Статья посвящена повышению качества распознавания архивных текстов, представленных в виде метрических книг Российской империи конца XIX – начала XX века, являющихся уникальным историческим источником для генеалогии и демографии. Стандартные системы оптического распознавания символов, обученные на современных печатных текстах, демонстрируют на подобных документах точность не более 30 % из-за комплекса факторов: ветхость бумажных носителей, выцветание чернил, наличие дореформенной орфографии (буквы ѣ, і, ѳ, ѵ) и смешение кириллического и латинского начертаний. В работе проведён сравнительный анализ двух подходов к улучшению распознавания: дообучение модели PaddleOCR на исторических данных и использование в связке с большой языковой моделью GigaChat-MAX без дообучения. Для постобработки разработан специализированный запрос для языковой модели, включающий правила замены символов, словарь частотных терминов и правила восстановления дореформенной орфографии. Эксперименты на выборке из 50 разворотов метрической книги показали, что дообучение повышает точность до 48 %, а интеграция с языковой моделью – до 65 %, при этом коэффициент ошибок на символ снижается с 70 % до 35 %. Языковая модель исправляет более половины всех ошибок, особенно эффективно заменяя латиницу на кириллицу и восстанавливая исторические окончания. В результате исследования предложен алгоритм распознавания архивных рукописных документов, отличающийся применением комбинации большой языковой модели и модели OCR, и обеспечивающий снижение затрат на разметку данных и вычислительные ресурсы. Практическая значимость: предложенный подход позволяет автоматизировать распознавание метрических книг с точностью 65 %, сокращая ручной труд по транскрипции более чем вдвое.
The paper addresses the problem of improving text recognition quality for metric books of the Russian Empire (late 19th – early 20th centuries), which are a valuable historical source for genealogy and demography. Conventional optical character recognition (OCR) systems trained on modern printed texts achieve an accuracy of no more than 30 % on such documents due to a combination of factors: paper deterioration, ink fading, pre-reform orthography (letters ѣ, і, ѳ, ѵ) and mixing of Cyrillic and Latin glyphs. The study presents a comparative analysis of two approaches: fine-tuning the PaddleOCR model on historical data versus using a pipeline of baseline PaddleOCR with the large language model GigaChat-MAX without fine-tuning. For post-processing, a specialised prompt was developed, including character substitution rules, a dictionary of frequent terms, and rules for restoring pre-reform spelling. Experiments on a sample of 50 spreads from a metric book showed that fine-tuning increases accuracy to 48 %, while the integration with the language model achieves 65 %, with the character error rate reduced from 70 % to 35 %. The language model corrects more than half of all errors, being particularly effective in replacing Latin letters with Cyrillic and restoring historical endings. The scientific novelty lies in the first direct comparison of the two strategies and the demonstration of the advantage of post-processing with a language model without the need for labelled data and computational costs. The practical significance is that the proposed approach enables automated recognition of metric books with 65 % accuracy, reducing manual transcription effort by more than half.
The authors declare that there are no conflicts of interest present.