Revolucionar el acceso al patrimonio librario: los sistemas de HTR entre humanidades digitales y ciencia de la información

ISSN 1132-0265 https://dx.doi.org/10.12795/PH.2024.v38.i02.03 Philologia Hispalensis 38/2 (2024) 59-77 (CC BY-NC-SA 4.0) REVOLUCIONAR EL ACCESO AL PATRIMONIO LIBRARIO: LOS SISTEMAS DE HTR ENTRE HUMANIDADES DIGITALES Y CIENCIA DE LA INFORMACIÓN REVOLUTIONIZING ACCESS TO LIBRARY HERITAGE: HTR SYSTEMS BETWEEN DIGITAL HUMANITIES AND INFORMATION SCIENCE Stefano Bazzaco Università di Verona stefano.bazzaco[email protected] ORCID: 0000-0002-3496-3687 Recibido: 07-01-2024 Aceptado: 16-01-2024 Resumen El presente trabajo busca ofrecer un estado de la cuestión sobre los recientes desarrollos en el campo de la transcripción automática de impresos antiguos y manuscritos con sistemas de HTR (Handwritten Text Recognition), fijando la atención prioritariamente en la creación reciente de modelos de HTR mixtos. Al respecto se explican las características principales de las herramientas más difundidas y el flujo de trabajo para la generación de modelos de reconocimiento de texto. En segundo lugar, se proporciona una muestra significativa de los modelos disponibles en la actualidad, insistiendo en el proceso de producción, los criterios adoptados y la evaluación de los resultados en relación con la experiencia madurada por el grupo de investigación Progetto Mambrino de la Universidad de Verona. Finalmente se proporcionan unas futuras pistas de investigación para la creación y difusión de estos recursos, haciendo hincapié en la necesidad de buscar una mayor sinergia entre contexto académico, expertos informáticos e instituciones de la memoria. Palabras clave: Handwritten Text Recognition (HTR), modelos mixtos, Progetto Mambrino, ciencia de la información, edición digital académica. Abstract The present work aims to offer a state of the art on recent developments in the field of automatic transcription of historical printed documents and manuscripts with HTR (Handwritten Text Recognition) systems, focusing primarily on the recent creation of HTR general models. In this regard, the main characteristics of the most widespread tools and the workflow for generating text recognition models are explained. Secondly, a significant sample of the models currently available is provided, insisting on the production process, the criteria 60 Stefano Bazzaco ISSN 1132-0265 https://dx.doi.org/10.12795/PH.2024.v38.i02.03 Philologia Hispalensis 38/2 (2024) 59-77 adopted and the evaluation of the results, in relation to the experience matured by the Progetto Mambrino research group of the University of Verona. Finally, some future research directions are provided for the creation and dissemination of these resources, emphasizing the need to seek greater synergy between the academic context, computer experts and memory institutions. Keywords: Handwritten Text Recognition (HTR), general models, Progetto Mambrino, information science, digital scholarly edition. 1. Introducción La transcripción automática de documentos impresos y manuscritos ha representado desde siempre un sueño para los humanistas y los profesionales de la ciencia de la información por constituir un hito fundamental en la gestión de todo el material bibliográfico que ha sido volcado a la red de forma masiva durante las últimas décadas. Sin embargo, la empresa parecía de difícil alcance hace unos lustros, puesto que las tecnologías de reconocimiento de textos no aseguraban resultados fiables, sobre todo con impresos antiguos y manuscritos, y por consiguiente estas herramientas resultaban incapaces de tratar el problema frente al big data derivado de la digitalización en formato imagen de billones de obras de nuestro patrimonio escrito. Más recientemente, los logros obtenidos en el campo de la inteligencia artificial sugieren que estamos más cercanos a este sueño. La idea de convertir una masa interminable de artefactos digitalizados en texto electrónico, fácil de buscar y procesable con dispositivos computacionales ha estado en el centro de las investigaciones más recientes en el campo de la informática, prometiendo alcanzar una nueva etapa de la textualidad digital1. El proceso del que hablamos presentaba unos problemas iniciales con que los especialistas debían necesariamente enfrentarse para que la empresa no fracasara o generara contenidos inservibles para la indexación y la búsqueda de carácter científico. Por una parte, las imágenes derivadas de la digitalización en larga escala realizadas en distintas etapas tecnológicas2 no siempre alcanzaban un nivel de calidad suficiente para la aplicación de herramientas de transcripción automática. Por otra, los sistemas de transcripción automática, comúnmente llamados de Optical Character Recognition (de aquí en adelante OCR), no prometían resultados asequibles para que se pudiera imaginar una aplicación generalizada con los textos de nuestro patrimonio cultural digitalizado, con la consecuencia de que se generara cierta suspicacia con respecto a su empleo en distintos ámbitos, de las ciencias del documento al contexto académico (Cordell y Smith, 2018: 10-11; Bazzacoetal., 2022: 75-76). 1 Para ello, remito a la bibliografía presente en Bazzacoetal. (2022). 