OCR starých novin: jak poctivě opravit strojový přepis

Našli jste v digitalizovaných novinách zmínku o předkovi. Vedle snímku máte i strojově rozpoznaný text, označovaný jako OCR. Než jej vložíte do poznámek, porovnejte jej s obrazem stránky. Záměna jediného písmene nebo číslice může změnit, koho a jakou událost zpráva popisuje.

Jazykový model můžete požádat o návrh oprav. Výstup však přebírejte až po vlastní kontrole proti snímku. Cílem je čitelný přepis s dohledatelnými zásahy, nikoli uhlazená zpráva, ve které už nerozeznáte tisk od domněnky.

Chyby strojového textu kazí i fulltextové hledání. Výsledek „nic jsem nenašel“ proto neznamená, že zmínka v novinách není. Zkuste hledat také tvary s typickými chybami čtení, například se záměnou podobných písmen nebo bez diakritiky. Vodítkem mohou být chyby, které sami vidíte v OCR daného vydání; výsledky vždy porovnejte se snímkem.

Proč model nesmí opravovat text naslepo

Bez snímku nemáte podle čeho rozhodnout, zda poškozené slovo odpovídá navržené opravě. Smysluplná věta sama není potvrzením čtení. Návrh může nepozorovaně změnit příjmení, částku i místo, a tím také směr vašeho hledání.

Oddělte chybu strojového rozpoznání od chyby, která už je v tisku. Pokud noviny zřetelně uvádějí jiné datum, než znáte z matriky, doslovný přepis musí zachovat novinové datum. Rozpor patří do badatelské poznámky, nikoli do neoznačené opravy předlohy.

Z toho plyne základní pravidlo: model nikdy nesmí opravovat strojový text bez snímku novinové stránky. Jména, data, čísla domů a částky se bez porovnání s obrazem nesmí měnit. Co je na snímku nečitelné, musí zůstat nečitelné i v přepisu.

Pamatujte také na ochranu soukromí. Pokud pracujete s novějšími výstřižky, kde se objevují žijící lidé, jejich osobní údaje do chatu nevkládejte. Pracujte s nimi místně. Pro dotaz použijte smyšlený úryvek nebo bezpečně vybranou historickou část. Zkontrolujte obraz i text: samotné odstranění jména nepostačí, pokud člověka prozrazují jiné údaje. Původní snímek kvůli tomu nepřepisujte; výřez dělejte z kopie.

Jak připravit zadání a rozlišit opravu od nejistoty

Připravte výřez jedné zprávy a odpovídající původní strojový text. Celou stránku zachovejte pro orientaci: výřez nemá odříznout pokračování nebo připojit řádek ze sousedního sloupce. Pokud zpráva pokračuje jinde, poznamenejte to a zpracujte pokračování zvlášť.

Strojový text poslouží jako nápověda pro čtení, ale snímek je předlohou pro kontrolu přepisu. Neprokazuje pravdivost popsané události. V zadání výslovně žádejte:

• Porovnat každé slovo strojového textu přímo se snímkem.
• Každý návrh opravy označit složenými závorkami ve tvaru {oprava: slovo}. Značka označuje zásah do OCR, nikoli jistotu čtení. Za ověřený jej považujte až po vlastní kontrole snímku; každou opravu zapište i do seznamu zásahů s původní podobou.
• Nečitelné místo označit [nečitelné], nejisté čtení [sporné: tvar?]. Hranaté závorky vyhraďte pro nejistotu, stejně jako v článku Přepis dopisů a deníků.
• Nepřidávat žádná vlastní slova ani nevysvětlovat dobové reálie.

Konkrétní zadání může znít takto:

Připrav návrh přepisu přiloženého historického výřezu podle snímku.
Přikládám i původní strojový text; nepovažuj jej za ověřenou předlohu.
Zachovej dobový pravopis. Nedoplňuj text podle smyslu ani jiného pramene.
Každé změněné slovo nebo číslo označ jako {oprava: nové znění}.
Nečitelné místo označ [nečitelné], nejisté [sporné: tvar?].
Rozliš nečitelnost od vynechání řádku v OCR.
Vypiš seznam všech zásahů:
místo | původní OCR | návrh | co model tvrdí, že vidí (neověřeno).
Zaznamenej i vložení, vypuštění a změnu interpunkce či pořadí řádků.
Bez obrazové opory neopravuj jména, data, čísla domů ani částky.
Když snímek nelze přečíst nebo chybí pokračování, napiš to a nehádej.

Pokyn nezaručuje správnost ani úplné označení oprav. Porovnejte celý výstup se snímkem, včetně neoznačených slov. Najdete-li neoznačenou změnu, doplňte její značku i zápis do seznamu zásahů. Model může doplnit věrohodný důvod i k vymyšlené opravě. Sloupec „co model tvrdí, že vidí (neověřeno)“ proto není důkaz: tvrzený tvar písmen i navržené čtení ověřte na snímku sami. Rozsáhle poškozený úsek můžete přepsat ručně; není nutné přijmout návrh modelu jen proto, že už vznikl.

