Día a día, los que navegamos por internet, en muchas ocasiones tendremos que descrifrar los captchas para abrirnos una cuenta en algún servicio o dejar algún comentario en otros. Por otro lado, cuando usamos un escaner mediante OCR, siempre tendremos que revisar las palabras del texto ya que el sistema OCR no es capaz de traducirlo correctamente.
¿Qué tiene que ver una cosa con la otra? Pues muy sencillo, ya que se trata de reCaptcha, un proyecto para la digitalización de libros y documentos escaneados del Internet Archive de la escuela de Ciencias de la computación de la Universidad de Carnegie Mellon que pretende la revisión distribuida de los términos que no ha podido convertir a texto mediante el escaneo con el sistema OCR, por el que se nos ofrece la palabra a descifrar como captcha y otro término para su comprensión.
De esta manera, se pretenden digitalizar los contenidos de los libros a textos, y de manera distribuida mediante captchas los usuarios ayudarán a descifrar los términos que el sistema OCR no ha sido capaz de averiguar, permitiendo validar la fiabilidad de los términos introducidos por los usuarios, y que actualmente reCaptcha está colaborando de esta manera en la digitalización de libros y documentos del Internet Archive.
Actualmente podemos encontrar plugins para WordPress, MediaWiki, phpBB, y PHP.
Vía | Webware Enlace | Sitio oficial de reCaptcha
Ver 2 comentarios
2 comentarios
asterix
captchas
Dubitador
Sé como funciona un captcha pero no me queda nada claro como se decide que palabras no ha traducido/identificado bien el OCR.
A lo sumo cabe determinar que una palabra generada por el OCR no está en un dicionario, pero aun resultando ser una palabra del diccionario no hay garantia de que sea exactamente la palabra correcta.
Con todo, ya es un avance la resolucion de aquellas palabras sin sentido, pero a fin de cuentas se requiere una lectura y comparacion directa entre la imagen del texto y el texto producido por el OCR.
La forma mas eficiente y comoda de facilitar el trabajo de revision de un OCR consistiria en mostrar como imagen de fondo la imagen de una pagina y sobreimpresionado en primer plano el editor de texto que mostraria entre lineas los renglones del OCR directamente editables por el usuario.
De este modo una simple mirada de conjunto bien podria identificar rapidamente palabras que no concuerdan y eventualmente procederia el reemplazo automatico de todos aquellos errores completamente identicos.