@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} }