Gains :
- Possibilité de corriger les documents numérisés en les convertissant en texte avec OCR et HTR et en comparant le résultat avec l'image réelle
- Capacité à préserver l’originalité et l’intégrité du document d’archive et à empêcher l’IA de modifier le contenu et de fabriquer une restauration
- Capacité à planifier la préservation numérique à long terme avec des informations de provenance et des formats durables
Un archiviste est chargé de transporter dans le futur des volumes de journaux vieux de cinquante ans, des lettres manuscrites ou des photographies anciennes. Ces documents s'usent avec le temps ; Pour à la fois les préserver et les rendre accessibles, la numérisation est réalisée : l'acte de numériser un document physique et de le convertir en une copie numérique. Mais le dépistage seul ne suffit pas ; L’objet numérique doit être trouvable, lisible et maintenable sur le long terme. Dans cette unité, vous apprendrez à utiliser l'intelligence artificielle dans le flux de travail de numérisation, de transcription et de préservation numérique ; mais vous apprendrez pourquoi vous assumerez la responsabilité de l’originalité et de l’exactitude.
Quelques notions. OCR (Optical Character Recognition) est une technologie qui convertit le texte de l'image d'un document en texte modifiable par machine. HTR (Handwriting Text Recognition) fait le même travail pour les documents manuscrits mais est beaucoup plus difficile. La préservation numérique est un effort planifié visant à garantir que les objets numériques restent lisibles pendant des décennies, même si les formats de fichiers deviennent obsolètes et que les logiciels évoluent. L’IA est un assistant puissant mais imparfait dans ces trois domaines.
Pas à pas : de la numérisation à la préservation
1. Priorisez. Vous ne pouvez pas tout numériser en même temps. Les documents les plus fragiles, les plus demandés et les plus uniques sont mis en avant. Il s'agit d'une décision judiciaire; L'IA aide à l'édition des listes, mais l'institution détermine la priorité.
2. Numérisez et appliquez OCR/HTR. Numérisez le document en haute résolution, puis utilisez l'OCR ou le HTR pour extraire le texte. Les outils basés sur l'IA s'améliorent de plus en plus, même avec des textes anciens et difficiles.
3. Corrigez et vérifiez le texte. La sortie OCR/HTR n’est jamais parfaite. Les erreurs sont fréquentes, surtout s’il s’agit d’écritures anciennes, de pages tachées ou d’un manuscrit. Il est essentiel de comparer le résultat avec l’image réelle et de la corriger.
4. Ajoutez des métadonnées et des informations de protection. Ajoutez à l'objet numérique sa provenance, ses conditions de numérisation, ses informations de format et sa provenance — d'où vient le document et comment il a été traité. Ces informations sont essentielles pour une vérification et une protection futures.
5. Planifiez une protection à long terme. Choisissez des formats de fichiers ouverts, courants et durables ; sauvegarde; Faire un plan de migration au cas où les formats deviendraient obsolètes.
Astuce : N'acceptez pas la sortie OCR comme "texte clair". Si un système de recherche devait fonctionner sur ce texte, des mots mal reconnus empêcheraient la source de être trouvée. Pour les collections critiques, la correction de la sortie OCR à l’œil humain détermine la qualité de tous les accès ultérieurs.
Authenticité et intégrité de l'objet numérique
L'authenticité et l'intégrité sont au cœur du travail d'archives : l'assurance qu'un document provient véritablement de la source revendiquée et que son contenu n'a pas été altéré. À ce stade, l’IA crée une double menace. Premièrement, lors d’une correction ou d’une « amélioration » OCR/HTR, l’IA peut modifier silencieusement le texte ; peut ajouter un mot qui n'existe pas sous le nom "correction". Deuxièmement, si la « réparation » ou la « restauration » de l’image est effectuée avec l’IA, des détails non originaux peuvent être produits.
La règle de l'archiviste est claire : la copie numérique de conservation doit être fidèle à l'original. Chaque amélioration apportée avec l’IA doit être documentée et l’analyse réelle (brute) doit toujours être préservée. « Embellir » un document peut détruire sa valeur probante historique.
