@misc{WuerznerSachunskyLasch2022, author = {W{\"u}rzner, Kay-Michael and Sachunsky, Robert and Lasch, A.}, title = {Verbesserung von automatischer Handschriftenerkennung durch b{\"u}rgerwissenschaftlich unterst{\"u}tzte Transkription}, series = {TK 5: Content: Vom Umgang mit Inhalten und Daten / Beteiligungskulturen und Daten (02.06.2022, 14:00 - 16:00, Saal 5)}, journal = {TK 5: Content: Vom Umgang mit Inhalten und Daten / Beteiligungskulturen und Daten (02.06.2022, 14:00 - 16:00, Saal 5)}, year = {2022}, abstract = {Im Kontext der Digitalisierung der Herrnhuter Nachrichten aus der Br{\"u}der-Gemeine in ihrer handschriftlichen, ungek{\"u}rzten Version, die im Rahmen des Landesdigitalisierungsprojektes Sachsen gemeinsam durch das Unit{\"a}tsarchiv Herrnhut und die S{\"a}chsische Landesbibliothek - Staats- und Universit{\"a}tsbibliothek Dresden durchgef{\"u}hrt wird, experimentieren wir mit Verfahren der automatischen Texterkennung, um die entstehenden Bilder um einen maschinenlesbaren Volltext zu erg{\"a}nzen. Verf{\"u}gbare, quelloffene L{\"o}sungen liefern jedoch keine Modelle f{\"u}r die Handschriftenerkennung mit, sodass diese im Vorfeld mit Hilfe manuell transkribierter Volltexte trainiert werden m{\"u}ssen. Bei der Transkription von Materialien, die in historischen, heute nicht mehr verwendeten Schriftarten, wie zum Beispiel Kurrent oder S{\"u}tterlin, vorliegen, stellt sich das spezielle Problem, dass heute nur wenige Menschen in der Lage sind, diese lesen zu k{\"o}nnen. Die Einbindung von Freiwilligen, bspw. im Rahmen von Crowd-Sourcing-Projekten, in die Transkriptionsaufgabe stellt also nicht nur das quantitative Problem der Akquise von Beteiligung, sondern auch ein qualitatives Problem, der Beteiligungswilligen ein geeignetes, zug{\"a}ngliches Tooling bereitzustellen. Im Umfeld des Projekthubs Herrnhut Digital werden in einem Podcast ausgew{\"a}hlte Passagen aus den Nachrichten ver{\"o}ffentlicht, die Kurrentkundige eingesprochen haben. Um diese f{\"u}r die Optimierung der optischen Texterkennung nutzbar zu machen, verwenden wir eine akustische Texterkennung zur Erzeugung einer Vorstufe der ben{\"o}tigten Trainingsdaten. Dieser Umweg stellt somit eine einfache Br{\"u}cke zwischen {\"a}lteren, h{\"a}ufig nicht technikaffinen B{\"u}rgerinnen und B{\"u}rgern und der anspruchsvollen Transkriptionsaufgabe her. In unserem Vortrag illustrieren wir unser Vorgehen und zeigen außerdem, wie die gewonnenen Daten mit Hilfe eines iterativen Trainingsprozesses m{\"o}glichst effizient f{\"u}r die Erstellung von Modellen f{\"u}r die Handschriftenerkennung eingesetzt werden k{\"o}nnen.}, language = {de} } @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{WuerznerSachunsky2021, author = {W{\"u}rzner, Kay-Michael and Sachunsky, Robert}, title = {Kollaborative Erstellung von Trainingsmaterialien f{\"u}r OCR - Ein Werkstattbericht}, series = {Themenkreis 5: Content und Digitalisierung / Nachhaltige {\"U}berlieferung (17.06.2021, 15:30 - 16:30 Uhr, Raum 3 (virtuell))}, journal = {Themenkreis 5: Content und Digitalisierung / Nachhaltige {\"U}berlieferung (17.06.2021, 15:30 - 16:30 Uhr, Raum 3 (virtuell))}, year = {2021}, abstract = {Sp{\"a}testens seit der Studie „OCR of historical printings" (Springmann und L{\"u}deling, 2017) ist die landl{\"a}ufige Annahme, dass die Qualit{\"a}t automatischer Texterkennungsverfahren (OCR) mit zunehmendem Alter der Vorlage schlechter wird, widerlegt. Wird die OCR-Software mit passenden, manuell transkribierten Bild-Text-Paaren trainiert, sind Erkennungsraten jenseits 99 \% auch f{\"u}r sehr fr{\"u}he, vorindustrielle Drucke m{\"o}glich. Dank quelloffener OCR-Engines wie Tesseract, kraken und Calamari ist es technisch m{\"o}glich, jegliche Digitalisierungsvorhaben mit passgenauen Erkennungsmodellen zu st{\"u}tzen und so wissenschaftlich nachnutzbare Textergebnisse zu erzielen. Hochqualitative Trainingsmaterialen in ausreichendem Umfang sind jedoch f{\"u}r die meisten Schriftarten und Epochen nach wie vor ein Desiderat. Um diesem zu begegnen, engagieren sich Mitarbeitende der SLUB seit vergangenem Jahr in einer kollaborativen Transkriptionsinitiative. Da existierende Annotationswerkzeuge meist hohe technische Kenntnisse und dadurch eine lange Einarbeitungszeit erfordern, wurde zu diesem Zwecke ein einfacher Arbeitsablauf auf Basis gel{\"a}ufiger Tabellenkalkulationsprogramme entwickelt: Zun{\"a}chst werden die zu transkribierenden Materialien mit Hilfe der im OCR-D-Projekt entwickelten Workflows vorprozessiert. Die noch fehlerbehafteten Textzeilen werden dann gemeinsam mit ihren korrespondierenden Bildderivaten in ein Tabellendokument exportiert. Anschließend korrigieren zwei Bearbeiter unabh{\"a}ngig voneinander die Volltexte und filtern fehlerhafte Bildausschnitte. Die entstehenden Transkriptionen werden dann miteinander verglichen und nur identische Zeilen gehen in die Trainingsdaten ein. Diese werden {\"u}ber GitHub ver{\"o}ffentlicht, stehen so der Allgemeinheit zur Verf{\"u}gung und k{\"o}nnen ggf. nachkorrigiert werden. In unserer Pr{\"a}sentation zeigen wir erste Ergebnisse, adressieren h{\"a}ufige Fragen und m{\"o}gliche L{\"o}sungen und berichten {\"u}ber Planungen, die Initiative als partizipatives Format auch f{\"u}r Nutzende auszurollen.}, language = {de} }