Jak zdigitalizować papierową dokumentację szkolną i stworzyć przeszukiwalne archiwum?

Digitalizację dokumentacji szkolnej warto zacząć od inwentaryzacji, a nie od uruchomienia skanera. Najpierw trzeba ustalić, jakie zbiory znajdują się w archiwum, jak są obecnie uporządkowane i co po digitalizacji ma stanowić jeden plik. Ma to duże znaczenie zwłaszcza przy dokumentach wielostronicowych. Jeśli protokół składa się z kilkunastu kartek, zwykle powinien pozostać jednym dokumentem również w wersji cyfrowej. Skanowanie każdej strony do osobnego PDF-u szybko doprowadziłoby do powstania tysięcy plików trudnych do identyfikacji.

Warto również zachować logikę istniejącego archiwum. Jeśli dokumenty są podzielone według lat i typów, podobną strukturę można wykorzystać w katalogach cyfrowych. Już na tym etapie należy też przyjąć jednolity schemat nazw. scan001.pdf niczego nie mówi użytkownikowi. Nazwa zawierająca rok, rodzaj dokumentu i jego identyfikator pozwala znacznie szybciej ustalić, czego dotyczy plik.

Im większe archiwum, tym ważniejszy jest ten etap. Poprawianie struktury kilku folderów zajmuje chwilę. Ręczne porządkowanie kilku tysięcy źle nazwanych skanów staje się osobnym projektem.

Jakość cyfrowego dokumentu zaczyna się jeszcze przed skanowaniem. Zagięta, przekrzywiona albo słabo czytelna kartka może później obniżyć dokładność rozpoznawania tekstu. Dokumenty trzeba więc wyjąć z koszulek i segregatorów, usunąć zszywki oraz spinacze i sprawdzić kolejność stron. Warto od razu rozdzielić materiały należące do różnych spraw, aby nie zostały przypadkowo zapisane jako jeden plik.

Więcej uwagi wymagają stare wydruki, kopie o słabym kontraście, dokumenty z pieczęciami czy tekstem przebijającym z drugiej strony. Jeśli treść jest słabo widoczna już na papierze, odpowiednie przygotowanie materiału i jakość skanu będą miały bezpośredni wpływ na późniejszy OCR.

Podczas skanowania najważniejsza jest czytelność treści, a nie tworzenie jak największego pliku. Rozdzielczość trzeba dobrać tak, aby tekst, liczby i tabele były wyraźne i nadawały się do rozpoznania.

Wyraźny współczesny wydruk będzie mniej wymagający niż stara kopia z drobnym tekstem czy słabym kontrastem. Nie ma jednak sensu bez potrzeby zwiększać parametrów skanowania, ponieważ oznacza to większe pliki, które później trzeba przechowywać i przetwarzać.

Znaczenie ma również prawidłowa orientacja stron, ich wyprostowanie oraz usunięcie pustych kartek. Zasada jest prosta: im lepszy materiał wejściowy, tym dokładniejszy OCR, mniej poprawek i łatwiejsze późniejsze wyszukiwanie.

Zeskanowana strona może wyglądać jak zwykły dokument tekstowy, a dla komputera nadal być jedynie obrazem. Dlatego zapisanie papierowej dokumentacji do PDF-u nie oznacza jeszcze stworzenia przeszukiwalnego archiwum. Można to łatwo sprawdzić. Wystarczy otworzyć skan i spróbować zaznaczyć jedno zdanie albo wyszukać widoczne na stronie nazwisko. Jeżeli program nie znajduje słowa, mimo że można je przeczytać na ekranie, dokument najprawdopodobniej nie ma warstwy tekstowej.

Człowiek patrzy na obraz strony i rozpoznaje litery. Komputer widzi układ pikseli. Dopiero przekształcenie tych znaków w tekst sprawia, że można wykorzystać wyszukiwarkę, indeksować zawartość dokumentów i znajdować informacje zapisane wewnątrz pliku. Do tego służy OCR.

OCR, czyli optyczne rozpoznawanie znaków, analizuje obraz strony i rozpoznaje znajdujące się na niej litery, cyfry oraz inne znaki. Dzięki temu zeskanowany dokument ze szkolnego archiwum może otrzymać warstwę tekstową, zachowując jednocześnie wygląd papierowego oryginału.

Efektem może być przeszukiwalny PDF. Jeżeli szkoła ma 300 zeskanowanych protokołów zapisanych wyłącznie jako obrazy, znalezienie konkretnego nazwiska nadal wymaga wiedzy, w którym pliku go szukać, albo otwierania kolejnych dokumentów. Po zastosowaniu OCR można wyszukać nazwisko, datę, numer dokumentu czy charakterystyczny fragment treści.

To właśnie rozpoznawanie tekstu zmienia katalog obrazów w zasób, który można przeszukiwać również po zawartości dokumentów. Logiczna struktura folderów i właściwe nazwy plików nadal są potrzebne, ale nie są już jedynym sposobem dotarcia do informacji.

OCR nie jest przy tym procesem całkowicie bezbłędnym. Problemy mogą sprawiać niewyraźne kopie, uszkodzony druk, pieczęcie nachodzące na tekst, odręczne dopiski czy nietypowy układ strony. Dlatego po rozpoznaniu warto przeprowadzić kontrolę jakości: sprawdzić kompletność stron oraz przetestować wyszukiwanie kilku nazwisk, dat lub innych charakterystycznych fraz.

Gotowe pliki należy również przechowywać w uporządkowanej strukturze i objąć odpowiednimi zasadami dostępu. Cyfrowe archiwum dokumentów nie powinno oznaczać po prostu przeniesienia zawartości zamkniętej szafy do folderu sieciowego dostępnego dla wszystkich. Trzeba określić, kto może korzystać z poszczególnych zasobów, oraz zadbać o wykonywanie kopii zapasowych.

Do etapu rozpoznawania tekstu można wykorzystać ABBYY FineReader PDF. Program stosuje OCR do papierowych dokumentów, skanów i obrazowych plików PDF, umożliwiając tworzenie przeszukiwalnych dokumentów. Producent wskazuje również obsługę formatów PDF/A, w tym PDF/A-1–PDF/A-3, wykorzystywanych do długoterminowego przechowywania dokumentacji.

W praktyce przygotowany skan można poddać rozpoznawaniu tekstu, a następnie wyszukiwać w nim potrzebne słowa i frazy. Oprogramowanie może więc obsłużyć konkretny etap całego procesu: przejście od obrazu strony do dokumentu, którego zawartość da się przeszukiwać.

Digitalizacja dokumentacji szkolnej nie kończy się na wykonaniu skanów. Sam PDF zawierający obraz kartki może być niewiele wygodniejszy od papieru, jeśli nadal trzeba otwierać kolejne pliki i przeglądać je strona po stronie.

Proces powinien prowadzić od inwentaryzacji i przygotowania dokumentów, przez skanowanie i OCR, po kontrolę jakości oraz uporządkowanie i zabezpieczenie plików. Dopiero połączenie tych elementów zmienia segregatory w przeszukiwalne archiwum, w którym potrzebną informację można znaleźć po treści, a nie tylko po nazwie dokumentu.

Artykuł sponsorowany