Câștiguri:
- Abilitatea de a corecta documentele scanate prin conversia acestora în text cu OCR și HTR și comparând rezultatul cu imaginea reală
- Abilitatea de a păstra originalitatea și integritatea documentului de arhivă și de a împiedica AI să modifice conținutul și restaurarea fabricată
- Abilitatea de a planifica conservarea digitală pe termen lung cu informații despre proveniență și formate durabile
Un arhivar are sarcina de a transporta în viitor volume de ziare vechi de cincizeci de ani, scrisori de mână sau fotografii vechi. Aceste documente se uzează în timp; Atât pentru a le păstra, cât și pentru a le face accesibile, se realizează digitizarea: actul de a scana un document fizic și de a-l converti într-o copie digitală. Dar screening-ul singur nu este suficient; Obiectul digital trebuie să poată fi găsit, citit și menținut pe termen lung. În această unitate, veți învăța cum să utilizați inteligența artificială în fluxul de lucru de digitalizare, transcriere și conservare digitală; dar vei învăța de ce vei deține responsabilitatea pentru originalitate și acuratețe.
Câteva concepte. OCR (Optical Character Recognition) este o tehnologie care convertește textul din imaginea unui document în text editabil de mașină. HTR (Handwritten Text Recognition) face aceeași treabă pentru documentele scrise de mână și este mult mai dificil. Conservarea digitală este un efort planificat pentru a se asigura că obiectele digitale rămân lizibile timp de zeci de ani, chiar dacă formatele de fișiere devin învechite și software-ul se modifică. AI este un asistent puternic, dar defectuos în toate cele trei domenii.
Pas cu pas: de la digitizare la conservare
1. Prioritizează. Nu poți digitiza totul deodată. Cele mai fragile, cele mai solicitate și mai unice documente sunt puse pe primul loc. Aceasta este o decizie judecătorească; AI ajută la editarea listelor, dar instituția stabilește prioritatea.
2. Scanați și aplicați OCR/HTR. Scanați documentul la rezoluție înaltă, apoi utilizați OCR sau HTR pentru a extrage textul. Instrumentele bazate pe inteligență artificială devin din ce în ce mai bune aici, chiar și cu texte vechi și dificile.
3. Corectați și verificați textul. Ieșirea OCR/HTR nu este niciodată perfectă. Erorile sunt frecvente, mai ales dacă există scris vechi, pagini pătate sau un manuscris. Este esențial să comparați rezultatul cu imaginea reală și să o corectați.
4. Adăugați metadate și informații de protecție. Adăugați obiectului digital proveniența acestuia, condițiile de scanare, informațiile de format și proveniența - de unde provine documentul și cum a fost procesat. Aceste informații sunt esențiale pentru verificarea și protecția viitoare.
5. Planificați protecția pe termen lung. Alegeți formate de fișiere care sunt deschise, comune și durabile; înapoi; Faceți un plan de migrare în cazul în care formatele devin învechite.
Sfat: nu acceptați rezultatul OCR ca „text clar”. Dacă un sistem de căutare ar funcționa prin acest text, cuvintele recunoscute incorect ar face ca sursa să nu fie găsită. Pentru colecțiile critice, corectarea rezultatului OCR către ochiul uman determină calitatea tuturor acceselor ulterioare.
Autenticitatea și integritatea obiectului digital
În centrul muncii de arhivă se află autenticitatea și integritatea: asigurarea că un document provine cu adevărat din sursa revendicată și că conținutul său nu a fost modificat. În acest moment, AI creează o amenințare în două direcții. În primul rând, în timpul corecției OCR/HTR sau „îmbunătățirii”, AI poate modifica textul în tăcere; poate adăuga un cuvânt care nu există sub numele „corecție”. În al doilea rând, dacă „repararea” sau „restaurarea” imaginii se face cu AI, pot fi produse detalii neoriginale.
Regula arhivistului este clară: copia de conservare digitală trebuie să fie fidelă originalului. Fiecare îmbunătățire realizată cu AI ar trebui să fie documentată, iar scanarea reală (brută) ar trebui să fie întotdeauna păstrată. „Înfrumusețarea” unui document îi poate distruge valoarea probatorie istorică.
