Słownik pojęć związanych z digitalizacją dokumentów

Digitalizacja dokumentów: proces zamiany tradycyjnej, zazwyczaj papierowej formy materiałów drukowanych lub rękopiśmiennych na postać cyfrową. Proces digitalizacji zazwyczaj realizowany jest metodą skanowania. W wyniku digitalizacji tworzone są obrazy cyfrowe - pliki graficzne będące elektroniczną kopią materiałów oryginalnych. W przypadku digitalizacji materiałów drukowanych, obrazy cyfrowe dokumentów często poddawane są w dalszej kolejności procesowi OCR.
Skanowanie dokumentów: proces kopiowania rzeczywistych obrazów dokumentów (np. kartek papieru) do postaci cyfrowej przechowywanej na nośnikach elektronicznych. Tworzone cyfrowe obrazy dokumentów zazwyczaj w pierwszej kolejności przyjmują postać plików graficznych takich jak TIFF, JPEG, DJVU, itp. Później mogą one być konwertowane do plików PDF lub innych w zależności od typu dokumentu i indywidualnych potrzeb.
Skaner optyczny: urządzenie współpracujące z komputerem służące do kopiowania rzeczywistego obrazu obiektu, np. kartki papieru do postaci cyfrowej. W chwili obecnej, na rynku dostępnych jest wiele rodzajów skanerów optycznych. Podstawowa praktyczna klasyfikacja to: skanery płaskie do użytku domowego, pozwalające skanować pojedyncze dokumenty lub zdjęcia, skanery ręczne typu Docupen pozwalające skanować dokumenty w dowolnych warunkach, oraz profesjonalne skanery płaskie pozwalające skanować obustronnie nawet kilkanaście tysięcy dokumentów dziennie.
Dokument elektroniczny: plik komputerowy zawierający określone informacje. Dokumentem elektronicznym mogą być pliki tekstowe, graficzne, muzyczne lub filmowe.
OCR: (ang. Optical Character Recognition) proces zautomatyzowanego (komputerowego) rozpoznawania tekstu z pliku graficznego zawierającego obraz dokumentu z pismem maszynowym. Dzięki procesowi OCR, możliwe jest traktowanie zeskanowanych dokumentów jako zbioru informacji tekstowych zamiast obrazów graficznych.
ICR: (ang. Intelligent Character Recognition) - proces zautomatyzowanego (komputerowego) rozpoznawania tekstu z pliku graficznego zawierającego obraz dokumentów z pismem odręcznym.
Archiwizacja: proces wykonywania kopii danych (różnego typu dokumentów) w celu zabezpieczenia ich przed utratą np. w razie fizycznego zniszczenia, kradzieży, zgubienia, itp.
Archiwum online: zbiór danych (elektronicznych kopii dokumentów) dostępny przez Internet. Osoby uprawnione, tzn. posiadające dane autoryzacyjne, mogą poprzez stronę internetową wyszukiwać, przeglądać i kopiować dokumenty z archiwum on-line 24h/dobę z każdego miejsca na świecie (pod warunkiem że posiadają one w danym miejscu dostęp do Internetu).
Text mining: zbiór algorytmów i technik eksploracji danych służących do wydobywania informacji statystycznych z tekstowych zbiorów danych.
PDF: (ang. Portable Document Format) popularny format pliku komputerowego służącego do przechowywania dokumentów elektronicznych zawierających głównie informacje tekstowe. Pliki PDF mogą być przeszukiwalne - zawarty w nich tekst traktowany jest jako informacje tekstowe, lub nieprzeszukiwalne - cała zawartość taktowana jest jako obraz graficzny, podobnie jak to jest w plikach graficznych.
Pliki graficzne: pliki komputerowe przechowujące obraz graficzne, zdjęcia, itp. Popularne typy plików graficznych to TIFF, JPEG, GIF, PNG, BMP i DJVU.
Wyszukiwanie pełnotekstowe: forma przeszukiwania dowolnych zbiorów dokumentów tekstowych oparta na statystyce występowania poszczególnych słów w tychże dokumentach.
Przykładem narzędzia oferującego przeszukiwanie pełnotekstowe jest wyszukiwarka Google. Analizuje ona treść stron internetowych i zwraca te, które (w pewnym uproszeniu) zawierają najwięcej informacji związanych z zadanym przez nas tekstem zapytania.
Nośnik danych cyfrowych: urządzenie elektroniczne służące do przechowywania danych cyfrowych. Najczęściej spotykanymi nośnikami danych cyfrowych są: karty SD, płyty CD i DVD, pamięci flash (pendrive'y), zewnętrzne (sieciowe lub podpinane przez USB) i wewnętrzne dyski komputerowe.