Numa biblioteca, o item é a unidade natural de descrição: um livro cataloga-se como um livro, completo em si mesmo. Num arquivo o critério é outro. Um processo isolado diz pouco se não se sabe de que série provém, quem o produziu e sob que função. A norma ISAD-G parte daí: descreve-se por proveniência e por hierarquia (Fundo, Secção, Série, Processo) e não pelo documento avulso. Mil fichas independentes, uma por documento, descrevem os documentos mas não o arquivo.
Isso coloca um problema concreto quando se extrai com IA. Um modelo de linguagem lê um documento de cada vez e produz um registo por documento. Nada nessa leitura, por melhor que seja, constrói o nível da Série nem o do Fundo, porque esses níveis não vivem em nenhum documento individual: emergem do conjunto. Alguém tem de criar esses nós e decidir que informação pertence a cada um. Esse é o trabalho que faz o exportador hierárquico do Collect entre a extração e o ficheiro final.
De registos por documento a uma árvore
O ponto de partida são os registos de documento que a extração já produziu. Cada um traz, além dos seus dados, a sua localização arquivística, ou seja, o lugar que ocupa no quadro de classificação da instituição. Com essa localização, o exportador monta a árvore: agrupa os documentos que dependem de uma mesma Série, as Séries que dependem de uma Secção, e assim até ao Fundo. Os níveis que exporta vão de Fundo a Item, passando por Subfundo, Secção, Série, Subsérie, Processo e Documento; os níveis fixos superiores (País, Instituição) assumem-se do contexto e não se emitem como registos.
A origem dessa estrutura é explícita. A hierarquia gera-se a partir do quadro de classificação da instituição. A localização de cada documento nesse quadro sai de uma coluna do inventário, da pasta em que está ou, se o perfil o prevê, do modelo de linguagem, que coloca o documento na secção que corresponde ao seu tipo, de entre as que o quadro enumera. Se os documentos chegam sem a sua localização arquivística, não há de onde construir a árvore: o exportador pode emitir os registos de documento, mas não os nós pais que os organizam. A qualidade da hierarquia depende de que essa informação de proveniência venha com o material.
Subir o que se partilha
Uma vez montada a árvore, aparece a pergunta que a norma responde com o princípio da não repetição (ISAD-G 2.4): um dado que é comum a todos os documentos de uma Série descreve-se uma vez, no nível da Série, não mil vezes em cada documento. O produtor de um fundo, as condições de acesso de uma série e a língua da documentação são propriedades do conjunto, e repeti-las em cada filho atrapalha mais do que ajuda.
O exportador aplica isso subindo aos níveis superiores os campos que a maioria dos filhos partilha. Não sobe qualquer coisa: apenas um conjunto restrito de campos onde o princípio tem sentido arquivístico: produtor, história institucional, condições de acesso, língua, e os descritores de tema, geográficos e corporativos. Um valor sobe a um nível quando o partilha uma proporção suficiente dos documentos que dependem dele; esse limiar é deliberadamente alto (a grande maioria, não uma simples maioria): subir um dado que na realidade só partilha a metade dos filhos torná-lo-ia uma afirmação falsa sobre a outra metade.
O mecanismo tem um limite. É uma heurística: um limiar de maioria, não um juízo sobre o significado do campo. Pode subir um valor que estatisticamente domina mas que um arquivista, olhando o fundo, matizaria; e pode deixar embaixo um dado que de facto correspondia ao nível superior porque uns poucos documentos o traziam diferente. Por isso o resultado revê-se: a agregação propõe uma estrutura razoável, não uma definitiva.
Agregar data e volume
Há dados que um nó pai não herda dos seus filhos, mas sim resume. O intervalo de datas de uma Série é o que abrange desde o documento mais antigo até o mais recente que contém; o exportador calcula-o agregando as datas dos filhos, com filtragem de valores atípicos, como uma data biográfica que não descreve a produção documental e sim uma pessoa mencionada. O volume é a contagem de documentos sob esse nó. Assim, um registo de Fundo pode terminar com “1940 / 2020” como data extrema e “9033 documentos” como volume: dois dados que nenhum dos documentos individuais contém, porque são propriedades do agregado.
Aqui intervém uma distinção do ciclo de vida. Num arquivo corrente, que continua a receber documentos, esses intervalos recalculam-se a cada exportação: o acervo está aberto e a sua data extrema muda conforme ingressa material. Num arquivo histórico, fechado, os intervalos congelam-se, de modo que uma correção menor a um documento não altere inadvertidamente o intervalo de uma secção inteira.
Porque é que a saída não é a do modelo
De tudo isso decorre uma consequência: o ficheiro ISAD-G que o Collect entrega não coincide com a soma do que o modelo extraiu documento por documento. Entre a extração e a exportação há geração de estrutura (os nós de Fundo, Secção e Série que não existiam) e há agregação: o produtor subido ao seu nível, o intervalo de datas calculado, o volume contado.
Uma descrição arquivística requer esses valores, e o dado original não muda. O registo de documento continua ali, com o que o modelo leu dele. O que se acrescenta em cima é o contexto que o torna arquivisticamente legível: de que série provém, quem o produziu, em que fundo se inscreve. Sem essa camada, ter-se-ia um inventário de itens; com ela, um quadro de classificação descrito.
Os três limites, reunidos. A hierarquia existe apenas se os documentos trazem a sua localização arquivística. O bubble-up é uma heurística de maioria, com um limiar configurável, e por isso o resultado passa por revisão antes de entrar no catálogo. E a agregação resume o que os documentos contêm: não completa uma série que o material deixou incompleta.
Se a sua instituição descreve com ISAD-G e tem documentos digitalizados à espera de serem organizados por proveniência e hierarquia, escreva-nos para info@janium.com; interessa-nos entender como está montado o seu quadro de classificação e que informação de proveniência acompanha hoje os seus documentos.