档案转成数据后如何保留语境：读钱毅教授《基于U型曲线重新审视档案信息化工作》

今天是国庆假期的最后一天。假期里重读钱毅教授《基于U型曲线重新审视档案信息化工作》，我一直在想一个很具体的问题：同一份档案经过扫描、识别、抽取、关联和表达之后，系统里留下的，究竟还是不是原来那份档案所能支持的判断？

这个问题比“用了什么技术”更早。扫描解决页面能不能被看见，OCR解决文字能不能被机器读出，结构化处理解决内容能不能被计算，知识组织解决不同材料能不能彼此关联，模型生成解决信息能不能被重新表达。它们处理的是同一批材料，却不一定面对同一个对象。

钱教授的论文把早期提出的“三态两化”继续展开为“五态四化”：模拟态、数字态、数据态、知识态、价值态，以及数字化、数据化、语义化、故事化。沿着这条线读，我更关心一个容易被技术方案遮住的细节：每一次转换都会增加一种新的使用能力，也会改变材料原有的边界。新的结果如果没有注明自己是怎样得到的，就很容易被误认为是原始档案直接说出来的话。

一份文件在系统里会有几种身份

先看一个假设例子。某档案馆整理一份1988年的《福利区移交街道管理报告》。原件有正文、两页附件、承办人批注和一枚日期不清的收文章。以下内容只用于说明技术转换，不对应真实馆藏或项目数据。

这份材料进入系统后，至少会出现五种不同的对象。它们互相有关，却不能把后一种对象直接当成前一种对象的替身。

*图1：一份档案在不同处理阶段承担不同任务。图中“拟/已”等词语如果被压平，后续关系和叙事就会发生偏移。*

先把“五态四化”翻译成人话

“五态”说的是档案在不同工作中以什么形态存在，“四化”说的是这些形态之间发生了什么变化。它们不是五个软件模块，也不是从低到高的五级建设标准。

模拟态，关注纸张、照片、缩微品等原始载体，以及页面、批注、印章、装订这些形制关系。数字化把它转成数字图像或电子表达，解决的是页面能否被保存、复制和远程查看。扫描是重要入口，但一张扫描图并不等于已经完成了全部数字化工作，页面顺序、附件关系和原件说明仍要保留。

数字态，关注电子文件或数字档案作为一个可信对象如何被管理。文件能不能打开只是起点，还要知道它从哪里来、有没有被改变、和哪些元数据及组成部分相连。对前面的报告来说，带页码的完整图像、文件组成、形成时间和来源说明，构成了数字态的基础。

数据态，关注内容能不能被拆成机器可以处理的记录。报告中的年份、机构、事项、状态和相关人物可以成为字段或数据元素，但字段越短，越需要说明它的范围。把“拟将福利区移交街道管理”压成“福利区移交街道”，得到的是一个方便筛选的记录，尚未得到可以直接当作事实使用的知识。

知识态，关注这些记录之间的含义和关系。谁在什么时间，以什么身份，对什么对象提出了什么意见，关系是否只在某个时期成立，都要能够表达出来。知识图谱可以帮助组织关系，但把节点连起来本身不等于完成语义化；关系的类型、时间、来源和限定条件同样重要。

价值态，关注经过整理和解释的资源怎样进入人的认知、研究和利用。面对同一批材料，企业沿革、职工生活和城市治理可以提出不同问题，形成不同叙事。故事化包含材料选择、关系安排和角度说明，让人知道一段表达是怎样从档案中组织出来的；给答案增加修辞，只是其中最表面的一层。

这样看，四个“化”也有了清楚的边界：数字化让模拟对象获得数字表达，数据化让数字对象可以被计算，语义化让数据之间的关系能够被理解，故事化让知识进入人的阅读和使用。前一个变化完成得再好，也不会自动替后一个变化完成任务。OCR做得很准，不等于字段含义已经确定；字段建得很全，也不等于关系一定成立；关系图画得很完整，也不等于一段历史叙事没有遗漏。

前面的假设报告正好可以沿着这条线观察：原件属于模拟态，带页面关系的数字图像属于数字态，年份和事项记录属于数据态，保留“拟移交”及其来源的关系表达属于知识态，围绕企业管理、城市生活或基层治理形成的不同说明，则进入价值态。五种状态可以同时保留，四个转化也不必在所有材料上一次做完。项目究竟做到哪一层，应当由使用问题和材料条件决定。

问题往往出在最后两步。报告正文写的是“拟将福利区移交街道管理”，结构化表里如果只留下“事项：福利区移交；对象：街道”，知识图谱再根据这两个字段生成“甲厂福利区已移交街道”的关系，语句看起来很顺，事实状态却已经变了。