2 Para más detalles, confróntese sobre este tema con el trabajo de Terras (2010), que se resume en Bazzacoetal. (2022). 61 Revolucionar el acceso al patrimonio librario ISSN 1132-0265 https://dx.doi.org/10.12795/PH.2024.v38.i02.03 Philologia Hispalensis 38/2 (2024) 59-77 Solamente en los últimos años, gracias al vertiginoso desarrollo de sistemas de Handwritten Text Recognition (de aquí en adelante HTR), que han reemplazado en su aplicación a las herramientas de OCR en las tareas de transcripción automática, se ha generado la sensación de que este proceso esté más al alcance. Por medio de softwares que consienten transcribir también imágenes en baja resolución sacadas de Google Books con un margen de error inferior al 5%, lo cual era impensable en los albores del nuevo milenio, las dificultades iniciales que comentamos han ido desalentándose, y con ellas también la reticencia por parte de muchos especialistas. No obstante, el avance en el uso de estas herramientas está generando unas complejidades inéditas a la hora de aplicarse concretamente al enorme conjunto de textos digitalizados, complejidades que los especialistas deben de tomar en consideración para que no se perjudique o alargue el entero proceso de conversión, que debe nutrirse de colaboraciones y buenas prácticas comunes entre los distintos grupos que se ocupan de la difusión, gestión e investigación del patrimonio bibliográfico. A partir de estas premisas, el presente trabajo tiene el objetivo de sustentar cierta sinergia entre los profesionales de la información y el contexto académico. En concreto, se valora el estado del arte de los sistemas de HTR y se describe el flujo de trabajo que generalmente está en la base de las herramientas más difundidas. En segundo lugar, se subraya el interés que en este campo están obteniendo los modelos de HTR mixtos y se proponen soluciones viables para su elaboración, sustentando nuestro discurso en la experiencia científica y formativa madurada por el grupo de investigación Progetto Mambrino de la Universidad de Verona en los marcos del proyecto de relevante interés nacional (PRIN) «Mapping Chivalry: Spanish Romances of Chivalry from Renaissance to 21st Century. A digital approach» (2018-2023)3 y del Progetto di Eccellenza «Le Digital Humanities applicate alle Lingue e Letterature Straniere» (2018-2022)4. Finalmente, se describen las propuestas experimentadas en el ámbito de las humanidades digitales y se vislumbran las posibles implicaciones para filólogos, técnicos informáticos y especialistas de la información, sentando las bases para futuras colaboraciones entre contextos que todavía sufren cierta falta de permeabilidad (Alvite-Díez y Barrionuevo, 2020). 3 El proyecto incluye cuatro unidades distintas que han desarrollado sus propias bases de datos: la de Verona (Biblioteca Digital del Progetto Mambrino, dir. A. Bognolo y S. Neri: mambrino.mappingchivalry.dlls.univr.it), la de Trento (MemoRam, dir. C. Demattè y G. Tomasi: http://memoram.mappingchivalry.dlls.univr.it), la de Salerno (Teatro Caballeresco, dir. D. Crivellari: http://teatrocaballeresco. mappingchivalry.dlls.univr.it) y la de Roma La Sapienza (AmadisSigloXX, dir. E. Sarmati: http://amadissigloxx.mappingchivalry.dlls.univr.it) (cons. 17/01/2024). 4 https://www.univrmagazine.it/2023/07/18/lingue-e-letterature-straniere-dipartimento-di-ecce- llenza/ (cons. 08/07/2024) 62 Stefano Bazzaco ISSN 1132-0265 https://dx.doi.org/10.12795/PH.2024.v38.i02.03 Philologia Hispalensis 38/2 (2024) 59-77 2. Sistemas de OCR/HTR y flujo de trabajo La historia de los sistemas de reconocimiento de texto es muy larga y puede retrotraerse hasta las iniciales experimentaciones en el campo del automatic recognition (Bazzacoetal., 2022: 73); sin embargo, es a partir de los años 90 cuando se empieza a emplear software de OCR para la transcripción de los artefactos derivados de la digitalización masiva de documentos. Estas herramientas, como sugiere el nombre, permiten convertir las imágenes del documento escrito en texto electrónico, es decir, machine readable, medible y procesable por parte de la máquina, a partir de la separación y detección de cada uno de los caracteres contenidos en el documento procesado (Terras, 2022a: 181; Terras, 2022b: 138). Las bibliotecas en línea como archive.org y los proyectos de periódicos digitales adoptaron estos sistemas porque permitían la búsqueda de metadatos en repositorios textuales muy vastos, pero fue la escasa fiabilidad de los resultados con textos impresos antiguos y manuscritos la que limitó su aplicación a larga escala. El germen del problema se identificaba con una característica primordial del OCR, es decir, la de tratar cada carácter de la fuente de forma aislada en una relación 1:1 con su correspondiente carácter transcrito. De hecho, en los impresos antiguos y en los manuscritos con frecuencia los caracteres no aparecen aislados, sino unidos por ligaduras, y su representación es variable también dentro de un mismo documento; sin contar que con frecuencia aparecen signos gráficos particulares (como el signo tironiano y las abreviaturas) que no proponen una relación unívoca entre cada realización gráfica y la correspondiente transcripción. Si bien existen sistemas de OCR como OCRopus (https://github.com/ocropus) y Tesseract (https://github.com/tesseract-ocr/tesseract) que, aprovechando los recientes logros en el campo del machine learning han permitido transcribir algunos textos manuscritos, son raros los casos de aplicación exitosos porque por su misma naturaleza estas herramientas prefieren tratar caracteres separados por espacios blancos y uniformes. De ello, Terras deriva que «los sistemas de OCR todavía tienen problemas con grafías, diseños o soportes complejos» (Terras, 2022a: 182, traducción mía), como ha sido demostrado por Mancinelli (2016) y Cordell y Smith (2018). Solamente gracias al desarrollo de las tecnologías de entrenamiento profundo (deep learning), los sistemas de HTR han llegado a ser las herramientas preeminentes en el campo de la transcripción automática. Estos softwares no se fijan en caracteres aislados, sino en las palabras y líneas que componen un texto: a partir de ellas extraen las características visuales y buscan calcular las probabilidades de solapamiento con realizaciones gráficas de otras porciones de texto. Para su desarrollo ha sido significativa la implementación de redes neuronales recurrentes (RNN), clases de algoritmos que funcionan como las redes cerebrales de los seres humanos y que toman decisiones pasando por distintas capas de procesamiento o estratos hasta analizar el contenido de una imagen y buscar recurrencias en la disposición de los 63 Revolucionar el acceso al patrimonio librario ISSN 1132-0265 https://dx.doi.org/10.12795/PH.2024.v38.i02.03 Philologia Hispalensis 38/2 (2024) 59-77 elementos que la componen5. Se trata, en otras palabras, de tecnologías que aseguran que el ordenador, a partir de un entrenamiento preliminar, pueda clasificar en clusters las distintas realizaciones gráficas de porciones textuales y predecir qué caracteres les corresponden en el texto transcrito. Existen hoy en día distintas soluciones de transcripción automática que aprovechan la inteligencia artificial para el reconocimiento de texto, pero se diferencian entre ellas por el enfoque adoptado. En ocasiones, las experimentaciones pueden darse dentro de proyectos con necesidades específicas, y por lo tanto nacen de la colaboración entre expertos informáticos y especialistas de la información, proveyendo soluciones ad hoc y situándose en un horizonte limitado de reutilización. En otros casos se prefiere apoyarse en iniciativas comerciales para la gestión del flujo de digitalización, por ejemplo, las grandes editoriales y sus plataformas tecnológicas, que evidentemente no fomentan la cooperación y la reproducibilidad de los resultados obtenidos. Finalmente, existe un tercer planteamiento que se apoya en los productos generados por la misma comunidad científica, es decir, softwares que nacen en el contexto de proyectos de largo alcance y que se convierten en proveedores de servicios para todo tipo de usuario interesado. El resultado es que, a pesar de que el campo del reconocimiento de texto haya experimentado notables avances en los últimos años, falta todavía una estandardización en los distintos planteamientos que gobiernan su desarrollo. Las colaboraciones entre instituciones de la memoria, investigadores y especialistas computacionales han ofrecido resultados interesantes: es el caso de proyectos como In codice ratio, para el análisis y el procesamiento de las informaciones contenidas en los Archivos Secretos del Vaticano (Firmanietal., 2018), o el sistema Monk, desarrollado por la Universidad de Groningen, el Instituto de Inteligencia Artificial ALICE y el Dutch National Archive, que proporciona recursos de anotación, reconocimiento y búsqueda textual basados en algoritmos que van más allá de las posibilidades ofrecidas por los tradicionales sistemas de OCR (Weberetal., 2018)6. Al contrario, las grandes editoriales y las plataformas tecnológicas de largo alcance se sirven de herramientas de HTR para la pesquisa de enteras colecciones digitalizadas, como por ejemplo hacen Adam Matthew Digital y Gale (Terras, 2022a: 184), o proveyendo softwares bajo licencia, como es el caso de Fabricius, la reciente 5 La web de IBM ofrece informaciones interesantes al respecto: https://www.ibm.com/it-it/topics/ recurrent-neural-networks (cons. 27/12/2022). Sobre su aplicación en el campo de la transcripción automática, considérense Mühlbergeretal. (2019: 968-969), Schwarz-Ricci (2022: 172-173) y Bermúdez Carreño (2023: 111-112). 6 La propuesta es de interés porque permite la explotación en abierto de los algoritmos de reconocimiento generados a lo largo del desarrollo del proyecto; sin embargo, el enlace al search engine de Monk no parece en la actualidad estar disponible para el usuario. Consúltese la web del proyecto, disponible en el siguiente enlace: https://www.ai.rug.nl/ ~lambert/Monk-collections-english.html (cons.27/12/2022). 