Keuntungan:
- Keupayaan untuk membetulkan dokumen yang diimbas dengan menukarnya kepada teks dengan OCR dan HTR dan membandingkan output dengan imej sebenar
- Keupayaan untuk mengekalkan keaslian dan integriti dokumen arkib dan menghalang AI daripada mengubah kandungan dan pemulihan rekaan
- Keupayaan untuk merancang pemeliharaan digital jangka panjang dengan maklumat asal dan format tahan lama
Seorang arkivis ditugaskan untuk membawa jilid akhbar berusia lima puluh tahun, surat tulisan tangan atau gambar lama ke masa hadapan. Dokumen ini haus dari semasa ke semasa; Untuk mengekalkan dan menjadikannya boleh diakses, pendigitalan dilakukan: tindakan mengimbas dokumen fizikal dan menukarnya menjadi salinan digital. Tetapi saringan sahaja tidak mencukupi; Objek digital mesti boleh dicari, boleh dibaca dan diselenggara dalam jangka panjang. Dalam unit ini, anda akan belajar cara menggunakan kecerdasan buatan dalam pendigitalan, transkripsi dan aliran kerja pemeliharaan digital; tetapi anda akan belajar mengapa anda akan memegang tanggungjawab untuk keaslian dan ketepatan.
Sedikit konsep. OCR (Optical Character Recognition) ialah teknologi yang menukar teks dalam imej dokumen kepada teks boleh diedit mesin. HTR (Handwritten Text Recognition) melakukan kerja yang sama untuk dokumen tulisan tangan dan jauh lebih sukar. Pemeliharaan digital ialah usaha terancang untuk memastikan objek digital kekal boleh dibaca selama beberapa dekad, walaupun format fail menjadi usang dan perisian berubah. AI ialah pembantu yang berkuasa tetapi cacat dalam ketiga-tiga bidang.
Langkah demi langkah: daripada pendigitalan kepada pemeliharaan
1. Utamakan. Anda tidak boleh mendigitalkan semuanya sekaligus. Dokumen yang paling rapuh, paling banyak diminta dan paling unik diutamakan. Ini adalah keputusan kehakiman; AI membantu dengan penyuntingan senarai, tetapi institusi menentukan keutamaan.
2. Imbas dan gunakan OCR/HTR. Imbas dokumen pada resolusi tinggi, kemudian gunakan OCR atau HTR untuk mengekstrak teks. Alat berasaskan AI semakin baik dan lebih baik di sini, walaupun dengan teks lama dan sukar.
3. Betulkan dan sahkan teks. Output OCR/HTR tidak pernah sempurna. Ralat adalah perkara biasa, terutamanya jika terdapat tulisan lama, halaman bernoda atau manuskrip. Adalah penting untuk membandingkan output dengan imej sebenar dan membetulkannya.
4. Tambah metadata dan maklumat perlindungan. Tambahkan pada objek digital asalnya, syarat pengimbasan, maklumat format dan asalnya — dari mana dokumen itu datang dan cara ia diproses. Maklumat ini penting untuk pengesahan dan perlindungan masa hadapan.
5. Rancang untuk perlindungan jangka panjang. Pilih format fail yang terbuka, biasa dan tahan lama; sandarkan; Buat rancangan migrasi sekiranya format menjadi usang.
Petua: Jangan terima output OCR sebagai "teks jelas". Jika sistem carian berfungsi melalui teks ini, perkataan yang tidak dikenali akan menyebabkan sumber tidak ditemui. Untuk koleksi kritikal, membetulkan output OCR kepada mata manusia menentukan kualiti semua akses seterusnya.
Ketulenan dan integriti objek digital
Inti kerja arkib adalah keaslian dan integriti: jaminan bahawa dokumen benar-benar datang daripada sumber yang dituntut dan kandungannya tidak diubah. Pada ketika ini, AI mencipta ancaman serampang dua mata. Pertama, semasa pembetulan OCR/HTR atau "peningkatan," AI boleh mengubah suai teks secara senyap; boleh menambah perkataan yang tidak wujud di bawah nama "pembetulan". Kedua, jika "pembaikan" atau "pemulihan" imej dilakukan dengan AI, butiran bukan asal mungkin dihasilkan.
Peraturan arkivis adalah jelas: salinan pemeliharaan digital mestilah setia kepada yang asal. Setiap penambahbaikan yang dibuat dengan AI hendaklah didokumenkan dan imbasan (mentah) sebenar hendaklah sentiasa dipelihara. "Mencantikkan" dokumen boleh memusnahkan nilai bukti sejarahnya.
