كيفية تلخيص ملف PDF باستخدام الذكاء الاصطناعي (مع الحفاظ على الاقتباسات)

تتمثل أصعب نقطة في أي سير عمل لتلخيص ملف PDF بالذكاء الاصطناعي مع الحفاظ على الاقتباسات في عنصر الثقة: عادةً ما يبدو الملخص صحيحًا لغويًا، لكن الاقتباسات المرفقة به قد لا تكون حقيقية. تعلّمَت مرشحة دكتوراه في سنتها الثانية هذا الدرس في منتصف مراجعة منهجية كنّا نرافقها؛ إذ كانت قد جمعت 187 ملف PDF في قائمة انتظار، حتى اكتشفت وجود مشكلة في جدول تلخيصاتها. تقريبًا 60 من الإدخالات كانت تُحيل إلى أوراق لا تظهر في ملفات الـ PDF المصدر. كانت الأداة التي استخدمتها، ملخّص مجاني شبيه بواجهة ChatGPT، تولّد بسلاسة اقتباسات داعمة اعتمادًا على ذاكرة بيانات التدريب، وتُلحقها بجمل الملخص دون أي تحقق مما إذا كانت الورقة المُشار إليها تظهر فعلًا داخل المستند. لولا أن راجعت أول عشر إدخالات يدويًا، لكانت “الإحالات الشبحية” قد دخلت أطروحتها. استغرق التنظيف أسبوعين.

هذه الحالة الفشل هي المخاطر المحورية لتلخيص الملفات الأكاديمية بصيغة PDF باستخدام الذكاء الاصطناعي في عام 2026. عادةً ما يكون الملخص نفسه دقيقًا؛ لكن الاقتباسات المرفقة به غالبًا لا تكون كذلك. وللخطر شكلان. الأول هو الإغفال: يختزل الملخص فقرة كانت تشير إلى ثلاثة مصادر إلى ادعاء واحد دون نسبة مرجعية، فينقطع “سلسلة” الأدلة التي تحتاجها لاحقًا للدفاع عن الادعاء. والثاني هو الهلوسة: يولّد النموذج اقتباسات بلغة سليمة من ذاكرة التدريب تبدو مقنعة، لكنها لا تظهر فعليًا في ملف الـ PDF المصدر. وكلا الأمرين سهل أن يفلت منك، وصعب اكتشافه بعد وقوعه.

يعرض هذا المنشور سير العمل الذي يمنع كلا نمطي الفشل. نتناول لماذا تزيل ملخّصات الـ PDF العامة الاقتباسات أو تُهلوسها، وما هي أنواع البيانات الوصفية الأربع التي يجب أن يحتفظ بها ملخص “آمن للاقتباس”، والخطوات بالتفصيل التي تنتج ملخصات يمكن التحقق منها، وكيف يبدو “ملخص آمن للاقتباس” فعليًا، ملاحظة موجزة لاختيار الأداة، وأهم حالات الفشل الشائعة التي ينبغي لكل باحث معرفتها وكيفية رصدها.

كيف تلخّص مخرجات تلخيص PDF بالذكاء الاصطناعي دون فقد المراجع؟

اختر أداة “واعية بالاقتباسات” بدلًا من ملخّص عام: يثبّت NotebookLM كل جملة من الملخص إلى مقطع مصدر داخل الـ PDF، ما يجعل الاقتباسات المُهلوسة صعبة من الناحية المعمارية. اطلب من النموذج الحفاظ على أي اقتباسات داخل المتن موجودة في المصدر، وتضمين رقم الصفحة التي يظهر فيها كل ادعاء، مع الإشارة إلى الاستنتاجات صراحةً. ثم تحقق من الاقتباسات في أول ثلاثة ملخصات مقابل ملفات الـ PDF المصدر قبل أن تثق بباقي الدفعة.