64 Stefano Bazzaco ISSN 1132-0265 https://dx.doi.org/10.12795/PH.2024.v38.i02.03 Philologia Hispalensis 38/2 (2024) 59-77 tecnología de Google para el reconocimiento de jeroglíficos por medio de IA7. Sin embargo, estos sistemas comerciales «pueden ser opacos, los algoritmos y recursos empleados raramente se publican, y hay que cuidar cuestiones de copyright, licencia de las imágenes y almacenamiento a largo plazo de los recursos digitales cuando se establecen alianzas con estas grandes entidades tecnológicas» (Terras, 2022a: 184, traducción mía). En el extremo opuesto se sitúan los sistemas de HTR elaborados y gestados en el contexto de la comunidad científica, es decir, Virtual Research Environments que hacen accesible esta tecnología a cualquier tipo de público, desde los estudiosos de humanidades a los bibliotecarios y archiveros. Se trata de herramientas de acceso abierto que facilitan la transcripción manual de forma colaborativa y después consienten emplear esa transcripción para el aprendizaje de la máquina, que será capaz de interpretar otras porciones textuales cercanas en su realización gráfica a la base producida por el usuario, permitiendo en una fase posterior ejecutar búsquedas y extracción de información. Como señalan Souibgui et al. (2022: 4), estas tecnologías son todavía escasas en número, pero contamos con dos infraestructuras principales: Transkribus (READ Coop, https:// readcoop.eu/it/transkribus/) y eScriptorium (https://gitlab.com/scripta/escript orium). Los dos softwares ofrecen unas posibilidades parecidas, ya que proporcionan una interfaz gráfica (GUI) de notable sencillez y permiten que el usuario ejecute el entrenamiento y reconocimiento con HTR sobre sus textos de interés. Transkribus y eScriptorium permiten transcribir impresos antiguos y documentos manuscritos con un margen de error muy bajo por medio del aprendizaje ejecutado por el usuario. El flujo de trabajo en resumidas cuentas prevé: la importación de imágenes digitalizadas en la plataforma; la segmentación semi-automatizada de cada página en distintas zonas de texto, como regiones y líneas (Layout Analysis o Layout Detection); la transcripción manual, individual o colaborativa, de porciones de texto, que comúnmente se llama Golden Standard Transcription o Ground Truth. La transcripción manual constituye la base del entrenamiento del software de HTR para la creación de unos modelos de reconocimiento. Entonces, a partir de la producción de un modelo adecuado, las herramientas permiten transcribir la restante parte del documento de interés del usuario y exportar el resultado en formatos estándar, como TXT, DOC o XML8. 7 Más informaciones en la web de Fabricius, gestionada por Google Arts & Culture: https://artsandculture. google.com/experiment/fabricius/gwHX41Sm0N7-Dw (cons. 27/12/2023). En relación con los sistemas de HTR, citan la herramienta Souibguietal. (2022: 4) y Terras (2022a: 184). 8 Para una descripción detallada del funcionamiento de Transkribus remito a Mühlbergeretal. (2019), Bazzaco (2018, 2020) y Bazzacoetal. (2022). Sobre el flujo de trabajo de eScriptorium, consúltese Pinche (2023) y la documentación disponible al siguiente enlace: https://lectaurep.hypotheses. org/documentation/prendre-en-main-escriptorium (cons. 27/12/2023). 65 Revolucionar el acceso al patrimonio librario ISSN 1132-0265 https://dx.doi.org/10.12795/PH.2024.v38.i02.03 Philologia Hispalensis 38/2 (2024) 59-77 Lo que diferencia mayormente las dos plataformas es el planteamiento teórico a la base de cada una, puesto que eScriptorium se apoya en la infraestructura de Kraken (https://kraken.re/main/index.html) y sigue una filosofía completamente Open Access, mientras que Transkribus no proporciona el acceso a los modelos de reconocimiento y desde 2020 prevé la adquisición de créditos para ejecutar el reconocimiento con HTR. Se trata de un asunto controvertido que ha suscitado polémicas y disensiones por parte de los especialistas de las HHDD, sostenedores de infraestructuras totalmente abiertas9. No obstante, hay que reparar en el hecho de que en la actualidad Transkribus sigue contando con una comunidad más amplia de usuarios, lo cual tiene efectos inmediatos sobre los resultados obtenidos10, y es más eficiente, ya que necesita de una potencia de cálculo inferior por parte del usuario, apoyándose en unos servidores colocados en la Universidad de Innsbruck. 3. Potencialidades de la transcripción automática: los modelos mixtos Como comentamos en las páginas anteriores, los softwares de HTR consienten obtener resultados a veces muy fiables con impresos antiguos y textos manuscritos, y esto está acrecentando el interés por parte de los especialistas, sobre todo los de humanidades, que vislumbran un crecimiento exponencial en el desarrollo de sus proyectos digitales. No obstante, sigue siendo problemático el asunto de determinar la concreta eficiencia de los modelos entrenados sobre un texto individual en relación con documentos que no han constituido parte del entrenamiento, sobre todo en el caso de documentos manuscritos donde aparecen diversas grafías, a veces muy diferentes entre ellas (Hodeletal., 2021: 3). Esto pasa porque los sistemas de HTR por su misma naturaleza aprenden de lo que está incluido en el dataset (o sea, parte de la transcripción manual Golden Standard), pero de entrada tienen más dificultades en prever la disposición gráfica del texto con documentos que para ellos siguen siendo desconocidos. De hecho, cuando se hace referencia al margen de error porcentual de un modelo de HTR individual se está tomando en consideración un dato potencial, supuestamente difícil de determinar a la hora de aplicar el modelo a otro texto. Esto pasa porque la valoración de la eficiencia de cada modelo se basa en una interpretación 9 La aplicación del sistema de pago se comunicó a los usuarios por medio de un anuncio web, hoy indisponible (Terras, 2022a: 185, nota 36). Sin embargo, quizás por las críticas recibidas, desde enero de 2024 la Cooperativa Europea READ propone distintas tipologías de planes, que van del «individual», gratuito, pero con restricciones (límite de 5 entrenamientos por mes, baja prioridad), a planes del tipo «scholar» o «organization», que son de pago y aseguran funcionalidades avanzadas y un mayor soporte. Para más informaciones acerca de la gestión de planes y créditos, consúltese la siguiente página web: https://www.transkribus.org/plans (cons. 11/07/2024). 