Error Patterns in Historical OCR: A Comparative Analysis of TrOCR and a Vision-Language Model
تقارن هذه الورقة بين نموذج TrOCR ونموذج اللغة الرؤيوي Qwen في التعامل مع نصوص من القرن الثامن عشر، حيث تكشف أنه بينما يحقق Qwen معدلات خطأ أقل، فإنه يخاطر بتغيير الرسم الإملائي ذي الأهمية التاريخية من خلال التنميط اللغوي، في حين يحافظ TrOCR على الأشكال الأصلية ولكنه يعاني من الأخطاء المتتالية، مما يسلط الض الضوء على الحاجة إلى تقييم مدرك للبنية المعمارية في عمليات الرقمنة التاريخية.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
تخيل أن لديك كتاباً هشاً ومغطى بالغبار من القرن الثامن عشر. الحبر باهت، والورق ملطخ، والحروف تبدو غريبة (مثل حرف "s" الطويل الذي يشبه حرف "f"). تريد تحويل هذا الكتاب المادي إلى ملف نصي رقمي حتى يتمكن الناس من البحث فيه ودراسته. هنا يأتي دور التعرف الضوئي على الحروف (OCR) — وهي التقنية التي تحاول "قراءة" صورة النص وكتابتها لك.
ولكن تكمن المشكلة هنا: الكتب القديمة صعبة. قد يخطئ الكمبيوتر في اعتبار بقعة ما حرفاً، أو يعتبر تهجئة قديمة غريبة خطأً مطبعياً.
هذه الورقة البحثية هي مواجهة بين نوعين مختلفين من "القراء الرقميين" الذين يحاولون نسخ هذه الكتب القديمة:
- TrOCR: متخصص. إنه يشبه خبير الخطوط الجنائية الذي تم تدريبه خصيصاً للنظر في البكسلات والأشكال. هو يهتم بعمق بما يبدو عليه الحبر فعلياً.
- Qwen: عام. إنه يشبه أمين مكتبة واسع الاطلاع يعرف اللغة الإنجليزية من الداخل والخارج. يستخدم معرفته الهائلة بكيفية صياغة الكلمات وتوافقها مع بعضها البعض ليخمن ما يقوله النص.
أراد الباحثون معرفة: من يقوم بعمل أفضل، وما نوع الأخطاء التي يرتكبونها؟
المفاجأة الكبرى: "النتائج الجيدة" قد تكون مخادعة
إذا نظرت فقط إلى لوحة النتائج القياسية (عدد الحروف الخاطئة)، فإن أمين المكتبة (Qwen) هو الفائز. فهو يرتكب أخطاءً إجمالية أقل، وهو أسرع ويتعامل مع الصور الضبابية بشكل أفضل.
ومع ذلك، وجد الباحثون أن كيفية ارتكابهم للأخطاء تختلف تماماً، وهذا الأمر يهم المؤرخين.
نوعا الأخطاء (التشبيه)
1. الخبير الجنائي (TrOCR): "الكاتب الأمين ولكن المتعثر"
- كيف يعمل: ينظر إلى الصورة ويقول: "هذا الشكل المتعرج يبدو مثل حرف 'f'، لذا سأكتب 'f'". حتى لو لم تكن الكلمة منطقية، فإنه يلتزم بما يراه.
- الخطأ: غالباً ما يعلق في حرف واحد غريب ثم يرتبك في بقية الجملة. إنه مثل كاتب يرى بقعة، فيكتب حرفاً خاطئاً، ثم يفقد مكانه، مما يؤدي إلى بعثرة السطر بأكمله.
- المخاطرة: يبدو النص فوضوياً ومليئاً بالأخطاء المطبعية، لكنه أمين. إذا رأيت كلمة غريبة، فأنت تعلم أن الكمبيوتر كان مرتبكاً بشأن الصورة. يمكنك بسهولة رصد الخطأ وتصحيحه.