لماذا تميل ملخّصات الـ PDF بالذكاء الاصطناعي العامة إلى حذف الاقتباسات أو هَلوسَتها؟

السبب المعماري هو نفسه الذي تناولناه في منشورنا عن “الإحالات/الاقتباسات المُهلوسة” الخاص بالمخطوطات الكاملة](/blog/citation-formatting-guide-apa-mla-chicago): مُحلّل (tokenizer) نموذج اللغة الكبير لا يمنح لِمقاطع الاقتباس حالة خاصة. عندما يلخّص النموذج ملف PDF، يقرأ المصدر كسلسلة من الرموز (tokens) ثم يولّد ملخصًا يقرّب محتواه. الاقتباسات في المصدر ("(Smith, 2024)") هي tokens مثل أي شيء آخر. ويمكن أن تأتي الاقتباسات في المخرجات من واحد من ثلاثة أماكن: نقلها من المصدر (أفضل حالة)، أو إعادة توليدها من الذاكرة (خطر عالٍ من الهلوسة)، أو حذفها بالكامل (أكثر حالات الفشل شيوعًا).

تتجلى هذه السلوكيات بشكل مختلف عبر الأدوات. يميل تلخيص PDF الافتراضي في ChatGPT إلى الحفاظ على الاقتباسات داخل المتن عندما تظهر في مقاطع قصيرة وواضحة؛ لكنه يميل إلى إسقاطها أو إعادة صياغتها داخل الفقرات الكثيفة. يكون Claude أكثر تحفظًا في توليد الاقتباسات من الذاكرة، لكنه ما يزال يُسقط بعضها في المستندات الطويلة. يُعد NotebookLM الأقوى لأنّه يربط كل جملة ملخص إلى مقطع مصدر داخل الـ PDF، ما يجعل الهلوسة صعبة من الناحية المعمارية وليست مجرد فكرة “غير مرغوبة”. أما Scholarcy فهو موجّه أكاديميًا ومصمم لحالة الاستخدام هذه، لكن دقته في مستوى “حبيبات الملخص” تكون أحيانًا أكثر خشونة من الكثافة التي تتطلبها الاقتباسات.

النتيجة التشغيلية: اختيار الأداة أهم للتلخيص من “هندسة” الـ prompt. إنّ LLM عام دون انضباط تثبيت الاقتباس سيولّد ملخصًا بطلاقة وبمصادر تبدو واثقة، لكنه قد يكون خاطئًا جزئيًا. أما الأداة الواعية بالاقتباسات فستنتج ملخصًا أحيانًا أقل أناقة لغويًا، لكنه قابل للتتبع بشكل ثابت. وبالنسبة لأي ملخص سيُسهم في كتابتك أنت، اختر الخيار الثاني.

الأنواع الأربعة من البيانات الوصفية التي يحافظ عليها الملخص الآمن للاقتباس

ليس كل ملخص يحتاج إلى المستوى نفسه من التعامل مع الاقتباسات. والأنواع الأربعة أدناه تمثل “قائمة الخيارات”؛ اختر المستوى الذي يلائم حالتك.

1. الاقتباسات داخل المتن من المصدر. عندما يقول الـ PDF المصدر: "(Martinez & Chen, 2024) found that..." فإن الملخص الآمن للاقتباس يحافظ على هذه النسبة داخل الملخص نفسه. لا ينبغي أن يختزل الملخص هذه النسبة إلى "researchers have found that..." أو أن ينسب الادعاء إلى مؤلفي الورقة بدلًا من نسبة الادعاء إلى المصدر المُشار إليه. الاقتباس داخل المتن هو حلقة الوصل بين الادعاء والأدلة الأصلية؛ وفقده يقطع تلك السلسلة.

2. مرساة/ارتكاز قائمة المراجع. ينبغي أن يتضمن الملخص معلومات كافية عن ورقة المصدر نفسها (المؤلفون، السنة، المجلة، DOI) بحيث يمكنك الاستشهاد بها بشكل صحيح في عملك دون الحاجة لإعادة فتح الـ PDF. تتعامل معظم الأدوات مع ذلك بسهولة؛ لكن نمط الفشل يحدث عندما تُولّد الأداة DOI أو السنة بشكل مختلف عن الورقة الفعلية. هذا نادر، لكنه يستحق التحقق مرة واحدة لكل دفعة.

3. مرساة الصفحة أو القسم. ينبغي أن يعود نص جملة الملخص إلى الصفحة أو القسم المحدّد في المصدر حيث يظهر الادعاء. يقوم NotebookLM بذلك تلقائيًا؛ بينما يوفّر Sharly AI إشارات للصفحات؛ ولا يفعل Claude وChatGPT ذلك ما لم تطلب منهما صراحةً تضمين أرقام الصفحات. مرساة الصفحة هي ما يتيح لك التحقق من ادعاء أثناء الكتابة دون إعادة قراءة الورقة كاملة.

