Le corpus : notre mémoire vérifiable¶
Le corpus Yisin n'est pas un dossier rempli de textes. C'est un ensemble versionné où chaque document conserve son origine, son extraction, ses contrôles et sa décision d'admission.
La référence actuelle est yisin-corpus-e6e86a6747f66373. Cet identifiant est calculé à partir du contenu : une correction produit donc une nouvelle version au lieu de modifier silencieusement l'ancienne.
D'où viennent les textes ?¶
Le socle réunit des actes béninois et des textes OHADA issus de sources institutionnelles ou de copies dont la provenance est documentée. Il couvre aujourd'hui 745 documents béninois et 11 documents OHADA. Les années ou familles absentes ne sont pas dissimulées : elles alimentent le registre d'acquisition pour de futures vagues.
Les décisions de la Cour constitutionnelle forment une collection distincte. Leur structure, leurs limites documentaires et leur pseudonymisation sont contrôlées avant tout usage.
Ce que signifie « validé »
Dans ce projet, valider une extraction signifie confirmer que le JSONL restitue le texte source sans déformation matérielle. Cela ne signifie pas automatiquement que chaque disposition est encore en vigueur ni qu'elle peut être utilisée pour n'importe quel entraînement.
Trois couches, trois responsabilités¶
1. Source brute
Le PDF, le texte OCR et les métadonnées d'acquisition sont conservés pour permettre la relecture.
2. Document canonique
Le texte est identifié, nettoyé et découpé en articles ou décisions sans perdre sa provenance.
3. Artefact dérivé
Chunks RAG et exemples supervisés déclarent la version exacte du corpus qu'ils utilisent.
Cette séparation évite de confondre une correction OCR avec une transformation destinée au modèle. Le PDF reste la preuve, le document canonique devient la référence de travail, et chaque artefact dérivé demeure reproductible.
Ce que disent les contrôles¶
| Contrôle | Résultat actuel |
|---|---|
| Articles normatifs acceptés | 25 132 |
| Articles encore en revue | 28 |
| Statuts juridiques confirmés | 135 documents |
| Textes classés historiques | 35 documents |
| Dossier de statut encore pendant | 1 document RAMU |
Un article court n'est pas automatiquement une erreur. Une anomalie est décidée à partir de la fidélité au document, de la structure voisine et, lorsque nécessaire, d'une comparaison visuelle.
Le manifeste fait foi¶
Les nombres de cette page facilitent la lecture. Pour les traitements automatisés, la source d'autorité reste data/processed/manifest.json dans yisin-ia. Avant une indexation ou un entraînement, l'outil consommateur doit vérifier la version et les empreintes annoncées.