ความจริงที่หลายคนไม่อยากได้ยินคือ ไฟล์ที่คุณเห็นว่าเป็น “ข้อความเหมือนกัน” ไม่ได้แปลว่าโปรแกรมจะ นับคำภาษาไทย ออกมาเท่ากันเสมอ โดยเฉพาะตอนโยนไฟล์จาก Word ไปเป็น PDF แล้วหวังว่าตัวเลขจะนิ่งเหมือนเดิม นั่นแหละจุดพัง เพราะภาษาไทยไม่ได้มีช่องว่างคั่นทุกคำแบบอังกฤษ โปรแกรมแต่ละตัวเลยตีความคำไม่เหมือนกันตั้งแต่ต้นน้ำ
ปัญหาคือหน้าแรกของ Google ชอบสอนแบบง่ายเกินจริง กดเมนูนี้ แล้วดูตัวเลขนั้น จบ ฟังดูดี แต่พอเอาไปใช้กับงานจริงกลับเละ เช่น ไฟล์ PDF ที่เป็นรูปสแกน, ข้อความที่คัดลอกแล้วบรรทัดแตก, เชิงอรรถถูกนับรวม, หรือฟอนต์ฝังแปลกๆ จนระบบแยกคำเพี้ยน ถ้าคุณกำลังถามว่า นับคำภาษาไทยจากไฟล์ Word และ PDF ทำได้ไหม คำตอบคือ “ได้” แต่คำถามที่ควรถามต่อคือ เลขที่ได้เชื่อได้แค่ไหน
คำตอบสั้นๆ: ทำได้ แต่เงื่อนไขเยอะกว่าที่คนส่วนใหญ่คิด
ถ้าพูดแบบไม่อ้อมค้อม ไฟล์ Word นับได้ง่ายกว่าและมักนิ่งกว่า เพราะตัวโปรแกรมถือข้อความต้นฉบับอยู่ในโครงสร้างเอกสารโดยตรง คุณเปิดไฟล์ .doc หรือ .docx แล้วดู Word Count ได้เลย กรณีนี้การ นับคำภาษาไทย มักพอใช้งานได้จริง โดยเฉพาะถ้าเอกสารถูกพิมพ์ตรงใน Word ไม่ได้ผ่านการแปลงไฟล์แปลกๆ
แต่ PDF คนชอบเข้าใจผิดว่ามันก็แค่เอกสารอีกชนิดหนึ่ง ทั้งที่ในทางปฏิบัติ PDF อาจเป็นได้ทั้งข้อความจริง, ข้อความที่วางตำแหน่งซ้อนกัน, หรือภาพสแกนล้วนๆ ถ้าเป็นแบบหลัง คุณจะนับคำไม่ได้เลยจนกว่าจะทำ OCR ให้มันอ่านตัวอักษรก่อน และต่อให้ OCR ผ่านแล้ว เลขก็ยังมีสิทธิ์แกว่ง เพราะระบบต้องเดาอีกชั้นว่าตรงไหนคือ “คำ” ในภาษาไทย
ทำไม Word ยังพอเชื่อได้ แต่ PDF ชวนปวดหัวกว่าเดิม
รากของปัญหาไม่ได้อยู่ที่เมนูนับคำ แต่อยู่ที่ว่าซอฟต์แวร์เห็นข้อมูลดิบแบบไหน ถ้าเห็นเป็นข้อความจริง มันมีสิทธิ์นับได้ใกล้เคียงความจริง ถ้าเห็นเป็นภาพหรือข้อความแตกชิ้น มันก็แค่พยายามปะติดปะต่อ
Word มีข้อความต้นฉบับอยู่ในไฟล์
ใน Word ข้อความถูกเก็บเป็นตัวอักษรพร้อมโครงสร้างย่อหน้า หัวข้อ ตาราง และส่วนประกอบอื่นๆ โปรแกรมจึงตรวจได้ว่าตรงไหนเป็นเนื้อหา ตรงไหนเป็นเชิงอรรถ หรือตรงไหนเป็นกล่องข้อความ แม้ตัวเลขจะยังไม่สมบูรณ์แบบ 100% แต่โดยทั่วไปมันเสถียรกว่า เพราะไม่ได้เริ่มจากการเดาภาพให้เป็นตัวหนังสือ
PDF แบบข้อความ ยังพอไปได้
ถ้า PDF ถูกสร้างจาก Word, Google Docs หรือโปรแกรมจัดหน้าโดยตรง มักมี text layer ซ่อนอยู่ คุณสามารถคัดลอกข้อความออกมาได้ แบบนี้การ นับคำภาษาไทย ยังพอทำได้ ไม่ว่าจะนับใน Acrobat, คัดลอกกลับไปลง Word หรือใช้เครื่องมือนับคำอื่น แต่ผลอาจไม่เท่ากันเป๊ะ เพราะแต่ละตัวมีวิธีแยกคำไทยต่างกัน