4. علامة الثقة. الملخص الذي يميز بين "الورقة تقول X" و"أنا أستنتج أن الورقة تقصد X" يكون أكثر فائدة من ملخص يسوّي بين الأمرين في ادعاء واحد. بعض الأدوات (NotebookLM, Scholarcy) تحافظ على هذا التمييز؛ أما معظم الأدوات القائمة على LLM فتقوم بتسويته. الحل على مستوى الـ prompt: اطلب من النموذج وضع علامة صريحة على الاستنتاجات غير المؤكدة.

الملخص الذي يحتفظ بكل الأنواع الأربعة من البيانات الوصفية يستغرق وقتًا أطول في توليده ويقرأ بأناقة أقل من ملخص لا يفعل ذلك. وهو أيضًا النوع الوحيد من الملخصات الذي يكون آمنًا للاستشهاد به في كتابتك أنت. تستحق المفاضلة لأنك ستستخدم أي مصدر تنوي توظيفه في عملك.

كيف تلخّص ملف PDF أكاديمي دون فقد الاقتباسات؟

خمس خطوات. يفترض سير العمل أنك تلخّص دفعة من ملفات PDF لأغراض مراجعة أدبيات أو مراجعة منهجية؛ ولورقة واحدة فقط، تخطَّ الخطوة 1.

الخطوة 1: وحّد ملفات الـ PDF. تأكد أن كل PDF في دفعتك قابل لاستخراج النص (وليس مجرد صورة ممسوحة). شغّل OCR على أي ملفات PDF ممسوحة (ABBYY FineReader أو Adobe Acrobat Pro أو خط الأنابيب المجاني Tesseract). تكون جودة التلخيص على ملف PDF ممسوخ دون OCR رديئة بشكل موحّد؛ إذ تتبدى الاقتباسات تحديدًا على شكل سلاسل عشوائية من الأحرف. تستغرق هذه الخطوة من 10 إلى 30 ثانية لكل PDF.

الخطوة 2: اختر الأداة وفق طول المستند وكثافة الاقتباسات. بالنسبة لورقة واحدة تحت 20 صفحة مع كثافة اقتباسات طبيعية (أقل من 60 مرجعًا)، فإن توصيتنا هي Claude Sonnet عبر واجهة رفع الملف. أما بالنسبة لدفعة أوراق تُعالج لغرض مراجعة أدبيات حيث تعد قابلية تتبع “مقاطع المصدر” أمرًا حاسمًا، فالتوصية هي NotebookLM. وفي المراجعات المنهجية التي تحتاج فيها إلى استخراج بيانات مُهيكلة (حجم العينة، التدخل، النتيجة)، فالتوصية هي Scholarcy أو إعداد Claude مخصص عبر الـ prompt. يُعد اختيار الأداة أكثر أهمية من هندسة الـ prompt من أجل سلامة الاقتباس.

الخطوة 3: اطلب صراحةً أنواع البيانات الوصفية الأربعة. تؤدي عبارات "لخّص هذه الورقة" العامة إلى تلخيصات تُسقط الاقتباسات. قالب الـ prompt الذي نستخدمه:

Summarize this paper in 150-300 words. For every claim in the
summary:
1. Preserve any in-text citation from the source (e.g., "Smith
   (2024) found that...").
2. Include the page number where the claim appears.
3. Mark with [INFERENCE] any claim that is your inference rather
   than a direct statement in the paper.
4. At the end, list the paper's full citation in APA format and
   any methodology details (sample size, study design, primary
   outcome) that appear in the abstract or methods section.

إن “تكلفة” الـ prompt حقيقية (~50 token)، لكن فارق جودة المخرجات ذو معنى. لا تحتاج NotebookLM هذا الـ prompt لأن معماريتها تتولى الخطوات 1-3 تلقائيًا؛ بينما يتحسن كل من Claude وChatGPT بشكل ملحوظ معها.

الخطوة 4: تحقّق من الاقتباسات في أول ثلاثة ملخصات قبل الوثوق بالدفعة كاملة. افتح ملف الـ PDF المصدر للورقة الأولى والثانية والثالثة، وتأكد من أن كل اقتباس داخل المتن في الملخص يظهر فعليًا في المصدر. إذا رأيت اقتباسات في الملخص لا تظهر في ملف الـ PDF المصدر، فهذا يعني أن الأداة تُهلوس؛ فبدّل الأداة أو شدد الـ prompt. هذه هي عملية التحقق الوحيدة التي تلتقط نمط الفشل في المراجعات المنهجية الذي افتتحنا به هذا المنشور.

