クラウドソーシングによるアノテーションからの手書きテキスト認識

本稿では、複数の不完全またはノイズを含むトランスクリプションが利用可能な状況下で、手書きテキスト認識用モデルをどのように訓練するかについて検討する。具体的には、単一のトランスクリプションを選択する、すべてのトランスクリプションを保持する、あるいはすべてのアノテーションから集約されたトランスクリプションを計算するといったさまざまな訓練設定を検討する。さらに、アノテーター間の合意度が低いサンプルを訓練データから除外する「品質に基づくデータ選択」の影響についても評価する。実験は、1790年から1946年までの期間にかけてフランスのベルフォール市で作成された市役所記録を対象として実施した。結果から、コンセンサストランスクリプションを計算するか、複数のトランスクリプションを用いて訓練する方法が有効な代替手段であることが示された。一方で、アノテーター間の合意度に基づいて訓練サンプルを選択する手法は、訓練データにバイアスをもたらすことが明らかとなり、性能向上には寄与しなかった。本研究で使用したデータセットは、Zenodoにて公開されている：https://zenodo.org/record/8041668。