@misc{Wuerzner2020, author = {W{\"u}rzner, Kay-Michael}, title = {Automatische Generierung von stukturiertem TEI-Volltext aus METS-XML}, 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 = {Das von der Text Encoding Initiative (TEI) entwickelte XML-Format zur Repr{\"a}sentation digitaler Volltexte ist ein weitverbreiteter Standard in den Text be- und verarbeitenden Wissenschaften und wird in vielen Forschungsprojekten und -infrastrukturen verwendet. Digitale Volltexte in Bibliotheken werden zu meist im Format Analyzed Layout and Text Object (ALTO) vorgehalten, w{\"a}hrend die logische Struktur der Dokumente in Dateien im Format Metadata Encoding and Transmission Standard (METS) referenziert wird. Die Verkn{\"u}pfung zwischen beiden Ebenen erfolgt lediglich auf Seitenebene. Darin liegt der wesentliche Unterschied zu TEI, wo die Strukturierung der Dokumente inline - also direkt im Volltext - erfolgt. Die generelle Natur der Strukturauszeichnung mit Hilfe verschachtelter div-Elemente ist beiden Formaten gemein. Somit besteht die prim{\"a}re Herausforderung bei der Erzeugung von strukturierten TEI-Volltexten aus METS-ALTO-Objekten in der korrekten Lokalisierung der Strukturelemente auf den einzelnen Seiten. Zu diesem Zweck wird an der SLUB das Programm mets-mods2tei (https://github.com/slub/mets-mods2tei) entwickelt, das den minimalen Editierabstands (Lewenstein 1965) zwischen manuell erfassten Strukturauszeichnungen (bzw. deren Labeln) und dem meist automatisch per OCR erzeugtem, digitalen Volltext als Platzierungskriterium nutzt. Das erzeugte TEI orientiert sich am Basisformat des Deutschen Textarchivs (DTA, Haaf et al. 2014/15). Es enth{\"a}lt neben dem strukturierten Volltext auch umfangreiche, aus Metadata Object Description Schema-kompatiblem XML extrahierte Metadaten und kann sowohl als Ausgangspunkt f{\"u}r Editionsvorhaben als auch als Grundlage f{\"u}r quantitative Korpusauswertungen dienen.Im Vortrag wird das hier skizzierte Vorgehen anhand von Beispielen illustriert und auf aktuelle Herausforderungen, die etwa durch stillschweigende Normalisierung auf METS- und schlechte Textqualit{\"a}t auf ALTO-Seite entstehen, eingegangen.}, language = {de} } @misc{Neuboeck2020, author = {Neub{\"o}ck, Gregor}, title = {LELAB oder wie h{\"a}lt man ein Retrodigitalisierungsprojekt am Laufen?}, 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 Digitale Landesbibliothek Ober{\"o}sterreich (DLO{\"O}; https://digi.landesbibliothek.at/viewer/) ist der Output (Frontend) eines umfangreichen Digitalisierungsworkflows, der mithilfe der Open-Source-Software GOOBI gesteuert wird. Als kleine bis mittlere Bibliothek hat die Ober{\"o}sterreichische Landesbibliothek bisher mit diesem Projekt eine sehr gute Außenwirkung erzeugen k{\"o}nnen. Die Basis f{\"u}r diesen Erfolg liegt im Akronym LELAB, was f{\"u}r ein "lebenslanges Betastadium" der Software GOOBI steht. St{\"a}ndig werden Komponenten {\"u}berarbeitet, neu entwickelt oder verbessert. LELAB steht in diesem Sinne f{\"u}r einen immerw{\"a}hrenden Erneuerungsprozess, der die Basis f{\"u}r ein erfolgreiches Retrodigitalisierungsprojekt darstellt und insbesondere f{\"u}r die Open-Source-Software GOOBI gilt. In diesem Vortrag werden einige dieser Entwicklungen exklusiv pr{\"a}sentiert. Z.B. schon heute erf{\"u}llt unser Viewer verschiedene IIIF-Standards (Image-API, Presentation-API), er{\"o}ffnet so der Wissenschaft vielf{\"a}ltige M{\"o}glichkeiten und garantiert dadurch eine nachhaltige Entwicklung. Durch verschiedene Schnittstellen (SRU, JSON, OAI-PMH) k{\"o}nnen unsere Digitalisate weltweit abgefragt werden (ZVDD, Europeana). Das {\"u}berarbeitete und um neue Funktionen angereicherte Crowdsourcing soll uns dabei helfen potentielle Crowdworker leichter zu akquirieren. Mittlerweile ist es uns m{\"o}glich wissenschaftliche Handschriftenbeschreibungen in einem einfachen Arbeitsschritt online zu stellen. Mit einer Kampagnen-Funktion k{\"o}nnen Sammlungen f{\"u}r die Crowd exklusive pr{\"a}sentiert und hernach mit verschiedenen Daten angereichert werden.