De wereld van Chinese historische boeken is een enorme bibliotheek van houtblokdrukpagina's, waarbij elke letter met de hand is gekerfd en gedrukt met de unieke textuur van inkt en papier. Decennialang hebben wetenschappers vertrouwd op computers om deze teksten te lezen, een proces dat optische karakterherkenning, of OCR, wordt genoemd. De computer scant een afbeelding van een pagina, identificeert de vormen van de karakters en zet ze om in digitale tekst die doorzocht en bestudeerd kan worden. Echter, deze machines waren getraind op moderne, schone, gedrukte tekst. Wanneer ze de oude, onregelmatige en vaak beschadigde karakters van historische houtblokboeken tegenkomen, maken ze vaak fouten. Ze kunnen twee karakters verwarren die er net iets anders uitzien maar geheel andere betekenissen hebben, of ze kunnen simpelweg een karakter volledig missen. Omdat een enkel foutief karakter de betekenis van een klassieke zin kan veranderen, zijn deze fouten niet slechts kleine imperfecties; het zijn barrières voor het begrijpen van de geschiedenis. De uitdaging voor onderzoekers is niet alleen het herkennen van de tekst, maar ook het herstellen van deze fouten zonder nieuwe te introduceren, door gebruik te maken van de visuele aanwijzingen die de computer ziet maar vaak niet correct weet te interpreteren.

Een team van onderzoekers aan de Huangshan Universiteit heeft een nieuwe methode ontwikkeld om dit specifieke probleem op te lossen, waarbij de focus ligt op hoe de computer beslist welk karakter het is nadat hij een eerste gok heeft gedaan. Hun aanpak, genaamd LGE-FIng, verandert de manier waarop de computer naar het bewijs kijkt. In het verleden, wanneer een computer een gok deed over een karakter, controleerde hij zijn lijst met mogelijke correcties door die gok te vergelijken met een standaard, door de computer gegenereerde tekening van hetzelfde karakter. Dit was als het vragen aan iemand die een woord verkeerd had gelezen om naar een perfecte, schone versie van het woord te kijken waarvan hij dacht dat het het was, in plaats van naar de rommelige, handgeschreven versie die daadwerkelijk op de pagina stond. De onderzoekers kwamen tot de conclusie dat deze methode fundamenteel gebrekkig was, omdat de schone, moderne tekening niet genoeg leek op het oude, houtblokgedrukte karakter om nuttig te zijn. In plaats daarvan dwingt hun nieuwe systeem de computer om rechtstreeks naar de werkelijke afbeelding van het karakter uit het boek te kijken. Het leert de visuele vorm van het karakter te herkennen zoals het werkelijk verschijnt, ongeacht of het een oude houtblokdruk of een modern lettertype is, en gebruikt die echte afbeelding om het juiste antwoord te vinden.

Om dit werkend te krijgen, moesten de onderzoekers de computer een nieuwe manier van zien aanleren. Ze trainden een systeem om een digitale "vingerafdruk" voor elk karakter te maken, maar in tegenstelling tot oudere methoden die vertrouwden op handgecodeerde regels, leerde dit systeem de patronen zelf. Ze toonden de computer duizenden voorbeelden, waarbij echte afbeeldingen van oude houtblokkarakters werden gekopperd aan schone, moderne tekeningen van hetzelfde karakter. Het doel was om de computer te leren dat deze twee heel verschillend uitziende afbeeldingen eigenlijk tot dezelfde categorie behoren. Door dit te doen, leerde de computer de verschillen in textuur en stijl te negeren, en zich in plaats daarvan te concentreren op de kernvorm van het karakter. Eenmaal getraind, kon het systeem een wazige, oude afbeelding uit een boek nemen, deze omzetten in deze digitale vingerafdruk, en de beste overeenkomst vinden in een enorme bibliotheek van karaktervormen. Cruciaal was dat de bibliotheek zowel de schone moderne tekeningen als echte voorbeelden van oude karakters bevatte, wat ervoor zorgde dat de computer de juiste instrumenten had om de rommelige realiteit van historische documenten aan te kunnen.

