Bengali Transcription and Annotation Expert

Habilidades Linguísticas Fluentes Requeridas: Bengali. Fluência nativa em Bengali, incluindo domínio total da escrita e ortografia bengali, é necessária para esta posição. Todo o trabalho de anotação e transcrição é realizado em Bengali.

Por que Este Papel Existe: A compreensão de documentos se degrada mais rapidamente nas línguas que os modelos de parsing e visão-linguagem raramente veem. Este projeto constrói dados de treinamento para exatamente essas línguas: Bengali, juntamente com quatro outros scripts índicos, japonês e coreano. Cada tarefa pega uma página PDF real e publicamente disponível e produz um mapa estrutural completo dessa página, emparelhado com uma transcrição fiel de cada região de texto no script original.

O conjunto de dados concentra-se deliberadamente no material que os modelos lidam pior: caligrafia, layouts densos de múltiplas colunas, tabelas, diagramas e páginas de scripts mistos. Os documentos são extraídos de jornais, livros didáticos, exames e formatos cotidianos, como panfletos, formulários, manuais, menus, brochuras, avisos e folhas de trabalho, para que o corpus reflita a verdadeira diversidade dos documentos bengalis, em vez de uma faixa estreita de documentos facilmente analisáveis. O trabalho entregue é totalmente elaborado por humanos. A identificação de componentes, tipificação de componentes, ordem de leitura e toda a transcrição são realizadas por pessoas, não geradas por modelos de parsing.

O que Você Fará:

• Documentos de origem: encontrar um PDF bengali acessível ao público em um tipo de documento designado, contendo pelo menos um elemento multimodal (imagens, tabelas, diagramas ou caligrafia), e registrar onde você o obteve.
• Anotar estrutura: identificar e delimitar cada região significativa da página - título do documento, cabeçalho de seção, parágrafo, lista, tabela, figura, diagrama, legenda, fórmula, campo de pergunta, resposta - e atribuir a cada uma um tipo de componente e um índice de ordem de leitura.
• Registrar relacionamentos: vincular cada região à figura ou tabela a que pertence através de um identificador de componente pai.
• Transcrever fielmente: reproduzir todo o texto exatamente como aparece na escrita bengali, incluindo conteúdo manuscrito, sinalizando qualquer região onde a fonte não seja legível.
• Capturar metadados da página: idioma, tipo de documento, fonte, dimensões da página e sinalizações para tabelas, fórmulas e caligrafia.
• Revisar o trabalho de um colega: cada tarefa é revisada de ponta a ponta por um segundo especialista em bengali, e anotadores experientes assumem essa revisão.

Quem Você É:

• Você é um falante nativo de bengali com domínio total do script, seus diacríticos e suas formas conjunctas.
• Você trabalhou com documentos: anotação, transcrição, tradução, localização, legendagem, revisão de textos ou revisão de dados em língua regional.
• Você é exato: a precisão em nível de caractere é mais importante aqui do que a velocidade, e um único diacrítico errado é um defeito.
• Você é sistemático: aplica uma taxonomia consistentemente em centenas de páginas, em vez de improvisar por documento.
• Você se sente confortável com layouts desconhecidos: jornais de múltiplas colunas, provas de exame, formulários manuscritos.

Especialidades Desejáveis:

• Dados de IA em língua regional: anotação, rotulagem, classificação ou avaliação bilíngue para conjuntos de dados de treinamento.
• Transcrição e localização: MTPE, legendagem, QA bilíngue, correção de OCR ou pós-edição.
• Produção de documentos: composição, revisão de texto, edição ou digitalização de material em língua bengali.
• Script e codificação: normalização Unicode, métodos de entrada em bengali, precisão de forma numérica e de forma de caractere.

O que o Sucesso Parece:

• Cada região significativa na página é capturada, corretamente delimitada e corretamente tipificada.
• A ordem de leitura reflete como a página é realmente lida, incluindo através de colunas.
• As transcrições correspondem à fonte caractere por caractere, em script bengali em vez de transliteração.
• Suas tarefas passam pela revisão do segundo especialista na primeira vez.
• Os documentos que você traz adicionam diversidade de layout em vez de repetir modelos já existentes no corpus.

Por que Juntar-se à Mercor: Construa os dados de treinamento que fazem a IA de documentos funcionar em scripts que atualmente lida mal. Trabalhe com documentos bengalis publicados reais, em vez de páginas sintéticas ou modeladas. A qualidade é a principal medida neste projeto: a precisão é a primeira medida, com o tempo de manuseio rastreado ao lado dela.