Qué puede automatizarse en un archivo y qué necesita revisión

Estimated reading time: 9 minutos

Hace unas semanas hablábamos de qué cambia cuando podemos preguntar directamente a un archivo.

Vimos que las posibilidades de consulta se amplían cuando podemos trabajar también sobre el contenido de los documentos y no únicamente sobre los campos recogidos durante su descripción.

Una búsqueda puede localizar palabras dentro del texto. La recuperación semántica puede encontrar pasajes relacionados con una consulta, aunque utilicen otras expresiones. Y también podemos utilizar tecnología para identificar nombres, fechas, lugares u otros datos presentes en los documentos.

Ahí aparece un problema muy conocido por cualquiera que haya trabajado con un fondo real. Encontrar un dato no significa necesariamente haberlo interpretado bien.

Un nombre perfectamente legible no plantea demasiadas dudas. Otro puede aparecer manuscrito, tachado o abreviado. Una fecha puede corresponder al nacimiento de una persona, a una resolución o a cualquier otro momento del procedimiento. Y dos personas diferentes pueden compartir nombre y apellidos.

En un fondo grande, estos casos aparecen constantemente. Si queremos automatizar parte del trabajo, habrá que decidir qué resultados podemos dar por válidos y cuáles necesitan que alguien los revise.

Un expediente puede contener una persona o más de veinte

Tenemos una experiencia que ilustra bastante bien este problema.

En uno de nuestros proyectos trabajamos sobre un fondo histórico formado por expedientes con abundante información sobre las personas que aparecían en ellos.

La descripción exigía localizar los nombres de los implicados y recoger datos como lugares de nacimiento y defunción, profesión, cargos, delitos o faltas, penas, lengua y otra información necesaria para completar los registros.

Había expedientes relativamente sencillos y otros en los que aparecían más de veinte personas.

Todo ese trabajo fue realizado por profesionales de archivo, sin inteligencia artificial. Había que revisar la documentación, identificar cada dato y asegurarse de que quedaba relacionado con la persona correcta.

Con las herramientas disponibles actualmente, una parte de ese trabajo podría automatizarse. Reconocer nombres, detectar lugares, localizar fechas o identificar determinadas categorías puede hacerse sobre grandes cantidades de documentación con mucha más rapidez que mediante una lectura exclusivamente manual.

Eso reduciría bastante el tiempo dedicado a localizar información, pero no resolvería todo el trabajo. Si en un expediente aparecen veinte personas, todavía hay que comprobar qué datos corresponden a cada una, qué papel desempeña cada nombre dentro del documento y si la información localizada se ha interpretado correctamente.

Hay datos fáciles y datos que necesitan contexto

No todos los campos presentan la misma dificultad.

Una fecha que aparece siempre en la misma posición de un formulario normalizado puede identificarse con bastante facilidad. Si esa misma fecha aparece dentro de un escrito libre, ya necesitamos saber a qué se refiere y qué papel tiene dentro del documento.

Con los nombres sucede igual. Podemos localizar una persona en el texto, pero todavía hay que interpretar si es el titular del expediente, un familiar, un funcionario, un abogado, un testigo o alguien que simplemente aparece mencionado.

Por eso, en un mismo proyecto puede haber datos que admitan un tratamiento bastante automatizado y otros que necesiten revisión. Dependerá de cómo aparece la información en los documentos y de cuánto contexto haga falta para interpretarla correctamente.

La revisión no tiene por qué empezar desde cero

Una de las ventajas de estos sistemas es que permiten separar los casos sencillos de aquellos en los que aparecen dudas.

Podemos establecer criterios para que determinados resultados continúen dentro del proceso cuando cumplen unas condiciones suficientes de calidad y derivar a revisión aquellos que presentan problemas (un nombre con una lectura poco clara, un campo que aparece en una posición inesperada etc.).

Ese tipo de excepciones puede concentrar la intervención profesional.

El trabajo cambia bastante respecto a revisar manualmente cada página de cada expediente.

El técnico recibe los casos que necesitan atención y puede dedicar su tiempo a comprobar, corregir o interpretar aquello que realmente plantea dudas.

Este modelo suele conocerse como human in the loop, aunque detrás del término hay algo bastante cotidiano en gestión documental. Automatizamos lo que puede resolverse con garantías y dejamos espacio para que una persona intervenga cuando el proceso necesita criterio.

Los archivos reales están llenos de excepciones

Cuando trabajamos con un conjunto de documentos muy homogéneo, los resultados suelen ser bastante estables. El problema es que un fondo real rara vez mantiene esa regularidad de principio a fin.

Dentro de una misma serie pueden convivir documentos de distintas épocas, plantillas que han cambiado con los años, anotaciones manuscritas, sellos que dificultan la lectura, fotocopias deterioradas, mecanografiados de poca calidad o páginas en las que la información aparece organizada de otra forma.

Esa variedad acaba afectando a la precisión con la que podemos reconocer texto, localizar datos o interpretar determinados campos.

