Casi di studio
Tre tipi di materiale che i programmi di lettura generalisti trattano male, ognuno per un motivo diverso: la stampa fitta dei giornali, la scrittura a mano antica e la musica.
«Giustizia e Libertà», Venezia 1945-1946
Il settimanale che il Partito d'Azione stampava a Venezia dall'estate del 1945 è conservato dall'IVESER, l'Istituto veneziano per la storia della Resistenza e della società contemporanea, che ha condiviso con noi le scansioni della serie da giugno 1945 a gennaio 1946: 70 pagine. Sei colonne di caratteri piccoli su carta del tempo di guerra, il retro che traspare a specchio, una data stampata male in una testata.
Il 6 novembre 2026 abbiamo letto quattordici di quelle pagine su Leonardo con due modelli, dopo aver tagliato ogni pagina in blocchi. Le due letture sono nell'editor, dove i curatori dell'IVESER possono confrontarle e correggere la migliore. Le loro correzioni su una manciata di pagine daranno il primo tasso di errore misurato su questo giornale, e il materiale per addestrare un modello apposta.
Manoscritti greci, latini e arabi
Per misurare in modo onesto ci servivano pagine difficili e accompagnate da una trascrizione fatta da persone. Otto pagine di questo tipo vengono da dataset pubblici, e ognuna è tenuta fuori dall'addestramento. Gli stessi dataset ci hanno dato anche il materiale per addestrare i nostri riconoscitori, tutti con licenze che lo permettono.
- EPARCHOS, corsiva greca del 1500 circa: A. Papazoglou, I. Pratikakis, K. Markou, L. Tsochatzidis, 2020, Zenodo, CC BY 4.0.
- Monastero di Stavronikita, collezione 114, minuscola greca: I. Pratikakis, A. Papazoglou, S. Symeonidis, L. Tsochatzidis, 2021, Zenodo, CC BY 4.0.
- Patrologia Graeca, trascrizioni di riferimento per l'OCR del progetto CGPG: C. Vidal-Gorène, B. Kindt, 2026, Zenodo, CC BY 4.0.
- Codex Palatinus graecus 23, l'Antologia Palatina: M. Guénette, M. Verstraete, A. Chagué, M. Vitali-Rosati, HTR CPgr23, CC BY 4.0.
- e-NDP, registri capitolari di Notre-Dame di Parigi, 1326-1504: J. Claustre, D. Smith, S. Torres Aguilar et al., 2023, Zenodo, CC BY 4.0.
- TranscriboQuest 2024, manoscritti letterari medievali: C. Vandyck, J. Dummer, E. Kuhry et al., 2024, Zenodo, CC BY 4.0.
- Agapet, manoscritti arabi cristiani: H. Ibrahim, G. DiRusso, 2025, Zenodo, CC BY 4.0.
- RASAM, scrittura araba maghrebina: C. Vidal-Gorène, N. Lucas, C. Salah, A. Decours-Perez, B. Dupin, workshop di ICDAR 2021; trascrizioni Apache-2.0, immagini della BULAC in pubblico dominio.
Mozart e Beethoven
Per un archivio anche la musica è testo: una partitura viene letta in MusicXML e controllata simbolo per simbolo. Abbiamo provato quattro pagine con una trascrizione fatta da persone: tre quartetti nelle loro edizioni a stampa dell'Ottocento, e la prima pagina del manoscritto autografo di Mozart del K.155. Le pagine a stampa escono con una quota di simboli sbagliati fra il 4,5 e il 7,8 %. Il manoscritto non viene ancora letto affatto, ed è la prossima cosa su cui addestrare.
Fonti: autografo del K.155, Staatsbibliothek zu Berlin, Public Domain Mark; edizioni a stampa, IMSLP; trascrizioni, OpenScore String Quartets, CC0, con le interruzioni di pagina da OSSQ-OMR.
