Numa biblioteca, o item é a unidade natural de descrição: um livro se cataloga como um livro, completo em si mesmo. Num arquivo o critério é outro. Um dossiê isolado diz pouco se não se sabe de que série provém, quem o produziu e sob que função. A norma ISAD-G parte daí: descreve-se por proveniência e por hierarquia —Fundo, Seção, Série, Dossiê— e não pelo documento avulso. Descrever mil documentos como mil fichas independentes não é uma descrição arquivística incompleta; é uma descrição de outra coisa.
Isso coloca um problema concreto quando se extrai com IA. Um modelo de linguagem lê um documento por vez e produz um registro por documento. Nada nessa leitura, por melhor que seja, constrói o nível da Série nem o do Fundo, porque esses níveis não vivem em nenhum documento individual: emergem do conjunto. Alguém tem que criar esses nós e decidir que informação pertence a cada um. Esse é o trabalho que faz o exportador hierárquico do Collect entre a extração e o arquivo final.
De registros por documento a uma árvore
O ponto de partida são os registros de documento que a extração já produziu. Cada um traz, além dos seus dados, sua localização arquivística —o lugar que ocupa no quadro de classificação da instituição—. Com essa localização, o exportador monta a árvore: agrupa os documentos que pendem de uma mesma Série, as Séries que pendem de uma Seção, e assim até o Fundo. Os níveis que exporta vão de Fundo a Item, passando por Subfundo, Seção, Série, Subsérie, Dossiê e Documento; os níveis fixos superiores —País, Instituição— assumem-se do contexto e não se emitem como registros.
A origem dessa estrutura é explícita. A hierarquia se gera a partir do quadro de classificação, não a infere o modelo de linguagem. Se os documentos chegam sem sua localização arquivística, não há de onde construir a árvore: o exportador pode emitir os registros de documento, mas não os nós pais que os organizam. A qualidade da hierarquia depende de que essa informação de proveniência venha com o material.
Subir o que se compartilha
Uma vez montada a árvore, aparece a pergunta que a norma responde com o princípio da não repetição (ISAD-G 2.4): um dado que é comum a todos os documentos de uma Série descreve-se uma vez, no nível da Série, não mil vezes em cada documento. O produtor de um fundo, as condições de acesso de uma série, a língua da documentação —são propriedades do conjunto, e repeti-las em cada filho atrapalha mais do que ajuda.
O exportador aplica isso subindo aos níveis superiores os campos que a maioria dos filhos compartilha. Não sobe qualquer coisa: apenas um conjunto restrito de campos onde o princípio tem sentido arquivístico —produtor, história institucional, condições de acesso, língua, e os descritores de tema, geográficos e corporativos—. Um valor sobe a um nível quando o compartilha uma proporção suficiente dos documentos que pendem dele; esse limiar é deliberadamente alto —a grande maioria, não uma simples maioria—: subir um dado que na realidade só compartilha a metade dos filhos o tornaria uma afirmação falsa sobre a outra metade.
O mecanismo tem um limite. É uma heurística: um limiar de maioria, não um juízo sobre o significado do campo. Pode subir um valor que estatisticamente domina mas que um arquivista, olhando o fundo, matizaria; e pode deixar embaixo um dado que de fato correspondia ao nível superior porque uns poucos documentos o traziam diferente. Por isso o resultado se revisa: a agregação propõe uma estrutura razoável, não uma definitiva.
Agregar data e volume
Há dados que um nó pai não herda dos seus filhos, mas sim resume. O intervalo de datas de uma Série é o que abrange desde o documento mais antigo até o mais recente que contém; o exportador o calcula agregando as datas dos filhos —com filtragem de valores atípicos, como uma data biográfica que não descreve a produção documental e sim uma pessoa mencionada—. O volume é a contagem de documentos sob esse nó. Assim, um registro de Fundo pode terminar com “1940 / 2020” como data extrema e “9033 documentos” como volume: dois dados que nenhum dos documentos individuais contém, porque são propriedades do agregado.
Aqui intervém uma distinção do ciclo de vida. Num arquivo corrente, que segue recebendo documentos, esses intervalos se recalculam a cada exportação: o acervo está aberto e sua data extrema muda conforme ingressa material. Num arquivo histórico, fechado, os intervalos se congelam, de modo que uma correção menor a um documento não altere inadvertidamente o intervalo de uma seção inteira.
Por que a saída não é a do modelo
De tudo isso decorre uma consequência: o arquivo ISAD-G que o Collect entrega não coincide com a soma do que o modelo extraiu documento por documento. Entre a extração e a exportação há geração de estrutura —os nós de Fundo, Seção e Série que não existiam— e há agregação —o produtor subido ao seu nível, o intervalo de datas calculado, o volume contado—.
Isso não é um desvio do dado original; é o que uma descrição arquivística requer. O registro de documento segue estando ali, com o que o modelo leu dele. O que se acrescenta em cima é o contexto que o torna arquivisticamente legível: de que série provém, quem o produziu, em que fundo se inscreve. Sem essa camada, ter-se-ia um inventário de itens; com ela, um quadro de classificação descrito.
Os três limites, reunidos. A hierarquia existe apenas se os documentos trazem sua localização arquivística. O bubble-up é uma heurística de maioria, com um limiar configurável, e por isso o resultado passa por revisão antes de entrar no catálogo. E a agregação resume o que os documentos contêm: não completa uma série que o material deixou incompleta.
Se a sua instituição descreve com ISAD-G e tem documentos digitalizados esperando organizar-se por proveniência e hierarquia, escreva para info@janium.com; interessa-nos entender como está montado o seu quadro de classificação e que informação de proveniência acompanha hoje os seus documentos.