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>
这份文件是一篇关于利用[[预训练语言模型]]进行[[光学字符识别]]（[[OCR]]）后处理的研究论文，论文的主要内容可以概括如下：
# '''引言'''：介绍了数字化历史印刷媒体档案的重要性以及OCR技术在转换物理记录为数字文本过程中的误差问题，特别是在[[报纸]]和[[期刊]]这类复杂布局的文档中。
# '''CLOCR-C介绍'''：提出了一种名为[[Context Leveraging OCR Correction]] (CLOCR-C) 的方法，该方法利用基于[[变换器]]的[[语言模型]]（[[LMs]]）的填补和适应上下文的能力来提高OCR质量。
# '''目标和贡献'''：明确了研究旨在回答的三个问题：LMs是否能提高报纸和期刊OCR输出的准确性；CLOCR-C错误率的降低是否能改善下游[[自然语言处理]]（[[NLP]]）任务；以及提供社会文化上下文是否能提高OCR输出的准确性。
# '''方法论'''：
#* '''数据集和抽样方法'''：使用了包括19世纪期刊版（[[NCSE]]）和[[Overproof]]收藏中的两个数据集在内的三个数据集进行实验。
#* '''语言模型'''：比较了七种流行的LMs在OCR后处理上的表现。
#* '''实验设置'''：描述了用于测试LMs的提示选择过程、评估指标以及对下游任务改进的实验。
# '''实验结果'''：展示了不同LMs在OCR后处理上的性能，以及它们在下游任务（如[[命名实体识别]]）上的影响。还探讨了社会文化上下文在OCR后处理成功中的作用。
# '''讨论'''：分析了LMs在OCR后处理中的表现，以及提示和文本的社会文化上下文对性能的影响。
# '''结论'''：总结了LMs可以用于OCR后处理，并且提供文本的社会文化上下文可以改善性能，同时误导性的提示会降低性能。提出了CLOCR-C作为一种有前景的OCR校正方法，并强调了进一步研究的需求。