A utilização das coleções de jornais históricos digitalizados

O desenvolvimento dos processos de digitalização de jornais históricos, bem como o desenho das bases de dados que disponibilizam a pesquisa e o acesso a esses jornais, será verdadeiramente efetivo se corresponder às necessidades informacionais dos investigadores e às suas práticas de interação com as diversas plataformas digitais. É também importante identificar as práticas anteriormente existentes num contexto menos eletrónico, pois, como refere ^{Brake (2012}, p. 222), a maioria dos historiadores tem consultado o conteúdo dos jornais em busca de outros tópicos, mas um conjunto de investigadores pesquisou o próprio meio, o que requer o acesso à navegação e consulta dos jornais digitalizados ao nível da página e/ou do número completo, considerando, aqui, o conceito de navegação como uma aproximação ao “folhear” das páginas impressas. E é neste âmbito que se pode encontrar muito do trabalho de digitalização realizado, ou seja, apenas para disponibilizar páginas completas e fac-símiles, pelo que se justifica, neste ponto, relembrar os tipos de navegação identificados por alguns autores (^{Marchionini, 1995}, p. 100 e ss.; ^{Large et al., 2001}, p. 181-182), a saber:

Não há muitos estudos dedicados ao conhecimento da forma como os investigadores, sejam historiadores ou de outras áreas científicas, utilizam as coleções de jornais históricos. No entanto, os trabalhos de alguns autores permitem-nos compreender como os utilizadores de determinadas comunidades académicas o executam, podendo encontrar-se algumas diferenças entre utilizadores de diferentes comunidades.

^{Allen e Sieczkiewicz (2010}) levaram a cabo um estudo com vista ao conhecimento das práticas de pesquisa e utilização de jornais históricos, independentemente do formato, ou seja, incluindo jornais em papel e jornais digitalizados. Este estudo teve como método de recolha de dados o recurso a entrevistas, pelo que é realçada a profundidade dos dados recolhidos e consequente caraterização das práticas dos entrevistados, neste caso todos os historiadores norte-americanos. Como resultado do estudo, os autores concluíram que os jornais históricos eram utilizados, sobre-tudo, para a verificação de factos (nomes, datas e locais) e para a recolha de dados sobre temas mais amplos, como, por exemplo, eleições. Os entrevistados também relataram a utilização de jornais para preencher lacunas na investigação e corroborar a informação de outras fontes. Quando à utilização de bases de dados de jornais digitalizados, os entrevistados apresentaram uma tendência para a navegação em oposição à pesquisa, ou seja, para a procura semelhante à praticada em jornais em suporte papel através da análise integral dos jornais. Quando pesquisam, interpretando-se pesquisa como a construção e inserção de queries de pesquisa, estes investigadores utilizam preferencialmente tópicos, datas ou nomes de pessoa.

O comportamento informacional dos utilizadores da base de dados Welsh Newspapers Online (WNO)¹ foi estudado por ^{Gooding (2016}a) através da recolha de dados webométricos e posterior análise recorrendo a ferramentas analíticas da Google. A coleção WNO compreende 15 milhões de artigos de jornais digitalizados com datas que se situam entre 1804 e 1919. O autor concluiu que os utilizadores consultam primordialmente a página de título mais do que qualquer outra parte dos jornais e que, provavelmente, isto é um reflexo do modo como o significado formal da página de rosto foi reforçado pela interface de navegação, pois os utilizadores que acedem a jornais através da navegação, por exemplo, serão levados por omissão para a página de título. No entanto, neste mesmo estudo, o autor verifica que é significativo o facto de os utilizadores não dedicarem a mesma atenção às restantes páginas, aparentemente por confiarem na tecnologia em vez de procederem a uma navegação manual dos jornais. Gooding (2016a) vai mais longe e afirma que a dependência de ferramentas de filtragem automatizada é inevitável num recurso de grande escala e na pesquisa num largo volume de jornais. O facto de os utilizadores não navegarem através de edições sequenciais não sugere uma diminuição do interesse, até porque se está a assistir a um tipo de comportamento que combina pesquisa, navegação e leitura numa plataforma web.