Atenție: poate fi tentant să „îmbunătățiți” o fotografie sau un document vechi cu AI; dar AI completează părțile lipsă inventându-le. Într-un document de arhivă, aceasta înseamnă crearea unor dovezi istorice false. Ieșirea de restaurare nu înlocuiește niciodată sursa originală; este stocat ca o variantă separată, etichetată clar.
trei mini cutii
Cazul 1 — Arhivele de ziare au devenit căutabile. O bibliotecă și-a digitalizat colecția de ziare locale veche de 30 de ani. Cu OCR, 90.000 de pagini au fost transcrise și făcute căutate; O căutare de subiecte care anterior dura zile a fost acum redusă la secunde. Cu toate acestea, echipa a observat că acuratețea OCR a scăzut la 80% pe paginile vechi și pătate și a prioritizat corectarea anilor de top cu ochiul uman.
Cazul 2 — HTR a deschis manuscrisul. O arhivă a aplicat HTR unei colecții de scrisori greu de citit din secolul al XIX-lea. Sistemul a câștigat o viteză mare în funcție de lunile de citire de către experți; Dar fiecare pagină a tipăritului a fost comparată cu originalul de către un paleograf expert (un expert în scrierea antică), deoarece au existat erori în numele oamenilor și al locurilor.
Cazul 3 – „restaurare” falsă respinsă. O echipă a luat în considerare „repararea” unei fotografii istorice rupte cu AI. AI a completat părțile faciale lipsă prin montarea lor. Arhivistul și-a dat seama că aceste detalii fabricate ar distorsiona dovezile istorice; Imaginea reparată a fost stocată separat alături de originală, doar etichetată clar „derivat AI”.
Copie de acces, copie de conservare și decizie de format
O bună practică în digitizare este separarea copiilor aceluiași obiect în scopuri diferite. Un master de conservare este obiectul digital real care urmează să fie transportat în viitor, stocat în cea mai înaltă rezoluție, format necomprimat sau fără pierderi; este rar atins. Copia de acces este o variantă mai mică, ușor de deschis, prezentată utilizatorului. Această distincție este importantă deoarece formatul care este practic pentru utilizare (mic, comprimat) poate să nu fie potrivit pentru conservarea pe termen lung; Formatul ideal pentru conservare (mare, fără pierderi) este greoi pentru utilizarea zilnică. În acest flux de lucru, AI poate ajuta la inventarierea fișierelor, la detectarea variantelor lipsă și la menținerea coerentei metadatelor între două copii. Cu toate acestea, alegerea formatului este o decizie de conservare: ar trebui să fie preferate formatele deschise, documentate pe scară largă și durabile (mai degrabă decât formatele proprietare, închise), iar un plan de migrare ar trebui ținut gata în cazul în care formatele devin învechite în timp. Chiar dacă AI sugerează un format, politica de conservare pe termen lung a instituției are ultimul cuvânt.
Sfat: Pentru fiecare obiect digital, păstrați o scurtă înregistrare care să răspundă la întrebările „unde este sursa originală, în ce format este copia de conservare, în ce format este copia de acces și care este pusă la dispoziția utilizatorului?” Amestecând aceste trei straturi, nu este clar care fișier este masterul de încredere în viitor.