10 Considérese que, según las bases del machine learning, la máquina aprende del procesamiento de cualquier documento, cualquiera que sea su relación con los nuevos materiales que se les proporciona. De tal manera, la aportación de distintos investigadores en el globo, sin distinciones de tipología o idioma, incrementa las capacidades de la plataforma para toda la comunidad de usuarios. 66 Stefano Bazzaco ISSN 1132-0265 https://dx.doi.org/10.12795/PH.2024.v38.i02.03 Philologia Hispalensis 38/2 (2024) 59-77 a veces equívoca. Para el aprendizaje se le pide al usuario que solo una parte de su transcripción manual sea la base del entrenamiento (Training Set), mientras que otra porción, normalmente el 10%, vaya a constituir el conjunto textual de validación (Validation Set): el índice de fiabilidad del modelo (Character Error Rate o CER) se basa pues en la distancia entre el texto contenido en el conjunto de validación y el texto que el modelo reconocería al aplicarse a esos mismos materiales, es decir, cuántos cambios, añadiduras y supresiones se necesitarían para llegar de uno a otro (edit distance). Es por lo tanto lógico que el índice de error se fundamente solo en las páginas incluidas en el set de validación, y no tenga en cuenta —¡cómo podría!— la infinita gama de posibles aplicaciones a porciones del mismo texto o, exagerando, a documentos distintos. El CER es por esta razón un dato eventual, cuando no accidental, porque depende de un conjunto de páginas de validación, a veces muy exiguo, que se toma como caso ejemplar. El resultado es que no se puede determinar con anterioridad el comportamiento del algoritmo en contextos distintos cuando se le somete a la máquina un nuevo documento por interpretar, y esto, en el caso de que se tenga la intención de aprovechar modelos de HTR públicos creados por otros investigadores, conlleva dificultades a la hora de elegir cuál es el modelo individual adecuado, que prometa resultados más cercanos a los propósitos del usuario. Para valorar de forma contundente la consistencia del modelo habría que testear su eficiencia en distintos casos de estudio (samples), por ejemplo, documentos de la misma época y redactados en una grafía parecida, que constituyan una muestra significativa para sus futuras aplicaciones. Con el fin de sortear este límite intrínseco de evaluación de modelos individuales se sugirió inicialmente emplear el modelo como base para otros aprendizajes específicos (fine tuning). En tal caso, el modelo originario representaría la base (base model) de un modelo individual enriquecido con otros materiales de entrenamiento, para cuya creación se necesita volver a la transcripción manual. Sin embargo, esta tarea no solamente vuelve a ser engorrosa en términos de tiempo y trabajo, sino también difícilmente puede asegurar que el proceso no tenga que repetirse cada vez que se necesite transcribir un texto distinto. Además, ha sido demostrado que los modelos basados en datasets muy extensos de textos del mismo tipo llevan a una especialización del modelo mismo, con una correspondiente degeneración de resultados con otros textos desconocidos (Hodeletal., 2021: 5-6)11. La propuesta más interesante para generalizar la aplicación del HTR corresponde con la creación de modelos mixtos (en inglés: general models), es decir, oportunamente compuestos por un conjunto heterogéneo de documentos transcritos. Tales recursos pueden ser de distinta tipología, dependiendo de su composición y de los materiales de partida. En el caso de los impresos antiguos, la tendencia es de incluir 11 El fenómeno se conoce como overfitting. Al respecto véase Rabus (2019: 11-12). 67 Revolucionar el acceso al patrimonio librario ISSN 1132-0265 https://dx.doi.org/10.12795/PH.2024.v38.i02.03 Philologia Hispalensis 38/2 (2024) 59-77 en un único modelo realizaciones distintas de una misma tipografía, por ejemplo, textos cercanos compuestos con un mismo tipo u obras salidas de un mismo taller en un lapso temporal determinado12. En el caso de los textos manuscritos, por otra parte, se prefiere trabajar con textos de un mismo autor, de modo que el algoritmo se fundamente en distintas realizaciones de una grafía específica, que a pesar de que provengan de una misma mano difieren por varias razones en su aspecto, debido a las condiciones físicas de escritura y los diversos soportes. Asimismo, en ambas situaciones se consigue una ulterior variedad interna del modelo al incluir materiales digitalizados de distinta procedencia, puesto que varían las técnicas de conservación digital y las tecnologías de escaneo empleadas. Por ser muy eficaces y adaptables a múltiples circunstancias, también en presencia de documentos muy breves que no proporcionarían material suficiente para el entrenamiento13, los modelos mixtos están en el centro de los intereses de la comunidad científica. Sin embargo, para que el proceso de creación de los mismos se emprenda de forma sistemática es necesario fundamentar cada experimentación en unas prácticas comunes, que apunten a la sostenibilidad y congruencia del trabajo preparatorio. 