Chấm OCR bằng tên và ngày tháng trước khi tin tỉ lệ lỗi ký tự

Cô Lan, văn thư của một trường (nhân vật dựng để minh họa), gõ tên một học sinh vào ô tìm kiếm của tệp văn bản mà phần mềm OCR (nhận dạng chữ, biến ảnh chụp thành văn bản) vừa tạo từ hai mươi trang sổ đăng bộ cũ. Không ra kết quả nào. Cô lật lại trang giấy: tên vẫn nằm đó, nhưng máy đã đọc sai đúng một ký tự. Muốn biết công cụ nào sẽ không làm mất những tên cô cần tra, cô phải chấm chúng bằng chính những tên ấy.

Lập danh sách rồi chấm trên hai mươi trang của bạn

1. Chọn 10 đến 20 trang, trộn trang rõ với trang mờ hoặc chữ viết tay, vì lỗi nằm ở nhóm sau.
2. Đọc từng trang và ghi vào bảng tính mọi tên người, ngày tháng, số hiệu bạn sẽ cần tra. Làm bước này trước khi mở kết quả OCR, để danh sách không bị kết quả dẫn đường.
3. Chạy mỗi công cụ OCR bạn đang cân nhắc trên cùng các trang đó, lưu mỗi kết quả thành một tệp văn bản.
4. Với mỗi mục trong bảng, mở tệp văn bản của từng công cụ rồi tìm bằng Ctrl+F (hoặc “Tìm”). Đánh dấu hai cột: “khớp đúng” nếu cả mục xuất hiện nguyên văn. Nếu không thấy, đừng bỏ cuộc ngay: tìm một mẩu ngắn đặc trưng của mục, như tên riêng, năm trong ngày tháng, hoặc ba bốn chữ số cuối của số hiệu. Khi có kết quả, so bằng mắt với mục trong danh sách và đếm số ký tự khác nhau; chỉ lệch một hoặc hai ký tự thì ghi “khớp gần”. Hãy quyết định trước, và ghi lại, việc lệch dấu tiếng Việt có tính là một ký tự lệch hay không.
5. Mục nào không mẩu nào tìm ra thì ghi vào danh sách “mục bị mất”.
6. Tính hai tỉ lệ cho mỗi công cụ: số mục khớp đúng chia tổng số mục, và số mục khớp đúng hoặc khớp gần chia tổng số mục.

Ví dụ dựng cho bước 4: cô Lan có mục “Nguyễn Thị Hòa”. Tìm cả cụm không thấy, nhưng tìm “Hòa” ra dòng “Nguyễn Thi Hòa”, chỉ thiếu một dấu ở chữ “Thị”. Mục này vào cột “khớp gần”. Mục “Trần Văn Bảy” mà tìm “Trần”, “Văn”, “Bảy” đều không ra gì thì vào danh sách “mục bị mất”.

Đọc kết quả, và vì sao không tin tỉ lệ chung

Công cụ có khớp đúng thấp nhưng khớp gần cao là công cụ sai lẻ tẻ. Bạn có thể dò lại bằng danh sách tên đã biết hoặc để người sửa soát lướt theo từng mục. Công cụ mà khớp gần vẫn thấp thì bỏ qua một phần thực thể (tên, ngày, số hiệu), và sửa tay sẽ không cứu được vì bạn không biết nó đã mất mục nào. Hai tỉ lệ này cho bạn thứ tự ưu tiên chọn công cụ trên đúng tài liệu của bạn; chúng không phải con số so được với bản thảo.

Cách chấm này chuyển ý của một bản thảo trên arXiv (kho bản thảo khoa học đăng công khai, chưa qua bình duyệt) đăng ngày 7/10/2026 sang việc văn phòng. Các bước chưa chạy thử trên công cụ nào, phần tóm tắt là chỗ duy nhất được đọc (chưa đọc toàn văn), và bộ nhãn chỉ được công bố khi bài được nhận đăng nên chưa ai ngoài nhóm tác giả chạy lại được.

Nhóm tác giả từ Uruguay và Hồng Kông dùng một bộ 175 tài liệu của kho lưu trữ Berrutti, kèm 5.209 lượt nhắc tên, ngày và số hiệu do người gán nhãn bằng tay. Họ so ba loại hệ thống: OCR nhận dạng theo chuỗi ký tự, mô hình thị giác-ngôn ngữ chuyên cho OCR, và mô hình thị giác-ngôn ngữ đa dụng. Ngoài tỉ lệ lỗi ký tự (CER, số ký tự sai trên tổng số ký tự), họ đếm xem mỗi thực thể còn được giữ hay khôi phục được, ở các mức dung sai khác nhau về số ký tự lệch.

Thứ hạng các hệ thống đổi theo tiêu chí chấm. Qwen 3.6 có tỷ lệ phủ thực thể cao nhất ở mọi mức dung sai. Một số hệ thống khớp đúng nguyên chữ thấp hơn nhưng tăng đáng kể khi chấp nhận lệch vài ký tự, tức lỗi của chúng chủ yếu là lệch cục bộ chứ không phải đọc sai hẳn thực thể. Một số hệ thống khác vẫn không khôi phục được nhiều thực thể dù đã nới dung sai.

Dấu hiệu làm xong: một bảng nhỏ, mỗi dòng một công cụ, hai cột tỉ lệ, kèm danh sách các mục bị mất hẳn để bạn xem chúng có chung kiểu (chữ viết tay, dấu mờ, số hiệu có gạch ngang) hay không.

Nếu danh sách mục quá ngắn (dưới khoảng ba chục mục), một mục sai làm tỉ lệ nhảy mạnh, nên thêm trang. Nếu công cụ gộp hai dòng thành một khiến tên bị cắt đôi, tìm theo từng nửa và ghi riêng là lỗi ngắt dòng. Nếu mọi công cụ đều khớp gần thấp, vấn đề nhiều khả năng nằm ở chất lượng ảnh quét, hãy quét lại ở độ phân giải cao hơn trước khi đổi công cụ.

Nguồn tham khảo

1. Mariño và cộng sự, “Entity-Aware Evaluation of OCR Systems for Historical Document Transcription” (arXiv:2610.33004, 7/10/2026) — nguồn của bộ 175 tài liệu, 5.209 lượt nhắc thực thể, so sánh ba loại hệ thống và kết quả về Qwen 3.6; đây là bản thảo trên arXiv.

Tiếp trên bàn Việc hôm nay: Hỏi AI ba câu xác suất rồi cộng lại để bắt con số đáng ngờ