沒有全文數(shù)字庫還是不是好的數(shù)字檔案館？

數(shù)字檔案館指檔案收集、處理、存儲、查詢等檔案管理活動的數(shù)字化、電子化、網(wǎng)絡化，即虛擬檔案。它是基于計算機網(wǎng)絡技術、數(shù)據(jù)庫技術以及多媒體技術的發(fā)展而產(chǎn)生的新型檔案館。數(shù)字檔案館是一個數(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)絡方式互相聯(lián)結，從而提供及時利用，實現(xiàn)資源共享。

全文數(shù)據(jù)庫建設的問題

在實際中有一種讓人說不清的現(xiàn)象，就是建設數(shù)字檔案館中，并不十分關注檔案全文數(shù)據(jù)庫建設的問題，其表現(xiàn)：

1.忽略檔案全文數(shù)據(jù)庫建設

一是忽略檔案全文數(shù)據(jù)庫建設。如國家檔案局的《數(shù)字檔案館建設指南》雖然指出：“數(shù)字檔案資源建設是數(shù)字檔案館建設的核心內容”，但是，在整部《數(shù)字檔案館建設指南》中沒有提及檔案全文數(shù)據(jù)庫建設的問題，根本沒有對檔案全文數(shù)據(jù)庫建設的要求。在國家檔案局《數(shù)字檔案館系統(tǒng)測試辦法》中也同樣沒有提及檔案全文數(shù)據(jù)庫的問題，也沒有對檔案全文數(shù)據(jù)庫建設的要求，而僅僅有對檔案目錄數(shù)據(jù)庫的要求。

2.忽略檔案全文數(shù)據(jù)庫建設

二是誤讀檔案全文數(shù)據(jù)庫。在許多數(shù)字檔案館建設的地方，大都稱已建立了檔案全文數(shù)據(jù)庫，但是，也不知是不理解什么是檔案全文數(shù)據(jù)庫，還是誤解檔案全文數(shù)據(jù)庫，實際并沒有建立檔案全文數(shù)據(jù)庫，而是將檔案全文掃描圖像誤認為是檔案全文數(shù)據(jù)庫。實際只是對檔案原文進行圖像數(shù)字化掃描，生成的只是一幅幅圖像，并不能對其內容進行直接檢索，而是通過掛接到檔案目錄數(shù)據(jù)庫，靠檢索檔案目錄來指引查閱檔案原文。這種現(xiàn)象從一些地方數(shù)字檔案館的建設費用上就可以看出來。例如，一個通過國家示范數(shù)字檔案館測試的檔案館，共投資560萬元，包括機房、軟硬件平臺、數(shù)字檔案館管理軟件、“加工檔案96779卷，建成了159萬條目錄數(shù)據(jù)庫、1085萬頁全文數(shù)據(jù)庫、36027張照片數(shù)據(jù)庫、11160分鐘的多媒體數(shù)據(jù)庫，12809條圖書資料目錄數(shù)據(jù)庫”等。一般加工一頁全文檔案（掃描、文字識別、校對）至少1元，而且年代越遠的檔案其加工成本會更高。那么，僅1085萬頁全文就需要資金1085萬，僅此一項幾乎是總投資2倍。所以，可以肯定其不是全文數(shù)據(jù)庫，而只是全文圖像數(shù)據(jù)庫，也就是無法進行檔案全文檢索的檔案信息。

3.對檔案全文數(shù)據(jù)庫文字識別的標準問題

三是對檔案全文數(shù)據(jù)庫文字識別的標準問題。對于檔案全文數(shù)據(jù)庫最基礎的紙質檔案資源的數(shù)字化加工，檔案行業(yè)標準《紙質檔案數(shù)字化技術規(guī)范》（DA/T31—2017）根本沒有有關檔案全文文字識別的問題，該規(guī)范只對紙質檔案數(shù)字化掃描圖像的分辨率做了規(guī)定。也就是對于檔案全文的數(shù)字化文字識別的問題根本沒有標準。對于文字識別率的問題，有專家認為：“識別率一般達到90%以上，已經(jīng)基本滿足檔案全文檢索的需要了。有的人片面追求識別率，一定要求識別率達到98%-99%的，反復校對，實際上是浪費人力物力?！睂嶋H90%的識別率對檔案全文檢索還是有相當影響的，達到98%-99%可能有些要求高，至少應該在95-98%以內。但是，OCR只能對現(xiàn)代正規(guī)的打印體識別率較高，對于手寫體、鋼板刻字以及打字機打字蠟紙油印的字體的識別率并不高，特別是前兩者。至于豎版的檔案就更別說了。而在市縣級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。就像計算機的普及一樣，先省后市，然后才是縣鄉(xiāng)，先經(jīng)濟發(fā)達地方，后經(jīng)濟落后地方，從手寫到鋼板刻字再到打字機打字，也是如此。

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