Num estudo mais recente, ^{Chardonnens et al. (2018}) recorreram a ferramentas analíticas da web para analisar o conteúdo das pesquisas dos utilizadores na plataforma de jornais históricos em linha da Biblioteca Real da Bélgica. A BelgicaPress² disponibiliza o acesso a 112 jornais de 1814 a 1970, em francês, alemão e neerlandês, num total de cerca de 3,7 milhões de páginas. Os autores concluíram que é frequente a pesquisa por nomes de pessoa e por lugares. Esta afirmação vem ao encontro do identificado no estudo de ^{Allen e Sieczkiewicz (2010}), refletindo a necessidade de os utilizadores terem acesso a instrumentos de pesquisa adequados às suas práticas de investigação. Bogaard et al. (2018), por seu lado, analisaram os logs de pesquisa combinados com registos de metadados descritivos do conteúdo da coleção de jornais históricos da Biblioteca Nacional da Holanda³, utilizando estes metadados para criar subconjuntos nos logs correspondentes a diferentes partes da coleção. Os documentos da coleção analisada têm registos bibliográficos com os seguintes metadados: identificador de documento, data de publicação, tipo de artigo, título do jornal, local de publicação, fonte (a localização física do documento original) e zona de distribuição, a qual pode ter a identificação de “local”, “nacional”, de uma das antigas colónias holandesas ou, ainda, “desconhecido”. Esta coleção inclui 1.500 títulos de jornais com datas que se situam entre 1618 e 1995, podendo recuperar-se jornais completos, páginas de jornais ou artigos individuais, considerando, neste caso, quatro tipos: artigos noticiosos, anúncios publicitários, anúncios (relativos à família, tais como anúncios de nascimento, casamento ou morte) e imagens. Os autores deste estudo concluíram que os utilizadores pesquisam por queries curtas, maioritariamente compostas por dois termos, recorrem pouco aos operadores booleanos e reordenam frequentemente os resultados por data. Através do recente trabalho das autoras ^{Late e Kumpulainen (2021}) é possível perceber de que modo os utilizadores desenvolvem a pesquisa e interagem com as plataformas digitais de jornais históricos disponibilizadas pela Biblioteca Nacional da Finlândia. O objetivo do trabalho foi o de estudar qualitativamente as interações dos investigadores de história no âmbito dos jornais finlandeses digitalizados e a sua utilização como fontes primárias de investigação - ou seja, como fontes de dados de investigação que forneçam testemunhos em primeira mão ou evidencia diretamente relacionados com o tema da investigação histórica que desenvolvem. A Biblioteca Nacional da Finlândia possui jornais históricos digitalizados publicados na Finlândia entre 1771 e 1929, disponíveis tanto para cidadãos como para académicos. Trata-se de uma coleção com aproximadamente 7,4 milhões de páginas de jornais, nas línguas finlandesa, sueca e russa⁴. Uma das conclusões mais relevantes deste estudo reside no facto de ter sido identificada uma mudança na forma como os investigadores passaram a trabalhar a partir do uso de coleções digitais: a tradição de investigação baseada em trabalho individual está a transformar-se no sentido de processos mais colaborativos. Com o trabalho frequentemente desenvolvido por equipas de investigação multidisciplinares, surge a necessidade de um maior conhecimento de como a colaboração multidisciplinar se poderá desenvolver com base no recurso às tecnologias da informação para a investigação histórica. O estudo de Late e Kumpulainen (2021) destaca-se pelo detalhe da descrição das pesquisas desenvolvidas pelos entrevistados. As autoras verificaram que alguns tópicos não eram passíveis de pesquisa por palavra-chave e para procurá-los os investigadores recorreram à navegação pelos jornais, página a página, método que utilizam por não confiarem totalmente no reconhecimento ótico de carateres (OCR). Trata-se de um aspeto relevante e será novamente abordado, mais à frente no presente artigo. Estas conclusões merecem uma reflexão, pois evidenciam a necessidade de desenho das bases de dados de jornais digitalizados com recurso à pesquisa assistida por sistemas de organização do conhecimento, no sentido de fornecer ao utilizador a terminologia mais adequada.

Potencialidades e limitações da digitalização dos jornais

As vantagens da digitalização de jornais históricos são irrefutáveis, particularmente por viabilizarem, a muitos utilizadores em simultâneo, o acesso a fontes que de outra forma estaria comprometido. Apesar de existirem bases de dados que requerem pagamento de uma subscrição para permitirem o acesso de investigadores e leitores em geral (^{Popik, 2004}), existem cada vez mais projetos de digitalização de jornais históricos que permitem o acesso livre, como os exemplos apresentados no ponto anterior, ou, ainda, como o caso do projeto BC [British Columbia] Historical Newspapers⁵ ou do Chronicling America⁶. Estes projetos constituem recursos que, como afirma ^{Mussell (2012}, p. 58) oferecem uma solução técnica para os problemas bibliográficos e metodológicos colocados pelas publicações impressas. A digitalização pode reunir séries fragmentadas e distribuídas por diversas bibliotecas e arquivos no seu espaço digital.

