如果团队要检索扫描的开示材料、从截图中摘录引文,或根据拍摄的文件整理时间顺序,你们就已经在依赖 OCR(光学字符识别),无论有没有人特意选择这项设置。法律文件和截图的 OCR 可以省下数天的阅读时间,但它会以可预见的方式出错,而这些错误在诉讼中比在几乎任何其他场合都更要紧:一个错误的日期、漏掉的“不”,或一条被张冠李戴的消息,都可能写进声明书。
本指南说明 OCR 擅长做什么、为什么截图比扫描件更难处理、如何获得更干净的结果、应该核对多少,以及每年都会让律所中招的涂黑陷阱。最后给出最常见的真实情形的工作流程:客户发来数百张手机截图。
OCR 对诉讼团队有什么用?
OCR 把文字的图片变成机器可读的文字。这样,扫描文件和截图就可以被搜索,工作人员可以复制原文措辞,也可以为时间线、索引和审阅工具提供内容。
关键原则:OCR 输出派生自证据,本身并不是证据。扫描件或截图才是记录。提取的文字是工作辅助,便于查找和整理,任何人在引用或依赖它之前,都必须对照图像核对。在文件中和团队习惯里把这一区别说清楚,就能避免大多数 OCR 问题。
为什么截图比扫描文件更难做 OCR?
扫描文件是为了自上而下阅读而设计的。对话截图则是为了让人根据版式、颜色和位置来阅读,而 OCR 会丢掉其中很大一部分信息。
- 说话人身份取决于位置。左右气泡表明是谁发送了消息。压平后的 OCR 文字常常丢失这一点,变成没有说话人的一整块文字。
- 时间戳稀疏或是相对的。许多应用只在间隔处显示时间,或者使用“昨天”“星期二”这类标签;如果不知道截图的拍摄日期,这些标签就没有意义。
- 视觉内容本身有含义。表情符号、回应、贴纸、已删除消息提示和已读回执可能会被丢弃,或变成乱码。
- 界面杂乱。状态栏、键盘、通知和重叠元素会被混进文字里。
- 画质损失。经通讯应用转发的截图常常被压缩,深色模式或彩色气泡也会降低对比度。
- 裁切与重叠。连续截图会在边缘重复或漏掉消息,因此提取的文字可能重复或遗漏某些行。
人工智能辅助提取比传统 OCR 更能处理版式,并且常常能保留说话人顺序。它也会带来新的风险:文字不清楚时,它可能给出看似合理的猜测,而不是标出不确定之处。这使得人工审阅更加重要,而不是更不重要。关于截图带来的基础问题,请参阅截图证据可采性的陷阱与应对。
如何从扫描文件获得更好的 OCR 结果?
更好的输入带来更好的文字。扫描文件上的大多数 OCR 错误,都源于一开始就容易改正的扫描选择。
- 打字文件按 300 dpi 扫描,这是常见的基准;小字或原件质量差时再提高分辨率。
- 褪色页面、印章、高亮或彩色表格使用灰度或彩色。
- 使用文档扫描仪或能展平并校正倾斜的扫描应用,而不是角度不正的手机照片。
- 每个文件只扫描一份文件,并使用合理的文件名,以免 OCR 错误把不同文件合并在一起。
- 把手写页面分开;对任何重要内容,都要安排人工转录。
- 保持原始扫描文件不变,在副本上运行 OCR。
- 先做样本测试:对十页做 OCR 并核对,然后再处理整箱文件。
OCR 有多准确,应该核对多少?
