@misc{BoenigHartwigWeidlingetal.2023, author = {Boenig, Matthias and Hartwig, Uwe and Weidling, Michelle and Baierer, Konstantin and Neudecker, Clemens}, title = {Moderne Standards bei der Erstellung und Evaluation von Volltextdaten}, series = {TK 5: Daten und Publikationen/ OCR als Kooperation (26.05.2023, 09:00 - 12:00, Runder Saal)}, journal = {TK 5: Daten und Publikationen/ OCR als Kooperation (26.05.2023, 09:00 - 12:00, Runder Saal)}, year = {2023}, abstract = {Die Bereitstellung qualitativ hochwertiger Volltexte ist eine Voraussetzung f{\"u}r die Erschließung umfangreicher bibliothekarischer Best{\"a}nde und zugleich Grundlage f{\"u}r nachgelagerte Verfahren wie Normdatenverkn{\"u}pfung oder automatische Sacherschließung. W{\"a}hrend die Evaluation von OCR bislang meist als einmalige und rein manuelle Aktivit{\"a}t verstanden wurde, skaliert dieser Ansatz nicht f{\"u}r die Massenvolltextdigitalisierung. Stattdessen wird zunehmend Ground Truth (GT), d.h. manuell erstellte, qualitativ einwandfreie Transkription, f{\"u}r die OCR-Evaluation und dar{\"u}ber hinaus erstellt. Die Nachnutzbarkeit von GT ist dann am h{\"o}chsten, wenn bei der Erstellung Spezifikationen {\"u}ber Formate und Verfahren eingehalten werden. Zwar ist der Aufwand von GT-getriebener Evaluation substantiell h{\"o}her als f{\"u}r einmalige manuelle Evaluationen (z.B. Bernoulli-Experiment); dies wird jedoch aufgewogen durch die sehr viel h{\"o}here Verl{\"a}sslichkeit und Aussagekraft der ermittelten Zahlen. Sowohl f{\"u}r Annotation und Repr{\"a}sentation der GT als auch f{\"u}r die Auswertungsverfahren zur OCR-Evaluation sind weitere Standardisierungen notwendig. Dar{\"u}ber hinaus kann GT auch zum Training von OCR und Layoutanalyse sowie in nachgelagerten Aufgaben verwendet werden, wof{\"u}r ebenfalls spezifische Anforderungen zu definieren sind. Im Rahmen der DFG-F{\"o}rderinitiative OCR-D wurden hierf{\"u}r eine Reihe von Richtlinien entwickelt. Neben einer {\"U}berarbeitung der DFG-Praxisregeln Digitalisierung im Hinblick auf OCR werden Richtlinien zur Erstellung von GT entwickelt. Auch dazu, wie GT nachhaltig und vielseitig anwendbar disseminiert werden sollte, werden Best Practices kommuniziert. Diese und weitere Aspekte der Standardisierung rund um OCR werden im Vortrag diskutiert und auch praktische Empfehlungen f{\"u}r OCR-Vorhaben gegeben.}, language = {de} } @misc{Hartwig2024, author = {Hartwig, Uwe}, title = {Massendigitalisierung Historischer Drucke: Volltexterzeugung als separates Modul}, series = {TK 6: Sammlungen, Repositorien, Retrodigitalisierung und Kulturgut(schutz)/ Volltextdurchsuchbarkeit ausbauen (05.06.2024, 11:00 - 13:00, Saal A.3 / 1. OG)}, journal = {TK 6: Sammlungen, Repositorien, Retrodigitalisierung und Kulturgut(schutz)/ Volltextdurchsuchbarkeit ausbauen (05.06.2024, 11:00 - 13:00, Saal A.3 / 1. OG)}, url = {http://nbn-resolving.de/urn:nbn:de:0290-opus4-192102}, year = {2024}, abstract = {Wenn es um die Digitalisierung historischer Drucke geht, bildet die Erzeugung von Volltextdaten (OCR) heute einen festen Bestandteil von Massendigitalisierungsprojekten. Da liegt es nahe, die Erzeugung von Volltextdaten m{\"o}glichst eng mit bestehenden Workflows zu verdrahten. Am Besten mit einem System, das Alles kann - nat{\"u}rlich auch Volltextdaten in bester Qualit{\"a}t. Aber wie geht es weiter, nachdem das Projekt abgeschlossen ist? Und wie kann Volltext nachtr{\"a}glich systematisch verbessert werden? Titelaufnahmen im Katalog erfolgen einmalig, gescannt wird ebenfalls einmal. Diese Herangehensweise macht bei OCR wenig Sinn, wenn davon auszugehen ist, dass sich Systeme und Modelle in Zukunft verbessern. In ihren Projekten zur Massendigitalisierung Historischer Drucke verfolgt die Universit{\"a}ts- und Landesbibliothek (ULB) Sachsen-Anhalt den Ansatz, Volltexte separat, unabh{\"a}ngig vom Digitalisierungs- bzw. Pr{\"a}sentationssystem zu erzeugen. Den Beginn markierte das DFG-Projekt zur Hauptphase I der Digitalisierung Historischer Deutscher Zeitungen (2019-2021). Hier wurden f{\"u}r {\"u}ber 500.000 Zeitungsseiten in Eigenregie Volltextdaten mit Open-Source-Komponenten generiert und deren Qualit{\"a}t evaluiert [1]. Zum Projektende erfolgte mit einem adaptierten Modell f{\"u}r den kompletten Bestand ein zweiter Durchlauf. Ab 2021 beteiligte sich die ULB mit dem Implementationsprojekt „ODEM" an der 3.Projektphase der Koordinierten F{\"o}rderinitiative „OCR-D". Dort wurde dieser Ansatz f{\"u}r 6 Mio. Seiten der Sammlung f{\"u}r Historische Drucke des 18. Jahrhunderts erweitert, deren urspr{\"u}ngliche Digitalisierung teilweise mehr als 10 Jahre zur{\"u}ck lag. Im Rahmen des Vortrags sollen die Erfahrungen in Halle vorgestellt, sowie Vor- und Nachteile dieses Vorgehens diskutiert werden. [1] Hartwig, Uwe. "Evaluation von Volltextdaten mit Open-Source-Komponenten." o-bib. Das offene Bibliotheksjournal/Herausgeber VDB 9.4 (2022): 1-21.}, language = {de} }