O aumento dos projetos de acesso livre ou comerciais contribui para o aperfeiçoamento tecnológico de reconhecimento ótico de carateres e expande as possibilidades de mais projetos poderem ser desenvolvidos a menores custos. Por exemplo, o OCR permite a pesquisa no texto de cada notícia digitalizada e de cada página. Para além do acesso ao texto completo e da pesquisa baseada em palavras-chave, as funções típicas incluem, ainda, a disponibilização de metadados, a navegação e a filtragem dos resultados. As interfaces mais avançadas oferecem, também, a funcionalidade de enriquecimento do conteúdo, como a correção pós-OCR, e ações de conectividade, como, por exemplo, as ligações a outros repositórios (^{Late e Kumpulainen, 2021}). Apesar de toda a evolução ocorrida neste âmbito, persistem, ainda, algumas críticas aos resultados da digitalização. ^{Kettunen et al., (2014}), ^{Kettunen e Pääkkönen, (2016)} e, ainda, ^{Jarlbrink e Snickars (2017)} identificaram, em algumas bases de dados, erros na digitalização por OCR que comprometiam a leitura das notícias e conduziam a textos que nunca tinham sido redigidos. ^{Järvelin et al. (2016}) apontam dois problemas significativos na transferência de recursos impressos para digitalizados. Enquanto a leitura por OCR pode atualmente alcançar mais de 99% de precisão no reconhecimento de caracteres de imagens de alta qualidade de documentos originais como os livros, no caso dos jornais históricos a precisão pode ser muito inferior. Os autores indicam, ainda, que a qualidade do OCR depende do ambiente e do estado de conservação dos documentos originais, ou seja, a qualidade da impressão e do papel. Os tipos de letra utilizados nos originais e a complexidade do layout também afetam a exatidão do resultado, pelo que, geralmente, quanto mais antigo for o jornal, menor será a taxa de exatidão. É, no entanto, possível encontrar projetos de aperfeiçoamento de deteção do layout recorrendo a componentes de OCR em acesso aberto, para manter um baixo custo do processo de digitalização (^{Liebl e Burghardt, 2020}). O segundo problema identificado por Järvelin et al. (2016) diz respeito à mudança histórica nas línguas: os textos digitalizados são escritos na língua da época da impressão. Este aspeto apenas é ultrapassado quando está disponível uma correspondência terminológica, o que requer mais recursos e investimento na digitalização e disponibilização para consulta de uma coleção digitalizada. A correção dos erros de OCR também é reconhecidamente um processo moroso, por envolver um trabalho manual na obtenção de melhores resultados, como identificaram ^{Strange et al. (2014}) num estudo em que atingiram 98% de precisão com a introdução de correção manual pós-OCR.

Observando todos estes aspetos, e citando ^{Mussell (2012}, p. 31), pode concluir-se que:

A forma como muitos destes recursos são construídos pressupõe que o que os utilizadores querem são artigos sobre algo, e este ‘algo’ é redutível à informação verbal na página. A utilização de transcrições textuais privilegia o que muda de artigo para artigo - a informação linguística - ignorando, ao mesmo tempo, as características formais que estabelecem os limites desta variação. São estas características formais, repetidas em cada fascículo, que situam os artigos dentro de fascículos, tiragens, publicações e cultura impressa de forma mais ampla⁷.

Interfaces do utilizador, metadados descritivos e controlo de autoridades

O desenho das interfaces digitais de jornais históricos tem experimentado alguma evolução, após uma fase inicial em que as características essenciais se centravam na disponibilização de imagens e em rudimentares opções de pesquisa (^{Pfanzelter et al., 2021}).

^{Ehrmann et al. (2019}) desenvolveram uma análise de 24 interfaces do utilizador de jornais históricos digitalizados com origem australiana, europeia e norte-americana. Para levarem a cabo a análise, os autores deste estudo desenvolveram uma lista de características das interfaces do utilizador, distribuídas por categorias gerais e correspondentes propriedades.

