pour les humanités numériques. Au sein de ce projet a émergé le besoin d’analyser les événements et la manière dont on en parle : connaissons-nous vraiment tout des événements du passé. Pouvons-nous identifier des relais et réseaux propices à l’introduction de fausses informations ? Ce sont des questions auxquelles les travaux engagés dans cette thèse permettront de répondre.
Cette recherche ne se limite pas à exploiter des mécanismes déjà connus et éprouvés de détection et de suivi d’événements rapportés par la presse historique. Au-delà de ces contraintes évidentes, l’accent est mis sur deux éléments essentiels. Nous évaluons l’impact des documents historiques sur des
algorithmes et processus adoptés pour la presse nativement numérique. Nous fournissons des procédés sobres en ressources informatiques. Ce travail produit une première ébauche de système adapté au contexte écologique dans lequel nous vivons.
Cette thèse s’associe aux travaux de recherche liés à la numérisation des fonds de presse historique. Elle a pour objectif de proposer différentes architectures répondant aux enjeux de suivi de mentions d’événements dans la presse. Nous proposons un cadre d’étude intégral comprenant d’abord la synthétisation de documents. Nous créons artificiellement des articles pour qu’ils présentent des spécificités communes aux documents historiques numérisés. Nous décrivons les processus d’analyse de ces derniers et une évaluation qui tient compte de différentes contraintes et des effets de ces dégradations. Nous cherchons à formuler par ce travail de premières recommandations pour orienter la recherche dédiée à l’analyse d’événements dans la presse ancienne. Nous proposons deux méthodes différentes, chacune adaptée pour répondre au même besoin. En tant qu’utilisateur ou utilisatrice d’archives numériques de presse, comme spécialiste ou simple particulier, comment puis-je découvrir tous les articles qui mentionnent ce même événement historique. Ces méthodes, ajustées à des contextes différents, sont plutôt classiques, par génération d’un modèle d’apprentissage ou plus orthodoxes, fonctionnant à la façon d’un moteur de recherche dédié aux événements du passé.
Toutes les données que nous avons générées, tous les algorithmes implémentés, les différents modèles et résultats sont librement partagés conjointement à cette thèse afin de s’intégrer dans les mouvements de science ouverte. Nous publions les codes sources sur l’archive publique Software Heritage et les autres données et documents sur la plate-forme Zenodo.
| Origine | Fichiers produits par l'(les) auteur(s) |
|---|---|
| Licence |
