Ahmed BEN SALAH

L’objectif du projet est de permettre à la Bibliothèque nationale de France, au terme du plan triennal 2010-2012, d’implémenter un outil de contrôle innovant des fichiers résultats de la reconnaissance optique de caractères (OCR) produits dans le cadre des opérations de numérisation. Les volumes croissants de fichiers numériques traités via des logiciels d’OCR rendent en effet nécessaires la maîtrise par la BnF du niveau de qualité des données OCR livrées.

Des études d'audit ont relevé les insuffisances de l’opération de contrôle de l’OCR par manque d’outils de vérification automatique et par incapacité à déterminer les vrais taux d’erreur dans les documents livrés par les prestataires. Des vérifications automatiques des résultats de l’OCR (présence des éléments manquants non détectés par l’OCR ; exactitude des mots reconnus) ont été menées et un outil d’appui pour l’évaluation a été construit dans le cadre de ce projet. Il permet de suivre les modifications apportées à deux versions d’un fichier ALTO, d’effectuer des contrôles manuels sur les résultats de l’OCR et de fournir les moyens du calcul des performances du système de vérification de l’OCR. Au terme de cette recherche, la BnF devrait disposer des moyens de procéder à une vérification automatique des résultats de l’OCR, de déterminer des zones d’échecs potentiels, d’estimer le taux de reconnaissance réel, de définir des métriques pour évaluer la qualité des documents numériques et permettre au service de numérisation de définir une nouvelle norme de contrôle.