電子テキスト

e-text (「electronic text 」に由来。etextと表記されることもある) は、デジタル形式で読み取られる文書、特に主にテキストで構成される文書を指す一般的な用語です。たとえば、最小限のテキストを含むコンピュータベースの美術書、または一連の写真やページのスキャンは、通常「e-text」とは呼ばれません。e-text は、バイナリファイルまたはプレーン テキストファイルであり、オープン ソース ソフトウェアまたはプロプライエタリ ソフトウェアで表示されます。e-text には、マークアップやその他の書式設定情報が含まれている場合と含まれていない場合があります。e-text は、元々他のメディアで作成または公開された作品の電子版である場合もあれば、元々電子形式で作成された場合もあります。この用語は通常、電子書籍と同義です。

電子テキスト、つまり電子文書は、インターネット、ウェブ、電子書籍専用の読み取りハードウェアが登場するずっと前から存在していました。ロベルト・ブサは1940年代にアクィナスの電子版の開発を開始し、一方、大規模な電子テキスト編集、ハイパーテキスト、およびAugmentやFRESSなどのオンライン読み取りプラットフォームは1960年代に登場しました。これらの初期のシステムでは、テキスト内の書式設定、マークアップ、自動目次、ハイパーリンク、およびその他の情報が広範に使用されており、場合によっては（FRESSなど）テキストだけでなくグラフィックもサポートされていました。^[1]

一部のコミュニティでは、「e-text」はもっと狭い意味で使われ、いわば「ありきたりの ASCII」である電子文書を指します。 これは、文書がプレーンテキストファイルであるだけでなく、「テキスト自体」以外の情報がないことを意味します。つまり、太字や斜体、段落、ページ、章、脚注の境界などの表示はありません。たとえば、Michael S. Hart ^{[2] は}、これが「目とコンピュータの両方に優しい唯一のテキストモード」であると主張しました。Hart は、独自のワードプロセッサ形式によってテキストが著しくアクセスしにくくなるという正しい^{[誰によると? ]}指摘をしましたが、これは標準のオープンデータ形式とは無関係です。「e-text」の狭い意味は現在では一般的ではありません。なぜなら、「ありきたりの ASCII」という概念 (一見魅力的) には深刻な問題があることが判明したからです。

まず、この狭いタイプの「電子テキスト」は、英語の文字に限定されています。スペイン語のñや、多くのヨーロッパ言語で使用されるアクセント付きの母音さえも表現できません（「~n」「a'」のように不自然で曖昧でない限り）。アジア、スラブ、ギリシャ、その他の表記体系は不可能です。

第二に、図や写真を入れることはできませんが、多くの本には少なくともそのような資料が含まれており、多くの場合、本にとって不可欠です。

第三に、この狭い意味での「電子テキスト」には、作品に現れる他のものと「テキスト」を区別する確実な方法がありません。たとえば、ページ番号、ページ ヘッダー、脚注は省略されるか、単に追加のテキスト行として表示され、前後に空白行がある (またはない) 場合があります。装飾的な区切り線は、代わりにアスタリスクの行で表される場合があります (またはない)。同様に、章やセクションのタイトルも追加のテキスト行にすぎません。元のテキストですべて大文字だった場合 (またはそうでない場合)、大文字化によって検出できる場合があります。どのような規則が使用されているか (使用されている場合) を発見するだけでも、各書籍は新しい研究またはリバース エンジニアリング プロジェクトになります。

その結果、このようなテキストは確実に再フォーマットできません。プログラムは、脚注、ヘッダー、フッター、さらには段落がどこにあるかを確実に判断できないため、たとえば狭い画面に収まるようにテキストを再配置したり、視覚障害者のために読み上げたりすることができません。プログラムはヒューリスティックを適用して構造を推測するかもしれませんが、これは簡単に失敗する可能性があります。

4 番目は、おそらく意外にも^{[誰によると？ ]}重要な問題ですが、「プレーンテキスト」の電子テキストでは、作品に関する情報を表現する方法がありません。たとえば、第 1 版ですか、それとも第 10 版ですか。誰が作成し、どのような権利を留保または他者に付与しますか。これはスキャナから取り込んだ生のバージョンですか、それとも校正および修正されていますか。テキストに関連するメタデータは、電子テキストに含まれている場合があります。ただし、この定義では、メタデータが事前に設定されているかどうか、またはどこに設定されているかを判断する方法はありません。せいぜい、タイトル ページのテキストが含まれている (または含まれていない) 可能性があり、おそらくインデントによって中央揃えが模倣されている可能性があります。

第五に、より複雑な情報を含むテキストは、実際にはまったく処理できません。バイリンガル版、または脚注、解説、批評装置、相互参照、または最も単純な表を含む批評版ですら、これは無限の実際上の問題につながります。たとえば、コンピューターが脚注を確実に区別できない場合、脚注が中断しているフレーズを見つけることができません。

生のスキャナーOCR出力でも、通常はこれよりも多くの情報 (太字や斜体の使用など) が生成されます。この情報が保存されていない場合、再構築にはコストと時間がかかります。また、所有している版数などのより高度な情報はまったく回復できない可能性があります。

実際のところ、「プレーンテキスト」でも何らかの「マークアップ」が使用されています。通常は制御文字、スペース、タブなどです。単語間のスペース、段落ごとに 2 つの改行と 5 つのスペース。より正式なマークアップとの主な違いは、「プレーンテキスト」では暗黙的で通常は文書化されていない規則が使用されるため、一貫性がなく認識が難しいことです。^[3]

電子テキストの「ありきたりの ASCII」という狭義の意味は、支持されなくなっています。^{[誰が支持したのでしょうか? ]}それでも、そのようなテキストの多くは Web 上で無料で入手できます。これは、移植性の利点という主張と同じくらい、作成が容易であるという理由が大きいと考えられます。長年、プロジェクト グーテンベルクはこのテキスト モデルを強く支持していましたが、時が経つにつれて、 HTMLなどのより機能的な形式を開発して配布し始めました。

• テキストファイル
• 電子書籍
• 電子ペーパー
• デジタルライブラリ
• オンライン書籍ページ
• 分散校正者
• 宇宙愛書協会

• 学術電子出版書誌