PDF numérisés : quand la ROC aide et quand elle ment

Ce qu'il y a de plus dangereux dans la reconnaissance optique de caractères (ROC), c'est qu'elle n'a jamais l'air incertaine. Donnez-lui un rapport du personnel net de 2019 et elle retourne un texte propre; donnez-lui un règlement télécopié de 1987 et elle retourne un texte avec la même mise en forme assurée — dont une partie est fausse. Pour les entités publiques devant des décennies de procès-verbaux et de dossiers numérisés, savoir quand la ROC aide et quand elle ment fait la différence entre des archives accessibles et des archives d'apparence plausible.

Pourquoi un PDF numérisé échoue-t-il à toutes les vérifications d'accessibilité?

Parce qu'une numérisation est une photographie de papier. Il n'y a aucun texte qu'un lecteur d'écran puisse lire, rien que la recherche puisse trouver, aucune structure à parcourir — et aucun balisage ne corrige une page sans couche de texte. Chaque document numérisé échoue aux exigences d'équivalents textuels des WCAG 2.1 jusqu'à ce que la ROC ou une recréation lui donne un vrai texte, correct.

Cela inclut le cas intermédiaire trompeur : les numérisations « cherchables » avec une couche de texte cachée produite par la ROC intégrée d'un photocopieur. La page a la même apparence, la recherche fonctionne plus ou moins, et la couche de texte en dessous peut être pleine d'erreurs que personne n'a jamais lues.

Quand la ROC aide-t-elle?

Sur des pages propres, modernes et imprimées à la machine, la ROC est la première étape honnête, et une très bonne. La reconnaissance sur un document bien numérisé sorti d'une imprimante laser est assez exacte pour que le texte reconnu porte tout ce qui se construit par-dessus : balisage, ordre de lecture, métadonnées, recherche. Dans un pipeline de remédiation, la ROC s'exécute en premier, et le reste du travail repose sur le texte qu'elle produit — c'est exactement pourquoi sa qualité plafonne la qualité de tout ce qui suit.

Si votre matériel numérisé est surtout récent — dossiers de séance numérisés par commodité, lettres signées, rapports du personnel imprimés puis numérisés —, la ROC plus une remédiation normale en récupérera la plus grande partie correctement.

Quand la ROC ment-elle?

Quand la source se dégrade, la ROC se dégrade — mais en silence. Des recherches sur la numérisation à grande échelle ont constaté que l'exactitude de la ROC sur le matériel historique et archivistique varie énormément selon la source, tombant bien en deçà de l'utilisable sur de mauvais originaux (Holley, D-Lib Magazine, 2009). Les coupables classiques des archives publiques : copies télécopiées, tampons et écriture manuscrite par-dessus le texte, impressions de microfilm à basse résolution, mises en page serrées sur plusieurs colonnes, et tableaux dont les lignes se dissolvent en bouillie de mots.

Le mode de défaillance n'est pas du charabia — le charabia serait facile à attraper. C'est une date lue 1998 au lieu de 1993, un montant auquel il manque un chiffre, un nom mal orthographié avec assurance. Pour des documents juridiques comme les procès-verbaux et les règlements, un texte plausible mais faux servi à un utilisateur de lecteur d'écran est sans doute pire qu'aucun texte, parce que rien ne signale qu'il ne faut pas s'y fier.

Comment vérifier si la ROC a dit la vérité?

Échantillonnez contre l'image. Choisissez des pages à travers le document — pas seulement la première page propre — et lisez le texte reconnu à côté de la numérisation, en portant une attention particulière au contenu qui compte s'il est faux : dates, montants, noms, numéros d'article, cellules de tableau. Un document peut être exact à 98 % au caractère et quand même déformer la seule motion que quelqu'un est venu chercher.

Les scores de confiance aident à cibler l'échantillonnage mais ne peuvent pas le remplacer : les moteurs de ROC indiquent à quel point ils étaient sûrs, et les zones à faible confiance méritent un regard humain en premier. La règle pratique est la proportionnalité — un bulletin de routine mérite une vérification ponctuelle; un règlement ou un ensemble de procès-verbaux adoptés mérite une vraie révision avant que sa couche de texte soit publiée comme document officiel.

Quelle part d'un arriéré public est numérisée?

Sur le site en direct, moins que ce que la plupart des gens supposent — et le chiffre est mesuré plutôt que présumé. Pour les 22 entités publiques dont nous publions les statistiques d'exploration dans notre répertoire des échéances (explorations des 17 et 18 septembre 2026), le robot a échantillonné jusqu'à 50 PDF liés publiquement par site — 944 au total — et a vérifié, dans chacun de ceux qu'il a pu ouvrir, la présence d'une couche de texte. La part de fichiers constitués uniquement d'images allait de 0 % à 19 % selon l'entité, avec une médiane d'environ 4 %; les trois comtés de l'ensemble étaient les plus élevés, entre 10 % et 13 %, et dix des 22 sites n'avaient aucune numérisation dans leur échantillon. Ce chiffre décrit ce qu'un site lie aujourd'hui, pas ce qui dort dans un fonds d'archives : tout ce qui a été publié avant qu'un bureau passe au numérique d'abord n'existe que comme image de papier, et un fonds profond de procès-verbaux, de règlements et de correspondance peut ne ressembler en rien aux 4 % du site en direct. Votre propre chiffre est connaissable plutôt que devinable : une analyse des documents de votre site sépare les fichiers constitués uniquement d'images des fichiers nés numériques.

Que faire d'un arriéré numérisé?

Triez avant de passer quoi que ce soit à la ROC. Une grande part d'une archive numérisée peut être légitimement visée par l'exception du contenu archivé du Title II — conservée uniquement à des fins de référence ou de tenue de dossiers, dans une section d'archives dédiée — ou simplement bonne pour le retrait (fiche d'information ADA.gov). Ce qui reste est le matériel que les gens utilisent actuellement, et c'est là que va le budget de ROC plus révision.

Le pipeline de DocoMatic traite la ROC comme une étape qui doit mériter la confiance : les pages constituées uniquement d'images sont détectées pendant la découverte, la ROC s'exécute comme supplément tarifé (deux crédits la page), et la reconnaissance à faible confiance est signalée pour révision humaine au lieu d'être publiée comme si elle était vraie. Là où l'exactitude ne peut pas être sauvée, les options honnêtes sont la ressaisie, la recréation à partir du fichier source original, ou la décision que l'avenir du document est l'archive, avec remédiation sur demande.

La ROC est un bon outil et un très mauvais témoin. Utilisez-la là où elle est forte, vérifiez-la là où elle est faible, et ne la laissez jamais témoigner sans surveillance.

Cet article ne constitue pas un avis juridique. Pour les obligations de conformité de votre organisation, consultez votre conseiller juridique.

Sujetsocrscannedpdfarchives