Khi một văn bản pháp luật đi từ bản giấy hoặc tệp quét sang dạng chữ trong kho dữ liệu, ba thứ hay hỏng nhất là phụ lục, bảng biểu và chữ số. Phụ lục bị bỏ vì nằm ở tệp riêng hoặc in khổ ngang; bảng bị vỡ thành chuỗi chữ liền; chữ số bị phần mềm nhận dạng đọc sai mà không bộ soát chính tả nào bắt được. Ba kiểu hỏng này lại rơi đúng vào phần người dùng cần chính xác nhất: mức, danh mục, thời hạn, công thức.
Bài này dành cho người dùng kho văn bản muốn biết khi nào nên mở bản quét để đối chiếu, và cho đội nhỏ đang tự số hoá văn bản – ví dụ văn bản nội bộ của địa phương, văn bản cũ chưa có trên mạng – cần một quy trình soát lỗi vừa sức. Số hoá hồ sơ vụ việc của văn phòng luật là chủ đề khác; ở đây chỉ bàn văn bản pháp luật.
Vì sao số hoá làm hỏng văn bản
Phần lớn văn bản cũ chỉ tồn tại dưới dạng bản quét: một hình ảnh của trang giấy. Muốn tìm kiếm, sao chép, phân tích, kho phải chuyển hình ảnh đó thành chữ, bằng phần mềm nhận dạng ký tự quang học hoặc bằng người gõ lại. Cả hai cách đều có tỷ lệ lỗi, và tỷ lệ đó tăng mạnh khi bản quét mờ, nghiêng, có vết dấu đỏ đè lên chữ, hoặc giấy đã ố.
Tiếng Việt làm việc nhận dạng khó hơn vì dấu thanh và dấu phụ: một dấu chấm dưới bị mất, một dấu hỏi bị đọc thành dấu ngã, nghĩa của từ đổi ngay. Văn bản pháp luật còn có cấu trúc đặc thù – đánh số điều, khoản, điểm; bảng nhiều tầng; phụ lục khổ ngang – mà phần mềm nhận dạng chung không được thiết kế để hiểu.
Ngay cả văn bản sinh ra ở dạng điện tử cũng có thể hỏng khi chuyển định dạng: từ tệp soạn thảo sang PDF, từ PDF sang trang web, từ trang web sang kho dữ liệu khác. Mỗi lần chuyển là một cơ hội mất bảng, mất chú thích chân trang, mất ký tự đặc biệt như dấu lớn hơn hoặc bằng, dấu phần trăm, dấu phần nghìn.
Các kiểu hỏng hay gặp
Bảng dưới gom các kiểu hỏng thường thấy khi rà văn bản đã số hoá. Ví dụ là ví dụ giả định để minh hoạ kiểu lỗi.
| Kiểu hỏng | Ví dụ giả định | Rủi ro cho người dùng |
|---|---|---|
| Chữ số bị đọc sai | Số 8 thành 3, số 1 thành chữ l, thời hạn 15 ngày thành 16 ngày | Sai mức, sai thời hạn mà nhìn vẫn hợp lý |
| Mất dấu thập phân hoặc dấu phân cách | Tỷ lệ 0,5 thành 05; mức một trăm nghìn mất dấu chấm | Sai bậc độ lớn của con số |
| Mất phụ lục | Văn bản ghi "theo Phụ lục kèm theo" nhưng kho không có phụ lục | Không biết danh mục, biểu mẫu thật |
| Bảng vỡ dòng | Các ô của một hàng bị tách thành nhiều đoạn, ghép nhầm sang hàng khác | Gán nhầm mức cho đối tượng |
| Mất ký hiệu | Dấu lớn hơn hoặc bằng thành dấu lớn hơn; dấu phần trăm biến mất | Đổi phạm vi áp dụng của ngưỡng |
| Dấu tiếng Việt sai | Từ "huỷ" thành từ khác nghĩa, tên địa danh sai dấu | Tìm kiếm không ra, hiểu sai ý |
| Lẫn chữ của dấu, chữ ký | Chữ trong con dấu bị nhận dạng thành một dòng nội dung | Thêm câu không có trong văn bản |
Điểm chung của các lỗi trên là chúng hiếm khi làm văn bản trông "hỏng". Văn bản vẫn đọc trôi, chỉ có một con số, một ô bảng sai. Vì thế người dùng gần như không thể tự phát hiện nếu không mở bản quét ra so.
Chữ số: chỗ nguy hiểm nhất
Bộ soát chính tả bắt được từ sai, nhưng không bắt được số sai, vì mọi chuỗi chữ số đều "hợp lệ". Một thời hạn 30 ngày bị đọc thành 38 ngày, một mức 5 triệu thành 6 triệu vẫn là câu tiếng Việt hoàn chỉnh. Trong văn bản pháp luật, con số thường là phần có hệ quả trực tiếp nhất: mức phạt, mức thu, ngưỡng, thời hạn, tỷ lệ.
