Desventajas del OCR (reconocimiento óptico de caracteres)

El Servicio Postal de EE. UU. usa tecnología OCR (Optical Character Recognition) para leer direcciones en el correo. Para que el correo sea legible por un clasificador OCR, las direcciones y fuentes deben tener un formato específico. El software OCR es útil para convertir imágenes escaneadas de documentos mecanografiados o manuscritos en texto electrónico buscable, pero tiene desventajas que limitan sus aplicaciones.

Documentos limitados

El OCR funciona mejor con documentos mecanografiados de buena calidad. Los manuscritos no se leen fácilmente. Tampoco fuentes que imitan escritura a mano ni fuentes no latinas (generan muchos errores). Si el documento tiene bajo contraste, arrugas, suciedad, o el texto y fondo tienen oscuridad similar, el OCR falla. También tiene dificultades con documentos que mezclan imágenes y texto. Las hojas de cálculo producen más errores.

Precisión

Ningún software OCR es 100 % preciso. El número de errores depende de calidad y tipo de documento, incluida la fuente. Errores típicos: leer mal letras, saltar letras ilegibles, mezclar texto de columnas adyacentes o pies de imagen. Si se requiere alta precisión (ej. convertir libros digitales a formato electrónico), será necesaria una limpieza manual del texto resultante.

Soluciones alternativas (workarounds)

El OCR confunde caracteres como el cero (0) y la O mayúscula. Para evitarlo, se usa una fuente OCR especial (ej. escribir cero con barra). Pero esto solo vale para documentos creados pensando en OCR (cuestionarios). En cuestionarios manuscritos, los investigadores usan casillas para cada letra.

Trabajo adicional

Incluso si la imagen escaneada es de alta calidad, se requieren pasos extra para limpiar el texto OCR. Corregir errores de OCR es muy laborioso: una persona debe comparar manualmente el original y el texto electrónico. La gente también comete errores al teclear de un documento, pero a veces es más rápido saltarse el OCR y teclear directamente.