Del Papel al Dato: Herramientas para trabajar con OCR en Archivos Históricos

Por Guillermina Laitano

La actividad se enmarcó en el proyecto PortADa (Port Arrivals Data) “Datos de llegadas a puerto: recopilación automática de datos para una historia comparativa a gran escala del transporte marítimo del siglo XIX: un enfoque de las humanidades digitales para el patrimonio marítimo” financiado por el programa Acciones Marie Skłodowska-Curie de la Agencia Ejecutiva Europea de Investigación de la Unión Europea. El panel, coordinado por Ferreyra, contó con la participación de tres investigadores especializados en técnicas de reconocimiento óptico de caracteres (OCR) aplicadas a distintos tipos de documentos históricos. A partir de sus experiencias, expusieron sobre diversas herramientas utilizadas para digitalizar y procesar estos materiales y compartieron los desafíos que plantea el trabajo con documentos históricos.

El investigador Ricard García Orallo, de la Universidad de Barcelona, presentó “Aplicación del reconocimiento de texto manuscrito a documentación registral (Cataluña, 1768-1805). Investigación y ciencia ciudadana con la plataforma Arxiversa”. La exposición versó sobre la aplicación de tecnologías de reconocimiento automático de texto manuscrito (HTR) a una fuente de alcance excepcional: los libros del Registro de Hipotecas del corregimiento de Girona (Cataluña, 1768-1805), que recogen más de 150.000 documentos notariales de naturaleza muy diversa. Se trata de un proyecto que aborda los retos técnicos e historiográficos asociados a la conversión de este corpus en una base de datos estructurada, capaz de alimentar investigaciones sobre el cambio social y económico en el mundo rural catalán de finales del siglo XVIII. Se comentaron las diferentes fases del proceso, los obstáculos afrontados y los resultados obtenidos, así como posibles líneas de trabajo a futuro, como la incorporación de inteligencia artificial. Finalmente, se presentó una de las derivadas de la iniciativa, inscrita en el ámbito de la ciencia ciudadana a través de la plataforma Arxiversa, que está permitiendo la revisión colaborativa de las transcripciones por parte de investigadores, genealogistas, estudiantes o cualquier persona interesada.

Por su parte, el investigador Joaquín Rodríguez Cordeu, del Centro de Estudios Históricos (Facultad de Humanidades, UNMdP), expuso “Historia política y métodos digitales: exploraciones con fuentes parlamentarias”. Se trató de una presentación del más reciente proyecto del Grupo de Investigación sobre Movimientos Sociales y Sistemas Políticos en la Argentina Moderna de la Facultad de Humanidades (UNMdP) sobre digitalización de los Diarios de Sesiones de la Cámara de Diputados del Congreso de la Nación para el período 1946-presente y creación de una base de datos interoperable con la misma colección. En ese sentido, se compartieron los resultados de un primer flujo de trabajo desarrollado a partir de las tareas realizadas para el período 1946-1955, entre las que se incluyeron la toma de fotografías, OCR, corrección y marcado, conversión a formato tabular y enriquecimiento con metadatos, así como algunos ejercicios exploratorios.

La tercera exposición fue la del investigador Agustín Nieto, del Instituto de Humanidades y Ciencias Sociales (INHUS, CONICET-UNMdP), “Avances en la implementación de técnicas computacionales para OCR en notas periodísticas sobre arribos portuarios”. Su presentación focalizó en un análisis del rendimiento de distintos motores OCR aplicados a periódicos históricos del siglo XIX. Además, presentó los desafíos particulares de esta prensa, caracterizada por múltiples columnas, variedad tipográfica y diferente calidad de digitalización. Por último, avanzó en la comparación de herramientas OCR tradicionales con modelos de visión basados en inteligencia artificial para medir su rendimiento y mejorar la extracción de datos en formato estructurado para su posterior análisis histórico.

El panel finalizó con una ronda de preguntas del público que generaron un valioso intercambio entre colegas.

Los próximos pasos de quienes integran el proyecto PortADa se concentrarán en la preparación de materiales y puesta a punto de flujos de trabajo para el tercer Summer School. El mismo se desarrollará en Rethimno, isla de Creta, durante los meses de enero y febrero de 2026.