Wie kann die Community von OCR-D weiterwachsen? Was können wir tun, um niedrigschwelligen Support zu gewährleisten und zum Mitwirken zu motivieren? Welche Besonderheiten gibt es bei Projekten im Bereich der Forschungsinfrastruktur?
In der derzeitigen dritten Projektphase von OCR-D steht die konzeptionelle Vorbereitung für die automatische Generierung von Volltexten für die Verzeichnisse der im deutschen Sprachraum erschienenen Drucke des 16., 17. und 18. Jahrhunderts im Fokus. Außerdem arbeiten vier Implementierungsprojekte daran, OCR-D in bestehende Anwendungen und Infrastrukturen zu integrieren, während drei Modulprojekte OCR-D-Werkzeuge weiter optimieren. Eine Offenheit gegenüber Anregungen und Mitwirken durch Interessierte im Sinne von Open Source war und ist uns weiterhin wichtig. In unserem Beitrag möchten wir aus der Sicht der Projektkoordination Möglichkeiten des Community Buildings und Community Managements diskutieren. Am Beispiel von OCR-D stellen wir unser Community-Konzept und unsere Plattformen sowie Formate vor.
Massendigitalisierung mit OCR-D: Anwendungsmöglichkeiten für Bibliotheken und Community-Aktivitäten
(2022)
Die Deutsche Forschungsgemeinschaft (DFG) fördert seit 2015 mit dem Projekt OCR-D die Entwicklung von Werkzeugen für die Massendigitalisierung historischer Dokumente. Im Frühjahr 2021 begann die dritte und abschließende Phase. In dieser wird die automatische Generierung von Volltexten der VD 16, VD 17 und VD 18 konzeptionell und technisch in verschiedenen Bibliotheken und anderen Einrichtungen vorbereitet sowie implementiert. Die Verstetigung und Optimierung der OCR-D-Software wird begleitet von vier Projekten, die OCR-D in bestehende Anwendungen und Infrastrukturen implementieren, sowie von drei Modulprojekten, die OCR-D-Werkzeuge weiter optimieren. Im Vortrag und der begleitenden Präsentation der OCR-D-Software werden der Projektstand, die Ziele sowie die Möglichkeiten und Funktionsweisen der Software vorgestellt. Im Fokus steht dabei, welche Möglichkeiten Bibliotheken mit digitalen Beständen geboten werden, effizient und mit niedrigen Fehlerquoten Volltexte ihrer Bestände zu generieren. OCR-D ist individuell für verschiedene Digitalisierungsworkflows nutzbar. Die Erstellung von Volltexten kann bedarfsgerecht skalierbar eingerichtet werden. Welche Möglichkeiten die Software für die unterschiedlichen Bedarfe in der diversen Bibliothekslandschaft bietet, wird ebenfalls Gegenstand des Vortrags sein. OCR-D ist nicht nur eine Software, sondern eine Community von Expert:innen, Praktiker:innen und Entwickler:innen. Für diese Gemeinschaft werden verschiedene offene Kommunikationskanäle und Möglichkeiten geboten, teilzuhaben. Im zweiten Teil des Vortrages wird ein Einblick in unsere Community-Plattformen gegeben. So kann ein niedrigschwelliger Zugang dafür genutzt werden, auch für technisch nicht versierte Anwender:innen, Hilfe und Unterstützung bei der Implementierung der Software in der eigenen Bibliothek zu erhalten.
Seit 2015 wird im DFG-geförderten Projekt OCR-D (Koordinierte Förderinitiative zur Weiterentwicklung von Verfahren der Optical Character Recognition) an Lösungen für die Massenvervolltextung von digitalisierten Beständen in Bibliotheken, insbesondere der Verzeichnisse der im deutschen Sprachraum erschienenen Drucke (VD), gearbeitet. Während in den ersten beiden Projektphasen die Entwicklung von Werkzeugen für alle Aspekte des OCR-Workflows im Vordergrund stand, ist der Fokus in Phase III von OCR-D (2021–2024) die Entwicklung von Lösungen für hohe Qualität bei hohem Durchsatz für die Massendigitalisierung, die in verschiedenen Kontexten und Infrastrukturen nachnutzbar sind. Auf dieser Grundlage arbeiten vier Implementierungsprojekte daran, OCR-D unter anderem in bestehende Lösungen wie Kitodo, OCR4all oder eigenentwickelte Digitalisierungsworkflows zu integrieren und den Einsatz von OCR-D auf Hochleistungsrechnern zu ermöglichen. Zudem arbeiten drei fortgeführte Modulprojekte daran, ausgewählte Workflowschritte zu verbessern, um die Genauigkeit der Volltexterkennung weiter zu verbessern.
