人は位置、色、矢印、ラベル、注記を同時に見てグラフの意味を結び付けます。しかしPDFでは、その関係が構造化データとして残らない場合があります。画面では一つの表でも、抽出すると見出し、値、脚注が別の順序になることがあります。
見た順序と内部の順序は異なることがあります
段組み、浮動テキスト、画像の表は、表示順と内部順が一致しない場合があります。見出しが別ページの値と結び付いたり、脚注が本文の途中に入ったりします。
スキャン資料では文字認識も必要です。小さな文字や低いコントラストが追加の誤りを生みます。
表は数値ではなく関係です
行・列の見出し、単位、期間、分母、例外がそろって初めて数値を理解できます。数値だけを取り出すと関係が消えます。結合セルや色だけの凡例にも同じ問題があります。
グラフには軸、比較期間、出典も必要です。これらがなければ形を説明できても意味を誤る可能性があります。
文脈をどう残しますか？
- 表示見出しと文書階層を合わせる
- 行・列見出しと単位をテキストで残す
- グラフの主要な関係を短い文章で説明する
- 画像内の重要数値を本文でも確認できるようにする
- 主張の近くに出典と基準日を置く
- 想定質問を原本と照合する
Feat AIはPDF、データ、Web情報をAIが理解・引用しやすい形に構造化する方向を公開しています。ただし原本の実験報告がないため、正確性、速度、API回数、トークン数はこの記事の根拠にしません。
構造化は正解を保証しません
構造を改善しても、特定AIの回答や引用は保証できません。重要な主張には原本、担当者の確認、事実検証を残します。