}, 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} } @misc{AehnlichKunze2020, author = {Aehnlich, Barbara and Kunze, Petra}, title = {Von der Flur zur Kultur - Das Th{\"u}ringer Flurnamenportal}, 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 = {Bisher war Flurnamenforschung staubig und trocken und hatte den leicht muffigen Anschein von Heimatforschung zu Beginn des letzten Jahrhunderts. In Th{\"u}ringen {\"a}ndert sich dies nun grundlegend: Durch die {\"U}berf{\"u}hrung und Weiterentwicklung des Th{\"u}ringer Flurnamenarchivs kommt die Forschung im digitalen Zeitalter an. Die ThULB und die FSU Jena beschreiten dabei neue Wege. Der Vortrag berichtet {\"u}ber den Aufbau des Th{\"u}ringer Flurnamenportals (http://projekte.thulb.uni-jena.de/flurnamen/). Dieses beruht auf dem th{\"u}ringischen Flurnamenarchiv der FSU Jena (gegr{\"u}ndet 1933), welches etwa 150.000 Namenbelege umfasst, die auf Karteikarten in unterschiedlicher Qualit{\"a}t und Quantit{\"a}t vorliegen. Die Belegzettel sind wegen drohenden Papierzerfalls weder von der Forschung noch von der interessierten {\"O}ffentlichkeit sinnvoll nutzbar. Aus diesem Grund werden die Belege digitalisiert und systematisch aufbereitet. Ein wichtiger Bestandteil des Projektes ist die Einbindung der Geografika der Gemeinsamen Normdatei (GND) der Deutschen Nationalbibliothek in das Portal. Dazu verkn{\"u}pft es die den Fluren {\"u}bergeordneten Orte mit der zugeh{\"o}rigen Orts-ID. Das entstehende Material macht die Datengrundlage des Archivs sicht- und nutzbar und pr{\"a}sentiert die erfassten Gemarkungen in OpenStreetMap. Nach der Erfassung der Belegzettel des Archivs ist eine Aufnahme von Flurnamen aus an der FSU Jena entstandenen wissenschaftlichen Abschlussarbeiten und Sammlungen ehrenamtlicher ForscherInnen sowie die Anbindung an das Th{\"u}ringer Kultur- und Wissensportal geplant. Die vorliegende Belegsammlung bildet den Grundstock f{\"u}r eine fl{\"a}chendeckende Sammlung und Auswertung der Th{\"u}ringer Flurnamenlandschaft. Von dieser ist Aufschluss zu erwarten {\"u}ber die Herkunft und die Motivation der Namen sowie {\"u}ber die dialektgebundene Sprachgeschichte des ostmitteldeutschen Raumes. Der Vortrag nimmt deshalb neben den technischen Daten des Portals auch die Potentiale der Erkenntnisgewinnung in den Blick.}, language = {de} } @misc{Munke2020, author = {Munke, Martin}, title = {Landeskunde, Normdaten, Linked Open Data - Facetten am Beispiel des Historischen Ortsverzeichnisses von Sachsen}, 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 = {Ortsdaten bieten wichtige Zug{\"a}nge zur Lokal-, Regional- und Landesgeschichte/-kunde. Sie bilden verschiedene Aspekte der historischen wie gegenw{\"a}rtigen Entwicklung ab. Zur eineindeutigen Identifizierung von Geografika und anderen Datentypen werden Normdateien verwendet: im bibliothekarischen Kontext die GND, dar{\"u}ber hinaus z.B. die freie geografische Datenbank GeoNames. Daneben existieren lokale L{\"o}sungen, die unverbunden neben Systemen mit {\"u}bergreifendem Anspruch stehen. In Sachsen betreibt das Institut f{\"u}r S{\"a}chsische Geschichte und Volkskunde (ISGV) das Historische Ortsverzeichnis von Sachsen (HOV). Es beschreibt in knapp 6.000 Stichw{\"o}rtern alle Siedlungen, die seit dem Mittelalter im Gebiet des heutigen Freistaats nachweisbar sind. Den Siedlungen wurde mit dem HOV-Code je eine ID zugewiesen, mit der das ISGV die Verkn{\"u}pfung zu weiteren eigenen Angeboten wie der S{\"a}chsischen Biografie u.a. herstellt. Das HOV ist das umfassendste Verzeichnis von Ortsangaben zu Sachsen, das weit z.B. {\"u}ber den Erfassungsgrad in der GND hinausgeht. Jenseits der ISGV-internen Bez{\"u}ge bestand bis 2019 keine Verbindung zu anderen Systemen und relevanten Datenbanken wie der an der S{\"a}chsischen Landesbibliothek - Staats- und Universit{\"a}tsbibliothek (SLUB) erarbeiteten S{\"a}chsischen Bibliografie. In einem gemeinsamen Projekt von Institut und Bibliothek wurde begonnen, in der freien Datenbank Wikidata ein Matching vorzunehmen, um Normdatei {\"u}bergreifende Recherchen im Sinn von Linked Open Data zu erm{\"o}glichen. Angewendet werden intellektuelle wie semi-automatische Methoden. Zugleich bietet das Projekt mit der Nutzung offener Systeme Chancen f{\"u}r b{\"u}rgerschaftliche Beteiligung {\"u}ber Gamificationans{\"a}tze. Als herausfordernd erweisen sich Fragen der Darstellung von administrativen {\"U}ber- und Unterordnungen sowie von Vorg{\"a}nger- und Nachfolgerbeziehungen, außerdem die generelle Datenmodellierung f{\"u}r W{\"u}stungen. Die Vorteile der vorgenommenen Verkn{\"u}pfung wie die Herausforderungen werden im Vortrag vorgestellt.}, language = {de} }