Intelligenza artificiale e trascrizione delle scritture manoscritte negli archivi. Proposta di un protocollo procedurale per garantire trasparenza, tracciabilità e validazione scientifica
DOI:
https://doi.org/10.60923/issn.2532-8816/24856Parole chiave:
Intelligenza Artificiale, Archivi, Handwritten Text Recognition (HTR), protocollo metodologico, metadatiAbstract
L’introduzione dell’intelligenza artificiale (IA) negli archivi, in particolare nei sistemi di riconoscimento della scrittura manoscritta (Handwritten Text Recognition - HTR), offre nuove opportunità per migliorare l’accesso e la ricerca nelle fonti documentarie. Tuttavia, tali tecnologie operano principalmente sul piano della forma grafica e rischiano di ridurre il documento a un semplice testo da decodificare, trascurandone il contesto di produzione e le relazioni archivistiche. Poiché la trascrizione implica sempre scelte interpretative, l’uso dell’intelligenza artificiale deve essere inteso come supporto al lavoro archivistico e non come sua sostituzione. Nonostante i buoni livelli di accuratezza, questi sistemi non comprendono il contesto del testo e richiedono, quindi, un costante intervento umano nelle fasi di addestramento, revisione e validazione. Il contributo propone l’adozione di una prassi metodologica standardizzata e trasparente per i processi di trascrizione assistita da IA, basata sulla documentazione delle fasi computazionali, su procedure codificate di revisione umana e su strumenti di valutazione quantitativa delle trascrizioni, distinguendo chiaramente le fasi automatiche da quelle umane. Inoltre, l’integrazione di tali informazioni nei metadati dei documenti digitali consente di rendere esplicito, tracciabile e verificabile il processo di trascrizione. In questo contesto, l’archivista mantiene un ruolo centrale come mediatore tra patrimonio documentario e strumenti computazionali.
Riferimenti bibliografici
AlKendi, Wissam, Franck Gechter, Laurent Heyberger, et al.. 2024. “Advancements and Challenges in Handwritten Text Recognition: A Comprehensive Survey”. Journal of Imaging 10 (1), 18: 1-30. https://doi.org/10.3390/jimaging10010018.
Capurro, Carlotta, Vera Provatorova, and Evangelos Kanoulas. 2023. “Experimenting with Training a Neural Network in Transkribus to Recognise Text in a Multilingual and Multi-Authored Manuscript Collection”, Heritage, 6(12), 7482–7494. https://doi.org/10.3390/heritage6120392.
Ciula, Arianna, and Øyvind Eide. 2014. “Reflections on cultural heritage and digital humanities: modelling in practice and theory”. In DATeCH ‘14: Proceedings of the First International Conference on Digital Access to Textual Cultural Heritage: 35-41. https://doi.org/10.1145/2595188.2595207.
Cummings, James, and Diane Jakacki. 2024. “Preserving Abbreviations and Tagging: Retaining Intellectual Content in HTR to TEI Workflows in the Evolving Hands project.” Proceedings of the Digital Humanities Congress 2024.
Garrido-Munoz, Carlos, Antonio Rios-Vila, and Jorge Calvo-Zaragoza. 2025. “Handwritten Text Recognition: A Survey”. IEEE Transactions on Pattern Analysis and Machine Intelligence 48 (4): 4367-4387. https://doi.org/10.1109/TPAMI.2025.3646002.
Huskey, Samuel J., 2024. “Committing to reproducibility and explainability: using Git as a research journal”. International Journal of Digital Humanities 6: 9-21. https://doi.org/10.1007/s42803-023-00076-9.
Kiessling, Benjamin. 2025 “Kraken - A Universal Text Recognizer for the Humanities”. Digital Humanities 2019: 1-7. https://hal.science/hal-04936936v1.
Lebo, Timothy, Satya Sahoo, Deborah McGuinness, et al. 2013. “PROV-O: The PROV Ontology.” W3C Recommendation, 30 April 2013. https://www.w3.org/TR/2013/REC-prov-o-20130430/.
Maness, J. M., and K. Pham. 2022. “Just Because We Can Doesn”t Mean We Should: On Knowing and Protecting Data Produced by the Jewish Consumptives” Relief Society”, Humanist Studies & the Digital Age, 7(1), 1–14. https://doi.org/10.5399/uo/hsda/7.1.8.
Momtaz, Yahya, Lorenza Laccetti, and Guido Russo. 2025. “Modular pipeline for text recognition in early printed books using Kraken and ByT5”. Electronics 14 (3083): 1-16. https://doi.org/10.3390/electronics14153083.
Nockels, Joe, Paul Gooding, Sarah Ames, and Melissa Terras. 2022. “Understanding the application of handwritten text recognition technology in heritage contexts: a systematic review of Transkribus in published research”. Archival Science 22: 367-392. https://doi.org/10.1007/s10502-022-09397-0.
Peer, Marco, Anna Scius-Bertrand, and Andreas Fischer. 2025. “CTC Transcription Alignment of the Bullinger Letters: Automatic Improvement of Annotation Quality”, Proceedings of the IEEE/CVF International Conference on Computer Vision (ICCV) Workshops, 7616–7625. https://doi.org/10.1109/ICCVW69036.2025.00783.
Rakesh, Salakapuri, Kushal Reddy Patlolla, Prashanth Venkat, et al. 2024. “Handwritten text recognition using deep learning techniques: A survey”. MATEC Web of Conferences, 392 (01126): 1-8. https://doi.org/10.1051/matecconf/202439201126.
Reul, Christian, Stefan Tomasek, Florian Langhanki, and Uwe Springmann. 2022. “Open Source Handwritten Text Recognition on Medieval Manuscripts using Mixed Models and Document-Specific Finetuning”. In International Workshop on Document Analysis Systems, Springer: 1-30. https://doi.org/10.48550/arXiv.2201.07661.
Romein, Annemieke, Achim Rabus, Gundram Leifert, et al. 2025. “Assessing advanced handwritten text recognition engines for digitizing historical documents”. International Journal of Digital Humanities 7: 115-134. https://doi.org/10.1007/s42803-025-00100-0.
Ströbel, Phillip Benjamin, Simon Clematide, and Martin Volk. 2020. “How Much Data Do You Need? About the Creation of a Ground Truth for Black Letter and the Effectiveness of Neural OCR.” Proceedings of LREC 2020, 3551–3559. Marseille: European Language Resources Association. https://aclanthology.org/2020.lrec-1.436/.
Švītiņa, Laura. 2024. “From Manuscripts to Machine-Readable Texts: Developing AI Model for Latvian Autobiographic Heritage”, Baltic Journal of Modern Computing, 12(4), 628–635. https://doi.org/10.22364/bjmc.2024.12.4.22.
Torres Aguilar, Sergio, and Vincent Jolivet. 2023. “Handwritten Text Recognition for Documentary Medieval Manuscripts”, Journal of Data Mining and Digital Humanities: 1-11 https://doi.org/10.46298/jdmdh.10484.
Downloads
Pubblicato
Come citare
Fascicolo
Sezione
Licenza
Copyright (c) 2026 Stefania Conte

Questo lavoro è fornito con la licenza Creative Commons Attribuzione 4.0 Internazionale.