4. Modelos de HTR mixtos para impreso antiguos en español. estado de la cuestión a la luz de la experiencia del Progetto Mambrino (Università di Verona) En el caso de la transcripción automática de impresos antiguos se puede afirmar que la tecnología HTR ha llegado a una fase madura, puesto que existen modelos de reconocimiento fiables que alcanzan un margen de error inferior al 3% también con textos que no forman parte del dataset de entrenamiento. En la plataforma Transkribus, por ejemplo, se encuentran algunos modelos mixtos al alcance de cualquier usuario registrado (Public Models), que ofrecen una buena muestra de las potencialidades del HTR. El modelo «Spanish Golden Age Prints 1.0», creado en el marco del proyecto ETSO (Estilometría aplicada al Teatro del Siglo de Oro), está basado en impresos teatrales del Siglo de Oro y cuenta con un dataset de 74 129 palabras transcritas. Se trata de uno de los primeros intentos de reconocimiento de la tipografía redonda: la transcripción manual respeta la ortografía de los textos originales y el modelo alcanza un margen de error de 0,91% sobre el conjunto de validación, que es una tasa de acierto notable, sobre todo para la transcripción automática de documentos con una misma tipografía (Cuéllar, 2023: 107). Sin embargo, la intención de los 12 Se siguió la primera perspectiva en la creación de modelos para la gótica y la redonda españolas del xvi, así como descrito en Bazzacoetal. (2022). 13 El problema es tratado por Hodeletal. (2021: 3). Con referencia al contexto ibérico, este mismo asunto interesa por ejemplo la transcripción automática de relaciones de sucesos, como se sugiere en Bazzacoetal. (2022). 74 Stefano Bazzaco ISSN 1132-0265 https://dx.doi.org/10.12795/PH.2024.v38.i02.03 Philologia Hispalensis 38/2 (2024) 59-77 de los mismos con la intención de establecer unas buenas prácticas para su futura explotación y difusión. Con respecto a la transcripción automática de documentos manuscritos, por otra parte, señalamos los problemas que todavía afectan a esta área de investigación, que necesariamente requiere perfeccionarse para proporcionar unos resultados asequibles, sobre todo en el caso de los estudios filológicos y la creación de ediciones digitales académicas. La bibliografía al respecto está experimentando un progresivo aumento y apunta a una mayor interacción entre humanistas digitales, especialistas informáticos e instituciones de la memoria. Por su parte, los primeros deben adoptar buenas prácticas en la preparación de los datasets para el entrenamiento del modelo, favoreciendo transcripciones basadas en criterios comunes y difundiéndolas en formatos, como XML o ALTO (Analyzed Layout and Text Object), que aseguran la sostenibilidad del trabajo llevado a cabo. Al respecto, la iniciativa HTR United (https://htr-united.github.io/, cons. 27/12/2023), proyecto que reúne los dataset ya al alcance de la comunidad científica acompañados de metadatos estándar, es de sumo interés porque consiste en entretejer y consolidar los esfuerzos de distintos investigadores para alcanzar objetivos colectivos. Los técnicos informáticos, por otra parte, auxilian la investigación, proveyendo no solamente infraestructuras de colaboración adecuadas e interfaces que no requieren un alto nivel de competencias informáticas, sino también explorando nuevas vías de creación de datos fiables y explotación de los resultados obtenidos. De hecho, existen pocas indicaciones acerca de la cantidad mínima de texto transcrito para crear modelos consistentes, por ejemplo, pasando por la agrupación y jerarquización de los materiales ya al alcance (Perdiki, 2023). Del mismo modo, en lo que atiende a la postcorrección, ha sido observado que para los textos sacados con sistemas de HTR se requieren algoritmos diferentes del OCR, puesto que los errores derivados de la aplicación de ambos son de naturaleza distinta y el riesgo es de generar ulterior ruido en las transcripciones finales (Capurroetal., 2023: 7490); no obstante, la experimentación en este campo sigue siendo escasa24. Bibliotecarios y archiveros, finalmente, están fuertemente implicados en el proceso, ya que guardan el potencial de extender la variedad de los materiales digitalizados asegurando que la pluralidad de voces que puebla sus colecciones sea preservada. Para alcanzar este objetivo y con ello beneficiar de la tecnología HTR promoviendo la búsqueda eficiente de información, Terras (2022b: 144) sugiere que las instituciones de la memoria tienen que adoptar recursos para el reconocimiento de textos en la misma fase de digitalización de los materiales archivados, buscando vías para garantizar la exportación de los datos de modo sostenible, procesable y reutilizable. En concreto, falta todavía una denominación estándar que permita 24 Las publicaciones de mayor interés al respecto son Netoetal. (2020) y Pavlopoulosetal. (2022). 