كيف تختبر OCR العربي قبل شراء نظام الأرشفة؟

هذه المقالة لفريق التقييم الذي يقارن أنظمة الأرشفة وعنده أرشيف ممسوح أو وارد ورقي يومي. تشرح كيف تجمع عينة الاختبار، وكيف تجهز مفتاح الإجابة، وكيف تسجل النتائج وتقرؤها، وما الذي تطلبه من كل مورد حتى تكون المقارنة عادلة. أما الفرق بين أنواع الملفات نفسها (PDF النصي والممسوح والصور وملفات Office) فله مقالة مستقلة عن البحث داخل PDF والصور.

ماذا تقيس بالضبط: نسخ النص أم الوصول إلى الوثيقة؟

يستخدم المتخصصون عادة مقياسين لدقة القراءة الآلية: نسبة الخطأ في الحروف، ونسبة الخطأ في الكلمات. المقياسان مفيدان لفريق تقني يقارن محركات القراءة، لكنهما لا يجيبان مباشرة عن سؤال مشتري نظام الأرشفة. فالموظف لا يقرأ النص المستخرج سطرًا سطرًا، بل يكتب كلمة في مربع البحث وينتظر أن تظهر الوثيقة.

لذلك نقترح أن يكون المقياس الرئيسي في اختبارك نسبة الوصول بالكلمة المفتاحية: من بين الكلمات التي حددتها مسبقًا في كل صفحة، كم كلمة يصل بها البحث إلى الصفحة الصحيحة؟ هذا المقياس:

• يقيس الأثر لا الشكل: خطأ في حرف داخل كلمة ربط مثل «على» لا يضر، أما خطأ في اسم المورد أو رقم العقد فيجعل الوثيقة مفقودة عمليًا.
• يمكن لغير التقنيين تنفيذه: موظف الأرشيف يستطيع البحث وتسجيل «وُجدت» أو «لم توجد» دون أدوات مقارنة نصوص.
• يختبر السلسلة كلها: القراءة، ثم دخول النص في فهرس البحث، ثم مطابقة الصيغ العربية، ثم فتح الأصل على موضع الكلمة.

وإن كان في فريقك من يريد قياسًا أدق، فأضف مقياسًا ثانويًا على عدد محدود من الصفحات: انسخ نص الصفحة يدويًا نسخًا صحيحًا، وقارنه بالنص الذي استخرجه النظام، واحسب عدد الحروف المحذوفة والمضافة والمستبدلة منسوبًا إلى عدد حروف النص الصحيح. هذا يكشف نمط الأخطاء، مثل الخلط بين الحروف المتشابهة في النقاط، لكنه يستهلك وقتًا كبيرًا، فلا تجعله أساس القرار.

كيف تبني عينة الاختبار من وثائق جهتك

العينة هي نصف الاختبار. عينة كلها صفحات نظيفة ستعطي كل الموردين نتائج مرتفعة متقاربة، وعينة كلها صفحات تالفة ستظلم الجميع. المطلوب عينة تمثل أرشيفكم الفعلي، مع حالات صعبة كافية لتكشف الفروق. ابدأ بحصر سريع لأنواع الوثائق التي ستمر على القراءة الآلية، ثم وزّع الصفحات على الفئات التالية.

كم صفحة تحتاج؟

لا يوجد رقم قياسي ملزم. القاعدة العملية أن تكفي العينة لتقول شيئًا عن كل فئة، وأن يستطيع فريقك تجهيز مفتاح إجابتها في أيام لا أسابيع. عدد من الصفحات في كل فئة، مع بضع كلمات مفتاحية لكل صفحة، يعطيك عشرات الكلمات لكل فئة، وهذا يكفي للمقارنة بين الموردين. وأمامك طريقتان: أن توزع الصفحات بالتساوي على الفئات لتقارن الموردين في كل فئة، ثم تزن النتائج بنصيب كل فئة من أرشيفكم كما في المثال أدناه، أو أن توزعها بنسبة كل فئة من الأرشيف مباشرة. الطريقة الأولى أوضح في كشف الفروق.

