Refine
Document Type
- Conference publication (abstract) (2) (remove)
Has Fulltext
- no (2)
Is part of the Bibliography
- no (2)
Keywords
- Bürgerwissenschaften (1)
- Citizen Science (1)
- HTR (1)
- OCR (1)
- Transkription (1)
Language
- German (2)
Im Kontext der Digitalisierung der Herrnhuter Nachrichten aus der Brüder-Gemeine in ihrer handschriftlichen, ungekürzten Version, die im Rahmen des Landesdigitalisierungsprojektes Sachsen gemeinsam durch das Unitätsarchiv Herrnhut und die Sächsische Landesbibliothek – Staats- und Universitätsbibliothek Dresden durchgeführt wird, experimentieren wir mit Verfahren der automatischen Texterkennung, um die entstehenden Bilder um einen maschinenlesbaren Volltext zu ergänzen. Verfügbare, quelloffene Lösungen liefern jedoch keine Modelle für die Handschriftenerkennung mit, sodass diese im Vorfeld mit Hilfe manuell transkribierter Volltexte trainiert werden müssen. Bei der Transkription von Materialien, die in historischen, heute nicht mehr verwendeten Schriftarten, wie zum Beispiel Kurrent oder Sütterlin, vorliegen, stellt sich das spezielle Problem, dass heute nur wenige Menschen in der Lage sind, diese lesen zu können. Die Einbindung von Freiwilligen, bspw. im Rahmen von Crowd-Sourcing-Projekten, in die Transkriptionsaufgabe stellt also nicht nur das quantitative Problem der Akquise von Beteiligung, sondern auch ein qualitatives Problem, der Beteiligungswilligen ein geeignetes, zugängliches Tooling bereitzustellen. Im Umfeld des Projekthubs Herrnhut Digital werden in einem Podcast ausgewählte Passagen aus den Nachrichten veröffentlicht, die Kurrentkundige eingesprochen haben. Um diese für die Optimierung der optischen Texterkennung nutzbar zu machen, verwenden wir eine akustische Texterkennung zur Erzeugung einer Vorstufe der benötigten Trainingsdaten. Dieser Umweg stellt somit eine einfache Brücke zwischen älteren, häufig nicht technikaffinen Bürgerinnen und Bürgern und der anspruchsvollen Transkriptionsaufgabe her. In unserem Vortrag illustrieren wir unser Vorgehen und zeigen außerdem, wie die gewonnenen Daten mit Hilfe eines iterativen Trainingsprozesses möglichst effizient für die Erstellung von Modellen für die Handschriftenerkennung eingesetzt werden können.
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.