Một số mẹo giúp khoanh vùng lỗi số. Thứ nhất, các con số trong cùng một bảng thường theo quy luật – tăng dần theo bậc, tổng bằng các phần – nên một số lệch quy luật là đáng ngờ. Thứ hai, các số được nhắc ở nhiều chỗ trong văn bản (ví dụ thời hạn ở điều quy định và ở điều chuyển tiếp) phải khớp nhau. Thứ ba, số hiệu văn bản được dẫn chiếu có thể đối chiếu với kho để xem văn bản đó có tồn tại không.
Dù vậy, cách chắc nhất vẫn là so từng con số với bản quét. Với đội nhỏ, nên đặt quy tắc: mọi chữ số trong phần quy định mức, thời hạn, tỷ lệ và mọi số trong phụ lục phải được một người thứ hai so với bản quét trước khi văn bản được đánh dấu "đã soát". Việc này tốn công, nhưng ít hơn nhiều so với công sửa hậu quả của một con số sai đã được người dùng dựa vào.
Phụ lục và biểu mẫu: phần hay bị bỏ lại
Phụ lục nằm ở tệp riêng. Nhiều văn bản được đăng thành nhiều tệp: tệp chính và một hay nhiều tệp phụ lục. Người số hoá chỉ lấy tệp chính, kho có văn bản "đầy đủ" về mặt điều khoản nhưng thiếu toàn bộ danh mục, biểu mẫu.
Phụ lục khổ ngang, khổ lớn. Bảng danh mục in khổ ngang hoặc gấp đôi trang dễ bị quét thiếu, quét nghiêng, hoặc bị phần mềm đọc theo cột dọc thay vì hàng ngang.
Biểu mẫu nhiều ô trống. Biểu mẫu có ô kẻ, dấu chấm để điền, hộp đánh dấu. Khi chuyển sang chữ, các ô này thành chuỗi ký tự vô nghĩa hoặc biến mất, người dùng không còn biết bố cục mẫu.
Phụ lục chỉ ở dạng ảnh. Một số kho giữ phụ lục dưới dạng ảnh để tránh vỡ bảng. Cách này giữ được hình thức nhưng không tìm kiếm được nội dung phụ lục, nên tra theo tên một mặt hàng, một ngành nghề trong danh mục sẽ không ra.
Dấu hiệu nhận ra thiếu phụ lục. Nội dung có câu "ban hành kèm theo", "theo Phụ lục", "theo mẫu số" mà kho không có phần tương ứng; hoặc bản quét gốc nhiều trang hơn hẳn bản chữ.
Quy trình soát sau số hoá cho đội nhỏ
Đội hai ba người không thể soát từng chữ mọi văn bản. Quy trình dưới đây ưu tiên những phần có hệ quả lớn và dùng người thứ hai ở đúng chỗ cần.
- Trước khi chạy nhận dạng, kiểm bản quét: đủ trang, đúng thứ tự, không nghiêng, phụ lục có mặt. Quét lại trang mờ ngay lúc này rẻ hơn sửa chữ về sau.
- Chạy nhận dạng với chế độ ngôn ngữ tiếng Việt, giữ bố cục bảng nếu phần mềm hỗ trợ.
- Người thứ nhất đọc lướt toàn văn bản chữ cạnh bản quét, sửa lỗi dấu, lỗi ngắt dòng, kiểm số điều, số khoản.
- Người thứ hai chỉ làm một việc: so mọi chữ số và mọi ký hiệu (phần trăm, lớn hơn hoặc bằng, đơn vị) trong phần quy định và phụ lục với bản quét.
- Kiểm riêng từng bảng: số hàng, số cột, tiêu đề cột, và vài ô ngẫu nhiên ở mỗi bảng.
- Đánh dấu trạng thái soát cho văn bản (chưa soát, soát một phần, soát đủ) và ghi phần nào chưa soát.
- Lưu bản quét gốc cùng bản chữ, liên kết hai bản để người dùng mở được bất cứ lúc nào.
Với văn bản dài hàng trăm trang, có thể soát đủ phần quy định và phụ lục, còn phần căn cứ, phần mở đầu chỉ soát lướt. Quan trọng là ghi rõ đã soát tới đâu.
Mẹo cho người dùng khi đọc bản chữ đã số hoá
Không phải lúc nào bạn cũng có thời gian so cả văn bản. Những thói quen dưới đây giúp phát hiện phần lớn lỗi số hoá trong lúc đọc bình thường.