75 Revolucionar el acceso al patrimonio librario ISSN 1132-0265 https://dx.doi.org/10.12795/PH.2024.v38.i02.03 Philologia Hispalensis 38/2 (2024) 59-77 clasificar y administrar los contenidos generados con HTR, para los cuales se necesita la producción de identificadores persistentes y la conexión con infraestructuras y frameworks de difusión como IIIF que soporten la interoperabilidad entre distintos repositorios (https://iiif.io/). Solo reforzada por estos tipos de sinergias la tecnología HTR podrá ser sistemáticamente empleada para la producción de source data, con recaídas en la creación de ediciones digitales académicas, análisis de carácter lingüístico y semántico, o la búsqueda de información, en conjunción con la detección de palabras clave y la inclusión en los Content Management Systems (CMS) de las extensiones digitales de bibliotecas y archivos. De esta manera se podrán garantizar la correcta preservación y circulación de nuestro patrimonio documentario, favoreciendo un libre y sostenible proceso de generación de conocimiento. Financiación El presente trabajo se ha desarrollado en el marco de las actividades del Progetto Mambrino (Università di Verona), en particular el PRIN «Mapping Chivalry: Spanish Romances of Chivalry from Renaissance to 21st Century. A digital approach» (2018-2023, prot. 2017JA5XAR), del PRIN 2022 PNRR «The digital catalogue of Spanish epic chivalric poems of the 16th and 17th centuries: texts, paratexts and socioliterary networks (an interdisciplinary approach)», del Progetto di Eccellenza «Inclusive Humanities. Prospettive di sviluppo nella ricerca e nella didattica delle lingue e letterature straniere» (2023-2027) y del centro DAIH (Digital Arena for Inclusive Humanities). Referencias Allés Torrent, S. (2020). Crítica textual y edición digital o ¿dónde está la crítica en las ediciones digitales?. Studia Aurea: revista de literatura española y teoría literaria del Renacimiento y Siglo de Oro, 14, 63-98. https://doi.org/10.5565/rev/studiaaurea.395 Alvite-Díez, M. L. y Barrionuevo, L. (2020). Confluence between library and information science and digital humanities in Spain. Methodologies, standards and collections. The Journal of Documentation, 77(1), 41-68. https://doi.org/10.1108/JD-02-2020-0030 Alvite-Díez, M. L. y Rojas-Castro, A. (2022). Ediciones digitales académicas: Concepto, estándares de calidad y software de publicación. El Profesional de la Información, 31(2), 1-19. https://doi.org/10.3145/epi.2022.mar.16 Ball, R. y Parker, G. (Eds.). (2014). Cómo ser rey. Instrucciones del emperador Carlos V a su hijo Felipe. Mayo de 1543. CSA-The Hispanic Society of America. Bazzaco, S. (2018). El Progetto Mambrino y las tecnologías OCR: estado de la cuestión. Historias Fingidas, (6), 257-272. https://doi.org/10.13136/2284-2667/89 Bazzaco, S. (2020). El reconocimiento automático de textos en letra gótica del Siglo de Oro: creación de un modelo HTR basado en libros de caballerías del siglo XVI en la plataforma Transkribus. Janus. Estudios sobre el Siglo de Oro, (9), 534-561. https://www.janusdigital. es/articulo.htm?id=160 76 Stefano Bazzaco ISSN 1132-0265 https://dx.doi.org/10.12795/PH.2024.v38.i02.03 Philologia Hispalensis 38/2 (2024) 59-77 Bazzaco, S., Jiménez Ruiz, A. M., Torralba Ruberte, A. y Martín Molares, M. (2022). Sistemas de reconocimiento de textos e impresos hispánicos de la Edad Moderna. La creación de unos modelos de HTR para la transcripción automatizada de documentos en gótica y redonda (s. XV-XVII). Historias Fingidas, (Número Especial 1), 67-125. https://doi. org/10.13136/2284-2667/1190 Bermúdez Carreño, J. (2023). Inteligencia artificial para la transcripción de letra itálica española del siglo XVIII: Transkribus como herramienta para las humanidades digitales. Revista De Humanidades Digitales, 8, 109-127. https://doi.org/10.5944/rhd.vol.8.2023.38111 Capurro, C., Provatorova, V. y Kanoulas, E. (2023). Experimenting with Training a Neural Network in Transkribus to Recognise Text in a Multilingual and Multi- Authored Manuscript Collection. Heritage, 6(12), 7482-7494. https://doi.org/10.3390/ heritage6120392 Cordell, R. y Smith, D. (2018). A Research Agenda for Historical and Multilingual Optical Character Recognition. Northeastern University Library. http://hdl.handle.net/2047/ D20297452 Cuéllar, Á. (2023). La Inteligencia Artificial al rescate del Siglo de Oro. Transcripción y modernización automática de mil trescientos impresos y manuscritos teatrales. Hipogrifo. Revista de literatura y cultura del Siglo de Oro, 11(1), 101-115. https://doi. org/10.13035/H.2023.11.01.08 Firmani, D., Maiorino, M., Merialdo, P. y Nieddu, E. (2018). Towards Knowledge Discovery from the Vatican Secret Archives. In Codice Ratio - Episode 1: Machine Transcription of the Manuscripts. En Association for Computing Machinery (Ed.), Proceedings of the 24th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining (pp. 263- 272). Association for Computing Machinery. https://doi.org/10.1145/3219819.3219879 Fradejas Rueda, J. M. (2022). De editor analógico a editor digital. Historias Fingidas, (Número Especial 