الخطوة 5: صدّر إلى صيغة مُهيكلة مع بقاء البيانات الوصفية كما هي. يحافظ جدول بيانات (Spreadsheet) فيه صف واحد لكل ورقة، مع أعمدة لـ (citation, summary, page references, methodology details, your notes) على قابلية الملخص للاستخدام في الكتابة اللاحقة. تجنب التصدير بنص حر الذي يفقد بنية “صف لكل ورقة”. تكون الأدوات التي تصدر إلى CSV أو BibTeX مع ملاحظات أسهل في التكامل مع مديري المراجع.

يستغرق سير العمل الكامل تقريبًا من خمس إلى عشر دقائق لكل PDF، منها نحو 60% مخصص لخطوة التحقق (الخطوة 4). خطوة التحقق هي التي تميز الملخص الآمن للاقتباس عن “الملخص الطليق لكن الخاطئ”.

كيف يبدو ملخص آمن للاقتباس فعليًا؟

لإيضاح معيار البيانات الوصفية الأربعة بشكل ملموس، إليك مثالًا على نفس الورقة يتم تلخيصها بطريقتين.

ملخص بلا اهتمام بالاقتباس (الافتراضي العام في ChatGPT):

This study examined the effects of a new intervention on cognitive
decline in older adults. The researchers found significant
improvements in working memory and processing speed. The
intervention was well-tolerated and showed promise for clinical
application. Future research should explore long-term effects.

هذا الملخص طليق ويبدو كافيًا من حيث الكفاءة. لكنه غير مفيد لأغراض الاقتباس. فليس لدى الادعاءات أي نسبة إلى المصادر الأصلية التي أشارت إليها الورقة. كما أن صياغة "researchers found" تسقط أي اقتباسات داخلية في صوت واحد. ولا توجد إشارة إلى الصفحة للتحقق. وإذا حاولت الاستشهاد بهذا في عملك، فستحتاج إلى إعادة فتح ملف الـ PDF.

ملخص آمن للاقتباس (بنمط NotebookLM مع طلب صريح):

Kowalski et al. (2024) examined the effects of a 12-week
cognitive-training intervention on working memory in adults aged
65-80 (n = 247) [p. 3]. The intervention produced significant
improvements in working memory (d = 0.42, p < .001) and processing
speed (d = 0.31, p = .003), replicating earlier findings from
Park and Liu (2021) [p. 8]. The intervention was well-tolerated
with no adverse events reported [p. 11]. The authors note that the
12-week duration may be insufficient to detect long-term effects,
and recommend a 24-month follow-up study [p. 14, discussion].
[INFERENCE: The effect sizes are moderate, which is consistent with
the cognitive-training literature reviewed in the introduction
(Park & Liu, 2021; Wei et al., 2023) but smaller than the original
training paradigms from the 1990s.]

الاستشهاد الكامل: Kowalski, M., Singh, R., & Patel, A. (2024).
التدريب المعرفي لدى كبار السن: تجربة عشوائية لمدة 12 أسبوعًا.
مجلة تعزيز القدرات المعرفية، 18(3)، 234-251.
https://doi.org/10.1007/s41465-024-00345-x

Methodology: n = 247, ages 65-80, 12-week randomized controlled
trial, primary outcome working memory composite, secondary outcome
processing speed.

الملخص الثاني أطول بنحو الضعف. كما أنه يتيح لك كتابة فقرة ضمن مراجعة أدبيات تستشهد بهذه الورقة بدقة دون الحاجة إلى إعادة فتح الـ PDF. تُحفظ كل اقتباسات داخل المتن كما هي من المصدر. والإشارات إلى الصفحات صريحة. تم وضع علامة على الاستنتاج. كما أن المرجع الكامل جاهز للنسخ في مدير المراجع الخاص بك.

بالنسبة لأي مصدر ستستشهد به في عملك، فإن الصيغة الثانية هي الحد الأدنى للمعيار.