Awas: Ia mungkin menggoda untuk "memperbaiki" foto atau dokumen lama dengan AI; tetapi AI mengisi bahagian yang hilang dengan menciptanya. Dalam dokumen arkib, ini bermakna mencipta bukti sejarah palsu. Output pemulihan tidak pernah menggantikan sumber asal; disimpan sebagai varian berasingan yang dilabel dengan jelas.
tiga kes mini
Kes 1 — Arkib akhbar menjadi boleh dicari. Sebuah perpustakaan telah mendigitalkan koleksi akhbar tempatannya yang berusia 30 tahun. Dengan OCR, 90,000 halaman telah ditranskripsi dan dijadikan boleh dicari; Carian topik yang sebelum ini mengambil masa berhari-hari kini telah dikurangkan kepada beberapa saat. Walau bagaimanapun, pasukan mendapati bahawa ketepatan OCR menurun kepada 80% pada halaman lama dan bernoda dan mengutamakan membetulkan tahun teratas dengan mata manusia.
Kes 2 — HTR membuka manuskrip. Sebuah arkib menggunakan HTR pada koleksi surat abad ke-19 yang sukar dibaca. Sistem ini mendapat kelajuan yang hebat mengikut bulan pembacaan oleh pakar; Tetapi setiap halaman cetakan dibandingkan dengan yang asal oleh ahli paleografer pakar (pakar dalam penulisan kuno), kerana terdapat kesilapan dalam nama orang dan tempat.
Kes 3 — “Pemulihan” palsu ditolak. Satu pasukan mempertimbangkan "membaiki" gambar bersejarah yang koyak dengan AI. AI melengkapkan bahagian muka yang hilang dengan memasangkannya. Arkivis menyedari bahawa butiran rekaan ini akan memutarbelitkan bukti sejarah; Imej yang telah dibaiki disimpan secara berasingan di samping yang asal, hanya dilabelkan dengan jelas "derivatif AI".
Akses salinan, salinan pemeliharaan dan keputusan format
Amalan yang baik dalam pendigitalan ialah mengasingkan salinan objek yang sama untuk tujuan yang berbeza. Induk pemeliharaan ialah objek digital sebenar yang akan dibawa ke masa hadapan, disimpan dalam resolusi tertinggi, format tidak dimampatkan atau tanpa kerugian; ia jarang disentuh. Salinan akses ialah varian yang lebih kecil dan mudah dibuka yang dibentangkan kepada pengguna. Perbezaan ini penting kerana format yang praktikal untuk digunakan (kecil, dimampatkan) mungkin tidak sesuai untuk pemeliharaan jangka panjang; Format ideal untuk pemeliharaan (besar, tanpa kerugian) adalah menyusahkan untuk kegunaan harian. Dalam aliran kerja ini, AI boleh membantu dalam menginventori fail, mengesan varian yang hilang dan memastikan metadata konsisten antara dua salinan. Walau bagaimanapun, pilihan format ialah keputusan pemeliharaan: format terbuka, didokumentasikan secara meluas dan tahan lama harus diutamakan (daripada proprietari, format tertutup), dan pelan migrasi harus disediakan sekiranya format menjadi lapuk dari semasa ke semasa. Walaupun AI mencadangkan format, dasar pemeliharaan jangka panjang institusi mempunyai kata putus.
Petua: Untuk setiap objek digital, simpan rekod ringkas yang menjawab soalan "di manakah sumber asal, dalam format apakah salinan pemeliharaan, dalam format apakah salinan akses dan yang disediakan kepada pengguna?" Mencampurkan ketiga-tiga lapisan ini menjadikannya tidak jelas fail mana yang menjadi tuan yang dipercayai pada masa hadapan.
