เอกสารผลสลากกับ OCR: เมื่อข้อความค้นหาไม่ตรงกับภาพ

ข้อความที่ค้นหาได้ในเอกสารสแกนอาจไม่ตรงกับตัวอักษรที่มองเห็นบนกระดาษทุกตำแหน่ง สำหรับเอกสารผลสลาก ความต่างเล็ก ๆ ไม่ควรถูกกลบด้วยการเดา บทความนี้อธิบายข้อจำกัดของ OCR และการเขียนหมายเหตุว่าอ่านไม่ชัด ยังไม่ได้ตรวจ หรือยืนยันจากต้นทางแล้ว

ภาพเอกสารกับชั้นข้อความ

OCR คือกระบวนการแปลงลักษณะตัวอักษรในภาพเป็นข้อความที่คอมพิวเตอร์นำไปค้นหรือคัดลอกได้ ไฟล์หนึ่งจึงอาจมีทั้งภาพหน้ากระดาษและข้อความที่ระบบอ่านจากภาพ การเลือกข้อความได้ไม่ได้แปลว่ามีคนตรวจทุกตัวแล้ว และภาพที่ดูอ่านง่ายสำหรับคนก็ไม่รับรองว่าชั้นข้อความถูกต้องทั้งหมด

บทความของ Library of Congress อธิบายการปรับปรุง OCR ของหนังสือพิมพ์เก่าเพื่อช่วยการค้นหา พร้อมระบุข้อจำกัดจากสภาพต้นฉบับ คุณภาพไมโครฟิล์ม คอลัมน์แคบ และตัวอักษรเล็ก แหล่งนี้ศึกษาหนังสือพิมพ์ ไม่ได้ประเมินเอกสารผลสลากไทย แต่แสดงเหตุผลว่าทำไมข้อความอัตโนมัติจึงต้องมีขอบเขตการใช้งาน อ่านเรื่องการปรับปรุง OCR จาก Library of Congress

เมื่อนำแนวคิดมาอ่านเอกสารชนิดอื่น สิ่งที่ยืมมาได้คือความระมัดระวังต่อการแปลงข้อมูล ไม่ใช่อัตราความผิดพลาดเฉพาะระบบ เราไม่สามารถใช้ประสบการณ์จากคลังหนังสือพิมพ์ไปประกาศว่าไฟล์ใดในอีกเว็บไซต์ผิดแน่นอน

ค้นไม่พบยังไม่แปลว่าไม่มี

ลองใช้รหัสแฟ้มสมมติ “F017” หากชั้นข้อความอ่านอักษรหนึ่งเป็น “F0I7” การค้นด้วยรหัสเดิมอาจไม่พบ แม้คนมองภาพจะยังเห็นสิ่งที่ต้องการ ตัวอย่างนี้เป็นรหัสเอกสารสมมติ ไม่ใช่เลขสลากหรือผลรางวัล จุดสำคัญคือคำค้นถูกเทียบกับข้อความที่ระบบมี ไม่ได้อ่านภาพใหม่แทนเราทุกครั้ง

การค้นไม่พบอาจเกิดจากหลายเหตุ เช่น ไม่มีข้อความชั้นนั้น ข้อความถูกแบ่งบรรทัด หรืออักขระอ่านต่างกัน จึงควรเขียนว่า “ไม่พบจากคำค้นนี้” ก่อนเขียนว่า “ไม่มีในเอกสาร” ข้อความแรกบอกผลการทำงานที่เกิดขึ้นจริง ส่วนข้อความหลังอ้างครอบคลุมทั้งเอกสารมากกว่า

ในทางกลับกัน การค้นเจอก็ยังต้องดูบริบท ผลลัพธ์อาจอยู่ในหมายเหตุ หัวตาราง หรือเอกสารแนบที่ไม่ใช่รายการที่กำลังตรวจ การปรากฏของตัวอักษรชุดเดียวกันไม่ทำให้ประเภทข้อมูลและความหมายตรงกันโดยอัตโนมัติ

แยกชนิดของความไม่แน่นอน

“อ่านไม่ชัด” หมายถึงมองภาพแล้วไม่สามารถแยกอักขระได้ “ยังไม่ได้ตรวจ” หมายถึงข้อความอาจชัด แต่ยังไม่มีการเทียบต้นทาง และ “ข้อมูลไม่ตรงกัน” หมายถึงพบความแตกต่างระหว่างสองฉบับ ทั้งสามสถานะต้องการการติดตามคนละแบบ จึงไม่ควรรวมเป็นคำว่าผิดทั้งหมด

