TY - GEN A1 - Würzner, Kay-Michael A1 - Sachunsky, Robert A1 - Lasch, A. T1 - Verbesserung von automatischer Handschriftenerkennung durch bürgerwissenschaftlich unterstützte Transkription T2 - TK 5: Content: Vom Umgang mit Inhalten und Daten / Beteiligungskulturen und Daten (02.06.2022, 14:00 - 16:00, Saal 5) N2 - Im Kontext der Digitalisierung der Herrnhuter Nachrichten aus der Brüder-Gemeine in ihrer handschriftlichen, ungekürzten Version, die im Rahmen des Landesdigitalisierungsprojektes Sachsen gemeinsam durch das Unitätsarchiv Herrnhut und die Sächsische Landesbibliothek – Staats- und Universitätsbibliothek Dresden durchgeführt wird, experimentieren wir mit Verfahren der automatischen Texterkennung, um die entstehenden Bilder um einen maschinenlesbaren Volltext zu ergänzen. Verfügbare, quelloffene Lösungen liefern jedoch keine Modelle für die Handschriftenerkennung mit, sodass diese im Vorfeld mit Hilfe manuell transkribierter Volltexte trainiert werden müssen. Bei der Transkription von Materialien, die in historischen, heute nicht mehr verwendeten Schriftarten, wie zum Beispiel Kurrent oder Sütterlin, vorliegen, stellt sich das spezielle Problem, dass heute nur wenige Menschen in der Lage sind, diese lesen zu können. 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, zugängliches Tooling bereitzustellen. Im Umfeld des Projekthubs Herrnhut Digital werden in einem Podcast ausgewählte Passagen aus den Nachrichten veröffentlicht, die Kurrentkundige eingesprochen haben. Um diese für die Optimierung der optischen Texterkennung nutzbar zu machen, verwenden wir eine akustische Texterkennung zur Erzeugung einer Vorstufe der benötigten Trainingsdaten. Dieser Umweg stellt somit eine einfache Brücke zwischen älteren, häufig nicht technikaffinen Bürgerinnen und Bürgern und der anspruchsvollen Transkriptionsaufgabe her. In unserem Vortrag illustrieren wir unser Vorgehen und zeigen außerdem, wie die gewonnenen Daten mit Hilfe eines iterativen Trainingsprozesses möglichst effizient für die Erstellung von Modellen für die Handschriftenerkennung eingesetzt werden können. KW - OCR KW - HTR KW - Bürgerwissenschaften KW - Transkription KW - OCR KW - HTR KW - Citizen Science Y1 - 2022 ER - TY - GEN A1 - Böhmak, Wito A1 - Sachunsky, Robert A1 - Würzner, Kay-Michael T1 - Erstellung wissenschaftlich nachnutzbarer Volltexte für Präsentation und Analyse am Beispiel obersorbischer Drucke T2 - TK 5: Content: Vom Umgang mit Inhalten und Daten / Forschungsdaten in den Humanities (01.06.2022, 14:00 - 16:00, Saal 4) N2 - Im Rahmen des sächsischen 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 einschränkt. Die Herausforderung dieser Bestände liegt u.a. in der speziellen Kombination aus Fraktur und den slawischen Diakritika im sorbischen Druck, für die es bisher noch keine verlässliche automatische Texterkennung (OCR) gibt. Aufbauend auf einer Studie zum gezielten Training von OCR für 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 Präsentation und 5. von TEI-XML z.B. für digitale Editionen und korpuslinguistische Auswertungen. Fokus ist dabei die stetige Qualitätsverbesserung (d.h. Minderung der durchschnittlichen Fehlerrate ebenso wie systematischer Schwächen) durch iterative Erweiterung des GT um zusätzliches 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 Träger der Bild-Text-Zuordnung) für automatische Workflows, die Programme Aletheia und LAREX für manuelle Transkription und Kitodo für die Bereitstellung der digitalen Objekte. Im Vortrag erläutern wir unsere Vorgehensweise zur Qualitätssteigerung der Obersorbisch-OCR und diskutieren anhand von Referenzbeispielen die Möglichkeiten und Grenzen des Workflows. Ergänzend thematisieren wir Erfahrungen mit der OCR zweisprachiger Drucke und deren Übertragbarkeit auf weitere slawische Sprachen. Y1 - 2022 U6 - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:0290-opus4-179521 ER - TY - GEN A1 - Würzner, Kay-Michael A1 - Sachunsky, Robert T1 - Kollaborative Erstellung von Trainingsmaterialien für OCR – Ein Werkstattbericht T2 - Themenkreis 5: Content und Digitalisierung / Nachhaltige Überlieferung (17.06.2021, 15:30 - 16:30 Uhr, Raum 3 (virtuell)) N2 - Spätestens seit der Studie „OCR of historical printings" (Springmann und Lüdeling, 2017) ist die landläufige Annahme, dass die Qualität 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 für sehr frühe, vorindustrielle Drucke möglich. Dank quelloffener OCR-Engines wie Tesseract, kraken und Calamari ist es technisch möglich, jegliche Digitalisierungsvorhaben mit passgenauen Erkennungsmodellen zu stützen und so wissenschaftlich nachnutzbare Textergebnisse zu erzielen. Hochqualitative Trainingsmaterialen in ausreichendem Umfang sind jedoch für 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 geläufiger Tabellenkalkulationsprogramme entwickelt: Zunächst 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 unabhängig 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 über GitHub veröffentlicht, stehen so der Allgemeinheit zur Verfügung und können ggf. nachkorrigiert werden. In unserer Präsentation zeigen wir erste Ergebnisse, adressieren häufige Fragen und mögliche Lösungen und berichten über Planungen, die Initiative als partizipatives Format auch für Nutzende auszurollen. Y1 - 2021 N1 - Der Werkstattbericht steht öffentlich auf GitHub: https://wrznr.github.io/bibliothekartag-2021/#1 ER -