留学生の出願で届く英文の卒業証明書・成績証明書を読み取り、出願データの学歴・成績の項目に転記して、出願資格の確認に要る記載の不足を入試担当へ出す

処理の起点を決める

出願番号のフォルダ（Amazon S3）に証明書が保存されたことを起点にします。 出願システムから添付を受け取れるなら自動で、受け取れないなら担当者が保存します。証明書は出願のあとで差し替えられることがあるため、保存のたびにその出願の証明書全体を見直します。

もう1つの起点は、毎朝の定時実行です。 選考の締切の10日前・5日前・前日に、不足が解消されていない出願と、問い合わせの返事が来ていない出願を一覧にして担当者へ送ります。締切に間に合わない失敗は、返事を待っているあいだに起きるからです。

入力データを集める

質を決めるのは、出願者の入力です。 照合の相手がなければ、卒業日を写せてもそれが合っているかを見る先がありません。 出願システムの学歴の欄を、年月まで入れる形にしておくのが最初の準備です。

評価の尺度の一覧は、尺度を決めるためではなく、凡例の見落としを減らすために持ちます。 「この国の証明書は裏面に凡例があることが多い」と分かっていれば、裏面が無い出願に先に気づけます。

データの取得方法を決める

問いは、別名（Alias）を付けて登録します。 例えば What is the date of graduation? に GRAD_DATE、What is the date of issue? に ISSUE_DATE、What is the date of admission? に ADMIT_DATE を付けます。答えは QUERY_RESULT として信頼度つきで返り、答えが見つからないときは空で返ります。 空のまま後段に渡し、「書かれていない」として扱います。

卒業日と発行日は、必ず別の問いにします。 1つの問いで「日付」を聞くと、目立つ位置にある発行日が答えとして返ることがあります。2つの答えが同じ日付なら、その出願は担当者の確認に回します。

問いの数は、非同期の処理で1ページあたり30、同期で15までです。 卒業証明書は1ページのことが多いので問いを中心に、成績証明書は表として読みます。

訳文のページでは、訳した機関の名称と訳文の日付も問いで取ります。 原語の証明書に英文の訳文が付く出願では、読み取るのは訳文で、原本は原語のページです。 訳文の学校名や卒業日が原語のページとずれていても、この構成では気づけません。訳文から取った項目には「訳文由来」の印を付け、担当者が原語のページの数字と年号だけでも見比べられるようにします。

AIへ渡す前に整形する

1. 形式の確認 … JPEG・PNG・PDF・TIFF であることを確かめます。XFA形式のPDFは扱えません
2. パスワードの確認 … パスワード付きのPDFは読めません。出願者に解除したものを出し直してもらいます
3. サイズとページ数の確認 … 非同期の処理で、PDFとTIFFは500MB・3,000ページまでです
4. 文字の大きさの確認 … 検出できる文字の高さは15ピクセル以上で、150dpiで8ポイントに当たります。スマートフォンで撮った証明書は、凡例の小さな文字が下限を割ることがあります
5. 言語の確認 … 英文でないページは読み取りに回さず、「原語のページ」として記録します
6. 書類の種類の判別 … 卒業証明書・成績証明書・訳文・旅券の写しが1つのPDFにまとまって届くことがあります。ページごとに種類を分けてから、問いをかけるか表として読むかを決めます

6番目を軽く見ないでください。 旅券の写しのページに問いをかけると、生年月日や氏名の答えが旅券から返り、証明書と旅券の食い違いが見えなくなります。 旅券の写しは読み取りの対象から外します。

AIに処理させる

1回目にさせるのは、読み取り結果を出願データの学歴と成績の項目へ並べ直すことです。

2回目にさせるのは、プログラムが出した不足と食い違いの一覧から、出願者への問い合わせの下書きを作ることです。 何が足りないか、どの書類を出し直してほしいかを、英語で具体的に書きます。

4行目がいちばん起きやすい失敗です。 評点が「3.6」なら4段階だろうと推定して 4.0 scale と書くのは自然に見えますが、5段階の国もあります。 凡例の無い証明書は、凡例を出してもらうのが答えです。

指示内容を固定する

あなたは大学の国際入試の担当として、留学生の英文の証明書を
出願データの項目へそろえる立場です。
渡すのは AWS Textract が読み取った結果（題名・本文・表・問いの答え）です。
読み取り結果に書かれていることだけを使ってください。推測で埋めないでください。

【1回目：出願データの項目への並べ直し】
- 各ページの書類の種類を、graduation_certificate / enrollment_certificate /
  expected_graduation / transcript / translation / other から選んでください。
- 卒業日（graduation_date）と発行日（issue_date）は別の項目です。
  卒業日が書かれていなければ not_stated とし、発行日で埋めないでください。
- 卒業したのか、卒業見込みなのかは、本文の記載だけで決めてください。
  決められなければ not_stated にしてください。
- 成績の表は、学年・科目・評点の行に分けてください。評点は書かれた
  文字列のまま入れ、換算しないでください。
- 評価の尺度（grading_scale）は、凡例や注記に書かれている場合だけ
  原文のまま入れてください。書かれていなければ not_stated とし、
  評点の値から推定しないでください。
- 氏名は読み取った文字列のまま入れ、つづりを直さないでください。
- 項目ごとに、根拠にした英文を evidence にそのまま写してください。
- 信頼度は Textract が返した値をそのまま confidence に入れてください。
- 出願資格があるかどうか、証明書が本物かどうかは書かないでください。