Co musíte uložit vedle sebe

Původní strojový text nenahrazujte opraveným výsledkem. Uchovejte následující podklady pohromadě:

1. Původní strojový text z knihovny. Uložte jej přesně tak, jak jste jej zkopírovali, včetně všech překlepů. Ponechte jej pod samostatným novým názvem; při ukládání ověřte, že jím nepřepisujete dřívější soubor.
2. Opravený přepis s vyznačenými zásahy. Zde je text po porovnání se snímkem. Každá značka {oprava: slovo}, [nečitelné] i [sporné: tvar?] musí zůstat viditelná.
3. Seznam zásahů. U každé změny zachovejte místo, původní OCR, návrh a neověřené zdůvodnění modelu. Přidejte vlastní výsledek kontroly podle snímku; zamítnuté a dosud neověřené návrhy jasně odlište od přijatých oprav.
4. Přesná citace pramene. Uveďte název novin, datum vydání, stranu, odkaz a další označení, která dokážete přečíst. Číslo výtisku a sloupec doplňte, jsou-li zjistitelné. Neznámé položky označte jako nezjištěné; nedopočítávejte je z okolních čísel.

Pramen a rozsah zásahů zachyťte tak, aby šly později dohledat. Obecné vedení záznamů popisuje článek Jak si zapisovat nálezy.

Novinová zpráva je stopa, ne úřední doklad

Při práci s tiskem je nutné zachovat odstup. Snadno uvěříme, že vytištěný článek přináší hotovou pravdu. Dobová zpráva je však pouhá stopa, nikoli úřední doklad.

Věrný přepis potvrzuje pouze to, co tisk uvádí. Neprokazuje, že šlo o vašeho předka, že uvedený věk souhlasí nebo že se událost stala přesně popsaným způsobem. Nesrovnalost může být už v původní zprávě.

Zacházení s neověřeným návrhem rozebírá článek Co z chatu do rodokmenu nepatří. U novin si zvlášť zaznamenejte, zda máte pouze zmínku stejného jména, nebo i další vazbu ke konkrétní rodině. Podle tématu zprávy pak hledejte další prameny. Jejich existenci pro danou obec a období nejprve zjistěte; novinová zmínka sama nezaručuje, že najdete související spis.

Ukázka: od chybného čtení k poctivému zápisu

Následující miniatura je celá smyšlená a ukazuje pouze značení. Není výsledkem měření OCR ani přepisu skutečného snímku. Pro účel příkladu předpokládáme, že na obrazové předloze lze zřetelně přečíst:

Ve vsi A. shořela stodola. Škoda 450 zl.

Smyšlený strojový výstup:

Ve vsl A. shofela stodola. Skoda 45O zl.

Návrh přepisu s označenými opravami OCR:

Ve {oprava: vsi} A. {oprava: shořela} stodola. {oprava: Škoda} {oprava: 450} zl.

Seznam zásahů obsahuje všechny rozdíly: vsl na vsi, shofela na shořela, Skoda na Škoda a 45O na 450. Důvodem má být čitelný obraz, nikoli to, že opravená věta lépe zní. Pokud by místo částky byl na skutečné předloze nečitelný úsek, v přepisu by stálo [nečitelné]. Při nejistém čtení by zde bylo například [sporné: 450?]. Ani věrohodná částka navržená modelem ji nesmí nahradit.

Také citaci vytvářejte z prohlédnutého vydání, ne podle modelového příkladu. Chybí-li vám v uloženém výřezu název nebo datum, vraťte se k celému vydání. Dokud údaj nenajdete, ponechte citaci neúplnou a označenou. Číslo snímku a vytištěné číslo stránky evidujte odděleně, pokud se liší.

Kontrola před převzetím přepisu

Než se pustíte do oprav novinových textů, mějte na paměti hlavní zásady:

• Nikdy nenechávejte model pracovat bez snímku stránky.
• Požadujte označení každé opravy a rozlišení značek [nečitelné] a [sporné: tvar?].
• Jména, čísla domů, data a částky ověřujte vlastníma očima.
• Ukládejte původní strojový text, opravený přepis, seznam zásahů i citaci pramene.
• Novinové tvrzení ověřujte v dalších dohledaných pramenech, bez předpokladu, že se související doklad zachoval.

U přepisu poznamenejte datum kontroly a její rozsah. Pokud jste prověřili jen část zprávy, označte zbytek jako neověřený. Pozdější lepší čtení uložte jako další verzi s vysvětlením změny; původní strojový text a dosavadní přepis ponechte dostupné.