Patru etape cu patru rezultate diferite
Extensia PDF nu arată singură ce rezultate conține fișierul. Acesta poate include imagini ale paginilor, imagini cu text recunoscut sau text creat direct digital. La fel, un dosar de scanări nu este încă un catalog structurat.
| Etapă | Rezultat | Exemplu de utilizare |
|---|---|---|
| Scanare | Imagine digitală a paginii tipărite | Vizualizarea unei ilustrații istorice |
| OCR | Text recunoscut automat | Căutarea unui termen în lucrare |
| Metadate | Informații descriptive despre document | Filtrarea după autor sau anul apariției |
| Segmentarea articolelor | Contribuții delimitate și asociate | Utilizarea separată a unui articol dintr-un volum |
Exemplu: un volum de revistă devine căutabil
Să presupunem că un volum conține mai multe articole. Scanarea completă face mai întâi toate paginile lizibile digital. OCR-ul adaugă posibilitatea căutării în textul recunoscut. Limitele articolelor permit apoi identificarea contribuțiilor individuale.
Pentru fiecare contribuție pot fi înregistrate într-un tabel titlul, autorul și intervalul de pagini. Un identificator unic leagă înregistrarea de fișierul corect. Acesta este un exemplu simplificat de flux de lucru, nu descrierea unui proiect concret al unui client.
Cum poate fi verificată calitatea?
Verificările trebuie să urmărească rezultatul respectiv. La scanare contează, între altele, integralitatea, ordinea și lizibilitatea. Textul OCR necesită și comparația cu originalul. La metadate se verifică asocierea corectă a câmpurilor și tratarea consecventă a informațiilor lipsă.
O etichetă generală precum „digitizat” nu răspunde acestor întrebări. De aceea, înainte de începerea proiectului trebuie descrise rezultatele dorite, criteriile de verificare și modul de tratare a materialelor dificile.
- Sunt prezente și corect asociate toate paginile convenite?
- Este textul suficient de bine captat pentru utilizarea dorită?
- Sunt identificabile informațiile lipsă sau nesigure?
- Corespund numele câmpurilor, fișierelor și identificatorii?
- Poate fi folosită o livrare demonstrativă în sistemul de destinație?
Ce rol au standardele și formatele de fișier?
Dublin Core definește termeni pentru metadate precum titlul, creatorul, limba și identificatorul. ALTO este un format XML pentru descrierea textului recunoscut și a structurii paginii. Astfel de specificații ajută la exprimarea precisă a cerințelor.
Un anumit standard sau format special de export nu este inclus automat într-o comandă de digitizare. Livrarea convenită rămâne decisivă. Donauconnect clarifică câmpurile și formatele necesare înainte de prelucrare.