ICDAR 2026 の一部である HIPE-OCRepair-2026 コンペティションは、大規模言語モデルが歴史的文書の OCR エラーを修正する効果を検証した。このコンテストは、再デジタル化を行うことなくレガシーな OCR の課題に対処することで、デジタル化コレクションの検索とアクセスの向上に重点を置いた。

  • 参加者は17世紀から20世紀にかけての英語、フランス語、ドイツ語の新聞および印刷物のノイズのある転写テキストを修正した。
  • 実用的なユースケースを反映するため、外交的スコアリングではなく検索指向のスコアリング手法が使用された。
  • ゼロショットプロンプティングから継続的な事前学習やファインチューニングまで、4つのチームがシステムを提出した。
  • 結果は、現代の LLM 支援システムが OCR の品質を大幅に改善することを示したが、言語やノイズレベルによってパフォーマンスにはばらつきがあった。
  • ノイズの少ない入力に対する過剰修正が繰り返される課題として特定され、文字誤り率の削減を超えた評価の必要性が浮き彫りになった。

このデータセット、スコアラー、および評価パイプラインは、この分野の将来の研究をサポートするために公開された。