Escaneos del expediente invisibles al buscador: qué aporta el OCR

Un escaneo es una imagen, no un documento

Un PDF puede contener dos cosas muy distintas. Una es texto acompañado de información sobre su disposición en la página. La otra es la imagen de una hoja de papel, metida en un PDF para poder enviarla por correo.

Las dos se abren en el mismo visor y al leerlas parecen idénticas. Solo en una se puede buscar. Los expedientes judiciales están llenos de las segundas: fotocopias, faxes, escaneos de la impresora de la oficina con la configuración que alguien dejó puesta hace años, y documentos de los que te dan traslado en un único archivo enorme.

El fallo es silencioso, y ese es el problema

Nada te avisa. La búsqueda no devuelve resultados, y eso tiene exactamente el mismo aspecto que una búsqueda sin resultados porque la palabra no está. El documento sigue en el expediente, indexado solo por el nombre del archivo, y quien prepara el asunto trabaja alrededor de un agujero que no sabe que existe.

En un expediente voluminoso, un documento en el que no se puede buscar es, a efectos prácticos, un documento que falta. Y desaparece sin ningún mensaje de error.

Qué te da realmente el OCR

El reconocimiento óptico de caracteres (OCR) lee la imagen y produce texto. Con un escaneo limpio de una página mecanografiada, el resultado es casi perfecto. La calidad cae con cada copia de una copia: un fax de una fotocopia de un fax deja fragmentos, y una nota manuscrita en el margen no suele dejar nada.

De ahí salen dos consecuencias prácticas.

Primera: pasa el OCR al incorporar el documento, no cuando haga falta. Si se reconoce el texto en el momento en que el documento entra en el expediente, todo el expediente se puede buscar desde el principio. Si se hace cuando alguien nota un hueco, el hueco ya ha costado algo.

Segunda: conserva el original. El texto del OCR sirve para encontrar el documento. Lo que se cita, se aporta como prueba y se pone delante del juez es siempre el documento original.

Saber qué ha fallado vale tanto como lo demás

Una página llena de caracteres sin sentido no es texto, y tratarla como texto es peor que no tratarla en absoluto. Ensucia los resultados de búsqueda y, tarde o temprano, la citará alguna herramienta incapaz de distinguirla del contenido real.

Lo que necesitas del proceso es una respuesta en dos partes: este es el texto que hemos podido recuperar, y esta es la lista de documentos en los que la recuperación ha fallado. Esa segunda lista es tu lista de trabajo. Son las páginas que una persona tiene que abrir, y suelen ser muchas menos de lo que sugiere el tamaño del expediente.

Dónde encaja en el trabajo diario

En Legalnaut, la extracción se decide por el contenido del archivo y no por su extensión, porque los documentos que se reciben en traslado llegan con nombres incorrectos o sin nombre. Primero se intenta leer el texto que ya contiene el archivo. Cuando el resultado es demasiado corto o está demasiado roto para ser texto real, el documento pasa al OCR, y las grabaciones se transcriben conservando las marcas de tiempo, para que cualquier cita se pueda contrastar con el audio.

Los documentos de los que no se ha obtenido nada aprovechable aparecen marcados como tales, en lugar de parecer documentos vacíos. Esa lista suele ser corta.

Una vez que tienes el texto, puedes ordenar los hechos en una cronología: lo explicamos en cronología del asunto a partir de 900 correos.

Crea tu cuenta y sube los documentos que te han dado en traslado para ver qué páginas no se pueden leer. No hace falta tarjeta.