Gescande producties onvindbaar bij zoeken: wat OCR oplost

Een scan is een afbeelding, geen document

Een pdf kan twee heel verschillende dingen bevatten. Het ene is tekst met informatie over de opmaak eromheen. Het andere is een afbeelding van een vel papier, verpakt in een pdf zodat het per e-mail kan worden verstuurd.

Beide openen in hetzelfde programma en zien er voor de lezer hetzelfde uit. Maar alleen in het eerste kunt u zoeken. Procesdossiers staan vol met de tweede soort: gekopieerd, gefaxt, gescand op een kantoorapparaat met de instellingen die er toevallig op stonden, en als één groot bestand met producties aangeleverd.

De fout is stil, en dat is het probleem

Niets waarschuwt u. De zoekfunctie geeft geen resultaten, en dat ziet er precies zo uit als geen resultaten omdat het woord er niet in staat. Het document zit in het dossier, alleen bekend onder zijn bestandsnaam, en wie de zaak voorbereidt, werkt om een gat heen waarvan niemand weet dat het er is.

Een document waarin u niet kunt zoeken, is in een groot dossier in de praktijk een ontbrekend document. Het raakt zoek zonder enige foutmelding.

Wat OCR u werkelijk oplevert

Optische tekenherkenning (OCR) leest de afbeelding en maakt er tekst van. Bij een schone scan van een getypte pagina is het resultaat bijna perfect. De kwaliteit daalt met elke kopieerslag: een fax van een kopie van een fax levert fragmenten op, en handschrift in de kantlijn levert meestal niets op.

Daar volgen twee praktische regels uit.

Ten eerste: laat OCR draaien bij het importeren, niet op verzoek. OCR op het moment dat een document het dossier binnenkomt, betekent dat het dossier vanaf het begin doorzoekbaar is. OCR op het moment dat iemand een gat opmerkt, betekent dat het gat al iets heeft gekost.

Ten tweede: bewaar het origineel. De OCR-tekst dient om het document te vinden. Het document zelf is wat u citeert, als productie overlegt en aan de rechter voorlegt.

Weten wat mislukte, is de helft van de waarde

Een pagina vol willekeurige tekens is geen tekst, en haar als tekst behandelen is erger dan haar als niets behandelen. Ze vervuilt de zoekresultaten en wordt vroeg of laat geciteerd door iets dat het verschil niet ziet.

Wat u van de verwerking wilt, is een helder antwoord in twee delen: dit is de tekst die we konden terughalen, en dit is de lijst met documenten waarbij dat niet lukte. Die tweede lijst is een werklijst. Dat zijn de pagina’s die iemand moet openen, en het zijn er meestal veel minder dan de omvang van de producties doet vermoeden.

Waar dit in de werkwijze past

In Legalnaut gebeurt het uitlezen op basis van de inhoud en niet van de bestandsextensie, omdat stukken van de wederpartij vaak met een verkeerde naam of helemaal zonder naam binnenkomen. Eerst probeert een lokale parser de tekst uit het bestand te halen. Is wat terugkomt te kort of te verminkt om echte tekst te zijn, dan gaat het document naar OCR. Geluidsopnamen gaan naar transcriptie, met behoud van de tijdcodes, zodat u een citaat aan de opname kunt controleren.

Documenten waaruit niets bruikbaars kwam, staan als zodanig op een lijst, zodat ze er niet uitzien als lege documenten. Die lijst is meestal kort.

Staat de tekst er eenmaal, dan kan die op een tijdlijn: zie een chronologie van een zaak uit 900 e-mails.

Maak een account aan en upload de producties van de wederpartij om te zien welke pagina’s onleesbaar terugkomen. Geen creditcard nodig.