Patru șabloane copiabile
1) Ajutor pentru corectarea ieșirii OCR:
Mai jos este un text OCR și descrierea paginii reale. Remediați numai erorile openOCR (caractere greșite, cuvinte compuse/divizate). Nu modificați conținutul, nu adăugați sau eliminați cuvinte. Dacă nu sunteți sigur, marcați cu „[?]”. Text OCR: [aici]
2) Verificarea coerenței text-imagine:
Există completări în textul corectat de mai jos care nu ar fi fost de așteptat să fie în documentul original (care ar fi putut fi inventat)? Marcați fiecare parte suspectă și scrieți de ce este suspectă. Text: [aici]
3) Schiță de metadate de protecție:
Generați schița metadatelor de conservare pentru următorul obiect digitizat: sursă, proveniență, data/rezoluție scanare, format de fișier, istoricul tranzacțiilor. Folosiți doar informațiile pe care le-am furnizat, lăsați câmpul lipsă necompletat. Informații: [aici]
4) Ajutor pentru prioritizare:
Mai jos este lista colecțiilor care așteaptă digitizarea; Ajută la stabilirea priorităților pe baza fragilității, cererii și unicității. Oferiți o scurtă justificare pentru fiecare resursă; Lăsați decizia finală în seama mea.Lista: [aici]
Prompt slab / Prompt puternic
Prompt slab:
Corectați și înfrumusețați acest text scanat.
„Beautify” invită AI să schimbe conținutul, să compenseze omisiunile; Originalitatea documentului de arhivă este deteriorată.
Solicitare puternică:
Rolul dvs.: asistent editor de digitizare. În următorul text OCR, remediați NUMAI erorile de recunoaștere explicită (caracter rău, cuvânt împărțit incorect). Nu adăugați, eliminați sau modificați niciun cuvânt. Lăsați „[?]” acolo unde nu sunteți sigur. Afișați fiecare corecție pe care ați făcut-o într-o listă separată. Text: [aici]
Promptul puternic limitează AI doar la recunoașterea erorilor, îi interzice să atingă conținutul și face corecțiile urmăribile.
Flux de lucru și tabel de risc
Scena
Contribuția AI
Riscul principal
masura de protectie
scanează
—
calitate slabă
rezoluție înaltă
OCR/HTR
Convertiți în text
Erori de recunoaștere
corectare umană
corectare
Sugestie de eroare
Schimbarea conținutului
Comparatie cu originalul
restaurare
Derivată de imagine
detaliu potrivit
Păstrați originalul brut, etichetați-l
protectie
Schiță de metadate
pierderea originii
Fișă de proveniență
Greșeli comune
- Acceptarea ieșirii OCR fără corecție. Erorile perturbă căutarea și accesul.
- Numirea AI „face frumos”. Schimbă conținutul și distruge originalitatea.
- Înlocuirea dovezilor reale cu restaurarea AI. Detaliile fabricate creează o istorie falsă.
- Nu se stochează scanarea brută. Nicio corecție nu poate fi verificată fără originalul.
- Omiterea informațiilor despre proveniență. Fiabilitatea documentului devine imposibil de urmărit.
În concluzie
AI în arhive digitale și digitalizare; Este un ajutor valoros care accelerează transcrierea OCR/HTR, redactarea metadatelor și prioritizarea. Dar esența muncii de arhivă este autenticitatea și integritatea: rezultatul OCR ar trebui corectat de ochiul uman, AI nu ar trebui să înlocuiască în tăcere conținutul, derivatele de restaurare nu ar trebui să înlocuiască dovezile originale, iar scanarea brută și informațiile de proveniență ar trebui păstrate întotdeauna. Utilizați inteligența artificială ca un instrument care nu „îmbunătățește” documentul, ci mai degrabă îl face accesibil, rămânând fidel acestuia.
Sarcina de aplicare
Obțineți o scurtă mostră de rezultat OCR (fie propria producție, fie dintr-o scanare reală). Corectați numai erorile de recunoaștere cu șablonul „Ajutor pentru corectarea ieșirii OCR”, apoi verificați dacă AI a adăugat conținut cu șablonul „Verificare coerență text-imagine”. Apoi creați o înregistrare cu informațiile despre proveniență și format pentru obiect cu șablonul „Ciornă de metadate de conservare”.
lista de verificare
- [ ] Am comparat ieșirea OCR/HTR cu imaginea reală și am corectat-o.
- [ ] Am verificat că AI nu adaugă/modifică conținut.
- [ ] Am păstrat scanarea brută (master) separat și neschimbată.
- [ ] Am adăugat informații despre proveniență și format la metadate.
- [ ] Am etichetat clar variantele de restaurare drept „derivat AI”.