المكاسب:
- القدرة على تصحيح المستندات الممسوحة ضوئيًا عن طريق تحويلها إلى نص باستخدام OCR وHTR ومقارنة الإخراج بالصورة الفعلية
- القدرة على الحفاظ على أصالة وسلامة وثيقة الأرشيف ومنع الذكاء الاصطناعي من تغيير المحتوى والترميم الملفق
- القدرة على التخطيط للحفظ الرقمي على المدى الطويل باستخدام معلومات المصدر والتنسيقات الدائمة
يتم تكليف أمين المحفوظات بحمل مجلدات الصحف التي يبلغ عمرها خمسين عامًا أو الرسائل المكتوبة بخط اليد أو الصور الفوتوغرافية القديمة إلى المستقبل. هذه الوثائق تبلى مع مرور الوقت؛ للحفاظ عليها وإتاحتها في متناول الجميع، يتم إجراء عملية الرقمنة: إجراء مسح ضوئي لمستند مادي وتحويله إلى نسخة رقمية. لكن الفحص وحده لا يكفي؛ يجب أن يكون الكائن الرقمي قابلاً للبحث عنه وقابلاً للقراءة وصيانته على المدى الطويل. في هذه الوحدة، ستتعلم كيفية استخدام الذكاء الاصطناعي في سير عمل الرقمنة والنسخ والحفظ الرقمي؛ لكنك سوف تتعلم لماذا ستتحمل مسؤولية الأصالة والدقة.
بعض المفاهيم. OCR (التعرف البصري على الأحرف) عبارة عن تقنية تعمل على تحويل النص الموجود في صورة المستند إلى نص قابل للتحرير آليًا. يقوم HTR (التعرف على النص المكتوب بخط اليد) بنفس الوظيفة بالنسبة للمستندات المكتوبة بخط اليد وهو أكثر صعوبة. يعد الحفظ الرقمي جهدًا مخططًا لضمان بقاء الأشياء الرقمية قابلة للقراءة لعقود من الزمن، حتى عندما تصبح تنسيقات الملفات قديمة وتغير البرامج. الذكاء الاصطناعي هو مساعد قوي ولكنه معيب في المجالات الثلاثة.
خطوة بخطوة: من الرقمنة إلى الحفظ
1. تحديد الأولويات. لا يمكنك رقمنة كل شيء دفعة واحدة. يتم وضع المستندات الأكثر هشاشة والأكثر طلبًا والأكثر تميزًا في المقام الأول. هذا قرار قضائي؛ يساعد الذكاء الاصطناعي في تحرير القائمة، لكن المؤسسة تحدد الأولوية.
2. قم بمسح وتطبيق OCR/HTR. قم بمسح المستند ضوئيًا بدقة عالية، ثم استخدم OCR أو HTR لاستخراج النص. الأدوات القائمة على الذكاء الاصطناعي تتحسن هنا، حتى مع النصوص القديمة والصعبة.
3. تصحيح النص والتحقق منه. لا يعد إخراج OCR/HTR مثاليًا أبدًا. الأخطاء شائعة، خاصة إذا كانت هناك كتابة قديمة أو صفحات ملطخة أو مخطوطة. من الضروري مقارنة الإخراج بالصورة الفعلية وتصحيحها.
4. أضف بيانات التعريف ومعلومات الحماية. أضف إلى الكائن الرقمي مصدره، وشروط المسح الضوئي، ومعلومات التنسيق، والمصدر - من أين جاء المستند وكيف تمت معالجته. هذه المعلومات مهمة للتحقق والحماية في المستقبل.
5. خطط للحماية على المدى الطويل. اختر تنسيقات ملفات مفتوحة وشائعة ودائمة؛ نسخة احتياطية؛ ضع خطة ترحيل في حالة أصبحت التنسيقات قديمة.