Los National Archives de Estados Unidos utilizan OCR e inteligencia artificial para generar texto extraído de parte de sus fondos digitalizados. La propia institución explica que ese texto automático necesita revisión y puede contener errores, especialmente cuando hay manuscritos, sellos, marcas o documentos con una calidad de lectura más complicada.

En un proyecto de cierto volumen conviene contar con esta variabilidad desde el principio. Habrá documentos que se procesen con muy pocos problemas y otros que necesiten un tratamiento distinto o una revisión específica. Detectar dónde aparecen esas dificultades ayuda a organizar mejor el trabajo y a no aplicar el mismo criterio a todo el fondo.

Tampoco hace falta revisar todo

Llevar la validación al extremo contrario tampoco tendría demasiado sentido.

Si una persona tiene que comprobar uno por uno todos los datos que extrae el sistema, terminaremos manteniendo buena parte del esfuerzo que pretendíamos reducir.

Por eso interesa medir.

Podemos analizar qué porcentaje de resultados es correcto para cada tipo de documento o cada campo, identificar dónde aparecen más errores y establecer controles diferentes según el riesgo.

Incluso dentro del mismo expediente podemos tratar los datos de forma distinta.

Quizá algunos campos puedan incorporarse automáticamente cuando alcanzan un nivel de confianza suficiente, mientras otros deban revisarse siempre porque su interpretación es más compleja.

También podemos revisar muestras de forma periódica para comprobar que la calidad se mantiene.

No existe un porcentaje universal a partir del cual podamos decir que una automatización es válida para cualquier archivo. Dependerá de la documentación, del uso posterior de los datos y del nivel de calidad que necesitemos.

El profesional conoce cosas que el sistema no sabe

Quien lleva tiempo trabajando con un fondo suele conocer detalles que solo te da el tiempo de experiencia trabajando.

Sabe, por ejemplo, que una serie cambia de estructura a partir de determinado año, que algunos expedientes incluyen documentación de otras personas o que hay campos que aparecen incompletos con bastante frecuencia.

Ese conocimiento es especialmente útil cuando automatizamos parte del tratamiento documental, porque ayuda a entender por qué un sistema falla más en unos documentos que en otros.

Si un técnico corrige varias veces el mismo tipo de error, quizá no estemos ante casos aislados. Puede haber una plantilla concreta que se interpreta mal, una serie con una estructura distinta o un tipo de documento que necesita otro tratamiento.

Registrar esas incidencias permite ajustar reglas, separar determinados casos o modificar el proceso para que funcione mejor sobre el conjunto real del fondo. La revisión profesional sirve así también para detectar patrones de error y mejorar el sistema con el tiempo.

El uso del dato también importa

No todos los errores tienen las mismas consecuencias.

Si utilizamos un dato para facilitar una búsqueda orientativa, una equivocación puntual puede tener un impacto limitado.

Si ese mismo dato va a incorporarse a una descripción definitiva, utilizarse en una respuesta oficial o servir de base para una investigación, el nivel de control tendrá que ser mayor.

Por eso conviene saber desde el principio para qué queremos utilizar la información obtenida.

También hay que distinguir entre localizar documentos y llegar a conclusiones sobre su contenido.

Encontrar varios expedientes donde aparece un mismo nombre no demuestra automáticamente que estemos ante la misma persona. Localizar documentación relacionada con un determinado hecho tampoco acredita por sí solo que ese hecho ocurriera exactamente como parece desprenderse de una primera lectura.

La tecnología puede ayudarnos a reunir la documentación y ponerla delante del profesional mucho más rápido.

La interpretación sigue necesitando contexto.

Dedicar el tiempo donde realmente aporta valor

El proyecto que hemos utilizado como ejemplo exigió muchas horas de lectura para obtener información que se encontraba dentro de los propios expedientes.

Hoy parte de ese recorrido podría plantearse de otra manera.

Podríamos utilizar tecnología para localizar candidatos, identificar determinados datos y separar los casos que necesitan revisión. Los profesionales seguirían interviniendo, pero su tiempo estaría mucho más concentrado en las situaciones que requieren conocimiento del fondo e interpretación.

Ese reparto es probablemente uno de los cambios más interesantes que podemos introducir en proyectos archivísticos de gran volumen.

No se trata de elegir entre automatización o profesionales. Es más bien saber qué puede resolverse de forma automática, dónde necesitamos controles y en qué puntos el conocimiento especializado sigue siendo imprescindible.

Todo este proceso también tiene una consecuencia práctica para los proyectos de digitalización.

Si sabemos que un fondo se va a utilizar después para buscar información dentro de los documentos, relacionar datos o aplicar procesos automáticos de extracción y validación, conviene tenerlo en cuenta desde el principio. La calidad de las imágenes, el tratamiento del texto, los metadatos o la estructura con la que organizamos la información condicionarán lo que podamos hacer más adelante.

Ese será precisamente el punto de partida del último artículo de esta serie.

Preguntas frecuentes