Refine
Document Type
Is part of the Bibliography
- no (6)
Keywords
- Bürgerwissenschaften (1)
- Citizen Science (1)
- HTR (1)
- OCR (1)
- Transkription (1)
Language
- German (6)
Die Qualität der Ergebnisse automatischer Zeichenerkennung (OCR) hängt primär von der Passung der der OCR zugrundeliegenden Modelle und der jeweiligen Vorlage ab. Sowohl kommerzielle als auch freie Software erlauben dem Nutzer aus einer Anzahl vortrainierter Modelle das passendste auszuwählen. Die Modelle werden mit Hilfe von vorhandenem, fehlerfreiem Volltext für eine Sprache oder einen Schrifttyp trainiert. Aus ökonomischen Gründen beschränkt sich die Modellauswahl auf häufig verwendete Sprachen und Schrifttypen.In der Vorbereitung der Digitalisierung dreier obersorbischer Zeitungsunternehmungen haben wir sowohl eine kommerzielle (ABBYY Recognition Server) als auch eine freie OCR-Software (Tesseract) auf ihre Eignung für die Erzeugung wissenschaftlich nachnutzbarer Volltexte getestet.Obersorbisch ist eine in der Oberlausitz von etwa 20000–25000 Menschen gesprochene westslawische Sprache, für die es nur wenige (computer-)linguistisch nutzbare Daten gibt.Die adressierten Zeitungen sind primär in Fraktur gesetzt. Deren Kombination mit slawischen Diakritika stellt eine Besonderheit dar, die von verfügbaren OCR-Modellen nicht abgedeckt wird. Sowohl ABBYY Recognition Server mit dem Modell Altdeutsch/Gothic als auch Tesseract mit dem sprachunabhängigen Modell Fraktur erzielten daher schlechte Erkennungsraten (Zeichenfehler, CER ABBYY: 12–17 % bzw. Tesseract: 8–11 %).Ein großer Vorteil von Tesseract ist die Möglichkeit, eigene OCR-Modelle zu trainieren bzw. vorhandene auf spezifische Vorlagen anzupassen. Um uns dem Ziel hochqualitativer Volltexte anzunähern, haben wir daher das Modell Fraktur mit Hilfe von 47 Seiten feinjustiert und auf weiteren 10 Seiten evaluiert. Mit einer CER zwischen 3,7 und 0,5 % zeigte sich ein deutlicher, positiver Trainingseffekt.Im Vortrag erläutern wir die einzelnen Schritte, die von Text und Bild zum fertigen OCR-Modell führen und diskutieren Möglichkeiten und Grenzen für den produktiven Einsatz in der bibliothekarischen Praxis.
Das von der Text Encoding Initiative (TEI) entwickelte XML-Format zur Repräsentation digitaler Volltexte ist ein weitverbreiteter Standard in den Text be- und verarbeitenden Wissenschaften und wird in vielen Forschungsprojekten und -infrastrukturen verwendet. Digitale Volltexte in Bibliotheken werden zu meist im Format Analyzed Layout and Text Object (ALTO) vorgehalten, während die logische Struktur der Dokumente in Dateien im Format Metadata Encoding and Transmission Standard (METS) referenziert wird. Die Verknüpfung zwischen beiden Ebenen erfolgt lediglich auf Seitenebene. Darin liegt der wesentliche Unterschied zu TEI, wo die Strukturierung der Dokumente inline – also direkt im Volltext – erfolgt. Die generelle Natur der Strukturauszeichnung mit Hilfe verschachtelter div-Elemente ist beiden Formaten gemein. Somit besteht die primäre Herausforderung bei der Erzeugung von strukturierten TEI-Volltexten aus METS-ALTO-Objekten in der korrekten Lokalisierung der Strukturelemente auf den einzelnen Seiten. Zu diesem Zweck wird an der SLUB das Programm mets-mods2tei (https://github.com/slub/mets-mods2tei) entwickelt, das den minimalen Editierabstands (Lewenstein 1965) zwischen manuell erfassten Strukturauszeichnungen (bzw. deren Labeln) und dem meist automatisch per OCR erzeugtem, digitalen Volltext als Platzierungskriterium nutzt. Das erzeugte TEI orientiert sich am Basisformat des Deutschen Textarchivs (DTA, Haaf et al. 2014/15). Es enthält neben dem strukturierten Volltext auch umfangreiche, aus Metadata Object Description Schema-kompatiblem XML extrahierte Metadaten und kann sowohl als Ausgangspunkt für Editionsvorhaben als auch als Grundlage für quantitative Korpusauswertungen dienen.Im Vortrag wird das hier skizzierte Vorgehen anhand von Beispielen illustriert und auf aktuelle Herausforderungen, die etwa durch stillschweigende Normalisierung auf METS- und schlechte Textqualität auf ALTO-Seite entstehen, eingegangen.