【2回目：出願者への問い合わせの下書き】
- 不足と食い違いの一覧（{findings}）だけを使って、英語で書いてください。
- 足りない書類または記載ごとに、何を、どの形で出し直してほしいかを
  具体的に書いてください。
- 出願資格や合否に触れないでください。

「発行日で埋めない」を明記しないと、卒業日に発行日が入ります。 証明書の下部に大きく書かれた日付は多くが発行日で、何も言わなければそれを卒業日として選びます。

出力形式を固定する

1回目の出力は、次の形のJSONで受け取ります。

{
  "application_id": "",
  "documents": [
    { "file": "", "page": 1, "doc_type": "graduation_certificate" }
  ],
  "education": {
    "school_name": "",
    "country": "",
    "admission_date": "",
    "graduation_date": "",
    "issue_date": "",
    "completion": "completed | expected | not_stated",
    "items_status": [
      { "item": "graduation_date", "status": "ok | not_stated | low_confidence",
        "confidence": 0, "evidence": "" }
    ]
  },
  "transcript": {
    "grading_scale": "",
    "rows": [
      { "year": "", "subject": "", "grade_raw": "", "confidence": 0 }
    ]
  }
}

1つ目の理由は、照合をプログラムに渡せることです。 出願者が入力した学歴の最後の行と、education の学校名・卒業日を比べ、match ／ mismatch ／ certificate_only ／ input_only の4つに分けます。年数は入力された学歴の各行から数えます。

2つ目は、grade_raw を文字列のまま持てることです。 「A+」「85」「Excellent」を同じ列に入れても壊れず、換算は選考の取り決めの側で後から行えます。

構造化出力では、スキーマのすべてのオブジェクトに additionalProperties: false を付けます。数値の範囲や文字列の長さの制約はスキーマで書けないため、日付の形の確認はプログラムで行います。

システムへ連携する

StartDocumentAnalysis には、同じ依頼を二度動かさないための識別子（ClientRequestToken）を付けます。 同じ識別子なら同じ JobId が返ります。JobTag には出願番号を入れ、完了の通知からどの出願の結果かを引けるようにします。結果の出力先のバケットと、暗号化の KMS の鍵も指定できます。

出願データへは、担当者が承認するまで書き戻しません。 出願者へも、自動では何も送りません。

人が確認する

担当者が見るのは、不足と食い違いの印が付いた項目と、信頼度の低い項目です。

1. 卒業日と発行日を原本で見る … 2つが同じ日付になっていないか、取り違えていないかを見ます
2. 卒業か見込みかを本文で見る … 見込みの証明書を卒業として扱うと、入学後に卒業の証明が出ないことがあります
3. 評価の尺度を見る … not_stated なら、裏面のスキャン漏れか凡例が無いかを原本で見ます
4. 成績の表は信頼度の低い行だけ見る … 全行を見直すと、写す時間がそのまま戻ってきます
5. 承認して書き戻し、問い合わせを直して送る … 送るのは人です

1番目を省かないでください。 卒業日の取り違えは、出願資格の確認を誤った前提で進めることになります。 信頼度が高くても原本を見ます。

目標は、60件をならして1件12分です。 それより長くかかる月は、スマートフォンで撮った証明書が増えているか、問いの書き方が合っていない国の書式があります。

例外に対処する

6行目は、扱いを決めておかないと事故になります。 12年に満たない場合でも、準備教育課程の修了などで入学資格が認められる道があり、一律に不足として返すと、資格のある出願者を落とすことになります。

記録を残す

• 受け取った証明書のPDFと、保存された日時
• Textract が返した読み取り結果の全文と JobId
• 1回目のJSON（項目、根拠の英文、信頼度）
• 照合の結果と、そのとき照らした出願者の入力
• 担当者が直した項目と、直す前の値
• 承認した日時と、出願データへ書き戻した内容
• 問い合わせを送った日と、返事と出し直しの書類が届いた日
• 国ごとの、not_stated と low_confidence の発生率

4つ目で「そのときの入力」を残すのは、出願者が後から入力を直すためです。 直された後では、なぜ問い合わせたのかを説明できません。

最後の行は、問いと案内を直す材料になります。 特定の国で卒業日の not_stated が続くなら、その国の書式では卒業日が別の言い方で書かれているか、募集要項の提出書類の案内が足りていません。 問いの言い回しを足すか、案内に「卒業日の記載のある証明書」と書き足します。