- Đọc con số cùng với ngữ cảnh: một thời hạn lẻ bất thường, một mức không tròn trong khi các mức khác đều tròn là dấu hiệu nên mở bản quét.
- Kiểm tổng của bảng nếu bảng có dòng tổng; số cộng không khớp gần như chắc chắn có ô bị đọc sai hoặc bị dồn sang hàng khác.
- Khi tìm kiếm một từ khoá trong văn bản mà không ra, thử bỏ dấu hoặc thử cách viết gần giống; lỗi dấu có thể làm từ bạn cần bị giấu đi.
- Đếm số điều ở mục lục hoặc ở phần chuyển tiếp với số điều thực có trong bản chữ.
- Để ý những câu đứt giữa chừng, câu lặp lại hai lần, hoặc đoạn chữ hoa toàn bộ chen giữa nội dung – thường là dấu vết của khối chữ ký, con dấu, tiêu đề trang bị nhận dạng lẫn vào.
- Khi chép một đoạn sang tài liệu của mình, chép từ bản đã đối chiếu và ghi chú đã so với bản quét.
Những thói quen này không thay quy trình soát của nơi vận hành kho, nhưng giúp bạn không trở thành người tiếp tục lan lỗi sang hợp đồng, công văn hay bài viết của chính mình.
Hiển thị cho người dùng: luôn để đường lui về bản quét
Kho dữ liệu tốt không giả vờ rằng bản chữ hoàn hảo. Cạnh mỗi văn bản, người dùng nên thấy được trạng thái soát và có nút mở bản quét gốc. Với phụ lục chỉ ở dạng ảnh, nên ghi rõ "phụ lục dạng ảnh, chưa tìm kiếm được nội dung" để người dùng không tưởng tra không ra nghĩa là không có.
Với những con số đã được người soát xác nhận, có thể đánh dấu nhẹ để người dùng biết đây là số đã kiểm. Ngược lại, văn bản chưa soát nên có lời nhắc ngắn ở đầu trang: bản chữ được chuyển tự động, đối chiếu bản quét khi trích con số. Lời nhắc này không làm kho kém đi trong mắt người dùng chuyên nghiệp; nó cho thấy kho hiểu giới hạn của chính mình.
Cuối cùng, mở một kênh để người dùng báo lỗi ngay tại vị trí sai – chọn đoạn, ghi số đúng. Người dùng đọc kỹ một văn bản vì việc của họ thường phát hiện lỗi số hoá nhanh hơn bất kỳ quy trình nội bộ nào, và mỗi lỗi được báo là một lỗi không còn hại người dùng sau.
Câu hỏi thường gặp
Phần mềm nhận dạng chữ hiện nay đọc tiếng Việt có đủ chính xác không?
Với bản quét rõ, phông chữ thông dụng, phần mềm tốt đọc được phần lớn văn bản. Nhưng chỉ cần vài lỗi ở chữ số hay bảng là đủ gây hại, và tỷ lệ lỗi tăng mạnh với bản mờ, có dấu đè chữ. Vì thế vẫn cần người soát ở các phần quan trọng.
Khi nào người dùng nên mở bản quét để đối chiếu?
Khi bạn sắp trích một con số, một danh mục trong phụ lục, một bảng mức, hoặc khi văn bản thuộc loại ban hành đã lâu và chỉ có bản quét làm gốc. Với phần lời văn thông thường, bản chữ đã soát thường đủ dùng.
Giữ phụ lục ở dạng ảnh hay chuyển sang chữ thì tốt hơn?
Nên giữ cả hai: ảnh để giữ hình thức và làm gốc đối chiếu, bản chữ đã soát để tìm kiếm và sao chép. Nếu chỉ chọn một, ảnh an toàn hơn về độ chính xác nhưng kém hơn về khả năng tra cứu.
Gõ lại bằng tay có chính xác hơn nhận dạng tự động không?
Không hẳn. Người gõ ít lỗi dấu hơn nhưng hay sót dòng, nhảy cóc và sai số do mệt. Cách hiệu quả thường là cho máy nhận dạng trước, rồi người sửa và một người khác so riêng chữ số.
Văn bản đã số hoá rồi có cần soát lại định kỳ không?
Không cần soát lại toàn bộ, nhưng nên soát lại khi chuyển kho sang phần mềm mới hoặc đổi định dạng hiển thị, vì đó là lúc bảng và ký hiệu dễ hỏng. Các lỗi người dùng báo về cũng nên được gom lại để tìm kiểu lỗi lặp.
Làm sao biết một văn bản trên kho bị thiếu phụ lục?
Tìm trong nội dung các cụm như "kèm theo", "theo Phụ lục", "theo mẫu số", rồi xem kho có phần tương ứng không. So số trang của bản quét gốc với độ dài bản chữ cũng là cách nhanh để phát hiện phần bị bỏ.