Documentos digitalizados nos autos: porque a pesquisa os ignora

Uma digitalização é uma imagem, não um documento

Um PDF pode conter duas coisas muito diferentes. Uma é texto, com a indicação de como se dispõe na página. A outra é a imagem de uma folha de papel, metida num PDF para poder seguir por e-mail.

As duas abrem no mesmo programa e parecem iguais a quem lê. Só uma se pode pesquisar. Os autos estão cheios da segunda: fotocópias, faxes, digitalizações feitas na máquina do escritório com a configuração que lá estivesse, juntas pela parte contrária e notificadas pelo Citius num único ficheiro grande.

A falha é silenciosa, e é esse o problema

Nada o avisa. A pesquisa não devolve resultados, e isso parece exatamente igual a não devolver resultados porque a palavra não está lá. O documento continua nos autos, conhecido apenas pelo nome do ficheiro, e quem prepara o processo contorna um buraco que nem sabe que existe.

Em autos volumosos, um documento que não se pode pesquisar é, na prática, um documento em falta, e desaparece sem qualquer mensagem de erro.

O que o OCR dá de facto

O reconhecimento ótico de carateres (OCR) lê a imagem e produz texto. Numa digitalização limpa de uma página datilografada, o resultado é quase perfeito. A qualidade cai a cada geração de cópia: o fax de uma fotocópia de um fax dá fragmentos, e as anotações à mão na margem não dão, em regra, nada.

Daqui resultam duas consequências práticas.

Primeiro, faça o OCR na importação, e não quando for preciso. Com OCR no momento em que o documento entra nos autos, os autos ficam pesquisáveis desde o início. Com OCR só quando alguém dá pela lacuna, a lacuna já custou alguma coisa.

Segundo, guarde o original. O texto do OCR serve para encontrar o documento. É o documento que se cita, que se junta e que se põe à frente do tribunal.

Saber o que falhou é metade do valor

Uma página de carateres soltos não é texto, e tratá-la como texto é pior do que não a tratar de todo. Polui os resultados da pesquisa e acaba por ser citada por alguma ferramenta que não distingue uma coisa da outra.

O que se quer do tratamento é uma resposta em duas partes: este é o texto que conseguimos recuperar, e esta é a lista dos documentos em que a recuperação falhou. Essa segunda lista é trabalho a fazer. São as páginas que uma pessoa tem de abrir, e costumam ser muito menos do que a dimensão dos autos faria pensar.

Onde isto entra no trabalho

No Legalnaut, o tipo de ficheiro é identificado pelo conteúdo, e não pela extensão, porque os documentos notificados chegam muitas vezes com nomes errados ou sem nome nenhum. Primeiro tenta-se ler localmente o texto do ficheiro. Quando o resultado é curto demais ou demasiado partido para ser texto real, o documento segue para OCR, e as gravações seguem para transcrição com as marcas de tempo, para que uma citação possa ser conferida na gravação.

Os documentos de que não se conseguiu tirar nada aproveitável são assinalados como tal, em vez de parecerem documentos vazios. Essa lista costuma ser curta.

Com o texto disponível, os eventos podem entrar numa cronologia: veja como construir a cronologia do processo a partir de 900 e-mails.

Crie a sua conta e carregue os documentos que lhe foram notificados para ver que páginas não se conseguem ler. Sem cartão de crédito.