Im Vortrag berichten wir vom aktuellen Stand des Gesamtvorhabens und geben einen Überblick über die aktuellen Entwicklungen rund um OCR-D. Wir gehen darauf ein, welches Potenzial die Weiterentwicklungen für Bibliotheken und ihre Nutzenden bieten, welche Herausforderungen noch bestehen und was das für die (Massen-)Digitalisierung der VD und sonstigen Bestände bedeutet. Dazu gehen wir auf das Gesamtvorhaben ein sowie auf unsere Implementierungs- und Modulprojekte und geben einen Ausblick, wie es mit OCR(-D) in Kulturerbeeinrichtungen weitergehen wird.
OCR4all – eine Lösung für die Generierung von Volltexten historischer Korpora und Spezialsammlungen
(2023)
Die Bereitstellung einer hochwertigen Volltexterkennung bei historischen Korpora stellt für viele Bibliotheken im Kontext der Digital Humanities ein neues Aufgabenfeld und eine Herausforderung dar. Insbesondere Forschungen, die Verfahren wie Text und Data Mining einsetzen, formulieren einen Bedarf an umfangreichen Textmengen, die zugleich eine hohe Qualität aufweisen sollen.
Vor diesem Hintergrund fördert die DFG seit 2021 im Rahmen der dritten Phase der DFG-Förderinitiative OCR-D die Entwicklung von Software-Lösungen für bestandserhaltende und -verarbeitende Einrichtungen. Die ursprünglich mit Fokus auf besondere Bedarfe von geisteswissenschaftlichen Nutzer*innen an der Universität Würzburg entwickelte Software OCR4all ist dabei aufgrund ihrer intuitiven und komfortablen Benutzeroberfläche für den Einsatz auch in kleineren und mittleren Einrichtungen prädestiniert. Durch die Interoperabilität mit dem OCR-D-Ökosystem bietet OCR4all einen guten Einstieg in die massenhafte Vervolltextung. Im Zuge des OCR-D-Implementierungsprojekts OCR4all-libraries konnte OCR4all auf OCR-D-Technologien umgestellt und für den spezifischen bibliothekarischen Bedarf weiterentwickelt werden.
Das Hands-On Lab bietet der interessierten Community einen Einstieg in das Thema automatische Texterkennung von Drucken mit OCR am Beispiel ausgewählter historischer Materialien. Teilnehmende erhalten einen Einblick in die Nutzung von OCR4all und können für ihren jeweiligen Anwendungskontext eine erste Einschätzung für eine Nutzung der Software vornehmen. Das Format soll darüber hinaus im Sinne einer offenen Softwareentwicklung dazu dienen, einen Dialog über die Weiterentwicklung der Software mit interessierten Anwender*innen mit begrenztem technischen Hintergrundwissen zu initiieren. Zusätzlich soll die Ermittlung weiterer Anwendungspotentiale und die Diskussion über mögliche Anbindung an Digitalisierungsworkflowsysteme ermöglicht werden.
Die automatische Volltexterkennung erfordert neben technischen Lösungen den Aufbau und Erhalt von Kompetenzen rund um OCR in den Kulturerbeeinrichtungen. Das Hands-on Lab bietet daher einen Einblick in die Einsatzmöglichkeiten von OCR-D: Die UB Braunschweig, die SLUB Dresden und die UB Mannheim entwickeln eine OCR-D-Integration in Kitodo.Production. Wir zeigen, wie mithilfe von Kitodo zukünftig, abhängig von der erforderlichen Skalierbarkeit, optimale OCR-Workflows genutzt werden können. Zudem probieren wir eine entwickelte Lösung für OCR on Demand im DFG-Viewer aus. Die ULB Sachsen-Anhalt entwickelt ODEM (OCR-D Erweiterung für Massendigitalisierung) als eine niedrigschwellige, vollautomatische Lösung, auch um zu demonstrieren, wie OCR-D in hausintern entwickelte Digitalisierungsworkflows integriert werden kann. Besonderes Augenmerk liegt hier auf einer leichtgewichtigen Architektur, hoher Qualität auch für heterogene Sprach- und Schriftbilder und Anreicherung bestehender Metadaten. Das Projekt OPERANDI von SUB und GWDG Göttingen erhöht den Durchsatz unter anderem durch die Nutzung von Hochleistungsrechnern, Workflow-Parallelisierung, Zwischenspeicherung und Verbesserung der Prozessoren. Wir stellen die Architektur von OPERANDI vor und diskutieren Möglichkeiten, wie damit die massenhafte OCR der VD zentral geleistet werden kann. Schließlich probieren wir OCR4all aus, eine grafische Oberfläche für alle Aspekte eines OCR-Workflows, das im Rahmen des Projekts OCR4all-libraries der Universität Würzburg und des GEI Braunschweig auf die Verwendung von OCR-D-Komponenten umgebaut wird. Dank der intuitiven Benutzeroberfläche ermöglicht OCR4all den raschen Einstieg in OCR-D und Workflows können mit anderen Implementierungsprojekten hochskaliert werden. Die Teilnehmenden haben am Ende des Workshops einen Überblick darüber, wie sie OCR-D im eigenen Haus einsetzen können, und haben erste praktische Erfahrungen mit den vielfältigen Möglichkeiten der Texterkennung gesammelt