Attention : Il peut être tentant d'"améliorer" une vieille photo ou un ancien document avec l'IA ; mais l’IA comble les parties manquantes en les inventant. Dans un document d’archives, cela revient à créer de fausses preuves historiques. Le résultat de la restauration ne remplace jamais la source originale ; est stocké en tant que variante distincte et clairement étiquetée.
trois mini-cases
Cas 1 — Les archives des journaux sont devenues consultables. Une bibliothèque a numérisé sa collection de journaux locaux vieille de 30 ans. Grâce à l'OCR, 90 000 pages ont été transcrites et rendues consultables ; Une recherche de sujet qui prenait auparavant des jours est désormais réduite à quelques secondes. Cependant, l’équipe a remarqué que la précision de l’OCR tombait à 80 % sur les pages anciennes et tachées et a donné la priorité à la correction des années les plus élevées à l’œil humain.
Cas 2 — HTR a ouvert le manuscrit. Une archive a appliqué le HTR à une collection de lettres difficiles à lire du XIXe siècle. Le système a gagné en vitesse selon des mois de lecture par des experts ; Mais chaque page de l'imprimé a été comparée à l'original par un paléographe expert (un expert en écriture ancienne), car il y avait des erreurs dans les noms de personnes et de lieux.
Cas 3 – Fausse « restauration » rejetée. Une équipe a envisagé de « réparer » une photographie historique déchirée avec l’IA. AI a complété les parties manquantes du visage en les ajustant. L'archiviste s'est rendu compte que ces détails fabriqués déformeraient les preuves historiques ; L'image réparée a été stockée séparément à côté de l'original, uniquement clairement étiquetée « dérivé de l'IA ».
Copie d'accès, copie de conservation et décision de format
Une bonne pratique en matière de numérisation consiste à séparer les copies du même objet à des fins différentes. Une copie originale de préservation est l'objet numérique réel qui sera transporté dans le futur, stocké dans la plus haute résolution, au format non compressé ou sans perte ; on le touche rarement. La copie d'accès est une variante plus petite et facile à ouvrir présentée à l'utilisateur. Cette distinction est importante car le format pratique à utiliser (petit, compressé) peut ne pas convenir à une conservation à long terme ; Le format idéal pour la conservation (grand, sans perte) est encombrant pour un usage quotidien. Dans ce flux de travail, l’IA peut aider à inventorier les fichiers, à détecter les variantes manquantes et à maintenir la cohérence des métadonnées entre deux copies. Cependant, le choix du format est une décision de préservation : les formats ouverts, largement documentés et durables doivent être préférés (plutôt que les formats propriétaires et fermés), et un plan de migration doit être préparé au cas où les formats deviendraient obsolètes avec le temps. Même si l’IA suggère un format, c’est la politique de préservation à long terme de l’institution qui a le dernier mot.
Astuce : Pour chaque objet numérique, conservez un bref enregistrement qui répond aux questions « où est la source originale, dans quel format se trouve la copie de conservation, dans quel format se trouve la copie d'accès et laquelle est mise à la disposition de l'utilisateur ? Le mélange de ces trois couches ne permet pas de savoir clairement quel fichier sera le maître de confiance à l'avenir.
Quatre modèles copiables
1) Aide à la correction de la sortie OCR :
Vous trouverez ci-dessous un texte OCR et une description de la page réelle. Corrigez uniquement les erreurs openOCR (mauvais caractères, mots composés/divisés). Ne modifiez pas le contenu, n’ajoutez ou ne supprimez pas de mots. Si vous n'êtes pas sûr, marquez avec "[?]". Texte OCR : [ici]
2) Contrôle de cohérence texte-image :
Y a-t-il des ajouts dans le texte corrigé ci-dessous qui n'étaient pas censés figurer dans le document original (qui peut avoir été inventé) ? Marquez chaque partie suspecte et écrivez pourquoi elle est suspecte. Texte : [ici]
3) Projet de métadonnées de protection :
Générez le plan des métadonnées de conservation pour l'objet numérisé suivant : source, provenance, date/résolution de numérisation, format de fichier, historique des transactions. Utilisez simplement les informations que j'ai fournies, laissez le champ manquant vide. Informations : [ici]
4) Aide à la priorisation :
Ci-dessous la liste des collections en attente de numérisation ; Aider à établir des priorités en fonction de la fragilité, de la demande et du caractère unique. Donnez une brève justification pour chaque ressource ; Laissez-moi la décision finale.Liste : [ici]
Invite faible/Invite forte
Invite faible :
Corrigez et embellissez ce texte numérisé.
