TY - GEN A1 - Würzner, Kay-Michael T1 - Automatische Generierung von stukturiertem TEI-Volltext aus METS-XML T2 - Themenkreis 5: Content und Digitalisierung / Präsentation und Erschließung von digitalem Content (28.05.2020, 09:00 - 11:30 Uhr, Niedersachsenhalle B) N2 - Das von der Text Encoding Initiative (TEI) entwickelte XML-Format zur Repräsentation 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, während die logische Struktur der Dokumente in Dateien im Format Metadata Encoding and Transmission Standard (METS) referenziert wird. Die Verknüpfung 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 primäre 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 enthält neben dem strukturierten Volltext auch umfangreiche, aus Metadata Object Description Schema-kompatiblem XML extrahierte Metadaten und kann sowohl als Ausgangspunkt für Editionsvorhaben als auch als Grundlage für 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 Textqualität auf ALTO-Seite entstehen, eingegangen. Y1 - 2020 ER - TY - GEN A1 - Neuböck, Gregor T1 - LELAB oder wie hält man ein Retrodigitalisierungsprojekt am Laufen? T2 - Themenkreis 5: Content und Digitalisierung / Präsentation und Erschließung von digitalem Content (28.05.2020, 09:00 - 11:30 Uhr, Niedersachsenhalle B) N2 - Die Digitale Landesbibliothek Oberösterreich (DLOÖ; 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 Oberösterreichische Landesbibliothek bisher mit diesem Projekt eine sehr gute Außenwirkung erzeugen können. Die Basis für diesen Erfolg liegt im Akronym LELAB, was für ein "lebenslanges Betastadium" der Software GOOBI steht. Ständig werden Komponenten überarbeitet, neu entwickelt oder verbessert. LELAB steht in diesem Sinne für einen immerwährenden Erneuerungsprozess, der die Basis für ein erfolgreiches Retrodigitalisierungsprojekt darstellt und insbesondere für die Open-Source-Software GOOBI gilt. In diesem Vortrag werden einige dieser Entwicklungen exklusiv präsentiert. Z.B. schon heute erfüllt unser Viewer verschiedene IIIF-Standards (Image-API, Presentation-API), eröffnet so der Wissenschaft vielfältige Möglichkeiten und garantiert dadurch eine nachhaltige Entwicklung. Durch verschiedene Schnittstellen (SRU, JSON, OAI-PMH) können unsere Digitalisate weltweit abgefragt werden (ZVDD, Europeana). Das überarbeitete und um neue Funktionen angereicherte Crowdsourcing soll uns dabei helfen potentielle Crowdworker leichter zu akquirieren. Mittlerweile ist es uns möglich wissenschaftliche Handschriftenbeschreibungen in einem einfachen Arbeitsschritt online zu stellen. Mit einer Kampagnen-Funktion können Sammlungen für die Crowd exklusive präsentiert und hernach mit verschiedenen Daten angereichert werden. Y1 - 2020 ER - TY - GEN A1 - Würzner, Kay-Michael A1 - Böhmak, Wito T1 - OCR für ressourcenarme Sprachen am Beispiel des Obersorbischen T2 - Themenkreis 5: Content und Digitalisierung / Präsentation und Erschließung von digitalem Content (28.05.2020, 09:00 - 11:30 Uhr, Niedersachsenhalle B) N2 - Die Qualität der Ergebnisse automatischer Zeichenerkennung (OCR) hängt primär 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 auszuwählen. Die Modelle werden mit Hilfe von vorhandenem, fehlerfreiem Volltext für eine Sprache oder einen Schrifttyp trainiert. Aus ökonomischen Gründen beschränkt sich die Modellauswahl auf häufig 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 für die Erzeugung wissenschaftlich nachnutzbarer Volltexte getestet.Obersorbisch ist eine in der Oberlausitz von etwa 20000–25000 Menschen gesprochene westslawische Sprache, für die es nur wenige (computer-)linguistisch nutzbare Daten gibt.Die adressierten Zeitungen sind primär in Fraktur gesetzt. Deren Kombination mit slawischen Diakritika stellt eine Besonderheit dar, die von verfügbaren OCR-Modellen nicht abgedeckt wird. Sowohl ABBYY Recognition Server mit dem Modell Altdeutsch/Gothic als auch Tesseract mit dem sprachunabhängigen Modell Fraktur erzielten daher schlechte Erkennungsraten (Zeichenfehler, CER ABBYY: 12–17 % bzw. Tesseract: 8–11 %).Ein großer Vorteil von Tesseract ist die Möglichkeit, eigene OCR-Modelle zu trainieren bzw. vorhandene auf spezifische Vorlagen anzupassen. Um uns dem Ziel hochqualitativer Volltexte anzunähern, 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 