Recherche — Ismail El Jamiy

La tradition scientifique arabe porte huit siècles de savoir en astronomie, algèbre et médecine. Ma thèse rend ces manuscrits accessibles par le calcul, en commençant par le al-Qānūn al-Mas'ūdī d'al-Bīrūnī (rédigé v. 1030) comme premier corpus.

Ce qui rend cela difficile

Diversité calligraphique

Six copies, six mains. Chaque scribe utilisait un style distinct avec des hastes et des ligatures caractéristiques.

Vocabulaire scientifique

Termes astronomiques et mathématiques absents de tout corpus d'entraînement arabe moderne.

Huit siècles de copies

Le même texte subsiste dans des copies du XIIe au XIXe siècle. Les modèles doivent généraliser sur toutes.

Dégradation des documents

Taches d'eau, encre délavée, annotations marginales et dommages physiques introduisent un bruit considérable.

Le pipeline

Image de
manuscrit

Modèle
HTR

Transcription
arabe

LLM arabe
médiéval

Mon approche

ATHAAR est le premier benchmark manuellement annoté pour la reconnaissance de manuscrits arabes scientifiques médiévaux. Il compile 1 031 lignes issues de six témoins du al-Qānūn d'al-Bīrūnī, couvrant du XIIe au XIXe siècle, conservés notamment à la Bibliothèque nationale de France et à la British Library.

Une fois le texte reconnu, l'objectif est de construire des modèles de langage pré-entraînés sur la prose scientifique arabe médiévale. Les LLMs arabes standard peinent avec le vocabulaire archaïque et la terminologie de domaine. Un modèle dédié permet une traduction, une recherche sémantique et un indexage précis sur des corpus de manuscrits.

Au-delà des modèles, l'objectif est un outil utilisable : les historiens soumettent une image de manuscrit et obtiennent une transcription indexable et corrigeable. L'accessibilité aux chercheurs non-techniciens est une exigence de premier plan.

IRIT IMT CLLE Université de Toulouse · 2025–2028

Encadrement

La thèse est conduite à l'IRIT (Institut de Recherche en Informatique de Toulouse), l'IMT (Institut de Mathématiques de Toulouse) et le CLLE (Cognition, Langues, Langage, Ergonomie), sous l'égide de l'Université de Toulouse. Ce cadre interdisciplinaire réunit informatique, mathématiques et linguistique cognitive.

Pourquoi c'est important

Les manuscrits que j'étudie ne sont pas des objets de musée — ce sont des sources primaires pour l'histoire des sciences. Les rendre accessibles par le calcul accélère la recherche, permet des recoupements à grande échelle et préserve sous forme numérique un patrimoine culturel en danger. C'est une recherche technique à finalité humaniste.