“拟”是计划，“已”是完成；“建议”是承办意见，“决定”是正式结论。它们都可以被OCR正确识别，也都可以被大模型正确复述，但中间的结构化规则如果没有保留语气、时间和形成环节，后面的系统就没有东西可以恢复。

这说明“识别正确”与“对象理解正确”不是一回事。前者可以通过字符比对判断，后者必须追问一句话在文件中扮演什么角色。扫描质量再高，也不会自动解决这个问题。

U型曲线的低点，讲的是转换代价

论文还用“人可理解、机器可处理、人机共读”来描述语义回归。U型曲线把五种状态放到同一个观察框架里，提醒我们关注每次转换增加了什么，也关注转换过程中哪些关系需要重新建立。

我对U型曲线的理解，是它把一个经常被忽略的代价画了出来：为了让机器处理，材料要先被拆开；为了让人重新理解，又必须把被拆开的关系补回来。曲线向下的部分描述的是机器处理和人的理解之间出现了距离。它不表示档案价值降低，也不表示建设水平排名。

一页报告的文字、位置、页眉、附件编号和批注，本来共同构成一个文件事件。抽取时，系统倾向于把它们拆成一个个词、日期、机构和事项。这样做很有用，搜索会更快，统计会更方便，批量分析也终于有了入口。可一旦有人问“这件事已经发生了吗”“谁提出了这个意见”“这个名称当时指的是哪个机构”，单个字段就不够了。

这里有一个值得重视的判断：语义损失经常发生在字段设计和转换规则里，未必发生在模型参数里。把“文件状态”“意见性质”“发生时间”和“适用范围”从一开始就省掉，换一个更大的模型也只能凭上下文猜。相反，一套边界清楚的对象表达，即使先由普通检索完成，也可能比一张漂亮的关系图更可靠。

因此，档案信息化不能只看处理吞吐量。扫描了多少页、识别了多少字、建立了多少节点，说明工作做到了哪一步；它们不能单独说明材料的语境是否还在。语境没有一个简单的总分，但可以通过具体问题检查出来：系统能不能区分计划与事实，能不能把附件和正文放回原来的关系，能不能说明一个名称在什么时间、什么机构范围内有效。

*图2：依据论文论述绘制的阅读示意。曲线表达语义组织的变化，不表示实测成本、价值或能力，也不是论文原图。*

三态不是三种文件格式

如果把模拟态理解成纸张、数字态理解成PDF、数据态理解成数据库表，三态就会被误读成一次格式迁移。论文真正讨论的对象层次比文件格式更深。

纸质文件扫描成PDF，数字图像确实出现了，但它只是纸质对象的数字表现。PDF里如果没有可靠的结构和文字层次，机器仍然很难知道正文、附件、批注之间怎样关联。把OCR文本导入数据库，也不等于材料已经成为适合分析的数据。只有当字段的含义、范围和关系能够被稳定使用时，数据态才真正开始形成。

同一份档案可以同时保留几种状态。原件继续承担凭证和形制方面的意义，数字文件承担远程利用和长期管理方面的任务，数据表达承担计算和关联方面的任务，知识表达承担解释和研究方面的任务。它们围绕同一资源形成不同工作面，各自承担不同任务，不能简单按旧版本和新版本排列。

这也是论文中“连续观”和“平衡观”对建设工作很有帮助的地方。系统增加一种新表达，不能顺手把原来的表达删掉；新的规范名称能够帮助检索，也不能覆盖档案形成时使用的旧称；新的叙事能够帮助公众理解，也不能代替原始记录的复杂性。

在实际设计中，这种并存关系可以落到一个很小的例子上。对于前面的假设报告，系统可以保存这样的关系：

{
  "subject": "甲厂福利区",
  "relation": "拟移交",
  "object": "街道管理部门",
  "time": "1988",
  "status": "承办意见",
  "source": "报告第1页"
}

这里保留“拟移交”，目的在于保留原文的事实状态。假如后来又找到会议纪要，证明移交在同年年底完成，系统可以增加一条新的关系；原来的“拟移交”仍然有价值，因为它记录了事情处于计划阶段时的状态。后来的事实不应把早先的意见改写成已经发生的事实。

关系一旦建立，就会产生新的解释责任

从数据态进入知识态，最关键的动作是声明“什么和什么，以什么关系连接”。单纯画出节点还不够，这句话实际包含了时间、范围、角色和语气。

“甲厂隶属市机械局”可能是组织关系，也可能只是报告的报送关系；“某人负责设备管理”可能只在一个项目期间成立；“福利区属于甲厂”可能是产权判断，也可能只是日常管理上的称呼。相同的词放在不同材料中，关系未必相同。