نصيحة: لا تقبل إخراج التعرف الضوئي على الحروف كـ "نص واضح". إذا كان نظام البحث يعمل من خلال هذا النص، فإن الكلمات التي تم التعرف عليها بشكل غير صحيح قد تتسبب في عدم العثور على المصدر. بالنسبة للمجموعات الهامة، فإن تصحيح مخرجات التعرف الضوئي على الحروف للعين البشرية يحدد جودة كل عمليات الوصول اللاحقة.
أصالة وسلامة الكائن الرقمي
في قلب العمل الأرشيفي توجد الأصالة والنزاهة: التأكيد على أن الوثيقة تأتي بالفعل من المصدر المزعوم وأن محتوياتها لم يتم تغييرها. عند هذه النقطة، يشكل الذكاء الاصطناعي تهديدًا ذا شقين. أولاً، أثناء تصحيح OCR/HTR أو "التحسين"، يمكن للذكاء الاصطناعي تعديل النص بصمت؛ يمكن إضافة كلمة غير موجودة تحت اسم "التصحيح". ثانيًا، إذا تم "إصلاح" الصورة أو "استعادتها" باستخدام الذكاء الاصطناعي، فقد يتم إنتاج تفاصيل غير أصلية.
إن قاعدة أمين المحفوظات واضحة: يجب أن تكون نسخة الحفظ الرقمي مطابقة للأصل. يجب توثيق كل تحسين يتم إجراؤه باستخدام الذكاء الاصطناعي ويجب دائمًا الحفاظ على الفحص الفعلي (الخام). "تجميل" الوثيقة يمكن أن يدمر قيمتها التاريخية كدليل.
تحذير: قد يكون من المغري "تحسين" صورة أو مستند قديم باستخدام الذكاء الاصطناعي؛ لكن الذكاء الاصطناعي يملأ الأجزاء المفقودة عن طريق تكوينها. في وثيقة أرشيفية، هذا يعني إنشاء أدلة تاريخية كاذبة. لا يحل ناتج الاستعادة محل المصدر الأصلي أبدًا؛ يتم تخزينه كمتغير منفصل ومُسمى بوضوح.
ثلاث حالات صغيرة
الحالة الأولى - أصبحت أرشيفات الصحف قابلة للبحث. قامت إحدى المكتبات برقمنة مجموعتها من الصحف المحلية التي يعود تاريخها إلى 30 عامًا. باستخدام تقنية التعرف الضوئي على الحروف (OCR)، تم نسخ 90.000 صفحة وإتاحتها للبحث؛ تم الآن تقليل عملية البحث عن موضوع والتي كانت تستغرق أيامًا في السابق إلى ثوانٍ. ومع ذلك، لاحظ الفريق أن دقة التعرف الضوئي على الحروف انخفضت إلى 80% على الصفحات القديمة والملطخة، وأعطوا الأولوية لتصحيح السنوات العليا بالعين البشرية.
الحالة 2 - افتتح HTR المخطوطة. طبق الأرشيف HTR على مجموعة من رسائل القرن التاسع عشر التي يصعب قراءتها. اكتسب النظام سرعة كبيرة بعد أشهر من القراءة من قبل الخبراء؛ ولكن تمت مقارنة كل صفحة من النسخة المطبوعة بالأصل من قبل خبير في علم الحفريات (خبير في الكتابة القديمة)، بسبب وجود أخطاء في أسماء الأشخاص والأماكن.
الحالة 3 - رفض "الاستعادة" الزائفة. فكر أحد الفرق في "إصلاح" صورة تاريخية ممزقة باستخدام الذكاء الاصطناعي. أكمل الذكاء الاصطناعي أجزاء الوجه المفقودة من خلال تركيبها. أدرك أمين المحفوظات أن هذه التفاصيل الملفقة من شأنها تشويه الأدلة التاريخية؛ تم تخزين الصورة التي تم إصلاحها بشكل منفصل إلى جانب الصورة الأصلية، وتم تصنيفها بوضوح على أنها "مشتقة من الذكاء الاصطناعي".
