Ganhos:
- Capacidade de corrigir documentos digitalizados convertendo-os em texto com OCR e HTR e comparando a saída com a imagem real
- Capacidade de preservar a originalidade e integridade do documento de arquivo e evitar que a IA altere o conteúdo e fabrique a restauração
- Capacidade de planejar a preservação digital de longo prazo com informações de proveniência e formatos duráveis
Um arquivista tem a tarefa de transportar para o futuro volumes de jornais de cinquenta anos, cartas manuscritas ou fotografias antigas. Esses documentos se desgastam com o tempo; Para preservá-los e torná-los acessíveis, é feita a digitalização: o ato de digitalizar um documento físico e convertê-lo em uma cópia digital. Mas o rastreio por si só não é suficiente; O objeto digital deve ser localizável, legível e sustentável a longo prazo. Nesta unidade você aprenderá como utilizar a inteligência artificial no fluxo de trabalho de digitalização, transcrição e preservação digital; mas você aprenderá por que será responsável pela originalidade e precisão.
Alguns conceitos. OCR (Optical Character Recognition) é uma tecnologia que converte o texto da imagem de um documento em texto editável por máquina. O HTR (Reconhecimento de Texto Manuscrito) faz o mesmo trabalho para documentos manuscritos e é muito mais difícil. A preservação digital é um esforço planejado para garantir que os objetos digitais permaneçam legíveis por décadas, mesmo quando os formatos de arquivo se tornam obsoletos e o software muda. A IA é um assistente poderoso, mas falho, em todas as três áreas.
Passo a passo: da digitalização à preservação
1. Priorize. Você não pode digitalizar tudo de uma vez. Os documentos mais frágeis, mais solicitados e mais exclusivos são colocados em primeiro lugar. Esta é uma decisão judicial; A IA ajuda na edição da lista, mas a instituição determina a prioridade.
2. Digitalize e aplique OCR/HTR. Digitalize o documento em alta resolução e use OCR ou HTR para extrair o texto. As ferramentas baseadas em IA estão cada vez melhores aqui, mesmo com textos antigos e difíceis.
3. Corrija e verifique o texto. A saída OCR/HTR nunca é perfeita. Erros são comuns, especialmente se houver escritos antigos, páginas manchadas ou um manuscrito. É essencial comparar a saída com a imagem real e corrigi-la.
4. Adicione metadados e informações de proteção. Adicione ao objeto digital sua procedência, condições de digitalização, informações de formato e procedência — de onde veio o documento e como foi processado. Esta informação é crítica para verificação e proteção futuras.
5. Planeje proteção a longo prazo. Escolha formatos de arquivo abertos, comuns e duráveis; fazer backup; Faça um plano de migração caso os formatos se tornem obsoletos.
Dica: Não aceite a saída do OCR como “texto não criptografado”. Se um sistema de busca funcionasse através deste texto, palavras reconhecidas incorretamente fariam com que a fonte não fosse encontrada. Para coleções críticas, a correção da saída do OCR para o olho humano determina a qualidade de todos os acessos subsequentes.
Autenticidade e integridade do objeto digital
No cerne do trabalho arquivístico estão a autenticidade e a integridade: a garantia de que um documento provém verdadeiramente da fonte alegada e de que o seu conteúdo não foi alterado. Neste ponto, a IA cria uma ameaça dupla. Primeiro, durante a correção ou “aprimoramento” de OCR/HTR, a IA pode modificar silenciosamente o texto; pode adicionar uma palavra que não existe sob o nome "correção". Em segundo lugar, se o “reparo” ou “restauração” da imagem for feito com IA, detalhes não originais poderão ser produzidos.
A regra do arquivista é clara: a cópia de preservação digital deve ser fiel ao original. Cada melhoria feita com IA deve ser documentada e a verificação real (bruta) deve sempre ser preservada. “Embelezar” um documento pode destruir o seu valor probatório histórico.
Cuidado: pode ser tentador “melhorar” uma foto ou documento antigo com IA; mas a IA preenche as partes que faltam, inventando-as. Num documento de arquivo, isso significa criar evidências históricas falsas. A saída de restauração nunca substitui a fonte original; é armazenado como uma variante separada e claramente rotulada.
três mini cases
Caso 1 — Os arquivos de jornais tornaram-se pesquisáveis. Uma biblioteca digitalizou sua coleção de jornais locais de 30 anos. Com o OCR, 90 mil páginas foram transcritas e tornadas pesquisáveis; Uma pesquisa por tópico que antes demorava dias agora foi reduzida a segundos. No entanto, a equipe percebeu que a precisão do OCR caiu para 80% em páginas antigas e manchadas e priorizou a correção dos anos superiores com o olho humano.
Caso 2 — HTR abriu o manuscrito. Um arquivo aplicou o HTR a uma coleção de cartas do século XIX de difícil leitura. O sistema ganhou grande velocidade após meses de leitura por especialistas; Mas cada página da impressão foi comparada ao original por um paleógrafo experiente (especialista em escrita antiga), porque havia erros nos nomes de pessoas e lugares.
Caso 3 — Falsa “restauração” rejeitada. Uma equipe considerou “consertar” uma fotografia histórica rasgada com IA. AI completou as partes faciais que faltavam, ajustando-as. O arquivista percebeu que estes detalhes fabricados distorceriam a evidência histórica; A imagem reparada foi armazenada separadamente ao lado da original, apenas claramente identificada como "derivado de IA".
