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.
Viele Bibliotheken und Archive digitalisieren ihre historischen Druckwerke und machen diese auch im Internet zugänglich. Aber erst mit durchsuchbarem Text, der auch maschinell weiterverarbeitet werden kann, wird der historische Schatz wirklich gut erschlossen, und Alte Drucke werden zu modernen Forschungsdaten. Wer dies erkannt hat, verlässt sich häufig noch auf einen externen Dienstleister für die automatisierte Texterkennung per Software – die sogenannte OCR ("optical character recognition", also optische Zeichenerkennung). Das Hands-On-Lab bietet die Möglichkeit, OCR einmal selbst auszuprobieren, auf dem eigenen Notebook die Software Tesseract zu installieren und damit erste Gehversuche zur automatisierten Texterkennung zu machen. Vorlage können mitgebrachte Scans von Seiten aus historischen Büchern oder Beispiele aus dem Internet sein. Fortgeschrittene Anwender erhalten einen Einblick in das Training neuer oder verbesserter Modelle für die Texterkennung. Tesseract entstand in den 80er Jahren, wird aber bis heute aktiv weiterentwickelt und gepflegt und gehört mit zu den leistungsfähigsten Produkten für OCR. So ist es auch eine wichtige Komponente von OCR-D, der Koordinierten Förderinitiative zur Weiterentwicklung von Verfahren für die Optical Character Recognition (OCR) der Deutschen Forschungsgemeinschaft (DFG). Die Universitätsbibliothek Mannheim hat im Rahmen von OCR-D Tesseract weiterentwickelt und ist eine der Pilotbibliotheken von OCR-D. Die dabei gemachten Erfahrungen werden ebenfalls kurz vorgestellt. Bitte eigenes Notebook (Windows, macOS oder Linux) mitbringen!