قواعد اختيار الصفحات

• من الأرشيف الفعلي كما هو: لا تُعد مسح الصفحات بجودة أعلى من جودة أرشيفكم، ولا تنظفها. إن كان الأرشيف ممسوحًا منذ سنوات بإعدادات ضعيفة، فهذا ما سيعالجه النظام.
• ومن الوارد اليومي بإعدادات ماسحكم: أضف صفحات تمسحونها الآن بالماسح والإعدادات التي ستستخدمونها بعد التشغيل. هذا يفصل مشكلة الأرشيف القديم عن مشكلة الإدخال اليومي. وتفصيل ضبط جودة المسح نفسه تجده في مقالة اختبار جودة المسح الضوئي قبل قبول الدفعات.
• صفحات كاملة لا مقتطفات: اختر الصفحة كما هي بترويستها وختمها وتذييلها، فالتداخل بين هذه العناصر جزء من الاختبار.
• مع مراعاة السرية: استبعد الوثائق شديدة الحساسية، أو احجب منها ما لا يلزم، ووقّع مع كل مورد اتفاقية سرية قبل تسليم العينة. ويمكن أن يُطلب إجراء الاختبار داخل بيئة الجهة إن كانت الوثائق لا تخرج منها.

جهّز مفتاح الإجابة قبل أن تسلّم العينة

مفتاح الإجابة هو جدول بالكلمات التي ستبحث بها، ومكان كل كلمة. جهّزه أنت، واحتفظ به داخل فريق التقييم، ولا تسلمه للموردين. فالمورد الذي يعرف الكلمات مسبقًا قد يصحح مواضعها يدويًا، بقصد أو بغير قصد.

1. رقّم الصفحات ترقيمًا محايدًا

   أعطِ كل صفحة رمزًا مثل S-01 وS-02، وسجل في جدول منفصل فئتها ومصدرها. لا تجعل اسم الملف يكشف فئته أو محتواه.

   منسق الاختبار
2. اختر الكلمات من أنواع مختلفة

   في كل صفحة اختر كلمات تمثل ما يبحث به الموظفون فعلًا: اسم علم (شخص أو جهة أو شركة)، ورقم (خطاب أو عقد أو فاتورة)، وتاريخ، وعبارة موضوعية من المتن، وكلمة واقعة في منطقة صعبة كتحت ختم أو داخل جدول. استعن بموظفي الإدارة المالكة للوثائق في الاختيار، فهم يعرفون ما يبحثون عنه.

   ممثل الإدارة ومسؤول الأرشيف
3. اكتب الكلمة كما وردت في الأصل

   سجل الكلمة بإملائها في الوثيقة نفسها، بهمزتها وتائها المربوطة، وبنوع أرقامها (مشرقية أو لاتينية). وسجل بجوارها الصيغة التي يكتبها الموظف عادة عند البحث إن كانت مختلفة.

   منسق الاختبار
4. تجنب الكلمات التي لا تميّز

   كلمة مثل «المملكة» أو «الموضوع» تظهر في أغلب الصفحات، فوجودها في النتائج لا يثبت شيئًا. اختر كلمات تجعل الصفحة المطلوبة ضمن عدد محدود من النتائج.

   فريق التقييم
5. ثبّت المفتاح قبل التسليم

   احفظ نسخة مؤرخة من الجدول قبل إرسال العينة. تعديل الكلمات بعد رؤية النتائج يفسد المقارنة.

   رئيس فريق التقييم

إجراء الاختبار وتسجيل النتائج

سلّم العينة نفسها لكل مورد، بالصيغ نفسها، وفي الموعد نفسه، مع تعليمات مكتوبة موحدة. ثم نفّذ البحث بنفسك، أو بحضور المورد في جلسة مسجلة، لا أن يبحث المورد ويخبرك بالنتيجة.

ما تسجله لكل كلمة

• الوصول: هل ظهرت الصفحة الصحيحة في نتائج البحث بالكلمة كما وردت في الأصل؟
• الترتيب: هل ظهرت ضمن النتائج الأولى أم دُفنت في آخر القائمة؟ سجل موضعها التقريبي.
• الموضع: هل فُتح الأصل على الموضع الذي وردت فيه الكلمة، أو على الأقل على الصفحة الصحيحة؟
• الصيغة البديلة: إن لم توجد بالصيغة الأصلية، هل وُجدت بالصيغة التي يكتبها الموظف (دون همزة مثلًا)؟ سجل ذلك منفصلًا، لأنه يقيس مطابقة البحث للصيغ العربية لا جودة القراءة.
• ملاحظة الخطأ: عند الإخفاق، افتح النص المستخرج وانظر كيف قُرئت الكلمة. نمط الخطأ يفيدك في التفسير لاحقًا.

