@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} }