准确度在很大程度上取决于来源:干净的打字页面通常效果很好,而截图、手写和受损副本则差异很大。不要依赖一个笼统的准确度数字,而要根据文字的用途来设定核对程度。
| OCR 文字的用途 | 风险 | 核对 |
|---|---|---|
| 内部检索与分拣 | 漏检 | 抽查;切勿把“没有结果”当作某内容不存在的证明 |
| 时间顺序条目与摘要 | 错误的日期、说话人或金额 | 每一条都要对照图像核对日期、姓名和数字 |
| 在提交文件、声明书或证物中的引文 | 错误引用记录 | 与原件逐行比对 |
审阅从截图中提取的文字
- 把图像和文字并排打开。切勿只审阅提取的文字。
- 确认说话人。核对每一行是否归到对话中正确的一方。
- 确定日期。利用截图的上下文,把“昨天”这类相对标签转换成日期,并记下你是如何确定的。
- 核对数字和否定表述。金额、时间、地址,以及“not”和“never”这类词,是误读造成最大损害的地方。
- 单独记录更正。让机器输出与审阅者的更正可以区分,并保留更正人与更正时间。
OCR 文本算证据,还是只有图像才算?
一般来说,证物是文件或图像本身;OCR 文本是用来处理它的转录。转录是否出示、以及如何出示,由律师根据该审理机构的规则决定。
由此引出两个实务要点。根据《联邦证据规则》第 901 条及其各州对应规则,真实性问题针对的是原件,因此应按收到时的原样保存,并在接收时记录哈希值(参见哈希值在诉讼中能证明什么)。关于原件与副本的规则,即《联邦证据规则》第 1001 条至第 1004 条及其各州版本,关注的是文件或图像,这也是另一项理由:应把 OCR 文本明确标为转录,而不要让它像案卷记录那样流传。
什么是 OCR 遮盖陷阱?
可搜索的 PDF 通常包含页面图像,以及藏在图像后面的不可见文本层。在图像上画一个黑框,能在视觉上遮住文字,但文字可能仍留在文本层里,任何人都可以搜索、选中或复制。
为法律工作挑选 OCR 工具时,应该看什么?
通用 OCR 是为生成文本而设计的。法律工作需要的工具,还要保护原始材料,并展示其处理过程。
- 不改动原始文件,并将提取的文本分开存放
- 将提取的文本与图像并排显示,以便审阅
- 记录审阅者的更正,而不覆盖机器输出
- 能处理批量文件和常见手机格式,包括 HEIC 照片
- 能在该事项的每份文件中搜索,而不是一次只搜一个文件
- 从原始图像导出证物,而不是从提取的文本导出
- 对图像在何处处理、以及是否用于训练,有清晰的条款说明
最后这一点是保密问题,不是技术问题。诉讼档案中的截图和扫描件常常包含账号、健康信息和子女的具体信息,因此规则 1.6(c) 项下采取合理措施保护客户信息的义务,适用于执行提取的任何服务。如果人工智能辅助提取经由第三方模型运行,ABA 正式意见第 512 号关于生成式人工智能工具的指引也同样相关。
客户截图大批资料的工作流程
当客户发来数百张截图时,操作顺序比 OCR 引擎更重要。
- 到达即保全。保持每一份原始文件不被改动,并为每一份记录哈希值。
- 统一格式。将 iPhone 的 HEIC 图像转换为便于查看的标准格式,同时保留原件。
- 提取文本。运行 OCR 或人工智能辅助提取,使全部内容可搜索。
- 审阅并更正。核对发言人、日期和关键语句,并将更正分开存储。
- 标注日期、打标签并排优先级。指定日期、争议问题和优先级,让重要材料排到前面。
- 从图像导出证物。用原始截图制作证物,而不是用 OCR 文本。
Evidence Helper 遵循这一顺序:批量接收、HEIC 格式统一、原件在到达时即被保留并计算 SHA-256 哈希、由人工审阅并更正的人工智能辅助文本提取、全文搜索,以及按确定方式生成的带证物编号的 PDF 导出(参见证据接收与提取如何运作)。对于大批资料的分拣,我们的截图分拣工作流程涵盖排序和排优先级。特定截图或转录能否被采纳,由承办该事项的律师判断。
