浅析汉字识别技术在档案管理应用.pdfVIP

第六次华北地区档案学会学术讨论会论文集 浅析汉字识别技术在档案管理中的应用 特古斯朝克图 内容摘要汉字识别技术在档案管理工作和办公自动化的应 用是不可忽略的。汉字识别技术的应用价值和方式，根据目前的 技术水平主要适用于近几十年来印刷汉字档案内容的识别、图像、 文本数据的形成，存储和目录数的录入等项技术。 一、汉字识别技术的应用价值 汉字识别技术(简称OCR)可以理解为是让计算机认字的技 术。它通过光电信号转换，即文本数据。汉字识别技术的应用价 值主要体现在两个方面： (一)把纸质档案的固定信息变成可以被检索利用的活信息， 为文本数据管理技术提供丰富的数据源 首先，从库存档案的情况来看，近几十年来形成的大量印刷汉 字档案记载了党和国家的重要历史信息资源，对我国现代化事业 的发展、精神文明和物质文明的建设都有着非常重要的利用价值。 但这部分档案的内容都没有文本数据，或者说是固定在纸质载体 上的死信息。即使通过扫描以图像方式存储：于计算机中，检索利 用也有不便之处，难以满足现代化社会对档案信息的多种利用需 求。其次，从办公自动化的发展趋势来看，每年接收的档案中仍然 会有相当数量的档案没有文本文件，或为外单位来文，或丢失损坏 等。汉字识别技术的应用价值就是使这两大部分纸质档案固定信 息变成可以被检索利用的活信息，为全文检索提供数据，使深层次 一】64— 第二部分档案资源与档案信息化建设 的开发利用成为可能，更好地为现代化建设事业服务。 (二)提供一种新的档案目录数据的录入方式 应用计算机以来，汉字录入只有一种方式，即键盘录入。虽然 目前汉字键盘录人的方法有许多种，而且日趋简便快捷，已是年轻 人必备的职业技能，但是它毕竟属于一种技能，不仅需要反应灵 敏，手指灵活，而且要熟记录入的原则、方法和要领。这对于在档 案部门占有相当比例的中老年人员来说，掌握起来确有难度。因 此，键盘录入方式仍然是影响一些档案部门建立档案目录信息数 据库的因素之一。OCR软件为我们提供了一条新的途径。它通 过“拖拉”的方式，将屏幕上文件的目录项，如标题、文号、责任者 等直接移植到档案目录数据库的相应字段中，简单易学，一看就 会。遗憾的是手工“拖拉”速度较慢，而且需要即时扫描或调用图 像数据，所以单一利用这种方式录入档案目录，速度不及熟练录入 员的键入速度。但它毕竟是一种新的录入方式，为建立档案目录 信息数据库提供了一条前所未有的途径。如果利用OCR软件同 时建立新型的综合档案信息数据库，例如包括档案的文件目录、图 像和文本等，效果就比较理想了。 、 二、汉字识别后生成的文本数据的属性问题 原始性是档案的基本属性。汉字识别后生成的文本数据是根 据档案的本源信息，即固定在纸质载体上的汉字信息进行加工处 理：即扫描、识别、校对、修改等工序后形成的复制加工品，因此不 具有档案的原始性。 知识性是档案的又一个属性。汉字识别后生成的文本数据如 果不计算人工校对后仍然可能存在的微小误差，应该说具有与档 案原件同等的内容，因此具有档案的知识性。 、 汉字识别后生成的文本数据是将档案的内容以特殊的物理方 式重新记录在特殊的载体之上，比以文字的方式记录在纸质载体 之上更具有便于传递、接收、存储、利用以及不磨损、不丢失等属 一165— 第六次华北地区档案学会学术讨论会论文集 性。因此具有更强的信息性。 汉字识别后生成的文本数据应该说，它是一种新型的档案一 次信息的复制品或开发的编研成果。但作为一种新型的复制品或 开发的编研成果，因其生成的目的不同，又具有两种不同的属性； 当以提供利用为目的通过汉字识别建立文本数据库时，其文本数 据具有类似于汇编类档案编研成果的属性；当以编辑出版纸质的 档案编研成果，如大事记、组织机构沿革、文件汇编等为目的进行 汉字识别时j其文本数据不仅具有类似于档案编研成果的属性，而 且具有档案原始性的基本属性，因为它们是印刷品或出版物的本 源信息。