Document Structure

Accessing the structured content of PDF document is a difficult task, requiring pre-processing and reverse engineering techniques. In this paper, we first present different methods to accomplish this task, which are based either on document image analysis, or on electronic content extraction. Then, XCDF, a canonical format with well-defined properties is proposed as a suitable solution for representing structured electronic documents and as an entry point for further researches and works. The system and methods used for reverse engineering PDF document into this canonical format are also presented. We finally present current applications of this work into various domains, spacing from data mining to multimedia navigation, and consistently benefiting from our canonical format in order to access PDF document content and structures.

Cette communication propose une réflexion méthodologique sur les principes de balisage d'un corpus de comptes rendus universitaires. Elle s'inscrit dans le cadre d'un projet interdis-ciplinaire visantà analyser des archives universitaires numérisées en mettant en relation les régularités formelles observées avec différentes déterminations (´ evolutions socio-historiques et législatives, les spécificités disciplinaires, ...) saisies sous l'angle des genres de discours, de leurévolution et de leur institutionnalisation. On considère le compte rendu (CR) comme un genre " tenant lieu " d'un autre discours : le CR est un texté ecrit qui doit, au sein de l'institution o` u il est produit, " tenir lieu " ou " représenter " unévénement de parole. La question de la représentation du discours autre (RDA) y est donc cruciale. Sur le plan matériel, le corpus est constituéà partir de boˆıtes d'archives qui comprennent, outre les CR, des documents annexes tels que convocations, feuilles d'´ emargement, textes discutés au cours de la réunion. On trouvé egalement dans certaines boites unepremì ere version corrigée (brouillon). Nous exposerons tout d'abord la structure des métadonnées retenue pour ce projet : basée sur l'adaptation du modèle TEI METAélaboré pour la description des données orales, notre démarche s'inscrit globalement dans le travail d'harmonisation des métadonnées de l'´ ecrit, initiée au sein de CORLI 2 dans le but de favoriser l'interopérabilité et la misè a disposition. Les balises propres au corps du texte, dont nous expliciterons la définition et les attributs, portent sur les champs suivants : 1) structure endogène du texte : paratexte (en-tête, nom du document, signature, présents et des excusés, sommaire et ordre du jour, pagination), texte (titres de section, paragraphes, textes insérés dans le CR)... 2) informations liées au contenu du texte : noms propres et statuts des intervenants, unités thématiques... 3) catégories identifiées via une analyse linguistique : discours direct, verbes et noms de parole, embrayeurs de personne... Le choix des balises et de leur structuration doit permettre de mettre au jour des observables permettant des explorationsétroitement articulées aux questions de recherche. Ainsi la car-actérisation générique du CR comme " tenant lieu " conduit-ellè a se pencher sur : les formes de RDA, les séquences thématiques métadiscursives consacrées au genre même, la relation entre le CR et les textes qui y sont intégrés... On montrera comment ces choix recoupent partiellement le modèle proposé pour les textes de sciencesconf.org:nacla2:203501

This paper gives an overview of a project to generate literature reviews from a set of research papers, based on techniques drawn from human summarization behavior. For this study, we identify the key features of natural literature reviews through a macro-level and clause-level discourse analysis; we also identify human information selection strategies by mapping referenced information to source documents. Our preliminary results of discourse analysis have helped us characterize literature review writing styles based on their document structure and rhetorical structure. These findings will be exploited to design templates for automatic content generation.