Phần mềm kiểm trùng chỉ so được chữ, không so được hình. Tệp PDF tạo bằng máy quét hay ảnh chụp điện thoại bên trong chỉ là ảnh trang giấy, nên muốn kiểm trùng phải đưa về chữ bằng nhận dạng chữ (thường gọi là OCR), rồi soát lỗi, nhất là lỗi dấu tiếng Việt, trước khi tải lên. Bỏ qua bước soát thì báo cáo vừa sai vừa khó đọc.
Phần dưới giúp bạn nhận ra tệp nào là ảnh, chọn cách nhận dạng phù hợp, những lỗi tiếng Việt hay gặp sau khi nhận dạng, cách xử lý bảng, hai cột, chú thích, và chuyện giữ kín thông tin khi đưa tài liệu lên công cụ trực tuyến.
Biết tệp của mình là chữ hay là ảnh
PDF có hai loại chính. Loại thứ nhất được xuất thẳng từ phần mềm soạn thảo: chữ bên trong là chữ thật, bôi đen được, tìm kiếm được, sao chép ra được. Loại thứ hai được tạo từ máy quét hoặc ghép ảnh chụp: mỗi trang chỉ là một tấm ảnh, bôi đen thì chọn cả trang như một hình, tìm kiếm không ra gì. Cũng có loại lai: ảnh trang giấy kèm một lớp chữ ẩn đã nhận dạng sẵn, chất lượng lớp chữ này rất khác nhau.
Phép thử nhanh là mở tệp, dùng ô tìm kiếm tìm một từ bạn thấy rõ trên trang. Không ra kết quả, hoặc ra mà chữ sao chép bị vỡ, nghĩa là phần mềm kiểm trùng cũng sẽ không đọc được, hoặc đọc sai. Nhiều phần mềm kiểm trùng gặp trang ảnh sẽ bỏ qua, và tỷ lệ trùng của bài có thể thấp giả chỉ vì máy không thấy nửa bài.
Ảnh chụp bằng điện thoại thì rõ ràng là ảnh. Tài liệu giấy cũ, luận văn khoá trước chỉ có bản in, văn bản hành chính đóng dấu là những nguồn hay phải đi qua bước này.
Trình tự đưa ảnh về chữ
Công cụ cụ thể có nhiều: chức năng nhận dạng trong phần mềm đọc PDF, trong phần mềm soạn thảo, trong ứng dụng chụp tài liệu trên điện thoại. Tên menu khác nhau theo phiên bản; trình tự dưới đây áp được cho hầu hết.
- Chuẩn bị ảnh tốt: trang phẳng, đủ sáng, không bóng tay, chụp thẳng góc; nếu quét thì chọn độ phân giải đủ cao cho chữ nhỏ và dấu thanh hiện rõ.
- Trong công cụ nhận dạng, chọn đúng ngôn ngữ tiếng Việt; để mặc định ngôn ngữ khác là nguồn của phần lớn lỗi mất dấu.
- Nhận dạng từng phần nếu tài liệu dài, lưu kết quả ra tệp soạn thảo để dễ sửa.
- So từng trang kết quả với ảnh gốc, sửa lỗi chữ, dấu, ngắt dòng, ngắt đoạn.
- Gộp các phần, đưa về một phông Unicode thống nhất, chuẩn hoá dạng chữ.
- Đọc lại một lượt toàn bộ như đọc bài bình thường, rồi mới đem đi kiểm trùng.
Đừng nhảy từ bước nhận dạng sang bước kiểm trùng. Kết quả nhận dạng chưa soát giống một bản nháp đầy lỗi: phần mềm kiểm trùng sẽ so bản nháp đó, không so bài thật của bạn.
Lỗi tiếng Việt hay gặp sau khi nhận dạng
Mất dấu hoặc đổi dấu. Dấu nặng nhỏ dưới chữ dễ bị bỏ, dấu hỏi và dấu ngã dễ lẫn nhau, chữ “ơ”, “ư” dễ thành “o”, “u”. Một trang nhận dạng kém có thể có hàng chục lỗi kiểu này, đủ để làm máy so không khớp những đoạn thật ra giống hệt nguồn.
Chữ dính hoặc chữ tách. Hai âm tiết dính vào nhau thành một chuỗi lạ, hoặc một âm tiết bị tách đôi bởi khoảng trắng thừa. Vì tiếng Việt viết cách theo âm tiết, lỗi này làm hỏng bước tách từ của phần mềm kiểm trùng.
Ngắt dòng giữa câu. Mỗi dòng trên trang giấy thành một đoạn riêng, có khi kèm dấu gạch nối ở cuối dòng. Máy so có thể vẫn khớp, nhưng báo cáo hiển thị rời rạc, khó đọc khi trao đổi.