اختبارات مصاحبة لا تدخل في نسبة الوصول

• شاشة المراجعة والتصحيح: اختر ثلاث صفحات فيها أخطاء، واطلب من موظف الأرشيف تصحيحها بنفسه. هل يرى النص بجوار الأصل؟ هل يصل إلى السطر الخاطئ بسهولة؟ وبعد الحفظ، هل يجد البحث الكلمة المصححة؟ ويمكنك الاطلاع على مراحل معالجة المستند من الاستقبال حتى المراجعة لتعرف ما يُفترض أن تراه.
• استخراج الحقول: إن كنتم ستعتمدون على تعبئة بطاقة الفهرسة من النص، فاختبر حقولًا محددة مثل رقم الفاتورة وتاريخها وقيمتها، وسجل لكل حقل: صحيح، أو يحتاج تصحيحًا، أو فارغ.
• الدفعة الكاملة: اطلب معالجة العينة كلها دفعة واحدة، وسجل الزمن الذي استغرقته في البيئة المستخدمة، ثم اسأل كيف يتغير ذلك مع حجم أرشيفكم. لا تقارن زمن مورد على خادم قوي بزمن آخر على جهاز محمول.
• الأصل لم يتغير: تحقق من أن الصورة الأصلية بقيت كما هي، وأن النص طبقة مرتبطة بها، وأن تصحيح النص لا يعدّل الأصل.

تفسير النتائج: متى تكون النسبة كافية؟

بعد التسجيل، احسب نسبة الوصول لكل فئة: عدد الكلمات التي وُجدت مقسومًا على عدد كلمات الفئة. ثم اقرأ الأرقام معًا، لا كلًا على حدة.

جهة افتراضية بنت عينة من 40 صفحة، خمس صفحات في كل فئة من الفئات الثماني، وثماني كلمات مفتاحية لكل صفحة. فأصبح لكل فئة 40 كلمة، وللعينة كلها 320 كلمة. وقدّرت الجهة نصيب كل فئة من أرشيفها بالحصر السريع.

ثلاث قراءات للرقم نفسه

• المتوسط الخام مضلل: نسبة 71% تبدو ضعيفة، لكن العينة بُنيت بفئات متساوية عمدًا لتكشف الحالات الصعبة، فصارت الفئات السبع غير النظيفة سبعة أثمان العينة، بينما لا تمثل في أرشيف الجهة إلا نصفه.
• المتوسط الموزون أقرب إلى الواقع: قدّرت الجهة أن المطبوع الحديث 50% من أرشيفها، والقديم الباهت 15%، والأختام 10%، والجداول 10%، والجودة المنخفضة 5%، وثنائي اللغة 5%، والمكتوب باليد 3%، والخلفيات 2%. بضرب نسبة كل فئة في نصيبها وجمع النتائج يصبح التقدير نحو 84%. هذا تقدير لما سيجده الموظف في الأرشيف كله، بشرط أن يكون الحصر صحيحًا.
• الفئة الحرجة أهم من المتوسطين: إن كانت أكثر عمليات البحث لديكم تقع على الخطابات الواردة المختومة، فنسبة الفئة الرابعة هي التي تحكم الرضا اليومي، مهما كان المتوسط.

كيف تفسر الإخفاقات

صنّف الكلمات التي لم توجد بحسب نوعها. إخفاق في عبارة موضوعية قد يعوّضه البحث بعبارة أخرى من الوثيقة نفسها. أما إخفاق في الأرقام المرجعية وأسماء الجهات فأخطر، لأنها المفاتيح التي يبحث بها الموظفون أكثر من غيرها. وإن تكرر الخطأ في نمط واحد، مثل الخلط بين الأرقام المشرقية واللاتينية أو قراءة التاريخ الهجري معكوسًا، فاسأل المورد إن كان قابلًا للمعالجة بالإعدادات.

ولا تعامل نتيجة المكتوب باليد كعيب يستبعد النظام. القراءة الآلية للخط اليدوي العربي محدودة عمومًا، والمهم أن يعترف المورد بذلك، وأن تكون خطة البحث في هذه الوثائق قائمة على بطاقة الفهرسة والعوامل التي تؤثر في دقة القراءة. العلامة المقلقة هي المورد الذي يعد بقراءة المكتوب باليد بالدقة نفسها للمطبوع.

