OCR质量影响历史报纸剪报的感知有用性——一项用户研究

光学字符识别（OCR）质量对历史信息检索的影响迄今已在面向数据的场景中就检索结果的有效性进行了研究。此类研究要么关注人工退化的OCR质量的影响（例如见[1-2]），要么利用包含基于真实低质量OCR数据文本的测试集（例如见[3]）。本文在面向用户的信息检索设置中研究OCR质量的影响。三十二名用户基于预定义查询、使用模拟工作任务设置，对六个主题（共30个主题）的查询结果进行主观评价。据我们所知，我们的模拟工作任务实验首个通过实证表明，用户对检索文档的主观相关性判断受光学读取文本质量变化的影响。历史报纸集的用户此前主要以印象式方式评论OCR数据质量的影响，且迄今缺乏用于研究OCR质量对用户检索结果相关性判断影响的受控用户环境。为此，芬兰国家图书馆（NLF）为一份芬兰历史报纸《Uusi Suometar 1869-1918》的内容搭建了实验性查询环境，以比较用户对数字化报纸文章两种不同OCR质量的搜索结果评价。该查询界面能够基于两种备选向用户呈现同一底层文档：基于较低OCR质量或基于较高OCR质量，且选择是随机的。用户并不知道所评价文章文本中的质量差异。本研究的主要结果是，改进的光学字符识别质量显著影响了历史报纸文章的感知有用性。改进OCR结果的平均评分为7.94%，高于旧OCR结果的平均评分。