自学教程：档案从数字化到数据化

从数字化到数据化

纸质档案数字化完成以后，并非已是计算机可读的数据，要将数字化成果转换成计算机可读的数据，还要做大量的工作。

在计算机系统中，各种字母、数字符号的组合、语音、图形、图像等统称为数据，纸质档案数字化成果也是数据。但是，从内容识读角度来讲，计算机中的数据分为两类，一类是计算机自己能够识读的，如文本文件、数据库文件等；一类是计算机自身无法识读的，如扫描图像、数码照片、音视频材料等，它们必须进行进一步的加工，将无法识读的数据转换成文本文件、数据库文件等，才能成为计算机可识读的材料。

人们对于档案的数字化成果可以用肉眼阅读，但希望借助于计算机做更多的事，只有转换成文本文件、数据库文件，让计算机读懂档案中的内容，才能实现。比如：让计算机帮助你检索查找到相关的信息、让计算机帮助你对内容进行分析和挖掘，等等。所以，纸质档案数字化仅仅完成了一半，只有将所有档案内容都数据化了，才能全面发挥数字化成果的作用。

如何加快数字化成果的数据化工作，可以从以下几方面着手：

1、深化著录工作

数字化成果必须有目录，除了做好文件级目录的录入工作外，建议在条目著录和录入中增加关键词的内容，全面提升档案全文的检索深度。尤其是对于以下两类档案，关键词著录非常有效：一是历史档案和手稿，OCR识别率非常低的文件，增加关键词著录是最为有效的数据化方式；二是手写体的各种民生档案，如干部任免名单、各种人事登记表等，将其中的人名作为关键词著录，对于提高查全率和查准率是最合适的。

2、全面推广OCR识别工作

凡是正规楷体字书写和印刷的文件，扫描以后，都应该进行OCR识别，将文件内容转换成文本文件，成为计算机可识读的数据。这要成为档案数字化中的一项硬性的规定和指标。目前，我国档案部门对于OCR识别重视还是不够的，既没有出台专门的标准和规范，在《纸质档案数字化规范》中，也没有对于OCR识别提出相应的要求。

3、采用语音识别技术

借助于语音识别技术，提升数字化成果的数据转换率。计算机语音识别技术现在已经非常成熟，它不仅可以应用于对音视频档案的数据化，而且，对于特别重要的档案手稿，OCR识别又无法辨别，就可以应用语音识别技术，开展数据化的工作。借助于语音识别技术开展数据化，实际就是通过有声朗读，将档案内容转化成文本文件。

总之，在大数据时代，若档案数据不能被计算机所识读，那是要被时代所抛弃的。