Refine
Document Type
Is part of the Bibliography
- no (5) (remove)
Keywords
- HTR (2)
- OCR (2)
- eScriptorium (2)
- Handschriften (1)
- Kraken (1)
- OCR-BW (1)
- Texterkennung (1)
- Transkribus (1)
- Transkription (1)
Language
- German (5)
Die Universitätsbibliothek Tübingen beschäftigt sich mittlerweile seit 2019 mit dem Thema der automatischen Texterkennung von Handschriften (HTR). Das Ziel ist, historische Bestände aus der Universitätsbibliothek und dem Universitätsarchiv mithilfe von Volltexten zusätzlich zur digitalen Präsentation für die Nutzerinnen und Nutzer leichter zugänglich zu machen und neue Forschungsfragen sowie die Bearbeitung von großen Textmengen zu ermöglichen.
Ein durchsuchbarer Volltext ist jedoch vor allem dann vorteilhaft, wenn man bereits ein spezifisches Anliegen an einen Text hat bzw. weiß, wonach man suchen möchte. Historische Bestände wie Protokolle, Tagebücher und Briefnachlässe bieten mit ihren Titeln wie „Tagebuch, Teil 1“ oder „Briefe von Verfasser X an Empfänger Y“ allerdings kaum Hinweise auf ihren Inhalt. Im Gegensatz zu moderneren Druckwerken gibt es in vielen Fällen weder Inhaltsverzeichnisse, Register oder gar Klappentexte, die inhaltliche Rückschlüsse zulassen und Interesse für die Materialien generieren. Selbst eine detailliertere Strukturdatenerschließung der Digitalisate gliedert derartige Dokumente meist nur chronologisch. In solchen Fällen schwach strukturierter Materialien kann die Zugänglichkeit bisher nur durch eine zeitintensive Verschlagwortung oder Regestierung erhöht werden.
Können die Volltexte mit weiteren KI-Methoden für eine (semi-)automatische Tiefenerschließung von Altbeständen nachgenutzt werden? Anwendungen wie ChatGPT zeigen hier Potential, auch nicht fehlerfreie automatisch generierte Volltexte für die Erzeugung von Inhaltsangaben sowie die Extraktion von Schlagworten, Personen- und Ortsangaben zu nutzen. Anhand von Beispielen soll gezeigt werden, wie ein derartiges Vorgehen aussehen kann, welche Hindernisse und Ergebnisse zu erwarten sind und wie letztere den Nutzerinnen und Nutzern zur Verfügung gestellt werden können.
Hier wird das Serviceangebot der Universitätsbibliotheken Mannheim und Tübingen für die Erzeugung FAIRer Ground-Truth-Daten vorgestellt. Alle Schritte von der Datenauswahl über die Erzeugung der Ground-Truth-Daten selbst bis hin zur Veröffentlichung und Nachnutzung werden beleuchtet.
Durchsuchbare Volltexte historischer Drucke und Handschriften bieten einen zeitgemäßen Zugang zum Kulturgut vergangener Epochen und ermöglichen der Forschung und Öffentlichkeit, auf eine umfassende Palette von Informationen zuzugreifen. Die Möglichkeiten, die die verschiedenen Texterkennungsprogramme heute in diesem Bereich bieten, sind umfangreich, aber die Anwendung sowie die Vor- und Nachbearbeitung sind nicht immer intuitiv. Das Kompetenzzentrum OCR berät seit 2019 Informationseinrichtungen und wissenschaftliche Projekte bei der Anwendung von Transkriptions– und Texterkennungssoftware. Die Volltexterkennung von historischen Schriften eröffnet der Forschung neue Möglichkeiten im Umgang mit Quellen. Bibliotheken können somit nicht nur ihre eigenen Bestände erschließen, sondern auch ihre wissenschaftsunterstützenden Dienstleistungen entsprechend erweitern.
Vor der Textverarbeitung müssen einige Fragen beantwortet werden: Welchen rechtlichen Beschränkungen unterliegen die Werke? Ist die Bereitstellung von durchsuchbaren Volltexten im Einzelfall kritisch zu bewerten? Nach welchen Richtlinien werden die Texte transkribiert und Trainingsmaterial erzeugt? Wie wird mit Fehlerraten umgegangen? Ist die Nachnutzung des Trainingsmaterials oder der Modelle möglich und wie können diese gemäß den FAIR-Prinzipien bereitgestellt werden? Wenn ja, unter welchen Einschränkungen?
