Materiality

從某個角度，Web2.0其實讓大家看到是，人們剩餘的時間能夠發揮出多少力量。（如果真是剩餘的……。）也就是說，如果每個人除了工作讀書之外，還有許多剩餘的空閒時間、多餘的腦力，那麼誰能拔走這個游泳池的塞子，讓一滴一滴累積出來的腦力與時間被纏進漩渦，一鼓作氣在排水口中造成強大力量、發出嚇人的聲音？

reCAPTCHA應該算是一個表現不錯的「剩餘塞子」，他沒有改變人的生活，沒有阻礙人的任何行進，就憑空創造出一堆志工、一堆腦力，將一堆書籍數位化，更厲害的，也許你我都獻出了一點貢獻，卻完全不自知。

CAPTCHA其實就是在我們想要貼某個留言或者使用某個服務時，網站用來分辨機械人與真人的機制，有點像《銀翼殺手》裡面用來分辨生化人的一連串問題。在這裡，就是指一些被扭曲過的文字：

Luis von Ahn想到，文件數位化的過程中，有許多工作是電腦無法完成的。如果人們在使用CAPTCHA辨識的同時，也作文件或者書籍的數位化，不是等於一種節能減碳：將已經使用過的資源（辨識人與機器），在利用到新的功能（文件數位化）。而從站長的角度，Ben Maurer認為：「你不只可以解決你的垃圾留言問題，你還可以讓人類書寫歷史保留進入數位時代。」於是，為了證明我們自己不是騙人的機器，我們認命地過關斬將、經歷測驗，在不知不覺中，已經把一篇1850年的《紐約時報》轉成了可搜尋的電子檔。

這個神奇的機制就叫做reCAPTCHA。

reCAPTCHA的故事很多人都提過了（例如vgod、Midnight blog），不過上個月創始人Luis von Ahn在九月份的Science雜誌上發表了一篇文章，詳細說明這個計畫運作的一些細節，很值得大家仔細看一下：reCAPTCHA: Human-Based Character Recognition via Web Security Measures.（PDF檔）

基本上，送到reCAPTCHA的文件都會經過兩種OCR軟體掃過，如果某個字讓兩種OCR軟體有不同的結果，或者OCR辨識出來的字並不存在於字典中，這個字就會被標定為「可疑字」。掃瞄越多的文件，會發現越來越多可疑字。這些字之所以會出問題，通常是因為過去印刷得不清楚，或者有污漬。這些問題對人類來說很容易，但對電腦就會造成困難。這時候，我們人類就可以派上用場。

出現在我們眼前的reCAPTCHA會有兩組字，一組為控制組，這一組的扭曲文字，電腦其實知道正確答案，所以稱為「控制字」；另外一組則是上述產生的「可疑字」。當有人答對「控制字」的時候，「可疑字」的答案也很值得參考。一旦有三個人對同樣的「可疑字」猜了相同的文字，但與兩個OCR結果都不同，這時候「可疑字」就會升級為「控制字」。如果有兩個人跟任何一個OCR的結果相同，那就直接升級。如果每個人猜的都不一樣，那就算是進入投票過程，越多人猜的越有參考價值。

這套系統測試下來發現，經過reCAPTCHA的文件正確率為99.1％（一般OCR出來的正確率為83.5％），非常接近專業人士作出來的正確率，但卻節省了大部分的經費與時間。這個計畫目前幾乎完成了1851到1980的紐約時報（在不詳的經費贊助下），並與Internet Archive合作（無償）。

我們可以說，reCaPTCHA的確拔掉了塞子，放出來的力量沖走了數位時代的污泥，污泥底下，就是一篇篇無數人辛苦產生也認真讀過過的文字。

其他參考資料：

http://news.cnet.com/8301-1023_3-9989480-93.html

這篇文章介紹Luis von Ahn的背景跟其他例如Gwap.com的計畫。

http://www.cs.cmu.edu/~biglou/

Luis von Ahn的官方網頁