اختيار الأداة في فقرة واحدة

منشور سير عمل أوسع لمراجعة الأدبيات بالذكاء الاصطناعي يغطي حالة تعدد الأوراق؛ أما النسخة المختصرة لاختيار الأداة لتلخيص PDF آمن للاقتباس فهي: NotebookLM لملخصات يمكن تتبعها عبر تثبيت الاقتباسات (مجاني، مع اشتراط حساب Google، وهو الأفضل لدفعات مراجعة الأدبيات)؛ وClaude Sonnet عبر رفع الملفات لتلخيص “دفعة واحدة” لورقة PDF طويلة منفردة (تتعامل نافذة السياق 200K مع معظم مقالات المجلات في تمريرة واحدة)؛ وScholarcy لاستخراج البيانات المُهيكلة في المراجعات المنهجية (مدفوع، لكن المخرجات المُهيكلة توفّر ساعات)؛ وChatPDF لأسئلة وأجوبة محادثية مقابل PDF واحد أثناء القراءة (مفيد لاستفسارات مثل "ماذا تقول هذه الورقة عن X؟"). ملخّصنا بالذكاء الاصطناعي يلتف حول نمط الحفاظ على الاقتباسات مع معيار “البيانات الوصفية الأربعة” المذكور أعلاه. تجنب ملخّصات الـ PDF المجانية العامة لأي مصدر تنوي الاستشهاد به؛ إذ أن خطر الهلوسة حقيقي.

حالات الفشل الشائعة وكيفية رصدها

لدينا خمسة أنماط فشل نراها عبر مراجعات الأدبيات التي نراجعها تدقيقًا. لكل نمط حل محدد.

الفشل 1: اقتباسات داعمة مُهلوسة. ينسب الملخص ادعاءً إلى ورقة لا تظهر في ملف الـ PDF المصدر. الحل: تحقّق من أول ثلاثة ملخصات في أي دفعة مقابل ملفات الـ PDF المصدر. إذا ظهرت اقتباسات مهلوسة، بدّل الأداة (الأكثر موثوقية عادةً إلى NotebookLM) أو شدد الـ prompt ليطلب تثبيت “مقاطع المصدر” صراحة.

الفشل 2: انكسار/انهيار نسبة المصدر (Collapsed attribution). يحوّل الملخص "Smith (2024) found X, but Jones (2023) found Y" إلى "researchers have found mixed results." الحل: اطلب صراحةً الحفاظ على الاقتباسات داخل المتن؛ واختر أدوات تتعامل مع ذلك بشكل مضمّن (NotebookLM, Scholarcy).

الفشل 3: تفاصيل منهجية غير صحيحة. يذكر الملخص حجم العينة أو تصميم الدراسة أو النتيجة الأساسية التي لا تتطابق مع الورقة الفعلية. هذا نادر مقارنة بوهْم الاقتباس، لكنه أشد أثرًا عند حدوثه. الحل: تضمين عبارة في الـ prompt مثل "extract methodology details verbatim from the methods section"؛ ثم تحقق من الدفعة الأولى.

الفشل 4: إعادة توليد الملخص بشكل عام. تكون "summary" في جوهرها إعادة صياغة لملخص الورقة (abstract) دون معلومات إضافية من جسم الورقة. هذا مفيد لعرض سريع لكنه غير مفيد لمراجعة أدبيات تتطلب المنهجية والنتائج والقيود من جسم الورقة. الحل: اطلب تحديدًا محتوى الجسم؛ ثم تحقق عبر “معاينة سريعة” مقارنةً بأقسام تتجاوز الملخص.

الفشل 5: انحراف تنسيق الاقتباس. يحافظ الملخص على محتوى الاقتباس لكن بصيغة مختلفة عن صيغة المصدر (من بين قوسين بدلًا من سردية، أو العكس). هذا أقل خطورة من الأنماط الأربعة الأولى، لكنه ما يزال يستحق الالتقاط. الحل: اطلب الحفاظ على صيغة الاقتباس الأصلية؛ محور تنسيق الاقتباسات يغطي الصيغ القياسية إذا احتجت إلى توحيدها لاحقًا.

سير عملنا الأوسع لتلخيص الأوراق خارج زاوية الحفاظ على الاقتباس مُغطى في منشور كيفية تلخيص بحث علمي باستخدام الذكاء الاصطناعي؛ أما هذا المنشور فهو امتداد خاص بـ PDF من حيث الأمان في الاقتباس.