Zu all diesen Themen bietet das Kompetenzzentrum OCR Unterstützung und individuelle Beratung an. Darüber hinaus wird Dokumentation zu Texterkennungsprogrammen sowie Infrastruktur für Forschende zur Verfügung gestellt. Eine monatliche offene Sprechstunde sowie ein ergänzender FAQ-Bereich auf der Homepage runden das Angebot ab.
Von 2019 bis 2022 haben die Universitätsbibliotheken Mannheim und Tübingen im Rahmen des Projekts OCR-BW (https://ocr-bw.bib.uni-mannheim.de) das „Kompetenzzentrum Volltexterkennung von handschriftlichen und gedruckten Werken“ aufgebaut und Einrichtungen sowie Forschung und Lehre zu diesem Thema beraten. Das Kompetenzzentrum kann ein breites Know-how für unterschiedliche Techniken wie z. B. Tesseract, Transkribus und eScriptorium vorweisen. Auch nach Auslaufen des Projekts werden die Services als Teil des bibliothekarischen Portfolios an beiden Häusern fortgeführt.
Das Thema Volltexterkennung für Handschriften und historische Drucke eröffnet Bibliotheken ein doppeltes Tätigkeitsfeld. Neben dem Einsatz für die Bereitstellung von Volltexten zum Zweck der weiteren Erschließung von eigenen Beständen ist das Thema auch für den wissenschaftsunterstützenden Dienst einer Bibliothek relevant. Bedarf für diese forschungsnahen Dienstleistungen besteht nicht nur in den Geisteswissenschaften, sondern – wie sich gezeigt hat – auch für konkrete Forschungsfragen aus den Naturwissenschaften. Die jeweilige Schwerpunktsetzung der beiden Bibliotheken ermöglicht in Kooperation ein sich ergänzendes Angebot. Auf dieser Grundlage können wissenschaftliche Projekte gemäß ihren unterschiedlichen Bedürfnissen beraten und betreut werden. In diesem Vortrag wird vorgestellt werden, worin die Aufgaben einer Bibliothek im Bereich der automatischen Texterkennung als Serviceangebot bestehen, und beispielhaft vorgeführt werden, welche unterschiedlichen Forschungsvorhaben bislang durch die Bibliotheken Mannheim und Tübingen betreut worden sind.
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.
Nach der Digitalisierung von historischen Dokumenten ist der nächste konsequente Schritt die Anreicherung der Digitalisate im Präsentationssystem mit einem durchsuchbaren Volltext, um die Zugänglichkeit zu den Texten weiter zu erhöhen und neue Forschungsfragen an das Material zu ermöglichen. Während in vielen Bibliotheken bereits verschiedene Möglichkeiten zur automatischen Texterkennung von historischen Druckwerken genutzt werden, ist die Zurückhaltung bei Handschriften vielfach höher, da handschriftliche Quellen die automatische Texterkennung vor neue Herausforderungen stellen. Mithilfe von Machine Learning wurden auf dem Feld der automatischen Handschriftenerkennung in den letzten Jahren jedoch große Fortschritte gemacht, die von Bibliotheken genutzt werden können, um ihre eigenen Bestände weiter zu erschließen, aber auch, um sich als Servicepartnerin für die Wissenschaft zu etablieren. Im Rahmen des Projekts OCR-BW (https://ocr-bw.bib.uni-mannheim.de/) werden seit 2019 Transkribus und ab 2021 auch eScriptorium für die Erzeugung von automatischen Volltexten für Handschriften systematisch an ausgewählten Corpora getestet. Die im bisherigen Projektverlauf erzielten Ergebnisse sind sehr positiv und zeigen, dass eine automatische Handschriftenerkennung mit einer Zeichenfehlerrate von unter 5 % möglich und erwartbar ist. Bereits veröffentlichte Volltexte haben die Sichtbarkeit und das Forschungsinteresse an diesen Materialien deutlich erhöht. Das Projekt zielt außerdem darauf ab, die Wissenschaft bei der Vorbereitung und Durchführung von Forschungsvorhaben zu unterstützen. An Beispielen vom mittelalterlichen Gebetbuch über Großbestände wie Juristische Konsilien bis hin zum Expeditionstagebuch des 20. Jahrhunderts soll gezeigt werden, mit welchem Ressourcenaufwand welche Ergebnisse erzielt werden können.