چطور ویرایش متن پیاده‌شده را از رونویسی اولیه جدا و قابل‌ردیابی کنیم؟

رونویسی اولیه را دست‌نخورده نگه دارید و نسخهٔ ویرایش‌شده را همراه با گزارش اختلاف ذخیره کنید. با یک اسکریپت پایتون، حذف، اضافه و جایگزینی واژه‌ها را قابل‌بررسی می‌کنیم.

برای قابل‌تشخیص‌کردن ویرایش transcript، خروجی اولیه را بازنویسی نکنید: آن را جدا نگه دارید و برای نسخهٔ ویرایش‌شده یک گزارش اختلاف بسازید. این راهنما برای سارا، دبیر یک پادکست مصاحبه‌ای، است که باید پیش از انتشار ببیند چه واژه‌هایی حذف، اضافه یا جایگزین شده‌اند. خروجی عملی، سه فایل است: متن اولیه، متن ویرایش‌شده و گزارش تغییرات متصل به همان دو نسخه.

قرارداد اصلی: متن اولیه سند مبناست، نه حقیقت قطعی

رونویسی اولیه یعنی همان خروجی ثبت‌شده پیش از ویرایش انسانی؛ ممکن است خودش خطا داشته باشد. سارا آن را در original.txt ذخیره می‌کند و اصلاحات را فقط در edited.txt انجام می‌دهد. گزارش اختلاف مشخص می‌کند ویرایشگر چه چیزی را نسبت به مبنا تغییر داده است، نه اینکه گوینده واقعاً چه گفته است. تأیید جمله‌های حساس همچنان به مراجعه به صوت نیاز دارد.

هر گزارش باید شناسهٔ محتوایی هر دو فایل را داشته باشد. در این مثال، SHA-256 روی بایت‌های فایل محاسبه می‌شود؛ بنابراین حتی تغییری که در گزارش واژه‌ای دیده نمی‌شود، مانند عوض‌شدن شکست سطر، هش فایل را تغییر می‌دهد. این اتصال کمک می‌کند گزارش یک نسخه را اشتباهاً کنار نسخه‌ای دیگر نگذاریم. بااین‌حال، کسی که بتواند فایل و گزارش را با هم عوض کند، می‌تواند هش تازه‌ای هم بسازد؛ پس هش به‌تنهایی مدرک اصالت نیست.

نمونهٔ اجرایی: تغییر «شاید» به «حتماً» را آشکار کنید

کد زیر فقط از کتابخانهٔ استاندارد پایتون استفاده می‌کند. آن را با نام track_edits.py ذخیره کنید. فایل‌ها باید UTF-8 باشند. اسکریپت متن را با split به واژه تقسیم می‌کند و با SequenceMatcher بخش‌های متفاوت را پیدا می‌کند. بازه‌ها صفرمبنا و انتهای آن‌ها غیرشامل است؛ مثلاً [2, 3] یعنی فقط واژهٔ سوم. در report.json، هم متن تغییر و هم جای آن در دو نسخه ذخیره می‌شود.

```python
import hashlib
import json
import sys
from difflib import SequenceMatcher
from pathlib import Path


def load(path):
data = Path(path).read_bytes()
text = data.decode('utf-8')
return text.split(), hashlib.sha256(data).hexdigest()


def main():
if len(sys.argv) != 3:
raise SystemExit('Usage: python3 track_edits.py original.txt edited.txt')

original_path, edited_path = sys.argv[1:]
before, before_hash = load(original_path)
after, after_hash = load(edited_path)
changes = []

matcher = SequenceMatcher(None, before, after, autojunk=False)
for kind, i1, i2, j1, j2 in matcher.get_opcodes():
if kind == 'equal':
continue
changes.append({
'type': kind,
'original_range': [i1, i2],
'edited_range': [j1, j2],
'before': ' '.join(before[i1:i2]),
'after': ' '.join(after[j1:j2]),
})

report = {
'comparison': 'whitespace-token-diff-v1',
'original': {'path': original_path, 'sha256': before_hash},
'edited': {'path': edited_path, 'sha256': after_hash},
'changes': changes,
}
Path('report.json').write_text(
json.dumps(report, ensure_ascii=False, indent=2) + '\n',
encoding='utf-8',
)
print(json.dumps(changes, ensure_ascii=False, indent=2))


if __name__ == '__main__':
main()
```