« Beautify » invite l'IA à modifier le contenu, à rattraper les omissions ; L'originalité du document d'archive est endommagée.
Invite puissante :
Votre rôle : assistant rédacteur en numérisation. Dans le texte OCR suivant, corrigez UNIQUEMENT les erreurs de reconnaissance explicites (mauvais caractère, mot mal divisé). N’ajoutez, ne supprimez ou ne modifiez aucun mot. Laissez "[?]" là où vous n'êtes pas sûr. Affichez chaque correction que vous avez effectuée dans une liste distincte. Texte : [ici]
L'invite puissante limite l'IA à la seule reconnaissance des erreurs, lui interdit de toucher au contenu et rend les corrections traçables.
Flux de travail et tableau des risques
Scène
Apport de l'IA
Risque principal
mesure de protection
scanner
—
mauvaise qualité
haute résolution
ROC/HTR
Convertir en texte
Erreurs de reconnaissance
correction humaine
correction
Suggestion d'erreur
Changer le contenu
Comparaison avec l'original
restauration
Dérivé d'image
détail d'ajustement
Conservez l'original brut, étiquetez-le
protection
Brouillon de métadonnées
perte d'origine
Fiche de provenance
Erreurs courantes
- Accepter la sortie OCR sans correction. Les erreurs perturbent la recherche et l'accès.
- Appeler l’IA « rendre beau ». Cela modifie le contenu et détruit l’originalité.
- Remplacer la restauration par l'IA par des preuves réelles. Les détails fabriqués créent une fausse histoire.
- Ne pas stocker l'analyse brute. Aucune correction ne peut être vérifiée sans l'original.
- Omettre les informations de provenance. La fiabilité du document devient introuvable.
En résumé
L'IA dans les archives numériques et la numérisation ; C’est une aide précieuse qui accélère la transcription OCR/HTR, la rédaction des métadonnées et la priorisation. Mais l’essence du travail archivistique réside dans l’authenticité et l’intégrité : les résultats de l’OCR doivent être corrigés par l’œil humain, l’IA ne doit jamais remplacer silencieusement le contenu, les dérivés de restauration ne doivent pas remplacer les preuves originales et les informations brutes de numérisation et de provenance doivent toujours être préservées. Utilisez l'IA comme un outil qui n'« améliore » pas le document, mais le rend plutôt accessible tout en lui restant fidèle.
Tâche de candidature
Obtenez un court échantillon de la sortie OCR (soit de votre propre production, soit d'une numérisation réelle). Faites corriger uniquement les erreurs de reconnaissance avec le modèle « Aide à la correction de sortie OCR », puis vérifiez si l'IA a ajouté du contenu avec le modèle « Contrôle de cohérence texte-image ». Créez ensuite un enregistrement avec les informations de provenance et de format de l'objet avec le modèle « Projet de métadonnées de préservation ».
liste de contrôle
- [ ] J'ai comparé la sortie OCR/HTR avec l'image réelle et je l'ai corrigée.
- [ ] J'ai vérifié que l'IA n'ajoute/modifie pas de contenu.
- [ ] J'ai conservé l'analyse brute (maître) séparément et inchangée.
- [ ] J'ai ajouté des informations de provenance et de format aux métadonnées.
- [ ] J'ai clairement étiqueté les variantes de restauration comme "dérivé de l'IA".