SIMARA: قاعدة بيانات لاستخراج المعلومات ذات المفاتيح والقيم من الصفحات الكاملة

نُقدِّم قاعدة بيانات جديدة لاستخراج المعلومات من الوثائق المخطوطة التاريخية. يشمل المجموعة 5,393 وثيقة مساعدة (Finding Aids) من ستة سلاسل مختلفة، وتُرجع إلى الفترة من القرن الثامن عشر إلى القرن العشرين. تُعدّ وثائق المساعدة وثائق مخطوطة تحتوي على بيانات وصفية (Metadata) تصف المحفوظات القديمة. وتخزن هذه الوثائق في الأرشيف الوطني الفرنسي، وتُستخدم من قِبل الأرشيفيين لتحديد وعَثور الوثائق الأرشيفية. تمّ تسمية كل وثيقة على مستوى الصفحة، وتحتوي على سبعة حقول يمكن استرجاعها. ولا تتوفر معلومات حول موضع كل حقل، مما يشجع على إجراء أبحاث حول نظم استخراج المعلومات الخالية من التجزئة (Segmentation-Free Systems). ونُقدِّم نموذجًا يعتمد على بنية المُحَوِّل (Transformer) ومدرب لاستخراج المعلومات من النهاية إلى النهاية، مع توفير ثلاث مجموعات للتدريب والتحقق والاختبار، لضمان مقارنة عادلة مع الدراسات المستقبلية. ويمكن الوصول إلى هذه القاعدة البيانات مجانًا من خلال الرابط: https://zenodo.org/record/7868059.