الوثيقة العربية الرقمية: من PDF إلى معرفة قابلة للفهرسة

المشكلة: ملف بلا سياق

تبدأ الوثيقة العربية الرقمية من حقيقة أن محركات البحث قد تكتشف بعض ملفات PDF، لكن الملف وحده لا يقدم دائمًا تنقلًا داخليًا مريحًا أو علاقات موضوعية أو صفحة خفيفة للهاتف. كما يصعب على القارئ معرفة الناشر والإصدار والحقوق قبل التنزيل. المشكلة ليست في الصيغة؛ بل في غياب طبقة نشر تحيط بها.

نموذج الطبقتين

تبقى نسخة PDF أصلًا ثابتًا للطباعة والحفظ، وتنشر إلى جانبها صفحة HTML تحمل النص المهم والفهرس والجداول والمراجع. يرتبط الموردان برابط قانوني واضح وبيانات منظمة تصف الملف ولغته وحجمه.

خصوصية اللغة العربية

يحتاج الملف إلى UTF-8 وخط Unicode مضمّن وخريطة ToUnicode واتجاه RTL. نجاح الشكل البصري لا يكفي؛ يجب اختبار البحث والنسخ واستخراج النص. أما صفحة الويب فتحتاج خاصية لغة دقيقة واتجاهًا صحيحًا وجداول تتحول إلى بنية مقروءة على الشاشة الضيقة.

الثقة ليست شارة

تنشأ الثقة من سلسلة أدلة: جهة نشر، مؤلف، تواريخ، مصادر، رقم إصدار، سجل تغيير، وبصمة رقمية. يساعد مركز المصادر الموثقة على بناء قائمة مراجع، لكن مسؤولية التحقق تبقى على الناشر قبل الاعتماد.

معيار النجاح

• يستطيع القارئ فهم قيمة الوثيقة دون تنزيل.
• يستطيع محرك البحث الوصول إلى النص والعلاقات الداخلية.
• يمكن مطابقة الملف المنشور بالإصدار المسجل.
• يمكن تصحيح الخطأ دون محو تاريخ النسخ.

الخلاصة

الوثيقة الرقمية ليست امتداد ملف؛ إنها نظام نشر. عندما تتكامل الصفحة والملف والبيانات والإصدار يصبح المحتوى العربي أكثر قابلية للاستخدام والاكتشاف والاستمرار.