知识图谱的困难因此不只在实体消歧。把两个名称判定为同一机构，只解决了“是不是同一个”的一部分问题；还要判断它们在什么时间有效，关系由谁作出，材料是事实记录、工作意见还是后来研究者的解释。少了这些限定，关联越多，错误传播得越快。

钱教授把数据态与语义化联系起来，我理解其中有一个很朴素的要求：系统需要把词语放回它们形成的制度和业务环境里。档案中的“处长”“主任”“革委会”“厂办”等称谓，不能只靠今天的常用词去替换。规范名称可以作为辅助入口，原有名称和历史时期也必须保留。

这件事还会影响长期保存。纸张的损坏是载体问题，文件格式过时是技术问题，后人看不懂材料中的制度和词语，则是理解条件的问题。保存一份文件而不保存它被理解所需要的基本语境，文件可能还在，使用能力却会逐渐下降。

故事化不是把材料写得更顺

论文把故事化放在知识态之后，谈到面向人的认知与利用。这个概念容易被误解成让机器把资料写成一篇更流畅的文章。流畅只是表达效果，故事化真正处理的是材料如何被选择、排序和解释。

假设这份福利区报告后来被用于三个不同主题。研究企业管理的人可能关注移交决定和组织关系；研究城市生活的人会寻找住房、食堂、托幼等材料；研究基层治理的人又会关注街道、企业和职工之间的责任分配。同一份报告进入不同研究问题，能够承担的作用并不相同。

如果系统先把材料归入“企业改革”主题，再让模型输出一段完整历史，文章可以句句有出处，视野却已经被主题筛选限制。没有进入检索范围的材料，不会因为文字写得通顺而自动出现。故事越完整，越需要说明它是从什么材料、什么角度组织出来的。

所以，档案叙事的质量不能只看引用是否准确，还要看选择是否透明。某一段叙事讲的是行政沿革、职工生活还是空间变化，读者应该能够分辨；同一事件存在不同材料和不同立场时，系统也要允许它们并列出现。

在这个意义上，价值态不是知识态的宣传版。一个故事传播得很广，说明它适合某种传播场景；它是否充分呈现了材料，还要另行判断。面向公众的表达可以简洁，但简洁不能靠删去关键限制条件来实现。

把这条曲线带回技术现场

把这条曲线带回技术现场，最先改变的应当是建设清单的写法。清单里不必先排一串产品名称，而要先写清楚眼前的问题：要查页内文字，还是要判断一个事件；要统计若干字段，还是要解释机构沿革。页面影像的问题先处理影像质量和版式关系，文字检索的问题先处理识别结果与页面的对应，跨材料研究再处理名称、事件和关系。扫描、OCR、结构化、图谱和模型各自处理不同层次的对象，把它们并列写上去，仍然需要回答材料到底要被怎样使用。

评估也要跟着对象变化。OCR可以看字符错误率，字段抽取可以看准确率，关系识别还要看时间和语气有没有保留，生成结果则要看它有没有把意见写成事实。一个系统在“把字读出来”这件事上得分很高，不能推导出它已经能解释材料。不同任务需要不同判断，单一总分会把最需要讨论的差异藏起来。

系统还要给后来的研究留下修订位置。新的文件可能补充一段事件经过，新的研究可能改变机构名称的对应关系，新的分类也可能只适合某个专题。后来的解释可以和早先的记录并存，来源和身份分开标明。修订知识时，历史文件本身不应被悄悄改写。

这些要求并不意味着每份档案都要立刻完成最复杂的知识组织。日常查阅首先需要稳定、准确、可追溯；面向专题研究和公共叙事的资源，再增加语义关系和多种表达。建设顺序应由问题决定，不能由技术名词的数量决定。

钱教授的U型曲线给我的最大启发，是把“转成数据”看成一次重新认识档案的过程。材料一旦进入机器处理，就会出现新的对象、新的关系和新的解释责任。重新回到人的理解，需要确认这些结果仍然知道自己从哪里来、在什么条件下成立、没有覆盖哪些内容，而不只是把机器结果翻译成更漂亮的句子。

档案信息化做到最后，留下的不只是可搜索的文字和可计算的字段，还应当留下材料形成时的差异、转换过程中作出的判断，以及后来研究可以继续修订的空间。这样的系统，才有可能让人和机器共同阅读同一段历史。

阅读依据

钱毅：《基于U型曲线重新审视档案信息化工作》，《档案与建设》2023年第4期，第4—8页。本文依据“RUC电子文件管理”公众号2023年8月17日发布的论文全文转载阅读，结合档案信息化实践作独立分析。

文中的福利区报告及全部机构、时间、关系均为假设例子，不对应真实馆藏、项目或测试数据。两张说明图依据论文论述和本文分析绘制，均非论文原图；封面为本文配图。