@misc{BoehmakSachunskyWuerzner2022, author = {B{\"o}hmak, Wito and Sachunsky, Robert and W{\"u}rzner, Kay-Michael}, title = {Erstellung wissenschaftlich nachnutzbarer Volltexte f{\"u}r Pr{\"a}sentation und Analyse am Beispiel obersorbischer Drucke}, series = {TK 5: Content: Vom Umgang mit Inhalten und Daten / Forschungsdaten in den Humanities (01.06.2022, 14:00 - 16:00, Saal 4)}, journal = {TK 5: Content: Vom Umgang mit Inhalten und Daten / Forschungsdaten in den Humanities (01.06.2022, 14:00 - 16:00, Saal 4)}, url = {http://nbn-resolving.de/urn:nbn:de:0290-opus4-179521}, year = {2022}, abstract = {Im Rahmen des s{\"a}chsischen Landesdigitalisierungsprogramms wurden in den letzten Jahren signifikante Teile des historischen obersorbischen Schrifttums gescannt. Diese Dokumente liegen jedoch großteils nur als Bilddigitalisate ohne maschinenlesbaren Volltext vor, was ihre Nachnutzbarkeit im wissenschaftlichen Kontext stark einschr{\"a}nkt. Die Herausforderung dieser Best{\"a}nde liegt u.a. in der speziellen Kombination aus Fraktur und den slawischen Diakritika im sorbischen Druck, f{\"u}r die es bisher noch keine verl{\"a}ssliche automatische Texterkennung (OCR) gibt. Aufbauend auf einer Studie zum gezielten Training von OCR f{\"u}r obersorbische Drucke (siehe Programm zum 109. Dt. Bibtag 2020) wurde in einem Pilotprojekt des Sorbischen Instituts in den letzten Monaten ein produktiver Workflow etabliert. Dieser umfasst 1. die manuelle Erstellung von Ground Truth (GT), 2. das systematische Training entsprechender OCR-Modelle, 3. die automatische Prozessierung von Digitalisaten zu Volltext, 4. die Generierung von ALTO-XML zur digitalen Pr{\"a}sentation und 5. von TEI-XML z.B. f{\"u}r digitale Editionen und korpuslinguistische Auswertungen. Fokus ist dabei die stetige Qualit{\"a}tsverbesserung (d.h. Minderung der durchschnittlichen Fehlerrate ebenso wie systematischer Schw{\"a}chen) durch iterative Erweiterung des GT um zus{\"a}tzliches Material und Optimierung der extrahierten im Training benutzten Zeilenbilder. Als Werkzeuge werden vorrangig Open-Source-Systeme eingesetzt: die OCR-D-Softwaresuite (mit dem PAGE-XML-Format als Tr{\"a}ger der Bild-Text-Zuordnung) f{\"u}r automatische Workflows, die Programme Aletheia und LAREX f{\"u}r manuelle Transkription und Kitodo f{\"u}r die Bereitstellung der digitalen Objekte. Im Vortrag erl{\"a}utern wir unsere Vorgehensweise zur Qualit{\"a}tssteigerung der Obersorbisch-OCR und diskutieren anhand von Referenzbeispielen die M{\"o}glichkeiten und Grenzen des Workflows. Erg{\"a}nzend thematisieren wir Erfahrungen mit der OCR zweisprachiger Drucke und deren {\"U}bertragbarkeit auf weitere slawische Sprachen.}, language = {de} } @misc{WuerznerBoehmak2020, author = {W{\"u}rzner, Kay-Michael and B{\"o}hmak, Wito}, title = {OCR f{\"u}r ressourcenarme Sprachen am Beispiel des Obersorbischen}, series = {Themenkreis 5: Content und Digitalisierung / Pr{\"a}sentation und Erschließung von digitalem Content (28.05.2020, 09:00 - 11:30 Uhr, Niedersachsenhalle B)}, journal = {Themenkreis 5: Content und Digitalisierung / Pr{\"a}sentation und Erschließung von digitalem Content (28.05.2020, 09:00 - 11:30 Uhr, Niedersachsenhalle B)}, year = {2020}, abstract = {Die Qualit{\"a}t der Ergebnisse automatischer Zeichenerkennung (OCR) h{\"a}ngt prim{\"a}r von der Passung der der OCR zugrundeliegenden Modelle und der jeweiligen Vorlage ab. Sowohl kommerzielle als auch freie Software erlauben dem Nutzer aus einer Anzahl vortrainierter Modelle das passendste auszuw{\"a}hlen. Die Modelle werden mit Hilfe von vorhandenem, fehlerfreiem Volltext f{\"u}r eine Sprache oder einen Schrifttyp trainiert. Aus {\"o}konomischen Gr{\"u}nden beschr{\"a}nkt sich die Modellauswahl auf h{\"a}ufig verwendete Sprachen und Schrifttypen.In der Vorbereitung der Digitalisierung dreier obersorbischer Zeitungsunternehmungen haben wir sowohl eine kommerzielle (ABBYY Recognition Server) als auch eine freie OCR-Software (Tesseract) auf ihre Eignung f{\"u}r die Erzeugung wissenschaftlich nachnutzbarer Volltexte getestet.Obersorbisch ist eine in der Oberlausitz von etwa 20000-25000 Menschen gesprochene westslawische Sprache, f{\"u}r die es nur wenige (computer-)linguistisch nutzbare Daten gibt.Die adressierten Zeitungen sind prim{\"a}r in Fraktur gesetzt. Deren Kombination mit slawischen Diakritika stellt eine Besonderheit dar, die von verf{\"u}gbaren OCR-Modellen nicht abgedeckt wird. Sowohl ABBYY Recognition Server mit dem Modell Altdeutsch/Gothic als auch Tesseract mit dem sprachunabh{\"a}ngigen Modell Fraktur erzielten daher schlechte Erkennungsraten (Zeichenfehler, CER ABBYY: 12-17 \% bzw. Tesseract: 8-11 \%).Ein großer Vorteil von Tesseract ist die M{\"o}glichkeit, eigene OCR-Modelle zu trainieren bzw. vorhandene auf spezifische Vorlagen anzupassen. Um uns dem Ziel hochqualitativer Volltexte anzun{\"a}hern, haben wir daher das Modell Fraktur mit Hilfe von 47 Seiten feinjustiert und auf weiteren 10 Seiten evaluiert. Mit einer CER zwischen 3,7 und 0,5 \% zeigte sich ein deutlicher, positiver Trainingseffekt.Im Vortrag erl{\"a}utern wir die einzelnen Schritte, die von Text und Bild zum fertigen OCR-Modell f{\"u}hren und diskutieren M{\"o}glichkeiten und Grenzen f{\"u}r den produktiven Einsatz in der bibliothekarischen Praxis.}, language = {de} }