Os autores identificaram quatro gerações de interfaces: a primeira centrada principalmente na disponibilização de conteúdos em linha, a segunda na interação avançada do utilizador com o conteúdo, a terceira no enriquecimento automático através do processamento de linguagem natural e a quarta na personalização dos serviços e maior transparência relativamente à composição do corpus e exploração visual, estando esta última geração ainda em desenvolvimento em projetos de investigação. No conjunto de interfaces analisadas, os autores verificaram que muitas das propriedades presentes na lista elaborada aparecem em menos de metade das interfaces. As características mais presentes incluem metadados dos jornais, modalidades de pesquisa, filtragem de resultados e visualização do conteúdo dos jornais (por exemplo, fac-símile ou vista geral dos fascículos disponíveis), enquanto as menos utilizadas englobam o enriquecimento semântico, a conectividade (por exemplo, ligação a outros repositórios), a informação sobre a digitalização e as APIs (Interfaces de Programação de Aplicações). Os resultados deste estudo demonstram, portanto, que ainda há espaço para mais desenvolvimento em torno das plataformas que disponibilizam jornais históricos digitalizados.

Mais recentemente, ^{Pfanzelter et al. (2021}), partindo da análise de três estudos anteriores, concluíram que, até agora, a utilização das interfaces dos jornais é complexa e, de algum modo, restritiva, devido a fatores como a qualidade da leitura por OCR, a imperfeição das imagens e a presença de metadados incorretos, bem como devido à ausência de funcionalidades para análise e visualização. As ferramentas existentes que não estão integradas nas interfaces carecem frequentemente de transparência, de facilidade de utilização e da possibilidade de processar grandes corpora de dados. Pela sua exaustividade, o conjunto de propriedades identificado por ^{Ehrman et al. (2019)}, no estudo acima referido, pode servir de base para a especificação de requisitos subjacente ao desenvolvimento de bases de dados de acesso e pesquisa em jornais históricos digitalizados. Algumas das propriedades exigem um maior esclarecimento, sobretudo quanto à identificação dos metadados descritivos e de controlo de autoridades, pelo que, no presente artigo, se desenvolveu a sua adaptação, apresentada no Quadro 1. Esta adaptação considerou a revisão do vocabulário usado por aqueles autores à luz dos princípios utilizados na descrição bibliográfica normalizada e na organização do conhecimento, tradicionalmente realizadas no contexto biblioteconómico e, atualmente, aplicadas em diversos contextos. Ou seja, procedeu-se à aplicação da terminologia veiculada na norma internacional de descrição bibliográfica editada pela IFLA⁸, bem como na terminologia presente nas normas editadas pela ISO relativamente ao desenvolvimento de thesauri e interoperabilidade com outros vocabulários (^{IFLA, 2011}; ^{ISO, 2011}; ^{ISO, 2013}). Estas normas divulgam os princípios gerais da determinação dos pontos de acesso por autor, título e assunto, devendo ser complementadas, por exemplo, com a consulta a dados de autoridade de nome, disponíveis no VIAF⁹. Para desenvolver o quadro 1, também se procedeu à fusão entre algumas categorias e à revisão de algumas propriedades que se podem considerar de relevância secundária, em função das práticas de utilização dos jornais históricos já abordadas no presente artigo, bem como de propriedades identificadas nas observações de ^{Pfanzelter et al. (2021}).

O conjunto de propriedades a considerar no desenvolvimento de uma coleção digitalizada distribui-se, então, por seis categorias, a saber:

Na tabela seguinte, visualiza-se, deste modo, um conjunto de categorias diretamente relacionadas com a especificidade do tipo de material em causa e tipo de conteúdo, ou seja, os jornais históricos e os seus artigos, e categorias mais relacionadas com as funcionalidades técnicas das estruturas das bases de dados.

Quadro 1 Critérios e propriedades a implementar no desenvolvimento ou avaliação de coleções de jornais históricos digitalizados. Fonte: elaboração da autora (adaptado de ^{Ehrmann et al., 2019}, e de ^{Pfanzelter et al., 2021}) 

Da observação da tabela, pode-se, então, compreender que é vasto o conjunto de propriedades, sendo que, principalmente em algumas categorias, como: Informação sobre a coleção e metadados dos jornais, Visualização do conteúdo dos jornais e Área reservada e interação dos utilizadores, possa haver no futuro a introdução de mais propriedades no seguimento da evolução tecnológica, quer quanto aos procedimentos de digitalização, quer relativamente às possibilidades de hiperligação a fontes externas de dados.

O quadro apresentado poderá, por outro lado, servir de lista de verificação para uma avaliação de plataformas e bases de dados de disponibilização de jornais históricos digitalizados, individuais ou coleções. A atualização das categorias e correspondentes propriedades deve realizar-se periodicamente, dado que a evolução tecnológica e o aparecimento de mais aplicações de análise de texto que, no atual momento, se encontram ainda em desenvolvimento, podem contribuir para alterações significativas, sobretudo, no que respeita à pesquisa e análise de conteúdo.