Empat templat yang boleh disalin
1) Bantuan pembetulan output OCR:
Di bawah ialah teks OCR dan perihalan halaman sebenar. Hanya betulkan ralat openOCR (aksara buruk, perkataan majmuk/pecah). Jangan ubah kandungan, tambah atau alih keluar perkataan. Jika anda tidak pasti, tandakan dengan "[?]". Teks OCR: [di sini]
2) Semakan konsistensi imej teks:
Adakah terdapat sebarang tambahan dalam teks yang diperbetulkan di bawah yang tidak dijangka berada dalam dokumen asal (yang mungkin telah dibuat-buat)? Tandai setiap bahagian yang mencurigakan dan tulis mengapa ia mencurigakan. Teks: [di sini]
3) Draf metadata perlindungan:
Hasilkan garis besar metadata pemeliharaan untuk objek didigitalkan berikut: sumber, asal, tarikh/peleraian imbasan, format fail, sejarah transaksi. Hanya gunakan maklumat yang saya berikan, biarkan medan yang hilang kosong. Maklumat: [di sini]
4) Bantuan keutamaan:
Di bawah ialah senarai koleksi yang menunggu pendigitalan; Membantu dalam memberi keutamaan berdasarkan kerapuhan, permintaan dan keunikan. Berikan justifikasi ringkas untuk setiap sumber; Serahkan keputusan muktamad kepada saya. Senarai: [di sini]
Gesaan lemah / Gesaan kuat
Gesaan yang lemah:
Betulkan dan cantikkan teks imbasan ini.
"Beautify" menjemput AI untuk menukar kandungan, menebus peninggalan; Keaslian dokumen arkib rosak.
Gesaan kuat:
Peranan anda: pembantu editor pendigitalan. Dalam teks OCR berikut, betulkan SAHAJA ralat pengecaman eksplisit (watak buruk, perkataan terpecah dengan salah). Jangan tambah, alih keluar atau tukar sebarang perkataan. Tinggalkan "[?]" di tempat yang anda tidak pasti. Tunjukkan setiap pembetulan yang anda buat dalam senarai berasingan. Teks: [di sini]
Gesaan yang berkuasa mengehadkan AI untuk hanya mengenali ralat, melarangnya daripada menyentuh kandungan dan membuat pembetulan dapat dikesan.
Jadual aliran kerja dan risiko
pentas
Sumbangan AI
Risiko utama
langkah perlindungan
imbasan
—
kualiti kurang baik
resolusi tinggi
OCR/HTR
Tukar kepada teks
Ralat pengecaman
pembetulan manusia
pembetulan
Cadangan ralat
Menukar kandungan
Perbandingan dengan asal
pemulihan
Terbitan imej
perincian yang sesuai
Simpan yang asli mentah, labelkannya
perlindungan
Draf metadata
kehilangan asal usul
Rekod asal
Kesilapan biasa
- Menerima output OCR tanpa pembetulan. Ralat mengganggu carian dan akses.
- Memanggil AI "jadi cantik." Ia mengubah kandungan dan memusnahkan keaslian.
- Menggantikan pemulihan AI untuk bukti sebenar. Perincian rekaan mencipta sejarah palsu.
- Tidak menyimpan imbasan mentah. Tiada pembetulan boleh disahkan tanpa yang asal.
- Meninggalkan maklumat asal. Kebolehpercayaan dokumen menjadi tidak dapat dikesan.
Secara ringkasnya
AI dalam arkib digital dan pendigitalan; Ia adalah bantuan berharga yang mempercepatkan transkripsi OCR/HTR, penggubalan metadata dan keutamaan. Tetapi intipati kerja arkib adalah keaslian dan integriti: Output OCR harus diperbetulkan oleh mata manusia, AI tidak boleh menggantikan kandungan secara senyap, derivatif pemulihan tidak boleh menggantikan bukti asal, dan maklumat pengimbasan mentah dan asal perlu sentiasa dipelihara. Gunakan AI sebagai alat yang tidak "memperbaiki" dokumen, tetapi menjadikannya boleh diakses sambil kekal dengannya.
Tugasan permohonan
Dapatkan sampel ringkas output OCR (sama ada pengeluaran anda sendiri atau daripada imbasan sebenar). Sediakan hanya ralat pengecaman dibetulkan dengan templat "Bantuan pembetulan output OCR", kemudian semak sama ada AI mempunyai kandungan dengan templat "Semakan konsistensi imej teks". Kemudian buat rekod dengan maklumat asal dan format untuk objek dengan templat "Draf metadata pemeliharaan".
senarai semak
- [ ] Saya membandingkan output OCR/HTR dengan imej sebenar dan membetulkannya.
- [ ] Saya telah menyemak bahawa AI tidak menambah/menukar kandungan.
- [ ] Saya menyimpan imbasan mentah (master) secara berasingan dan tidak berubah.
- [ ] Saya menambah maklumat asal dan format pada metadata.
- [ ] Saya telah melabelkan varian pemulihan dengan jelas sebagai "derivatif AI".