برای ساخت ورودی نمونه و اجرای برنامه، فرمان‌های زیر را در همان پوشه اجرا کنید. عمداً فقط یک واژه تغییر کرده است تا بتوانید خروجی را بدون حدس‌زدن بررسی کنید: «شاید» در متن اولیه به «حتماً» در نسخهٔ ویرایش‌شده تبدیل شده است. این تغییر کوچک می‌تواند درجهٔ قطعیت سخن گوینده را عوض کند و باید پیش از انتشار بررسی شود.

```bash
printf '%s\n' 'من گفتم شاید فردا منتشر کنیم.' > original.txt
printf '%s\n' 'من گفتم حتماً فردا منتشر کنیم.' > edited.txt
python3 track_edits.py original.txt edited.txt
```

خروجی مورد انتظار در ترمینال، فهرست زیر است. فایل report.json نیز ساخته می‌شود و علاوه بر همین فهرست، مسیر و هش هر دو ورودی را دارد. نوع replace یعنی جایگزینی؛ برای واژهٔ افزوده‌شده insert و برای واژهٔ حذف‌شده delete ثبت می‌شود. خروجی خالی [] فقط یعنی در سطح این مقایسهٔ واژه‌ای اختلافی پیدا نشده است، نه اینکه بایت‌های دو فایل الزاماً یکسان‌اند.

```other
[
{
"type": "replace",
"original_range": [2, 3],
"edited_range": [2, 3],
"before": "شاید",
"after": "حتماً"
}
]
```

گزارش را به دروازهٔ انتشار تبدیل کنید

سارا پیش از انتشار، موارد changes را می‌خواند و تغییرهای مربوط به نفی، عدد، نام و میزان قطعیت را با صوت تطبیق می‌دهد. دلیل اصلاحات حساس را در یادداشت بازبینی جداگانه ثبت می‌کند و پس از هر ویرایش تازه، گزارش را دوباره می‌سازد. سه فایل را به‌عنوان یک بستهٔ نسخه‌دار بایگانی می‌کند؛ برای حفظ مبنا بهتر است دسترسی نوشتن روی نسخهٔ بایگانی‌شده محدود باشد. وجود گزارش اختلاف جای تأیید انسانی را نمی‌گیرد، بلکه محدودهٔ بررسی را روشن می‌کند.

کجا این روش خطا می‌دهد و چه جایگزینی مناسب‌تر است؟

مقایسهٔ واژه‌ای عمداً تغییر فاصله‌ها و شکست سطرها را نادیده می‌گیرد تا گزارش برای بازبینی محتوایی خواناتر بماند. در مقابل، «می روم» و «می‌روم» ممکن است یک جایگزینی چندواژه‌ای بسازند و تغییر ویرگول هم به‌صورت تغییر یک واژه ظاهر شود. پیش از مقایسه، متن را بی‌سروصدا یکسان‌سازی نکنید؛ این کار ممکن است تغییرهای موردنیاز برای بازبینی را پنهان کند. اگر هدف بررسی دقیق حروف و فاصله‌گذاری است، مقایسهٔ نویسه‌ای مناسب‌تر است؛ اگر هدف مرور تغییرات ساختاری بندهاست، اختلاف‌گیری سطری خواناتر خواهد بود.

طبق مستندات difflib، SequenceMatcher الزاماً کوتاه‌ترین دنبالهٔ ویرایش را پیدا نمی‌کند و در بدترین حالت هزینهٔ زمانی درجه‌دو دارد. خاموش‌کردن autojunk در این مثال از کنارگذاشتن خودکار عناصر پرتکرار جلوگیری می‌کند، اما ممکن است روی متن‌های طولانی و تکراری هزینهٔ بیشتری داشته باشد. جابه‌جایی یک بند نیز ممکن است حذف و درج دیده شود، نه «انتقال». برای بررسی تحریری یک مصاحبهٔ کوتاه این مصالحه قابل‌قبول است؛ برای محاسبهٔ نرخ خطای رونویسی نسبت به متن مرجع، هم‌ترازی با زمان صوت یا اثبات حقوقی اصالت، این اسکریپت ابزار درستی نیست.

منابع

Python documentation — difflib
https://docs.python.org/3/library/difflib.html
مرجع SequenceMatcher، get_opcodes، رفتار autojunk و محدودیت‌های الگوریتم.

Python documentation — hashlib
https://docs.python.org/3/library/hashlib.html
مرجع محاسبهٔ SHA-256 و دریافت نمایش هگزادسیمال هش.

Python documentation — json
https://docs.python.org/3/library/json.html
مرجع تولید گزارش JSON و استفاده از ensure_ascii=False برای نمایش خوانای فارسی.

No comments yet