PDF แบบสแกน คือกับดักเต็มๆ
ถ้าเปิด PDF แล้วลากเมาส์คัดลอกข้อความไม่ได้ หรือคัดลอกออกมาเป็นตัวมั่วๆ นั่นคือสัญญาณชัดว่าไฟล์นี้ไม่ใช่ข้อความจริง แต่เป็นรูปภาพของหน้าเอกสาร คุณต้องทำ OCR ก่อน ไม่งั้นอย่าว่าแต่นับคำเลย แค่จะแยกว่าคำไหนติดคำไหนก็ยังพัง ยิ่งเอกสารมีตราประทับ เส้นใต้ ตาราง หรือถ่ายเอียงๆ ผลยิ่งเละง่ายมาก
จุดพลาดที่คนมองข้าม: ภาษาไทยไม่ได้แบ่งคำด้วยช่องว่าง
นี่แหละของจริง ภาษาอังกฤษเว้นวรรคหนึ่งครั้ง โปรแกรมก็เดาได้แล้วว่าเปลี่ยนคำ แต่ภาษาไทยเว้นวรรคตามวลีหรือประโยค ไม่ใช่ทุกคำ ดังนั้นซอฟต์แวร์ที่ออกแบบมาเพื่อภาษาตะวันตกจะมีโอกาสนับพลาดทันที บางตัวนับเป็นกลุ่มข้อความยาว บางตัวตัดคำถี่เกินไป บางตัวโดนเครื่องหมายวรรคตอนกับเลขหน้าแทรกแล้วเพี้ยนทั้งย่อหน้า
ผลที่เกิดขึ้นในงานจริงคือ คุณอาจได้จำนวนคำจาก Word ชุดหนึ่ง แล้วพอเอา PDF ไฟล์เดียวกันไปตรวจอีกโปรแกรม ตัวเลขขยับขึ้นหรือลงแบบน่าหงุดหงิด ยิ่งถ้ามีตาราง, เชิงอรรถ, หัวกระดาษ, รายการอ้างอิง หรือข้อความสองคอลัมน์ ความต่างยิ่งชัด คนที่พลาดบ่อยที่สุดคือคนที่เชื่อเลขแรกที่เห็น โดยไม่เช็กว่าโปรแกรมอ่านไฟล์ถูกชนิดหรือยัง
วิธีเช็กแบบคนทำงานจริง: สูตร “อ่านได้-แยกได้-เทียบได้”
ถ้าคุณไม่อยากเสียเวลาวนอยู่กับคำถามว่าไฟล์นี้นับได้หรือยัง ให้ใช้กรอบคิดง่ายๆ สามชั้น ผมเรียกมันว่า อ่านได้-แยกได้-เทียบได้ มันไม่หรู แต่มันกันพลาดได้ดีกว่าวิธีกดเมนูมั่วๆ แล้วภาวนาเอา
ชั้นที่ 1: อ่านได้หรือยัง
เริ่มจากตรวจว่าไฟล์เป็นข้อความจริงหรือเป็นภาพสแกน ลองลากคัดลอกข้อความหนึ่งย่อหน้าแล้ววางลงใน Notepad หรือ Word ถ้าข้อความออกมาปกติ แปลว่ามี text layer ให้ทำงานต่อได้ ถ้าออกมาเป็นตัวเพี้ยน เว้นวรรคแปลก หรือคัดลอกไม่ได้เลย ให้หยุดก่อนและทำ OCR
ชั้นที่ 2: แยกคำได้หรือเปล่า
หลังจากอ่านได้แล้ว ให้ดูคุณภาพการตัดคำ ไม่ใช่ดูแค่ว่ามีตัวหนังสือโผล่มาครบหรือไม่ ลองสุ่มดูย่อหน้าที่มีศัพท์เฉพาะ, ตัวเลข, วงเล็บ, รายการหัวข้อย่อย และข้อความในตาราง ถ้าข้อความติดกันผิดธรรมชาติหรือขาดหาย การ นับคำภาษาไทย ที่ได้จะไม่น่าเชื่อทันที
ชั้นที่ 3: เทียบเลขจากสองทาง