نسخة الوصول ونسخة الحفظ وقرار التنسيق
من الممارسات الجيدة في مجال الرقمنة فصل النسخ من نفس الكائن لأغراض مختلفة. إن نسخة الحفظ الرئيسية هي الكائن الرقمي الفعلي الذي سيتم نقله إلى المستقبل، ويتم تخزينه بأعلى دقة، بتنسيق غير مضغوط أو بدون فقدان؛ نادرا ما يتم لمسها. نسخة الوصول هي نسخة أصغر حجمًا يسهل فتحها ويتم تقديمها للمستخدم. وهذا التمييز مهم لأن التنسيق العملي للاستخدام (صغير، مضغوط) قد لا يكون مناسبًا للحفظ على المدى الطويل؛ يعتبر الشكل المثالي للحفظ (كبير، بدون فقدان) مرهقًا للاستخدام اليومي. في سير العمل هذا، يمكن أن يساعد الذكاء الاصطناعي في جرد الملفات، واكتشاف المتغيرات المفقودة، والحفاظ على اتساق البيانات التعريفية بين نسختين. ومع ذلك، فإن اختيار التنسيق هو قرار الحفاظ: يجب تفضيل التنسيقات المفتوحة والموثقة على نطاق واسع والدائمة (بدلاً من التنسيقات المملوكة والمغلقة)، ويجب أن تظل خطة الترحيل جاهزة في حالة أصبحت التنسيقات قديمة بمرور الوقت. وحتى لو اقترح الذكاء الاصطناعي تنسيقًا ما، فإن سياسة الحفظ طويلة المدى التي تنتهجها المؤسسة لها الكلمة الأخيرة.
نصيحة: بالنسبة لكل كائن رقمي، احتفظ بسجل مختصر يجيب على الأسئلة "أين المصدر الأصلي، بأي تنسيق تكون النسخة المحفوظة، بأي تنسيق تكون نسخة الوصول، وأيها يتم توفيره للمستخدم؟" إن خلط هذه الطبقات الثلاث يجعل من غير الواضح أي ملف هو الملف الرئيسي الموثوق به من الآن فصاعدا.
أربعة قوالب قابلة للنسخ
1) مساعدة تصحيح مخرجات التعرف الضوئي على الحروف:
يوجد أدناه نص التعرف الضوئي على الحروف ووصف للصفحة الفعلية. قم بإصلاح أخطاء openOCR فقط (الأحرف السيئة والكلمات المركبة/المنقسمة). لا تقم بتغيير المحتوى أو إضافة أو إزالة الكلمات. إذا لم تكن متأكدًا، ضع علامة "[؟]". نص التعرف الضوئي على الحروف: [هنا]
2) التحقق من تناسق النص والصورة:
هل هناك أي إضافات في النص المصحح أدناه لم يكن من المتوقع وجودها في الوثيقة الأصلية (والتي ربما تكون مختلقة)؟ ضع علامة على كل جزء مشبوه واكتب سبب الشك فيه. النص: [هنا]
3) مسودة البيانات التعريفية للحماية:
قم بإنشاء مخطط تفصيلي لبيانات تعريف الحفظ للكائن الرقمي التالي: المصدر، المصدر، تاريخ/دقة المسح، تنسيق الملف، سجل المعاملات. ما عليك سوى استخدام المعلومات التي قدمتها، وترك الحقل المفقود فارغًا. المعلومات: [هنا]
4) المساعدة في تحديد الأولويات:
فيما يلي قائمة المجموعات التي تنتظر الرقمنة؛ المساعدة في تحديد الأولويات على أساس الهشاشة والطلب والتفرد. إعطاء مبرر موجز لكل مورد؛ اترك القرار النهائي لي. القائمة: [هنا]
موجه ضعيف / موجه قوي
حث ضعيف:
تصحيح وتجميل هذا النص الممسوح ضوئيا.
يدعو "التجميل" الذكاء الاصطناعي إلى تغيير المحتوى، والتعويض عن الإغفالات؛ أصالة وثيقة الأرشيف تالفة.