หากกระดาษขาดจนตัวอักษรหาย การขยายภาพอาจไม่ได้ทำให้รายละเอียดที่หายกลับมา การเติมจากสิ่งที่คาดว่าควรอยู่ตรงนั้นสร้างข้อความใหม่ ควรเก็บช่องว่างหรือคำกำกับว่าอ่านไม่ได้ไว้ แทนการทำให้สำเนาดูสมบูรณ์แต่ไม่ตรงหลักฐาน

เช่นเดียวกัน คะแนนความมั่นใจที่ซอฟต์แวร์บางตัวแสดงเป็นข้อมูลจากระบบนั้น ไม่ใช่หลักฐานอิสระยืนยันตัวอักษร การใช้งานจริงต้องรู้ว่าคะแนนหมายถึงอะไร และไม่เปลี่ยนคะแนนให้เป็นคำรับรองที่คู่มือไม่ได้อธิบายไว้

เปรียบเทียบอาการที่ต้องตรวจ

ตารางนี้เสนอภาษาบันทึกการตรวจเอกสาร ไม่แสดงผลรางวัล และไม่ใช้ตัดสินสิทธิ์เกี่ยวกับสลาก

บันทึกตำแหน่งที่ต้องตรวจด้วยชื่อส่วนหรือเลขหน้าเมื่อมี จะช่วยให้คนอื่นทบทวนได้โดยไม่ต้องเริ่มค้นทั้งไฟล์ใหม่ ไม่จำเป็นต้องคัดลอกเอกสารทั้งชุดหรือข้อมูลส่วนบุคคลที่ไม่เกี่ยวข้องมาประกอบข้อสงสัย

ยืนยันจากต้นทางโดยไม่เติมช่องว่าง

สำหรับข้อมูลผลสลากไทย ให้ใช้ข้อมูลของสำนักงานสลากกินแบ่งรัฐบาลเป็นจุดตรวจต้นทาง และตรวจปี งวด และประเภทข้อมูลให้ตรงกัน หน้าแสดงผลทางการเองมีคำชี้แจงเรื่องความคลาดเคลื่อนของข้อมูลออนไลน์ จึงไม่ควรยกระดับสำเนา OCR ให้เหนือกว่าเอกสารหรือคำยืนยันจากต้นทาง ตรวจแหล่งข้อมูลผลรางวัลของสำนักงานสลากกินแบ่งรัฐบาล

หากยังยืนยันไม่ได้ ให้รายงานว่าประเด็นใดค้างอยู่โดยไม่เผยแพร่ตัวเลขที่เดาขึ้น การเก็บความไม่แน่นอนเป็นข้อมูลทำให้การแก้ไขภายหลังตรงจุดกว่า และไม่ทำให้ผู้อ่านคนถัดไปเข้าใจว่าข้อความผ่านการตรวจแล้ว

อ่านหลักที่สัมพันธ์กันใน ตัวเลขและความละเอียดของการรายงาน และ ภาพกับข้อกล่าวอ้างที่อยู่นอกกรอบ บทความ gana928 นี้ไม่มีการจำหน่าย คาดการณ์ หรือแนะนำหมายเลข

คำถามที่พบบ่อย

ข้อความจาก OCR ใช้อ้างอิงได้เลยหรือไม่

ควรตรวจส่วนที่กำลังอ้างกับภาพและแหล่งต้นทางก่อน โดยเฉพาะข้อมูลที่ตัวอักษรเดียวเปลี่ยนความหมาย หากยังตรวจไม่ครบ ให้ระบุสถานะตามจริง

ผลค้นหาว่างพิสูจน์ว่าไม่มีข้อความนั้นหรือไม่

ไม่เสมอไป ผลค้นหาขึ้นกับชั้นข้อความ คำค้น และขอบเขตที่ระบบค้นได้ จึงต้องแยกผลการค้นจากข้อสรุปเกี่ยวกับเอกสารทั้งหมด

ควรแก้ตัวที่อ่านไม่ออกให้เหมือนรายการข้างเคียงหรือไม่

ไม่ควรใช้ความคล้ายเป็นคำยืนยัน ให้ทำเครื่องหมายว่ายังไม่ชัดและตรวจต้นทาง การคงช่องว่างไว้ตรงไปตรงมากว่าการเติมข้อความที่ไม่มีหลักฐาน