الأسئلة الشائعة

س: أي أداة ذكاء اصطناعي هي الأفضل لتلخيص ملفات PDF الأكاديمية في 2026؟

يعتمد الاختيار الصحيح على حالة الاستخدام. بالنسبة لمراجعات الأدبيات مع معالجة دفعات PDF حيث تعد قابلية تتبع الاقتباسات أهم ما يمكن، فإن NotebookLM هو الأقوى. وبالنسبة لورقة واحدة طويلة (حتى ~500 صفحة)، يستخدم Claude Sonnet عبر رفع الملفات نافذة السياق 200K في تمريرة واحدة. وللمراجعات المنهجية التي تتطلب استخراج بيانات مُهيكلة، فإن Scholarcy مُصمّم لهذا الغرض. أما للأسئلة والأجوبة المحادثية مقابل PDF واحد أثناء القراءة، فأسرع خيار هو ChatPDF. تجنب ملخّصات PDF المجانية العامة للمصادر التي تنوي الاستشهاد بها؛ إذ إن خطر هَلوسة الاقتباسات هو نمط الفشل المحوري للاستخدام الأكاديمي.

س: هل يقوم ChatGPT بهلوسة الاقتباسات عند تلخيص ملف PDF الخاص بي؟

قد يحدث ذلك، خصوصًا في المقاطع الكثيفة أو عندما يطلب الـ prompt صراحةً إدراج اقتباسات دون تثبيتها إلى مقاطع المصدر. توصيتنا هي ألا تطلب أبدًا من أي LLM أن "يولّد اقتباسات" من المصدر؛ بدلًا من ذلك اطلب منه "الحفاظ على أي اقتباسات داخل المتن تظهر في المصدر" و"تضمين أرقام الصفحات التي يظهر فيها كل ادعاء". هذا يثبّت عمل الاقتباس على التحقق من مقطع المصدر بدلًا من الاعتماد على ذاكرة التدريب لدى النموذج.

س: كيف ألخّص أطروحة من 60,000 كلمة باستخدام الذكاء الاصطناعي؟

استخدم أداة تدعم سياقًا طويلًا: Claude Sonnet (200K token تكفي عادةً لأطروحة نمطية في تمريرة واحدة) أو NotebookLM (الذي يقوم بتقسيم المحتوى تلقائيًا ويحافظ على الاتساق بين الأجزاء). لخّص فصلًا بفصل بدلًا من تلخيص الأطروحة كاملة مرة واحدة؛ فملخصات كل فصل تكون أكثر فائدة لكتابة قسم مراجعة الأدبيات لديك، كما أن التقسيم يمنحك نقاط تحقق قابلة للمراجعة. تجنب GPT-5 في تلخيص أطروحة كاملة؛ إذ إن سياق 128K يكفي لمعظم الفصول لكنه غير مريح للمستند كاملًا.

س: هل يمكنني الاستشهاد بملخص PDF مُولّد بالذكاء الاصطناعي في بحثي؟

تستشهد بالورقة الأصلية، وليس بالملخص. الملخص أداة تساعدك على القراءة والتذكر؛ أما الاقتباس فيذهب إلى المصدر نفسه. إذا ساعدك الملخص على صياغة فكرة/رؤية، فهذه الرؤية لك؛ والاقتباس موجّه إلى أي ورقة تدعم تلك الرؤية. وبالنسبة لتناولنا الأوسع لكيفية الإفصاح عن استخدام أدوات الذكاء الاصطناعي في المخطوطات، اطّلع على دليل الإفصاح الخاص بنا، وهو أقرب منشور مرافق ضمن المجموعة.

س: كيف أستخرج بيانات مُهيكلة من PDF من أجل مراجعة منهجية؟

استخدم أداة تدعم المخرجات المُهيكلة: Scholarcy لاستخراج مُصمم لهذا الغرض (حجم العينة، التدخل، النتيجة، والاستنتاج كحقول مُسمّاة) أو إعداد Claude عبر الـ prompt يطلب الحقول نفسها بصيغة JSON أو CSV. ينبغي دائمًا التحقق من المخرجات المُهيكلة مقابل ملف الـ PDF المصدر على الأقل لأول 10 أوراق في دفعتك؛ إذ إن أدوات الاستخراج المُهيكل أكثر موثوقية من الملخصات السردية، لكنها ما تزال تُنتج أخطاء في الحقول بمعدل تقريبي 5-10% في اختباراتنا التحريرية.