المقارنة بين موردين

إن كان الفرق بين موردين كبيرًا في فئة مهمة، فهو فرق حقيقي. أما الفرق الصغير في المتوسط فقد تغيّره صفحة أو صفحتان، فلا تجعله يحسم الاختيار وحده. في هذه الحالة انظر إلى ما بعد القراءة: سهولة التصحيح، وفتح الأصل على الموضع، ومطابقة الصيغ العربية، ومكان المعالجة. وضع نتيجة الاختبار في موضعها من مصفوفة التقييم إلى جانب بقية المعايير التي في دليل المعايير الاثني عشر قبل التعاقد.

ما تطلبه من المورد كتابةً قبل الاختبار

أرسل هذه الشروط مع العينة، واطلب الموافقة عليها كتابيًا. توحيد الشروط هو ما يجعل النتائج قابلة للمقارنة.

1. معالجة العينة بالإصدار نفسه الذي سيُسلّم لكم، لا بنسخة تجريبية أو أداة منفصلة عن النظام.
2. المعالجة في بيئة تشبه بيئة التشغيل المقترحة، وبيان مكانها. فإن كان التشغيل على خوادم الجهة، فالقراءة يجب أن تعمل هناك دون خدمة خارجية.
3. تسليم النص المستخرج الخام لكل صفحة قبل أي تصحيح بشري، مع إقرار بأنه لم يُعدَّل يدويًا.
4. بيان الإعدادات المستخدمة: اللغات المفعلة، ومعالجة الصورة، وأي قاموس أو تهيئة خاصة، حتى تعرفوا إن كانت ستتوفر لكم في التشغيل.
5. بيان صيغ الملفات المقبولة، وحد حجم الملف أو عدد الصفحات إن وُجد.
6. بيان طريقة التعامل مع الصفحات التي تفشل قراءتها: هل تُعلَّم؟ هل تظهر في تقرير؟ هل يُعاد معالجتها؟
7. إتلاف العينة أو إعادتها بعد الاختبار، وفق اتفاقية السرية.

أخطاء تفسد اختبار OCR

• الاختبار على عينة المورد: الوثائق التي يجهزها المورد مختارة لتنجح. اطلب العرض على وثائقكم دائمًا.
• الحكم بالعين على النص المعروض: نص يبدو سليمًا في لمحة قد يحمل أخطاء في النقاط تمنع البحث. الحكم يكون بالبحث الفعلي بالكلمة.
• خلط القراءة بمطابقة البحث: إن وجد البحث «تامين» عند البحث عن «تأمين»، فهذه ميزة في البحث لا دليل على صحة القراءة. سجل الأمرين منفصلين كما في ورقة التسجيل، واقرأ عن مطابقة البحث للصيغ العربية لتعرف ما يُتوقع.
• نسيان الأرقام: أغلب البحث الفعلي يكون برقم خطاب أو عقد أو فاتورة. عينة بلا أرقام وتواريخ تتجاهل أهم ما يبحث به الموظف.
• تجاهل ما بعد القراءة: نظام يقرأ جيدًا ولا يتيح تصحيح الخطأ، أو لا يدخل التصحيح في البحث، سيترك أخطاءه في الأرشيف إلى الأبد.
• اختبار مرة واحدة ثم التوقف: احتفظ بالعينة ومفتاحها. ستحتاجهما عند قبول النظام بعد التنفيذ، وعند كل تحديث رئيسي لمحرك القراءة، للتأكد من أن النتائج لم تتراجع.

كيف تقيس جودة نتائج البحث في الأرشيف على عينة ممثلة؟

الخطوة التالية: اجعل العينة جزءًا من العرض التوضيحي

بعد أن تجهز العينة ومفتاح الإجابة، لا تكتفِ بإرسالها بالبريد. اجعل جزءًا منها مشهدًا ثابتًا في العرض التوضيحي لكل مورد: صفحة مختومة، وجدول، ورقم مرجعي، وبحث تنفذه أنت أمام الجميع. وطريقة بناء هذا المشهد ضمن سيناريو العرض كاملًا تجدها في مقالة تقييم العرض التوضيحي لنظام إدارة الوثائق.

وإن أردت أن ترى النتيجة على وثائقكم مع نظامنا، فجهّز عينة من فئات هذا الدليل، ثم اطلب تجربة البحث على نموذج من مستنداتكم. نعالج العينة، ونبحث أمامكم بكلماتكم، ونعرض النص المستخرج بجوار الأصل ليقيّمه فريقكم بنفسه.

أسئلة شائعة