PDF ist nicht gleich PDF: Textbasierte PDFs enthalten eine Textschicht und sind maschinell gut lesbar. Gescannte PDFs sind Bilder; das Modell arbeitet dann auf einer Bilderkennung mit allen Risiken, die Sie aus K3 kennen: gekippte Ziffern, verlorene Zuordnungen in Tabellen, Fehler bei kleiner Schrift. Die einfachste Diagnose ist der Vorab-Test: Text im PDF markieren und kopieren. Geht das nicht, ist es ein Scan.
Auch Screenshots von Tabellen sind Bilder: Besser die Originaldatei oder kopierten Text verwenden. Für die Beschaffung gilt eine klare Prioritätenreihenfolge: Originaldatei (Text, Tabelle), dann Export aus der Fachanwendung, dann textbasiertes PDF, erst zuletzt Scan oder Foto. In vielen Fällen existiert das Original und ist nur einen Anruf entfernt.
Wenn wirklich nur der Scan existiert: Erwartung senken, ausgelesene Zahlen stichprobenhaft prüfen und bei entscheidungsrelevanten Zahlen die Werte manuell übertragen. Die Regel dahinter: Das Original beschaffen ist billiger als den Scan reparieren. Ein Hinweis zur Hauptübung gleich: Das Transkript dort ist bewusst ein Textformat mit typischen Mängeln wie Sprecherfehlern und Umgangssprache. „Textformat“ heißt nicht „perfektes Material“, und die Aufgabe muss mit den Mängeln umgehen.
Was ist unklar geblieben? Halten Sie es hier fest. Ihre Fragen erscheinen gesammelt auf der Modul- und Startseite und auf Ihrer Ergebnisseite.