- الميزة: يحافظ على "غرابة" الكتاب القديم. إذا كان المؤلف الأصلي قد كتب "Antient" بدلاً من "Ancient"، فمن المرجح أن يحافظ TrOCR على ذلك.
2. أمين المكتبة واسع الاطلاع (Qwen): "المحرر المفرط في التصحيح"
- كيف يعمل: ينظر إلى الصورة ويقول: "هذا الشكل المتعرج قد يكون 'f'، لكن الجملة تبدو أكثر منطقية إذا كانت 's'. سأكتب 's'". إنه يستخدم عقله للتخمين والمعنى.
- الخطأ: نادراً ما يرتكب أخطاءً مطبعية "غير منطقية". بدلاً من ذلك، هو يغير التاريخ بصمت. إذا كان النص الأصلي يقول "Antient"، فإن أمين المكتبة يفكر: "أوه، هذا خطأ مطبعي لـ 'Ancient'"، ويقوم بتصحيحه دون إخبارك.
- المخاطرة: هذا أمر خطير بالنسبة للمؤرخين. يبدو النص مثالياً وسهل القراءة، لكن الكمبيوتر قد محا الأدلة التاريخية. قد لا تدرك حتى أنه غير التهجئة لأن الكلمة الجديدة هي كلمة إنجليزية صحيحة وصالحة.
- الميزة: النص نظيف، قابل للقراءة، ويحتوي على أخطاء قليلة جداً.
"اللص الصامت" مقابل "الجار المزعج"
تستخدم الورقة استعارة رائعة لهذا الأمر:
- TrOCR يشبه الجار المزعج الذي يستمر في إسقاط الأشياء. أنت تسمع صوت الاصطدام، وتعرف أن هناك خطأ ما، فتذهب لتفقد الأمر. الأخطاء صاخبة وواضحة.
- Qwen يشبه اللص الصامت الذي يعيد ترتيب أثاثك أثناء نومك. تدخل الغرفة، ويبدو كل شيء على ما يرام، لكن كرسيك المفضل أصبح في مكان مختلف. النص يبدو مثالياً، لكن المعنى قد تغير بشكل طفيف.
لماذا يهم هذا؟
إذا كنت تحاول فقط قراءة قصة، فإن أمين المكتبة (Qwen) رائع. النص نظيف، ويمكنك فهمه بسهولة.
ولكن إذا كنت مؤرخاً أو باحثاً، فأنت بحاجة إلى الخبير الجنائي (TrOCR) (أو على الأقل تحتاج لمعرفة أن أمين المكتبة يغير الأشياء).
- المؤرخون يهتمون بدقة كيفية تهجئة الكلمات قبل 300 عام.
- إذا قام الكمبيوتر بـ "تصحيح" التهجئة، فإنه يدمر الدليل على كيفية كتابة الناس في ذلك الوقت.
- "تصحيحات" أمين المكتبة هي في الواقع هلوسات للتهجئة الحديثة.
الخلاصة
لا يمكنك مجرد اختيار الكمبيوتر الذي يمتلك "أعلى درجة".
- إذا كنت تريد الدقة بالنسبة للصورة الأصلية (حتى لو كانت فوضوية)، فاختر المتخصص الذي يركز على المرئيات.
- إذا كنت تريد سهولة القراءة ولا تمانع إذا قام الكمبيوتر بـ "تحديث" النص، فاختر العام.
تخلص الورقة إلى أننا بحاجة للتوقف عن النظر فقط إلى النتيجة النهائية (عدد الأخطاء) والبدء في النظر إلى نوع الأخطاء. في عالم التاريخ، قد تكون الدرجة "المثالية" كذبة، بينما الدرجة "الفوضوية" قد تكون هي الحقيقة.
باختصار: لا تثق في الكمبيوتر ليكون مؤرخاً. ثق به ليكون ماسحاً ضوئياً، ولكن تحقق دائماً مما إذا كان يحاول أن يكون كاتباً.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.