Refine
Document Type
Has Fulltext
- yes (3)
Is part of the Bibliography
- no (3)
Keywords
- Texterkennung (3) (remove)
Language
- German (3)
Eine 2014 digitalisierte Mikrofilmausgabe der Staatszeitung Deutscher Reichsanzeiger und Preußischer Staatsanzeiger (1871–1945) war der Einstieg in die Zeitungsdigitalisierung an der Universitätsbibliothek Mannheim. 2016 folgte eine provisorische Online-Präsentation dieser Zeitung, über die 2018 auf dem 107. Deutschen Bibliothekartag in Berlin berichtet wurde. 2019 startete dann ein von der Deutschen Forschungsgemeinschaft gefördertes, zunächst auf drei Jahre angelegtes Projekt mit dem Ziel, die provisorische Präsentation durch eine zeitgemäße Präsentation auf Basis von Kitodo zu ersetzen. Dabei sollten die Lücken der Mikroverfilmung durch neu erstellte Scans geschlossen und die automatische Texterkennung deutlich verbessert werden.
Nach nunmehr fünfjähriger Projektlaufzeit ist die UB Mannheim um viele positive, aber auch einige weniger positive Erfahrungen reicher. Inzwischen gibt es ein erprobtes Verfahren für das Hinzufügen weiterer Zeitungsausgaben, die Texterkennung (OCR) und die Datenprüfung und -korrektur für das deutsche Zeitungsportal. Vieles davon ist nicht auf Zeitungen beschränkt, sondern kann auch in anderen Digitalisierungsprojekten eingesetzt werden. Zahlreiche Rückmeldungen zeigen, wie vielfältig der digitalisierte Reichsanzeiger von der Wissenschaft, von Archiven und Museen, aber auch von Privatpersonen genutzt wird. Die generierten Daten fanden beim Kulturhackathon Coding da Vinci Verwendung, sind Gegenstand wirtschaftshistorischer Forschung und dienen dem Training neuer OCR-Modelle für OCR-D.
Egal, ob es sich um Citizen-Science-Projekte, ein Seminar zur Handschriftenkunde oder die eigene Ahnenforschung handelt: Schriftgut aus vergangenen Zeiten lässt sich oft nicht ohne Weiteres entziffern. Die Texterkennungs- und Transkriptionsplattform eScriptorium kann hier bei der Erschließung von historischen Quellen unterstützen. Dabei spielt es keine Rolle, ob es sich um eine Postkarte, eine historische Zeitung oder ein behördliches Dokument handelt. eScriptorium ist eine freie Open-Source-Alternative zu Transkribus, die sich auf dem eigenen PC oder Server betreiben lässt. Handschriftliche und gedruckte Texte können automatisiert oder manuell segmentiert und transkribiert werden. Segmentierung und Texterkennung lassen sich auch trainieren und die so neu erzeugten Modelle können weitergegeben werden. Die Universitätsbibliothek Mannheim betreibt seit Oktober 2021 eine eigene Instanz von eScriptorium und hat schon einige Projekte damit umgesetzt.
Beim Hands-On Lab erhalten die Teilnehmenden einen Einblick in das Tool und können die wichtigsten Funktionalitäten an eigenen oder bereitgestellten Dokumenten selbst ausprobieren. Notwendig dafür ist ein Laptop mit Internetzugang. So bietet das Lab auch Anfänger:innen einen spannenden Einstieg in die Welt der modernen Transkriptionsarbeit, von der Layouterkennung bis hin zur automatisierten Texterkennung. Bibliothekar:innen mit digitalisierten Altbeständen werden motiviert, diese – soweit noch nicht geschehen – mit Volltexten anzureichern.
Im Rahmen freier Kapazitäten sind auch Kurzentschlossene ohne vorherige Anmeldung herzlich willkommen.
From image to text: Automated text recognition in historical prints with the free software Tesseract
(2019)
Immer noch gibt es viele Bibliotheken und Archive, die zwar schon ihre historischen Druckwerke auch digitalisiert im Internet zugänglich machen, dabei aber keinen Volltext anbieten. Aber erst mit durchsuchbarem Text, der auch maschinell weiterverarbeitet werden kann, wird der historische Schatz wirklich gut erschlossen, werden Alte Drucke zu modernen Forschungsdaten. Wer dies erkannt hat, verlässt sich häufig noch auf einen externen Dienstleister und traut sich nicht selbst an die automatisierte Texterkennung per Software, die sogenannte OCR ("optical character recognition", also optische Zeichenerkennung).Im Hands-On-Lab bekommt jeder Gelegenheit, auf dem eigenen Notebook die Software Tesseract zu installieren und damit selbst erste Gehversuche zur automatisierten Texterkennung zu machen. Vorlage können mitgebrachte Scans von Seiten aus historischen Büchern oder Beispiele aus dem Internet sein.Tesseract entstand in den 80er Jahren, wird aber bis heute aktiv weiterentwickelt und gepflegt und gehört mit zu den leistungsfähigsten Produkten für OCR. Deshalb steht es auch im Fokus eines der Modulprojekte von OCR-D, dem Koordinierungsprojekt zur Weiterentwicklung von Verfahren der Optical Character Recognition (OCR) der Deutschen Forschungsgemeinschaft (DFG).Bitte eigenen Notebook (Windows, macOS oder Linux) mitbringen!Für die bessere Planung wird um Anmeldung gebeten.