อย่าไว้ใจแหล่งเดียว โดยเฉพาะ PDF ให้นำข้อความเดียวกันไปเช็กอย่างน้อย 2 วิธี เช่น ดู Word Count ใน Word แล้วเทียบกับเครื่องมืออีกตัวที่อ่านภาษาไทยได้ หรือคัดลอกจาก PDF ไปลง Word แล้วนับใหม่ ถ้าตัวเลขต่างกันนิดหน่อยยังพอรับได้ แต่ถ้าแกว่งแรง ให้ย้อนกลับไปดูว่ามีส่วนไหนของไฟล์ถูกอ่านผิด
ทำจริงยังไงใน Word และ PDF
เมื่อรู้หลักแล้ว ขั้นตอนทำงานจะง่ายขึ้นมาก และไม่ต้องเดาสุ่ม
สำหรับไฟล์ Word วิธีที่ปลอดภัยคือเปิดไฟล์ต้นฉบับแล้วใช้ตัวนับในโปรแกรมก่อน จากนั้นตรวจว่ามีส่วนที่ไม่อยากให้นับรวมไหม เช่น กล่องข้อความ เชิงอรรถ หรือภาคผนวก ถ้าข้อกำหนดงานระบุชัดว่าต้องไม่นับบางส่วน คุณควรคัดเฉพาะเนื้อหาเป้าหมายไปยังไฟล์ใหม่แล้วนับอีกครั้ง จะได้ไม่เถียงกับใครทีหลังว่าเลขนี้มาจากไหน
สำหรับ PDF ให้เดินตามลำดับนี้
- ลองคัดลอกข้อความจากไฟล์ก่อน เพื่อแยกว่าเป็น PDF ข้อความหรือ PDF สแกน
- ถ้าคัดลอกไม่ได้ ให้ทำ OCR ด้วยโปรแกรมที่รองรับภาษาไทย
- หลัง OCR เสร็จ ให้สุ่มอ่านหลายย่อหน้า ไม่ใช่อ่านแค่หน้าแรก
- คัดลอกข้อความที่ผ่านการตรวจแล้วไปวางใน Word เพื่อเช็กจำนวนคำอีกครั้ง
วิธีนี้อาจดูเสียเวลาเพิ่มไม่กี่นาที แต่ช่วยกันพลาดได้เยอะ โดยเฉพาะคนที่ต้องส่งรายงาน วิทยานิพนธ์ บทความ หรือเอกสารประกวดที่มีเพดานจำนวนคำชัดเจน เพราะสิ่งที่กรรมการหรืออาจารย์เห็น ไม่จำเป็นต้องเท่ากับสิ่งที่โปรแกรมแรกของคุณรายงาน
แล้วควรเชื่อเลขจากโปรแกรมไหนมากที่สุด
คำตอบที่ตรงที่สุดคือ ให้เชื่อโปรแกรมที่ผู้รับงานใช้เป็นฐาน ถ้าองค์กรบอกให้นับจาก Microsoft Word ก็ยึด Word เป็นหลัก ถ้าเป็นระบบรับบทความที่นับเองบนหน้าเว็บ ให้เชื่อระบบนั้นมากกว่าไฟล์ในเครื่องของคุณ เหตุผลไม่ซับซ้อนเลย นิยามคำไม่เหมือนกัน ต่อให้คุณเถียงว่าไฟล์ต้นฉบับ “ควร” มีจำนวนเท่านี้ ระบบปลายทางก็ไม่สน
ถ้าไม่มีการระบุเครื่องมือ ให้ใช้แนวทางกลางๆ คือเก็บหลักฐานการนับไว้ เช่น ไฟล์ต้นฉบับ, ไฟล์ที่ผ่าน OCR, และภาพตัวเลขจากโปรแกรมที่ใช้ตรวจ คุณจะได้อธิบายได้ว่าทำไมตัวเลขถึงต่าง และต่างเพราะขั้นตอนไหน ไม่ใช่นั่งมึนตอนโดนทักว่าจำนวนคำเกินหรือขาด
คำตอบของเรื่องนี้ไม่ใช่ “นับได้ไหม” แต่คือ “นับแบบไหนแล้วพังน้อยสุด” ถ้าคุณต้องจัดการเอกสารวันนี้ เริ่มจากแยกให้ชัดก่อนว่าไฟล์เป็นข้อความหรือภาพ จากนั้นค่อยตรวจการตัดคำ แล้วเทียบผลจากสองทาง อย่าปล่อยให้จำนวนคำที่เพี้ยนเพราะไฟล์กลายเป็นปัญหาที่ย้อนมาฟาดคุณตอนส่งงาน แล้วคุณล่ะ ตอนนี้กำลังเชื่อเลขจากโปรแกรมไหนอยู่ ทั้งที่ยังไม่เคยเช็กว่ามันอ่านภาษาไทยถูกจริงหรือเปล่า?