De onderzoekers testten deze methode op een reeks zestig pagina's uit historische boeken die de computer nog nooit eerder had gezien. Ze vergeleken hun nieuwe systeem met de standaardmanier van werken, waarbij de computer vertrouwt op zijn initiële gok om correcties te vinden. De resultaten waren duidelijk en consistent. Wanneer de computer de mogelijkheid kreeg om naar de werkelijke afbeelding van het karakter te kijken om zijn correctie te vinden, maakte hij aanzienlijk minder fouten dan wanneer hij vertrouwde op zijn eigen initiële gok. De verbetering was geen kleine fluctuatie; de nieuwe methode verminderde het foutpercentage met een meetbare hoeveelheid, wat bewees dat kijken naar de echte afbeelding veel effectiever is dan kijken naar een door de computer gegenereerde versie van de gok. De onderzoekers controleerden ook of deze verbetering niet een artefact was van de manier waarop de cijfers werden berekend. Ze testten het systeem onder verschillende omstandigheden en met verschillende manieren om het bewijs te wegen, en het voordeel van het kijken naar de echte afbeelding bleef telkens standhouden.

Een van de meest onthullende delen van de studie was het begrijpen van precies waar de nieuwe methode hielp. De onderzoekers onderzochten duizenden specifieke fouten waarbij de computer aanvankelijk het verkeerde karakter had gekozen. Ze ontdekten dat in bijna twintig procent van deze gevallen het nieuwe systeem in staat was om het juiste karakter helemaal bovenaan zijn lijst met mogelijkheden te plaatsen, een positie die de oude methode nooit zou kunnen bereiken omdat die uitging van het verkeerde startpunt. De oude methode was structureel niet in staat om het juiste antwoord als eerste te rangschikken in deze situaties, omdat die de verkeerde gok vergeleken met een perfecte tekening van diezelfde verkeerde gok. De nieuwe methode vergeleek daarentegen de rommelige, echte afbeelding met het juiste antwoord en vond het onmiddellijk. Dit vermogen om het juiste antwoord vanaf het begin te herkennen, was de primaire drijfveer van de algehele verbetering in nauwkeurigheid.

De studie onderzocht ook hoe dit nieuwe hulpmiddel gecombineerd kon worden met andere manieren om tekst te corrigeren. De onderzoekers kwamen tot de conclusie dat de op afbeelding gebaseerde methode het best werkte wanneer deze werd gebruikt naast een systeem dat de context van de zin begrijpt. Terwijl het beeldgestuurde systeem naar de vorm van het karakter kijkt, kijkt het contextgestuurde systeem naar de betekenis van de woorden eromheen. Wanneer deze twee systemen samenwerkten, verbeterde de nauwkeurigheid nog verder, en bereikte een niveau dat aanzienlijk beter was dan de oorspronkelijke leeswijze van de computer. De onderzoekers waren echter voorzichtig bij het opmerken dat deze methode geen wondermiddel is voor elk probleem. Het kan fouten niet corrigeren waarbij een karakter volledig ontbreekt in de afbeelding, omdat er dan geen plaatje is om te analyseren. Het kan ook niet elke enkele fout herstellen, aangezien sommige karakters visueel zo vergelijkbaar zijn of de tekst zo beschadigd is dat zelfs het beste systeem moeite zal hebben.

Uiteindelijk demonstreert dit werk dat de manier waarop een computer wordt gevraagd een probleem te bekijken evenzeer van belang is als de instrumenten die zij gebruikt. Door de focus te verleggen van een door de computer gegenereerde gok naar het werkelijke visuele bewijs op de pagina, waren de onderzoekers in staat om een hoger niveau van nauwkeurigheid te ontsluiten bij het lezen van historische teksten. De methode is ontworpen om lichtgewicht en gemakkelijk toe te voegen aan bestaande systemen, wat betekent dat het gebruikt kan worden om de digitale versies van veel meer historische boeken te verbeteren zonder dat er een volledige herziening van de technologie nodig is. De bevindingen suggereren dat voor de taak van het lezen van oude, gedrukte documenten, de meest betrouwbare weg voorwaarts is om de computer de wereld te laten zien precies zoals die is, in plaats van zoals die zou moeten zijn. Deze eenvoudige verschuiving in perspectief is bewezen een krachtige stap te zijn naar het behoud en begrip van het geschreven erfgoed uit het verleden.