Số và ký hiệu bị nhầm. Số không lẫn chữ “o”, số một lẫn chữ “l”, dấu phẩy thập phân thành dấu chấm. Với bảng số liệu và trích số hiệu văn bản, lỗi này làm sai nội dung chứ không riêng gì tỷ lệ trùng.
Bảng, hai cột, chú thích chân trang: phần dễ vỡ nhất
Trang giấy có bố cục phức tạp là thử thách lớn của nhận dạng chữ. Bài báo in hai cột có thể bị đọc ngang qua cả hai cột, trộn câu của cột trái với cột phải. Bảng số liệu có thể bị đọc thành một chuỗi số dài không còn hàng cột. Chú thích chân trang chen vào giữa thân bài, số trang và tiêu đề đầu trang lặp lại ở mỗi trang.
Cách xử lý thực tế: nhận dạng riêng vùng thân bài nếu công cụ cho chọn vùng; xoá tiêu đề đầu trang, số trang lặp lại; đưa chú thích về cuối đoạn hoặc cuối bài theo đúng cách trình bày của bạn; với bảng, cân nhắc gõ lại bảng trong phần mềm soạn thảo thay vì sửa kết quả nhận dạng, vì gõ lại thường nhanh hơn và chính xác hơn.
Nếu tài liệu scan là nguồn bạn trích dẫn chứ không phải bài của bạn, bạn chỉ cần nhận dạng phần mình trích để chép cho đúng. Không cần biến cả cuốn sách thành chữ.
Bản photo nhiều lần, chữ mờ, chữ viết tay
Chất lượng nhận dạng phụ thuộc nặng vào chất lượng bản gốc. Tài liệu đã photo qua nhiều đời, giấy ố vàng, mực nhoè, chữ đánh máy cũ không đều nét là những ca khó nhất. Dấu thanh tiếng Việt vốn nhỏ, gặp bản mờ thì gần như biến mất, và công cụ sẽ đoán, mà đoán sai thì ra một chữ khác nghĩa hẳn.
Với bản như vậy, đừng hy vọng nhận dạng một lần là xong. Thử tăng độ tương phản của ảnh, quét lại ở độ phân giải cao hơn, hoặc chụp lại từng trang dưới ánh sáng đều. Nếu sau vài lần vẫn quá nhiều lỗi, gõ lại bằng tay phần cần dùng thường nhanh hơn ngồi sửa từng chữ.
Chữ viết tay là chuyện khác hẳn. Công cụ nhận dạng chữ in hầu như không đọc được chữ viết tay tiếng Việt, một số công cụ mới có làm được nhưng sai nhiều. Bài viết tay, bản nháp ghi chép tay thường không phải đối tượng của phần mềm kiểm trùng; nếu bắt buộc phải kiểm, gõ lại là cách duy nhất cho ra kết quả có ý nghĩa. Giảng viên nhận bài viết tay nên đánh giá bằng đọc và trao đổi trực tiếp thay vì đưa qua máy.
Đối chiếu báo cáo với ảnh gốc sau khi kiểm
Ngay cả khi đã soát kỹ, vẫn nên dành thêm một bước sau khi có báo cáo kiểm trùng. Mở những đoạn bị tô màu và những đoạn có tỷ lệ thấp bất thường, đặt cạnh ảnh gốc. Đoạn bị tô màu mà trên bản gốc không giống nguồn có thể do lỗi nhận dạng ghép nhầm chữ; đoạn lẽ ra là trích dẫn mà không được tô màu có thể do mất dấu làm máy không khớp.
Nếu phát hiện lỗi, sửa trong tệp chữ rồi kiểm lại, đừng giải thích miệng với hội đồng rằng “máy đọc sai”. Một báo cáo sạch luôn thuyết phục hơn lời giải thích. Ghi lại các lần sửa cùng ngày tháng, giữ cả bản ảnh gốc, bản sau nhận dạng và bản đã soát; khi có người hỏi vì sao tỷ lệ đổi giữa hai lần kiểm, bạn có đủ hồ sơ để trả lời.
Với giảng viên, nếu thấy báo cáo của sinh viên có chữ vỡ hoặc mất dấu hàng loạt, hãy hỏi về nguồn tệp trước khi kết luận gì. Rất có thể bài đã đi qua bước nhận dạng chưa soát, không phải dấu hiệu gian lận.