Cópia de acesso, cópia de preservação e decisão de formato
Uma boa prática na digitalização é separar cópias do mesmo objeto para finalidades diferentes. Um mestre de preservação é o objeto digital real a ser transportado para o futuro, armazenado na mais alta resolução, formato descompactado ou sem perdas; raramente é tocado. A cópia de acesso é uma variante menor e de fácil abertura apresentada ao usuário. Esta distinção é importante porque o formato prático de utilização (pequeno, comprimido) pode não ser adequado para preservação a longo prazo; O formato ideal para preservação (grande, sem perdas) é complicado para uso diário. Neste fluxo de trabalho, a IA pode ajudar no inventário de arquivos, detectando variantes ausentes e mantendo os metadados consistentes entre duas cópias. No entanto, a escolha do formato é uma decisão de preservação: devem ser preferidos formatos abertos, amplamente documentados e duráveis (em vez de formatos proprietários e fechados), e um plano de migração deve ser mantido pronto para o caso de os formatos se tornarem obsoletos com o tempo. Mesmo que a IA sugira um formato, a política de preservação de longo prazo da instituição tem a palavra final.
Dica: Para cada objeto digital, mantenha um breve registro que responda às perguntas “onde está a fonte original, em que formato está a cópia de preservação, em que formato está a cópia de acesso e qual é disponibilizada ao usuário?” A mistura dessas três camadas não deixa claro qual arquivo é o mestre confiável daqui para frente.
Quatro modelos copiáveis
1) Ajuda para correção de saída de OCR:
Abaixo está um texto OCR e uma descrição da página real. Corrija apenas erros de openOCR (caracteres incorretos, palavras compostas/divididas). Não altere o conteúdo, adicione ou remova palavras. Se não tiver certeza, marque com "[?]". Texto OCR: [aqui]
2) Verificação de consistência texto-imagem:
Há algum acréscimo no texto corrigido abaixo que não era esperado que estivesse no documento original (que pode ter sido inventado)? Marque cada parte suspeita e escreva por que é suspeita. Texto: [aqui]
3) Rascunho de metadados de proteção:
Gere o esboço dos metadados de preservação para o seguinte objeto digitalizado: origem, proveniência, data/resolução da digitalização, formato do arquivo, histórico de transações. Basta usar as informações que forneci, deixar o campo que falta em branco. Informações: [aqui]
4) Ajuda para priorização:
Abaixo segue a lista de acervos aguardando digitalização; Auxiliar na priorização com base na fragilidade, demanda e exclusividade. Dê uma breve justificativa para cada recurso; Deixe a decisão final comigo. Lista: [aqui]
Alerta fraco / Alerta forte
Alerta fraco:
Corrija e embeleze este texto digitalizado.
“Beautify” convida a IA a mudar o conteúdo, compensar as omissões; A originalidade do documento de arquivo está danificada.
Alerta poderoso:
Sua função: assistente de editor de digitalização. No texto de OCR a seguir, corrija SOMENTE erros de reconhecimento explícitos (caractere incorreto, palavra dividida incorretamente). Não adicione, remova ou altere quaisquer palavras. Deixe "[?]" onde você não tem certeza. Mostre cada correção feita em uma lista separada. Texto: [aqui]
O poderoso prompt limita a IA a reconhecer apenas erros, proíbe-a de tocar no conteúdo e torna as correções rastreáveis.
Fluxo de trabalho e tabela de riscos
Palco
Contribuição da IA
Risco principal
medida de proteção
digitalizar
-
má qualidade
alta resolução
OCR/HTR
Converter em texto
Erros de reconhecimento
correção humana
correção
Sugestão de erro
Alterando conteúdo
Comparação com o original
restauração
Derivada de imagem
detalhe de montagem
Mantenha o original bruto, rotule-o
proteção
Rascunho de metadados
perda de origem
Registro de proveniência
Erros comuns
- Aceitando a saída do OCR sem correção. Erros atrapalham a pesquisa e o acesso.
- Chamar a IA de “tornar bonito”. Muda o conteúdo e destrói a originalidade.
- Substituindo a restauração da IA por evidências reais. Detalhes fabricados criam uma história falsa.
- Não armazenar a varredura bruta. Nenhuma correção pode ser verificada sem o original.
- Omitindo informações de proveniência. A confiabilidade do documento torna-se indetectável.
Resumindo
IA em arquivos digitais e digitalização; É uma ajuda valiosa que acelera a transcrição de OCR/HTR, a elaboração de metadados e a priorização. Mas a essência do trabalho de arquivo é a autenticidade e a integridade: a produção de OCR deve ser corrigida pelo olho humano, a IA nunca deve substituir silenciosamente o conteúdo, os derivados de restauração não devem substituir a evidência original e as informações brutas de digitalização e proveniência devem ser sempre preservadas. Use a IA como uma ferramenta que não “melhora” o documento, mas sim o torna acessível e ao mesmo tempo permanece fiel a ele.
Tarefa de aplicativo
Obtenha uma pequena amostra do resultado do OCR (seja de sua própria produção ou de uma digitalização real). Corrija apenas os erros de reconhecimento com o modelo "Ajuda para correção de saída de OCR" e verifique se a IA adicionou conteúdo com o modelo "Verificação de consistência de imagem de texto". Em seguida, crie um registro com as informações de procedência e formato do objeto com o modelo "Rascunho de metadados de preservação".
lista de verificação
- [] Comparei a saída do OCR/HTR com a imagem real e corrigi.
- [] Verifiquei que a IA não adiciona/altera conteúdo.
- [] Mantive a varredura bruta (master) separada e inalterada.
- [] Adicionei informações de proveniência e formato aos metadados.
- [] Eu rotulei claramente as variantes de restauração como "derivadas de IA".