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.
Im Rahmen des sächsischen Landesdigitalisierungsprogramms wurden in den letzten Jahren signifikante Teile des historischen obersorbischen Schrifttums gescannt. Diese Dokumente liegen jedoch großteils nur als Bilddigitalisate ohne maschinenlesbaren Volltext vor, was ihre Nachnutzbarkeit im wissenschaftlichen Kontext stark einschränkt. Die Herausforderung dieser Bestände liegt u.a. in der speziellen Kombination aus Fraktur und den slawischen Diakritika im sorbischen Druck, für die es bisher noch keine verlässliche automatische Texterkennung (OCR) gibt. Aufbauend auf einer Studie zum gezielten Training von OCR für obersorbische Drucke (siehe Programm zum 109. Dt. Bibtag 2020) wurde in einem Pilotprojekt des Sorbischen Instituts in den letzten Monaten ein produktiver Workflow etabliert. Dieser umfasst 1. die manuelle Erstellung von Ground Truth (GT), 2. das systematische Training entsprechender OCR-Modelle, 3. die automatische Prozessierung von Digitalisaten zu Volltext, 4. die Generierung von ALTO-XML zur digitalen Präsentation und 5. von TEI-XML z.B. für digitale Editionen und korpuslinguistische Auswertungen. Fokus ist dabei die stetige Qualitätsverbesserung (d.h. Minderung der durchschnittlichen Fehlerrate ebenso wie systematischer Schwächen) durch iterative Erweiterung des GT um zusätzliches Material und Optimierung der extrahierten im Training benutzten Zeilenbilder. Als Werkzeuge werden vorrangig Open-Source-Systeme eingesetzt: die OCR-D-Softwaresuite (mit dem PAGE-XML-Format als Träger der Bild-Text-Zuordnung) für automatische Workflows, die Programme Aletheia und LAREX für manuelle Transkription und Kitodo für die Bereitstellung der digitalen Objekte. Im Vortrag erläutern wir unsere Vorgehensweise zur Qualitätssteigerung der Obersorbisch-OCR und diskutieren anhand von Referenzbeispielen die Möglichkeiten und Grenzen des Workflows. Ergänzend thematisieren wir Erfahrungen mit der OCR zweisprachiger Drucke und deren Übertragbarkeit auf weitere slawische Sprachen.
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.
In vielen Bibliotheken entwickeln sich Open Science Labs, Offices und Zentren mit unterschiedlichsten Vermittlungs- und Beratungsformaten, die die Transformation des Wissenschaftsbetriebes in Richtung Open Science (OS) unterstützen. Mit diesem Hands-on-Lab möchten wir Akteur*innen zusammenbringen und an vier Thementischen zu Vor- und Nachteilen verschiedener Organisationsformen, inhaltlicher Schwerpunkte und Implementierungsmechanismen der diversen Unterstützungsstrukturen arbeiten.
Tisch 1: Wo?
Unterstützung für OS gibt es in vielen wissenschaftlichen Einrichtungen. Ihre Einbindung in die entsprechende Gesamtinstitution ist dabei vielgestaltig und Rechenzentren, Forschungsförderung und Bibliotheken engagieren sich. Wir möchten die Vor- und Nachteile einzelner Konstrukte, deren Finanzierung sowie personelle Ausstattung diskutieren und nach Sichtbarkeit, Synergien und Perspektive fragen.
Tisch 2: Wie?
OS hat viel mit Digitalisierung zu tun und ist "science done right". Der Wissensstand zu OS in der adressierten Zielgruppe ist divers, die Pallette der gefragten und notwendigen Future Skills breit. Welche Skills benötigt OS und wie können diese so vermittelt werden, dass die Vorteile im Bezug auf Qualität und Effizienz sicht- und anwendbar werden? Wir wollen anhand konkreter Beispiele über die Möglichkeit sprechen, solche Fähigkeiten in der Wissenschaftscommunity zu etablieren.
Tisch 3: Warum?
Wie können wir unser Engagement nach innen und außen zu plausibilisieren? Was sind die Ziele für uns, unsere Einrichtungen und unser Standing in der Wissenschaftswelt, die wir verfolgen, wenn wir OS-Unterstützungsangebote planen und anbieten? Wo sehen wir die Wissenschaft in Zukunft und warum?
Tisch 4: Für wen?
Als Zielgruppe für OS werden oft pauschal Forschende benannt. Lohnt beim Angebotszuschnitt eine tiefergehende Differenzierung? Welche OS-Praktiken sollten bereits im Studium vermittelt werden? Welche Aspekte lohnen besonders der zielgruppenspezifischen Anpassung?