Kollaborative Erstellung von Trainingsmaterialien für OCR – Ein Werkstattbericht
- 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.
Author: | Kay-Michael Würzner, Robert Sachunsky |
---|---|
Parent Title (German): | Themenkreis 5: Content und Digitalisierung / Nachhaltige Überlieferung (17.06.2021, 15:30 - 16:30 Uhr, Raum 3 (virtuell)) |
Document Type: | Conference publication (abstract) |
Language: | German |
Year of Completion: | 2021 |
Release Date: | 2021/06/16 |
Note: | Der Werkstattbericht steht öffentlich auf GitHub: https://wrznr.github.io/bibliothekartag-2021/#1 |
Themes: | Erschließung, Linked Open Data, RDA |
German Bibliothekartage / BiblioCon: | 109. Deutscher Bibliothekartag in Bremen 2021 |
109. Deutscher Bibliothekartag in Bremen 2021 / Themenkreise / Podium der Verbände / TK 5: Content und Digitalisierung / Nachhaltige Überlieferung | |
Licence (German): | ![]() |