Khi nào cần đưa tài liệu scan về chữ
Không phải mọi tệp ảnh đều phải đi qua nhận dạng. Bảng dưới gợi ý theo tình huống.
| Tình huống | Có cần nhận dạng? | Ghi chú |
|---|---|---|
| Bài của bạn chỉ còn bản in, cần nộp kiểm trùng | Có, toàn bộ | Soát kỹ trước khi kiểm; tốt nhất tìm lại tệp soạn thảo gốc |
| Giảng viên cần kiểm bài nộp dạng ảnh chụp | Có, hoặc yêu cầu nộp lại tệp chữ | Quy định từ đầu học phần hình thức nộp bài |
| Bạn trích vài đoạn từ sách cũ | Chỉ phần trích | Gõ lại cũng được, nhớ ngoặc kép và nguồn |
| Phụ lục là giấy tờ có chữ ký, con dấu | Thường không | Đọc quy định xem phụ lục có tính vào kiểm trùng không |
| Tài liệu tham khảo bản scan của người khác | Không cần | Máy kiểm trùng so bài của bạn, không so tài liệu bạn đọc |
Nếu bạn còn tệp soạn thảo gốc, hãy dùng nó. Nhận dạng chữ là đường vòng cho trường hợp không còn cách khác.
Giữ kín thông tin khi dùng công cụ trực tuyến
Nhiều công cụ nhận dạng chữ miễn phí chạy trên mạng: bạn tải ảnh lên, chúng trả lại chữ. Tiện, nhưng tài liệu của bạn đi qua máy chủ của người khác. Với luận văn chưa bảo vệ, số liệu khảo sát có thông tin người tham gia, hồ sơ cơ quan, hợp đồng, bạn cần nghĩ kỹ trước khi tải lên.
Thói quen an toàn: ưu tiên chức năng nhận dạng chạy ngay trên máy của bạn nếu phần mềm có; che hoặc cắt bỏ phần chứa họ tên, số giấy tờ, địa chỉ, chữ ký trước khi tải lên; đọc điều khoản của công cụ về việc lưu trữ tệp; xoá tệp trên công cụ sau khi dùng nếu có chức năng đó. Với tài liệu của cơ quan, hỏi bộ phận phụ trách trước khi đưa lên bất kỳ dịch vụ ngoài nào.
Chuyện tương tự áp dụng cho chính phần mềm kiểm trùng: một số dịch vụ lưu bài bạn tải lên vào kho so sánh. Đọc kỹ tuỳ chọn lưu bài trước khi kiểm thử bản nháp.
Câu hỏi thường gặp
Phần mềm kiểm trùng có đọc được PDF scan không?
Phần lớn không đọc được chữ nằm trong ảnh, nên trang scan bị bỏ qua hoặc đọc sai. Một số dịch vụ tự nhận dạng chữ trước khi so, nhưng chất lượng với tiếng Việt không đều. Tốt nhất là tự đưa về chữ và soát lỗi trước khi kiểm.
Làm sao biết tệp PDF là chữ hay là ảnh?
Mở tệp và tìm thử một từ bạn thấy rõ trên trang. Nếu không tìm ra, hoặc bôi đen chỉ chọn được cả trang như một hình, đó là ảnh. Nếu chép ra mà chữ vỡ, lớp chữ bên trong có vấn đề.
Nhận dạng chữ tiếng Việt hay sai ở đâu?
Hay sai ở dấu thanh, nhất là dấu nặng, dấu hỏi và dấu ngã, ở chữ ơ, ư, và ở bảng, bố cục hai cột. Chọn đúng ngôn ngữ tiếng Việt, ảnh rõ nét và soát từng trang so với bản gốc giúp giảm lỗi đáng kể.
Không soát lỗi sau nhận dạng thì có sao không?
Phần mềm kiểm trùng sẽ so bản đầy lỗi chứ không phải bài thật, nên tỷ lệ có thể sai cả hai chiều. Báo cáo cũng khó đọc, làm người hướng dẫn và hội đồng mất thời gian. Bài nộp đầy lỗi chữ còn ảnh hưởng tới đánh giá chất lượng.
Có nên dùng công cụ nhận dạng chữ trực tuyến miễn phí không?
Dùng được với tài liệu công khai. Với luận văn chưa bảo vệ, số liệu có thông tin cá nhân hay hồ sơ cơ quan, nên ưu tiên công cụ chạy trên máy, che thông tin nhạy cảm và đọc điều khoản lưu trữ trước khi tải lên.
Bài nộp bằng ảnh chụp điện thoại thì giảng viên kiểm trùng thế nào?
Giảng viên phải nhận dạng chữ rồi soát, rất tốn thời gian. Cách bền hơn là quy định từ đầu học phần rằng bài phải nộp dạng tệp chữ. Với bài viết tay trên lớp, kiểm trùng bằng máy thường không phù hợp, nên đọc và trao đổi trực tiếp.