1), 39-65. https://doi.org/10.13136/2284-2667/1108 García-Reidy, A. (2019). Deconstructing the Authorship of Siempre ayuda la verdad: A Play by Lope de Vega?. Neophilologus, 103(4), 493-510. https://doi.org/10.1007/s11061-019-09607-8 Gille Levenson, M. (2023). Towards a general open dataset and models for late medieval Castilian text recognition (HTR/OCR). Journal of Data Mining and Digital Humanities. Special Issue: Historical documents and automatic text recognition. https://doi. org/10.46298/jdmdh.10416 Hodel, T., Schoch, D., Schneider, C. y Purcell, J. (2021). General Models for Handwritten Text Recognition: Feasibility and State-of-the Art. German Kurrent as an Example. Journal of Open Humanities Data, 7(13), 1-10. https://doi.org/10.5334/johd.46 Kroll, S. y Sanz-Lázaro, F. (2022). Romances teatrales entre Mira de Amescua, Calderón y Lope, ritmo, asonancia y cuestiones de autoría. Revista de Humanidades Digitales, 7, 1-18. https://doi.org/10.5944/rhd.vol.7.2022.31620 Liceras Garrido, R., Comino, A. y Murrieta Flores, P. (2022). Mujeres en el Catálogo Monumental de España: Discursos arqueológicos sobre Prehistoria y Edad del Hierro en las provincias de Ávila, Soria y Burgos. Complutum, 33(1), 269-288. https://doi.org/10.5209/ cmpl.80895 Mancinelli, T. (2016). Early printed edition and OCR techniques: what is the state-of-art? Strategies to be developed from the working-progress Mambrino project work. Historias Fingidas, (4), 255-260. https://doi.org/10.13136/2284-2667/65 77 Revolucionar el acceso al patrimonio librario ISSN 1132-0265 https://dx.doi.org/10.12795/PH.2024.v38.i02.03 Philologia Hispalensis 38/2 (2024) 59-77 Menta, A., Sánchez-Salido, E. y García-Serrano, A. (2022). Transcripción de periódicos históricos: Aproximación CLARA-HD. En M. Á. Alonso, M. Alonso-Ramos, C. Gómez Rodríguez, D. Vilares Calvo y J. Vilares (Eds.), Proceedings of the Annual Conference of the Spanish Association for Natural Language Processing 2022: Projects and Demonstrations SEPLN-PD 2022. (pp. 70-74). Universidade da Coruña y CITIC, LYS Research Group. Mühlberger, G., Seaward, L., Terras, M., Ares Oliveira, S., Bosch, V., Bryan, M., Colutto, S., Déjean, H., Diem, M., Fiel, S., Gatos, B., Greinoecker, A., Grüning, T., Hackl, G., Haukkovaara, V., Heyer, G., Hirvonen, L., Hodel, T., Jokinen, M., … Zagoris, K. (2019). Transforming scholarship in the archives through Handwritten Text Recognition. Transkribus as a case study. Journal of Documentation - Emerald Publishing, 75(5), 954- 976. https://doi.org/10.1108/JD-07-2018-0114 Neto, A. F. de S., Bezerra, B. L. D. y Toselli, A. H. (2020). Towards the natural language processing as spelling correction for offline handwritten text recognition systems. Applied Sciences, 10(21), 7711. https://doi.org/10.3390/app10217711 Pavlopoulos, J., Kougia, V., Platanou, P., Shabalin, S., Liagkou, K., Papadatos, E., Essler, H., Camps, J. B. y Fischer, F. (2022). Error Correcting HTR’ed Byzantine Text. HTREC, 1-15. https://doi.org/10.21203/rs.3.rs-2921088/v1 Perdiki, E. (2023). Preparing Big Manuscript Data for Hierarchical Clustering with Minimal HTR Training. Journal of Data Mining and Digital Humanities. Special Issue: Historical documents and automatic text recognition. https://doi.org/10.46298/jdmdh.10419 Pinche, A. (2023). Generic HTR Models for Medieval Manuscripts. The CREMMALab Project. Journal of Data Mining and Digital Humanities. Special Issue: Historical documents and automatic text recognition. https://doi.org/10.46298/jdmdh.10252 Rabus, A. (2019). Recognizing Handwritten Text in Slavic Manuscripts: A Neural-Network Approach Using Transkribus. Scripta & e-Scripta, 19, 9-32. Schwarz-Ricci, V. I. (2022). Handwritten Text Recognition per registri notarili (secc. XV-XVI): una sperimentazione. Umanistica Digitale, (13), 171-181. https://doi.org/10.6092/issn.2532- 8816/14926 Souibgui, M. A., Bensalah, A., Chen, J., Fornés, A. y Waldispühl, M. (2022). A User Perspective on HTR Methods for the Automatic Transcription of Rare Scripts: The Case of Codex Runicus. Journal on Computing and Cultural Heritage, 15(4), 1-18. https://doi. org/10.1145/3519306 Terras, M. (2010). The Rise of Digitization: An Overview. En R. Rukowski (Ed.), Digital Libraries (pp. 3-20). Sense Publishers. Terras, M. (2022a). Inviting AI into the Archives: The Reception of Handwritten Recognition Technology into Historical Manuscript Transcription. En S. Jaillant (Ed.), Archives, Access and Artificial Intelligence. Working with Born-Digital and Digitized Archival Collections (pp. 179-204). Verlag - Bielefeld University Press. https://doi.org/10.14361/9783839455845-008 Terras, M. (2022b). The Role of the Library When Computers Can Read: Critically Adopting Handwritten Text Recognition (HTR) Technologies to Support Research. En A. Wheatley y S. Hervieux (Eds.), The Rise of AI: Implications and Applications of Artificial Intelligence in Academic Libraries (pp. 137-148). ACRL - Association of College & Research Libraries. Weber, A., Ameryan, M., Wolstencroft, K., Stork, L., Heerlien, M. y Schomaker, L. (2018). Towards a Digital Infrastructure for Illustrated Handwritten Archives. En M. Ioannides (Ed.), Digital Cultural Heritage (pp. 155-166). Springer. https://doi.org/10.1007/978-3-319-75826-8_13