Dans un précédent billet, nous présentions les premiers résultats du partenariat entre MEDIF et le Laboratoire d’histoire des sciences et techniques de l’EPFL : la présence féminine médicale à la Belle Époque était massivement sous-estimée. Le projet Quantifying the Invisible, mené par deux étudiants de master à l’EPFL, Yi Ren et Yassine Mamelouk, sous la supervision de Mikhaël Moreau, de la Dre Amélie Puche et du Prof. Jérôme Baudry, vient aujourd’hui livrer ses résultats finaux. Ce faisant, il souligne des enjeux méthodologiques cruciaux autour de l’usage des LLM en histoire.
Une moisson de données inédite
Grâce à l’extraction systématique des listes alphabétiques et géographiques fournies dans les guides Rosenwald pour la période 1887-1922 (années lacunaires exclues – 1908, 1915, 1916, 1918, 1919, 1920 et 1921), ce sont plus d’un million d’entrées qui ont été traitées. Dans cette masse, l’algorithme a identifié plus de 6500 entrées concernant des femmes, dont plus de 5000 concernant des doctoresses et officières de santé.
Ces chiffres donnent la mesure d’une féminisation croissante de la médecine en France : là où les historien·nes envisageaient des exceptions, les données révèlent une présence un peu plus structurée. Mais transformer ces « entrées » en « individus » réels a nécessité de dépasser la simple puissance de calcul.
Les angles morts de la machine
Si les LLM permettent de traiter rapidement des volumes d’informations considérables, le projet a révélé leurs limites intrinsèques, qui imposent une vigilance constante. D’une part, le modèle reproduit fidèlement les erreurs de la source originale, telles que les dates de diplôme erronées ou les variations orthographiques des noms de famille. D’autre part, malgré la précision et la prudence des prompts élaborés, il commet ses propres erreurs d’interprétation contextuelle. Ainsi, une adresse « Rue Madame » à Paris a parfois pu être interprétée à tort comme une indication de genre féminin. De même, le modèle peine à rattacher une information lorsque celle-ci est mentionnée plusieurs pages en amont, comme c’est le cas pour l’arrondissement dans les listes géographiques. Enfin, lorsqu’une information est manquante, il peut tendre à combler les lacunes par lui-même (hallucination), et ce, malgré les consignes explicites lui interdisant de le faire.
L’œil humain pour reconstituer les parcours
La limite la plus significative réside dans l’identification des personnes. Une même femme médecin peut en effet apparaître sous son nom de jeune fille, sous son nom d’épouse, ou sous une forme composée associant les deux dans un ordre variable. À cette complexité s’ajoutent d’éventuels prénoms ou patronymes étrangers « francisés », en particulier pour ceux d’origine slave, très fréquents dans le corpus. Les variations orthographiques sont légion.
Les LLM extraient ce qui est écrit, mais ils ne peuvent pas identifier qu’il s’agit de la même personne. Chaque nom, chaque variation ou déclinaison est comptabilisé comme un individu distinct. C’est ici que le travail historique redevient indispensable. Par un travail minutieux de recoupements et de croisement avec d’autres sources, ces milliers d’entrées ont pu être consolidées pour identifier 383 femmes médecins distinctes ayant exercé durant la période.
Vers une base de données vivante
Ce chiffre de 383 est le véritable apport du projet : il ne s’agit plus d’estimations ou de décomptes pour une année donnée, mais d’un recensement des femmes médecins inscrites au guide – l’inscription est volontaire et les guides ne sont donc pas exhaustifs – et qui ont exercé en France métropolitaine entre 1887 et 1922 (hors années lacunaires. Il faut aussi préciser que ce chiffre ne compte pas les personnes au prénom mixte – Marie, Camille, Claude, Dominique, Gabrielle, etc. – pour lesquelles il n’a pas été possible de vérifier le sexe), dont les parcours peuvent désormais être suivis. Ces données nettoyées et validées alimentent aujourd’hui la base de données du projet MEDIF, contribuant à revisibiliser ces praticiennes. L’expérience du projet Quantifying the Invisible met ainsi en lumière l’intérêt, mais aussi les limites des LLM couplés à l’OCR dans le dépouillement systématique de sources sérielles. S’ils s’avèrent un outil puissant pour extraire et rassembler des données issues d’un corpus massif, leur usage n’épargne pas un travail critique nécessaire de vérification et de recoupement par l’historien·ne pour recontextualiser les données et reconstituer des biographies.
