查看“WikiEdge:ArXiv-2408.17428v1/summary”的源代码

<div style="float: right;">[{{fullurl:WikiEdge:ArXiv-2408.17428v1/summary|action=edit}} 编辑]</div>
这篇论文介绍了一种名为[[Context Leveraging OCR Correction]] (CLOCR-C)的新方法，旨在利用[[预训练语言模型]]（[[LMs]]）来提高[[光学字符识别]]（[[OCR]]）的质量。研究主要围绕三个问题展开：LMs是否能够提高[[报纸]]和[[期刊]]OCR输出的准确性；CLOCR-C错误率的降低是否能够改善下游[[自然语言处理]]（[[NLP]]）任务；以及提供[[社会文化背景信息]]是否能够提高OCR输出的准确性。
# '''引言'''：强调了[[数字化]]历史[[印刷媒体]]档案对于提高当代记录可访问性的重要性，同时指出OCR在转换物理记录为数字文本时容易出错，尤其是在报纸和期刊这类复杂布局的文档中。以往的研究和方法，包括[[众包校正]]和[[机器学习方法]]，都面临着挑战和局限性。
# '''CLOCR-C介绍'''：提出了利用预训练LMs的“填充”和适应上下文的能力来改善OCR质量的概念。研究目标是探索LMs在OCR后校正、提高下游NLP任务性能以及在纠正过程中提供社会文化背景的价值。
# '''方法论'''：
#* '''数据集和抽样方法'''：使用了包括19世纪期刊版（[[NCSE]]）、《[[悉尼先驱晨报]]》和《[[美国编年史]]》等三个数据集进行实验。
#* '''语言模型'''：比较了七种流行的LMs，包括[[GPT-4]]、[[GPT-3.5]]、[[Llama 3]]等。
#* '''实验设置'''：详细描述了用于LM评估的[[提示]]（prompt）变体、选择过程以及用于测试下游任务改进的实验。
# '''实验结果'''：
#* '''语言模型比较'''：发现某些LMs显著降低了错误率，其中在NCSE数据集上表现最好的模型实现了[[字符错误率]]超过60%的降低。
#* '''下游任务影响'''：OCR质量的提高扩展到了下游任务，如[[命名实体识别]]（[[NER]]），提高了余弦命名实体相似度。
#* '''社会文化信息的作用'''：研究表明，在提示中提供社会文化背景可以改善性能，而误导性的提示则会降低性能。
# '''结论'''：论文得出CLOCR-C是一种有前景的方法，能够通过利用LMs中嵌入的社会文化信息和待纠正文本，提高现有数字档案的质量。同时，论文还发布了一个包含91篇转录文章的数据集，以支持这一领域的进一步研究。