沒(méi)有全文數(shù)字庫(kù)還是不是好的數(shù)字檔案館？

數(shù)字檔案館指檔案收集、處理、存儲(chǔ)、查詢等檔案管理活動(dòng)的數(shù)字化、電子化、網(wǎng)絡(luò)化，即虛擬檔案。它是基于計(jì)算機(jī)網(wǎng)絡(luò)技術(shù)、數(shù)據(jù)庫(kù)技術(shù)以及多媒體技術(shù)的發(fā)展而產(chǎn)生的新型檔案館。數(shù)字檔案館是一個(gè)數(shù)字化的信息系統(tǒng)，它把分散于不同載體不同地理位置的信息資源以數(shù)字化的形式存貯，以網(wǎng)絡(luò)方式互相聯(lián)結(jié)，從而提供及時(shí)利用，實(shí)現(xiàn)資源共享。

全文數(shù)據(jù)庫(kù)建設(shè)的問(wèn)題

在實(shí)際中有一種讓人說(shuō)不清的現(xiàn)象，就是建設(shè)數(shù)字檔案館中，并不十分關(guān)注檔案全文數(shù)據(jù)庫(kù)建設(shè)的問(wèn)題，其表現(xiàn)：

1.忽略檔案全文數(shù)據(jù)庫(kù)建設(shè)

一是忽略檔案全文數(shù)據(jù)庫(kù)建設(shè)。如國(guó)家檔案局的《數(shù)字檔案館建設(shè)指南》雖然指出：“數(shù)字檔案資源建設(shè)是數(shù)字檔案館建設(shè)的核心內(nèi)容”，但是，在整部《數(shù)字檔案館建設(shè)指南》中沒(méi)有提及檔案全文數(shù)據(jù)庫(kù)建設(shè)的問(wèn)題，根本沒(méi)有對(duì)檔案全文數(shù)據(jù)庫(kù)建設(shè)的要求。在國(guó)家檔案局《數(shù)字檔案館系統(tǒng)測(cè)試辦法》中也同樣沒(méi)有提及檔案全文數(shù)據(jù)庫(kù)的問(wèn)題，也沒(méi)有對(duì)檔案全文數(shù)據(jù)庫(kù)建設(shè)的要求，而僅僅有對(duì)檔案目錄數(shù)據(jù)庫(kù)的要求。

2.忽略檔案全文數(shù)據(jù)庫(kù)建設(shè)

二是誤讀檔案全文數(shù)據(jù)庫(kù)。在許多數(shù)字檔案館建設(shè)的地方，大都稱已建立了檔案全文數(shù)據(jù)庫(kù)，但是，也不知是不理解什么是檔案全文數(shù)據(jù)庫(kù)，還是誤解檔案全文數(shù)據(jù)庫(kù)，實(shí)際并沒(méi)有建立檔案全文數(shù)據(jù)庫(kù)，而是將檔案全文掃描圖像誤認(rèn)為是檔案全文數(shù)據(jù)庫(kù)。實(shí)際只是對(duì)檔案原文進(jìn)行圖像數(shù)字化掃描，生成的只是一幅幅圖像，并不能對(duì)其內(nèi)容進(jìn)行直接檢索，而是通過(guò)掛接到檔案目錄數(shù)據(jù)庫(kù)，靠檢索檔案目錄來(lái)指引查閱檔案原文。這種現(xiàn)象從一些地方數(shù)字檔案館的建設(shè)費(fèi)用上就可以看出來(lái)。例如，一個(gè)通過(guò)國(guó)家示范數(shù)字檔案館測(cè)試的檔案館，共投資560萬(wàn)元，包括機(jī)房、軟硬件平臺(tái)、數(shù)字檔案館管理軟件、“加工檔案96779卷，建成了159萬(wàn)條目錄數(shù)據(jù)庫(kù)、1085萬(wàn)頁(yè)全文數(shù)據(jù)庫(kù)、36027張照片數(shù)據(jù)庫(kù)、11160分鐘的多媒體數(shù)據(jù)庫(kù)，12809條圖書(shū)資料目錄數(shù)據(jù)庫(kù)”等。一般加工一頁(yè)全文檔案（掃描、文字識(shí)別、校對(duì)）至少1元，而且年代越遠(yuǎn)的檔案其加工成本會(huì)更高。那么，僅1085萬(wàn)頁(yè)全文就需要資金1085萬(wàn)，僅此一項(xiàng)幾乎是總投資2倍。所以，可以肯定其不是全文數(shù)據(jù)庫(kù)，而只是全文圖像數(shù)據(jù)庫(kù)，也就是無(wú)法進(jìn)行檔案全文檢索的檔案信息。

3.對(duì)檔案全文數(shù)據(jù)庫(kù)文字識(shí)別的標(biāo)準(zhǔn)問(wèn)題

三是對(duì)檔案全文數(shù)據(jù)庫(kù)文字識(shí)別的標(biāo)準(zhǔn)問(wèn)題。對(duì)于檔案全文數(shù)據(jù)庫(kù)最基礎(chǔ)的紙質(zhì)檔案資源的數(shù)字化加工，檔案行業(yè)標(biāo)準(zhǔn)《紙質(zhì)檔案數(shù)字化技術(shù)規(guī)范》（DA/T31—2017）根本沒(méi)有有關(guān)檔案全文文字識(shí)別的問(wèn)題，該規(guī)范只對(duì)紙質(zhì)檔案數(shù)字化掃描圖像的分辨率做了規(guī)定。也就是對(duì)于檔案全文的數(shù)字化文字識(shí)別的問(wèn)題根本沒(méi)有標(biāo)準(zhǔn)。對(duì)于文字識(shí)別率的問(wèn)題，有專家認(rèn)為：“識(shí)別率一般達(dá)到90%以上，已經(jīng)基本滿足檔案全文檢索的需要了。有的人片面追求識(shí)別率，一定要求識(shí)別率達(dá)到98%-99%的，反復(fù)校對(duì)，實(shí)際上是浪費(fèi)人力物力。”實(shí)際90%的識(shí)別率對(duì)檔案全文檢索還是有相當(dāng)影響的，達(dá)到98%-99%可能有些要求高，至少應(yīng)該在95-98%以內(nèi)。但是，OCR只能對(duì)現(xiàn)代正規(guī)的打印體識(shí)別率較高，對(duì)于手寫體、鋼板刻字以及打字機(jī)打字蠟紙油印的字體的識(shí)別率并不高，特別是前兩者。至于豎版的檔案就更別說(shuō)了。而在市縣級(jí)檔案館保存的檔案中，現(xiàn)代正規(guī)的打印體的并不多，大部分都是后者。就像計(jì)算機(jī)的普及一樣，先省后市，然后才是縣鄉(xiāng)，先經(jīng)濟(jì)發(fā)達(dá)地方，后經(jīng)濟(jì)落后地方，從手寫到鋼板刻字再到打字機(jī)打字，也是如此。

近日，知識(shí)管理專家會(huì)博通“知識(shí)檢索功能”及“百度OCR”功能上線，將以更前沿的技術(shù)手段，更便捷的檔案數(shù)字化管理方式，提升對(duì)全文數(shù)字庫(kù)的管理，從而提升數(shù)字檔案館的管理效益。