التعرف الضوئي على العربية

لماذا يُعدّ هذا الخط أصعب فعلاً، وكيف تُقاس الدقة حقاً، وما الذي يحققه سبعة عشر نظاماً حين يتحقق منها أحد.

كثيراً ما يصف المورّدون التعرف الضوئي على الحروف العربية بأنه مشكلة محلولة، بينما يصفه كل من حاول رقمنة أرشيف بأنه مشكلة قائمة. والقياسات تحسم المسألة: على معيار مرجعي محكَّم للعربية، يسجّل النظام الوسيط معدل خطأ حروف قدره 74.00%، ولا تنخفض عن 31% إلا ثلاثة أنظمة من سبعة عشر. التعرف الضوئي على العربية ليس مشكلة محلولة، بل مشكلة لا ينجح فيها إلا عدد قليل من الأنظمة، ويخفق فيها معظمها.

لماذا تُعدّ العربية أصعب من الخط اللاتيني

تتضافر أربع صعوبات، وليست أيٌّ منها مسألة نقص في بيانات التدريب.

1. الخط متصل، حتى في الطباعة

تتصل الحروف العربية بما يجاورها، ولا توجد مسافات موثوقة بين الحروف، لذا فإن تقطيع الحروف ليس خطوة تمهيدية محسومة كما هو الحال في الطباعة اللاتينية. والأنظمة المبنية على معمارية «التقطيع ثم التعرف» — وهي حال معظم محركات التعرف الضوئي التقليدية — تبدأ بعائق بنيوي قبل أن ترى صفحة واحدة.

2. أشكال الحروف تتغير بحسب موضعها

لمعظم الحروف صور في أول الكلمة ووسطها وآخرها ومنفردة، وتشكّل بعض الأزواج روابط إلزامية. فالحرف نفسه قد يظهر بأربعة أشكال مختلفة بصرياً بحسب موقعه في الكلمة.

3. التشكيل اختياري ويُحتسب بطرق غير متسقة

تغيب علامات التشكيل عن معظم النصوص الحديثة، وتحضر في النصوص القرآنية والشعرية والتعليمية وبعض المواد التاريخية. واحتساب التقييم لها حروفاً أو عدمه يغيّر معدل الخطأ الناتج تغيّراً جوهرياً — ما يعني أن معيارين مرجعيين قد يعلنان رقمين مختلفين للنظام نفسه دون أن يكون أيٌّ منهما مخطئاً. انظر مسرد المصطلحات.

4. من اليمين إلى اليسار، وكثيراً ما يكون ثنائي الاتجاه

تُكتب العربية من اليمين إلى اليسار، لكن الوثائق التقنية والقانونية والمالية تتضمن عادةً نصاً لاتينياً وأرقاماً غربية وأرقاماً هندية في السطر نفسه. وترتيب القراءة نمط إخفاق مستقل عن التعرف: فقد ينسخ النظام كل حرف نسخاً صحيحاً، ثم يعيدها بترتيب يجعل الوثيقة غير صالحة للاستخدام.

ما الذي تحققه الأنظمة الحالية فعلاً

هذه الأرقام مأخوذة من تقييم أجرته YaiGlobal بنفسها على KITAB-Bench، وهو معيار مرجعي محكَّم للتعرف الضوئي على العربية (Heakl وزملاؤه، Findings of ACL 2025) يضم 8,809 عيّنات عبر تسع مهام. ونتائج الأنظمة الأخرى، باستثناء LlamaParse وLanding AI، منقولة من ورقة المعيار المنشورة.

المعدلات التي تتجاوز 100% ليست أخطاءً في الجدول. فمعدل خطأ الحروف مسافة تحرير مُطبَّعة لا حدّ أعلى لها، والنظام الذي يتجاوز 100% يُخرج محتوى زائفاً يفوق ما في الصفحة من نص. انظر لماذا تتجاوز معدلات الخطأ 100%.

الدقة تتوقف على المادة أكثر مما تتوقف على النظام

رقم الدقة الرئيسي الواحد يكاد لا يفيد في قرارات الشراء، لأن النظام نفسه يتصرف بشكل مختلف جداً باختلاف أنواع المادة. وأوضح مثال على ذلك الخط اليدوي:

الأنظمة المضبوطة على العربية المطبوعة لا تنتقل كفاءتها إلى الخط اليدوي. فإن كان أرشيفك مكتوباً بخط اليد، فإن نتيجة معيار مرجعي محسوبة في معظمها على مطبوعات حديثة لا تخبرك إلا بالقليل. المزيد عن التعرف على الخط العربي اليدوي ←

التعرف ليس العمل كله

الحصول على الحروف الصحيحة ينتج تدفقاً مسطحاً من النص. وفي معظم الاستخدامات المؤسسية — البحث والاسترجاع والتحليل والترحيل إلى الفهارس — لا يكفي ذلك. فثمة ثلاث قدرات إضافية مهمة، تُقاس كلٌّ منها على حدة:

ينعكس ترتيب فئات الأنظمة بين التعرف والبنية. إذ يسجّل LlamaParse معدل خطأ حروف قدره 69.00% في النسخ الخام — التاسع من سبعة عشر — لكنه يسجّل 90.55 على مقياس TEDS لبنية الجداول، الثاني من أربعة عشر. فالمحلّلات المصممة لهذا الغرض تحمل نموذجاً هندسياً صريحاً للصفحة، بينما يتعين على النماذج العامة أن تعيد بناءه من البكسلات في كل مرة. ترتيب النظام في مهمة واحدة لا يتنبأ إلا بالقليل عن ترتيبه في مهمة أخرى.

كيف تقيّم ادعاءً في التعرف الضوئي على العربية

خمسة أسئلة تفصل بين القياس والرقم التسويقي:

1. على أي معيار مرجعي؟ التقييم الذي يحدده المورّد ويفوز فيه المورّد ليس دليلاً. والمعيار المرجعي المحكَّم من طرف ثالث شيء مختلف.
2. على كم عيّنة، وأيّها؟ الدقة على 30 صفحة مطبوعة حديثة لا تقول شيئاً عن أرشيف مكتوب بخط اليد.
3. في مواجهة من؟ تصدّر ثلاثة أنظمة ليس كتصدّر سبعة عشر.
4. بأي مقياس، ومتوسط كلّي أم جزئي؟ قد تحرّك الطريقة المعتمدة الرقم الرئيسي بأكثر من نقطة. ورقمنا يتحرك من 12.50% إلى 14.08%.
5. من أجرى التقييم، وهل كرّره أحد؟ تقييمنا أجريناه نحن. ولم يُكرَّر بشكل مستقل، وإلى أن يحدث ذلك، يبقى هذا قيداً حقيقياً على ما يثبته.

المصادر. المعيار المرجعي: Heakl, A., et al. (2025), KITAB-Bench: A Comprehensive Multi-Domain Benchmark for Arabic OCR and Document Understanding, Findings of ACL 2025, arXiv:2502.14949، DOI 10.18653/v1/2025.findings-acl.1135. أرقام YaiGlobal مأخوذة من تقييم أجرته الشركة بنفسها على أربع من المهام التسع، و5,949 عيّنة، ولم يُكرَّر بشكل مستقل — المنهجية الكاملة وحدودها.