erläutern wir die einzelnen Schritte, die von Text und Bild zum fertigen OCR-Modell führen und diskutieren Möglichkeiten und Grenzen für den produktiven Einsatz in der bibliothekarischen Praxis. Y1 - 2020 ER - TY - GEN A1 - Aehnlich, Barbara A1 - Kunze, Petra T1 - Von der Flur zur Kultur - Das Thüringer Flurnamenportal T2 - Themenkreis 5: Content und Digitalisierung / Präsentation und Erschließung von digitalem Content (28.05.2020, 09:00 - 11:30 Uhr, Niedersachsenhalle B) N2 - Bisher war Flurnamenforschung staubig und trocken und hatte den leicht muffigen Anschein von Heimatforschung zu Beginn des letzten Jahrhunderts. In Thüringen ändert sich dies nun grundlegend: Durch die Überführung und Weiterentwicklung des Thüringer Flurnamenarchivs kommt die Forschung im digitalen Zeitalter an. Die ThULB und die FSU Jena beschreiten dabei neue Wege. Der Vortrag berichtet über den Aufbau des Thüringer Flurnamenportals (http://projekte.thulb.uni-jena.de/flurnamen/). Dieses beruht auf dem thüringischen Flurnamenarchiv der FSU Jena (gegründet 1933), welches etwa 150.000 Namenbelege umfasst, die auf Karteikarten in unterschiedlicher Qualität und Quantität vorliegen. Die Belegzettel sind wegen drohenden Papierzerfalls weder von der Forschung noch von der interessierten Öffentlichkeit 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 verknüpft es die den Fluren übergeordneten Orte mit der zugehörigen Orts-ID. Das entstehende Material macht die Datengrundlage des Archivs sicht- und nutzbar und präsentiert 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 Thüringer Kultur- und Wissensportal geplant. Die vorliegende Belegsammlung bildet den Grundstock für eine flächendeckende Sammlung und Auswertung der Thüringer Flurnamenlandschaft. Von dieser ist Aufschluss zu erwarten über die Herkunft und die Motivation der Namen sowie über die dialektgebundene Sprachgeschichte des ostmitteldeutschen Raumes. Der Vortrag nimmt deshalb neben den technischen Daten des Portals auch die Potentiale der Erkenntnisgewinnung in den Blick. Y1 - 2020 ER - TY - GEN A1 - Munke, Martin T1 - Landeskunde, Normdaten, Linked Open Data - Facetten am Beispiel des Historischen Ortsverzeichnisses von Sachsen T2 - Themenkreis 5: Content und Digitalisierung / Präsentation und Erschließung von digitalem Content (28.05.2020, 09:00 - 11:30 Uhr, Niedersachsenhalle B) N2 - Ortsdaten bieten wichtige Zugänge zur Lokal-, Regional- und Landesgeschichte/-kunde. Sie bilden verschiedene Aspekte der historischen wie gegenwärtigen Entwicklung ab. Zur eineindeutigen Identifizierung von Geografika und anderen Datentypen werden Normdateien verwendet: im bibliothekarischen Kontext die GND, darüber hinaus z.B. die freie geografische Datenbank GeoNames. Daneben existieren lokale Lösungen, die unverbunden neben Systemen mit übergreifendem Anspruch stehen. In Sachsen betreibt das Institut für Sächsische Geschichte und Volkskunde (ISGV) das Historische Ortsverzeichnis von Sachsen (HOV). Es beschreibt in knapp 6.000 Stichwörtern 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 Verknüpfung zu weiteren eigenen Angeboten wie der Sächsischen Biografie u.a. herstellt. Das HOV ist das umfassendste Verzeichnis von Ortsangaben zu Sachsen, das weit z.B. über den Erfassungsgrad in der GND hinausgeht. Jenseits der ISGV-internen Bezüge bestand bis 2019 keine Verbindung zu anderen Systemen und relevanten Datenbanken wie der an der Sächsischen Landesbibliothek – Staats- und Universitätsbibliothek (SLUB) erarbeiteten Sächsischen Bibliografie. In einem gemeinsamen Projekt von Institut und Bibliothek wurde begonnen, in der freien Datenbank Wikidata ein Matching vorzunehmen, um Normdatei übergreifende Recherchen im Sinn von Linked Open Data zu ermöglichen. Angewendet werden intellektuelle wie semi-automatische Methoden. Zugleich bietet das Projekt mit der Nutzung offener Systeme Chancen für bürgerschaftliche Beteiligung über Gamificationansätze. Als herausfordernd erweisen sich Fragen der Darstellung von administrativen Über- und Unterordnungen sowie von Vorgänger- und Nachfolgerbeziehungen, außerdem die generelle Datenmodellierung für Wüstungen. Die Vorteile der vorgenommenen Verknüpfung wie die Herausforderungen werden im Vortrag vorgestellt. Y1 - 2020 ER -