Hoe zoek je in gescande documenten?
Een gescande pagina is alleen een afbeelding. Je vindt er woorden in alleen als er een tekstlaag is; automatische tekstherkenning (OCR) bestaat alleen voor het Roemeens.
Kort antwoord
- OCR staat voor optische tekenherkenning: de tekst in een afbeelding wordt doorzoekbare tekst. Bij ons bestaat OCR alleen voor Roemeense documenten.
- Scannen levert alleen een afbeelding op; zonder OCR vindt geen enkele zoekopdracht de inhoud.
- Voor Roemeense documenten draait de tekstherkenning automatisch bij het uploaden en legt een tekstlaag over de afbeelding; bij andere talen moet de tekst al bestaan of handmatig worden ingevoerd.
- Daarna zoek je op alles wat in het document staat: een naam, een KvK-nummer, een postnummer, een datum of een bedrag.
Wat zegt de wet (in het kort)
- De tekstlaag verandert het document niet: de oorspronkelijke afbeelding blijft wat je bewaart, de herkende tekst is een zoekindex en geen nieuwe versie.
- Het archiefplan en de dossierindeling blijven de echte index van het archief; de tekstlaag vult die aan, maar vervangt ze niet.
- AVG, art. 5 lid 1 onder e: de uit een scan gehaalde tekst bevat dezelfde persoonsgegevens en valt onder dezelfde bewaartermijnen.
- Gescande administratie blijft onder de zeven jaar van art. 52 AWR en art. 2:10 BW vallen.
Praktijkvoorbeelden
- Je zoekt op "opleveringsrapport hal 2" en krijgt vier resultaten uit 3.500 gescande pagina's.
- Het KvK-nummer van een leverancier in de tekst van een brief wordt doorzoekbaar, ook al staat het nergens in de bestandsnaam.
- Bij 200 gescande pagina's per dag kost handmatig indexeren ongeveer twee uur typen; voor Roemeens doet OCR het bij het uploaden.
- Een personeelsdossier uit 2014 dat achteraf is gescand, is dezelfde dag op de naam van de medewerker te vinden.
Veelgemaakte fouten
- Er wordt gescand op 150 dpi of lager en de herkenning wordt zichtbaar slechter; 300 dpi is de praktische ondergrens.
- Pagina's zijn scheef of met de telefoon gefotografeerd, zonder automatisch rechtzetten.
- Er wordt gezocht zonder accenten (zoals in "één" of "café"), terwijl de herkende tekst ze wel bevat.
- Men gaat ervan uit dat alle woorden van een scan doorzoekbaar zijn: bij handgeschreven stukken is het resultaat gedeeltelijk.
- Het archiefplan wordt overgeslagen, "want we zoeken toch op volledige tekst".
Hoe 4docs helpt
- Automatische tekstherkenning bij het uploaden van Roemeense documenten, ook bij bulkimport van het oude archief.
- Zoeken in de volledige tekst van documenten, niet alleen in de bestandsnaam.
- Gecombineerd filteren op jaar, documentsoort, afdeling en bewaartermijn.
- Zoekresultaten in de volledige tekst leiden je direct naar het document waarin de term voorkomt.