Documents numérisés et ROC pour l'accessibilité

Un PDF numérisé est une photographie de papier : aucun texte qu'un lecteur d'écran puisse lire, aucune structure à parcourir, rien à chercher. Les archives publiques en regorgent — procès-verbaux, règlements, vieux formulaires. Ce guide explique comment la ROC (reconnaissance optique de caractères, ou OCR) retransforme les images en texte, où elle échoue, et comment trier un arriéré de numérisations.

Pourquoi les PDF numérisés échouent-ils aux contrôles d'accessibilité?

Parce qu'ils ne contiennent aucun texte. Une numérisation est une image; les technologies d'assistance n'y trouvent rien à lire, la recherche n'y trouve rien à apparier, et aucun balisage ne corrige une page sans texte. Tout document numérisé échoue aux exigences des WCAG en matière de solutions de rechange textuelles tant que la ROC ou une recréation ne lui donne pas un texte réel et correct.

• PDF constitués uniquement d'images contre numérisations « cherchables » avec couche de texte cachée
• Pourquoi le balisage ne peut pas commencer avant qu'une couche de texte existe
• Comment détecter les numérisations en lot dans un inventaire documentaire

Que fait réellement la ROC dans une chaîne de remédiation?

La ROC reconnaît les caractères présents dans l'image de la page et ajoute une couche de texte invisible et sélectionnable, alignée sur la numérisation. Dans une chaîne de remédiation, elle s'exécute en premier; le balisage, l'ordre de lecture et les métadonnées se construisent par-dessus le texte reconnu. La qualité de la ROC plafonne donc la qualité de tout ce qui suit.

• L'étape de ROC : reconnaissance, analyse de la mise en page, placement de la couche de texte
• Ce que la ROC ne fait pas : structure, textes de remplacement, champs de formulaire
• Réglages de langue et documents multilingues

Quand la ROC échoue-t-elle, et que faire ensuite?

La ROC se dégrade avec la source : copies de télécopie, écriture manuscrite, tampons, numérisations à basse résolution, mises en page multicolonnes serrées et tableaux. Quand l'exactitude tombe sous le seuil utilisable, les options honnêtes sont de retaper le document, de le recréer à partir du fichier source original, ou de décider qu'il n'a pas besoin d'être en ligne du tout (Holley, D-Lib Magazine 2009).

• Modes de défaillance : écriture manuscrite, dégradation, mise en page complexe, langues mêlées
• Contrôle de l'exactitude : échantillonner le texte reconnu par rapport à l'image
• Recréation contre correction : quand chacune revient moins cher

Faut-il même remédier les vieux documents numérisés?

Souvent non. L'exception du Title II pour contenu archivé peut couvrir un document numérisé conservé uniquement à des fins de référence ou de tenue de dossiers, et qui n'est pas actuellement nécessaire pour utiliser les services de l'entité. Triez d'abord l'arriéré de numérisations : une large part peut être légitimement archivée, retirée, ou gardée pour une remédiation sur demande.

• Appliquer l'exception pour contenu archivé aux fonds de numérisations
• La remédiation sur demande comme politique pour la longue traîne
• Ce qui doit tout de même être corrigé : toute numérisation dont les gens ont besoin aujourd'hui

Comment DocoMatic traite-t-il les documents numérisés?

DocoMatic détecte les pages constituées uniquement d'images pendant la découverte, exécute la ROC comme supplément tarifé (deux crédits la page), et signale les reconnaissances peu fiables pour révision humaine au lieu de publier du mauvais texte. Le résultat est un candidat à la remédiation comme un autre : du vrai texte, puis des balises, puis une vérification, comme pour tout fichier natif.

• La détection des numérisations dans l'inventaire documentaire
• Les seuils de confiance de la ROC et l'acheminement vers la révision humaine
• La vérification du résultat de la ROC avant que le balisage commence