• search hit 8 of 18
Back to Result List

Mehr als ‚schmutzige OCR': die Aufwertungen von historischen Volltextdigitalisaten zu Forschungsdaten

  • In Bibliotheken und Archiven werden die Ergebnisse der Optical Character Recognition (OCR) dem Nutzer vorwiegend als sog. schmutzige OCR, d. h. ohne weitere Nachkorrektur angeboten. Pauschal wird die Textgenauigkeit dabei mit 98-99% angegeben. Dies gilt jedoch nur für jüngere Texte mit einer vergleichsweise hohen Druckqualität. Bei älteren Texten (also vor dem 19. Jh.) sinkt diese Genauigkeit deutlich. Selbst eine Quote von 98% bedeutet, dass pro Seite (~2000 Zeichen) immerhin mit etwa 40 Fehlern zu rechnen ist, somit bis zu 40 Wörter nicht gefunden werden können. Daher ist in diesen Texten nur eine sogenannte Positivsuche möglich und lässt sich aus einem fehlenden Suchergebnis nicht sicher auf die Absenz des Wortes im Text schließen. Wissenschaftliches Arbeiten mit diesen Texten ist somit nicht solide möglich. In den letzten Jahren wurden effiziente Methoden für die Post-Korrektur und die Strukturannotation auch größerer OCR-Textbestände entwickelt. Das DFG-geförderte Deutsche Textarchiv (DTA) der BBAW, hat diese Verfahren und Workflows zur OCR-Postkorrektur von Texten des 17.-19. Jhs. an verschiedenen Textbeständen erfolgreich erprobt und weiterentwickelt. Der Vortrag wird anhand eines Projekts aus dem 19. Jh., dem Projekt Die Grenzboten (BBAW und Staats- und Universitätsbibliothek Bremen, DFG-gefördert) sowie eines Projekts zur OCR-Postkorrektur der Trauergedichte Simon Dachs (BBAW und Staatsbibliothek zu Berlin - Preußischer Kulturbesitz (SBB-PK)) zeigen, wie sich die Postkorrektur sowohl auf der Ebene der Textgenauigkeit als auch auf der der Strukturgenauigkeit verbessern lässt. Damit ergeben sich wesentlich bessere Möglichkeiten der Textauswertung. Auch die Überführung der Daten in strukturbeschreibende Metadatenformate wie METS sind damit automatisch möglich. Auf der Basis dieser Projekte soll diskutiert werden, wie im Rahmen der Massendigitalisierung eine nachfolgende Post-Korrektur von OCR-Ergebnissen effizient realisiert werden kann. (Session: Daten vernetzen und archivieren; Raum: Riga; 26. Mai 2015: 13:00 Uhr - 15:30 Uhr)

Export metadata

Additional Services

Share in Twitter Search Google Scholar
Metadaten
Author:Matthias Boenig, Alexander Geyken
Document Type:Conference publication (abstract)
Language:German
Year of Completion:2015
Contributing Corporation:Berlin-Brandenburgische Akademie der Wissenschaften
Release Date:2015/04/21
German Bibliothekartage / BiblioCon:104. Deutscher Bibliothekartag in Nürnberg 2015
Themes:Digitalisierung, Langzeitarchivierung
Licence (German):License LogoDeutsches Urheberrecht
Einverstanden
Diese Webseite verwendet technisch erforderliche Session-Cookies. Durch die weitere Nutzung der Webseite stimmen Sie diesem zu. Unsere Datenschutzerklärung finden Sie hier.