مطالبة قوية:
دورك: مساعد محرر الرقمنة. في نص التعرف الضوئي على الحروف التالي، قم بإصلاح أخطاء التعرف الصريحة فقط (حرف سيء، كلمة مقسمة بشكل غير صحيح). لا تقم بإضافة أو إزالة أو تغيير أي كلمات. اترك "[؟]" حيث لا تكون متأكدًا. اعرض كل تصحيح قمت به في قائمة منفصلة. النص: [هنا]
تعمل المطالبة القوية على تقييد الذكاء الاصطناعي بحيث يقتصر على التعرف على الأخطاء فقط، ويمنعه من لمس المحتوى، ويجعل التصحيحات قابلة للتتبع.
سير العمل وجدول المخاطر
المرحلة
مساهمة الذكاء الاصطناعي
الخطر الرئيسي
تدبير الحماية
مسح
—
نوعية رديئة
دقة عالية
التعرف الضوئي على الحروف/HTR
تحويل إلى نص
أخطاء الاعتراف
التصحيح البشري
تصحيح
اقتراح خطأ
تغيير المحتوى
مقارنة مع الأصلي
استعادة
مشتق الصورة
التفاصيل المناسبة
احتفظ بالأصل الخام، ضع علامة عليه
الحماية
مسودة البيانات الوصفية
فقدان الأصل
سجل المصدر
الأخطاء الشائعة
- قبول مخرجات التعرف الضوئي على الحروف (OCR) دون تصحيح. أخطاء تعطل البحث والوصول.
- تسمية الذكاء الاصطناعي بـ "اصنع الجمال". فهو يغير المحتوى ويدمر الأصالة.
- استبدال استعادة الذكاء الاصطناعي بالأدلة الفعلية. التفاصيل الملفقة تخلق تاريخًا زائفًا.
- عدم تخزين المسح الخام. ولا يمكن التحقق من التصحيح دون الأصل.
- إغفال معلومات المصدر. تصبح موثوقية الوثيقة غير قابلة للتعقب.
في ملخص
الذكاء الاصطناعي في الأرشيف الرقمي والرقمنة؛ إنها أداة مساعدة قيمة تعمل على تسريع نسخ OCR/HTR وصياغة البيانات الوصفية وتحديد الأولويات. لكن جوهر العمل الأرشيفي هو الأصالة والنزاهة: يجب تصحيح مخرجات التعرف الضوئي على الحروف بالعين البشرية، ولا ينبغي للذكاء الاصطناعي أن يحل محل المحتوى بصمت، ولا ينبغي لمشتقات الاستعادة أن تحل محل الأدلة الأصلية، ويجب دائمًا الحفاظ على معلومات المسح الأولي ومعلومات المصدر. استخدم الذكاء الاصطناعي كأداة لا تعمل على "تحسين" المستند، بل تجعله سهل الوصول إليه مع الالتزام به.
مهمة التطبيق
احصل على عينة قصيرة من مخرجات التعرف الضوئي على الحروف (إما إنتاجك الخاص أو من المسح الفعلي). قم بتصحيح أخطاء التعرف فقط باستخدام قالب "مساعدة تصحيح إخراج OCR"، ثم تحقق مما إذا كان الذكاء الاصطناعي قد أضاف محتوى باستخدام قالب "التحقق من تناسق النص والصورة". ثم قم بإنشاء سجل يحتوي على معلومات المصدر والتنسيق للكائن باستخدام قالب "مسودة بيانات تعريف الحفظ".
قائمة مرجعية
- [ ] قمت بمقارنة مخرجات OCR/HTR مع الصورة الفعلية وقمت بتصحيحها.
- [ ] لقد تأكدت من أن الذكاء الاصطناعي لا يقوم بإضافة/تغيير المحتوى.
- [ ] احتفظت بالمسح الأولي (الرئيسي) بشكل منفصل ودون تغيير.
- [ ] أضفت معلومات المصدر والتنسيق إلى البيانات الوصفية.
- [ ] لقد قمت بتسمية متغيرات الاستعادة بوضوح على أنها "مشتقة من الذكاء الاصطناعي".