Erschließung, Linked Open Data, RDA
Refine
Year of publication
Document Type
- Conference publication (abstract) (192) (remove)
Is part of the Bibliography
- no (192)
Keywords
- Altertumswissenschaft (2)
- GND (2)
- Gemeinsame Normdatei (2)
- Geschichtswissenschaft (2)
- Autorenidentifikation (1)
- BSZ (1)
- Bibliographie (1)
- Bibliotheksservice-Zentrum Baden-Württemberg (1)
- Classical studies (1)
- DNB (1)
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.
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.
Um Forschende bei der Identifizierung geeigneter Open-Access-Zeitschriften für ihre Forschungsergebnisse zu unterstützen, haben TIB und SLUB Dresden im Rahmen der BMBF-geförderten Richtlinie Beschleunigung der Transformation zu Open Access und in Zusammenarbeit mit vielen Partnereinrichtungen B!SON als offenen und unabhängigen Dienst entwickelt. Ausgehend von einem zu veröffentlichenden Manuskript kommen semantische und bibliometrische Verfahren zum Einsatz, um inhaltlich passende und qualitätsgesicherte Open-Access-Zeitschriften vorzuschlagen. Im Gegensatz zu ähnlichen Angeboten setzt B!SON dabei konsequent auf eine offene und nachhaltige Infrastruktur: Der Dienst bezieht die für die Ähnlichkeitsbestimmung benötigten Metadaten von den Partnern DOAJ und OpenCitations; der Quellcode ist unter einer freien Lizenz veröffentlicht.
Auch in Hinblick auf die Einbindung des Services beschreitet das Projekt B!SON neue Wege. Neben dem über die Projektseite erreichbaren zentralen Webangebot erlaubt eine TYPO3-Extension die Einbettung des B!SON-Frontends in die digitalen Beratungsservices von Bibliotheken und wissenschaftlichen Einrichtungen. Die Anbindung an den zentralen B!SON-Server wird per Schnittstelle (API) realisiert. Die lokalen Nutzer:innen können somit das Angebot im vertrauten Look & Feel ihrer Einrichtung nutzen und sich dabei von den lokalen Expert:innen beraten lassen. Ein weiterer Vorteil dieses Ansatzes besteht darin, dass sich die Suchergebnisse auf Basis einrichtungsspezifischer Gegebenheiten modifizieren bzw. mit einrichtungsrelevanten Informationen (spezifische Preiskonditionen etc.) anreichern lassen.
Der Vortrag gliedert sich in zwei Teile. Im ersten Teil wird die lokale Einbindung des Open-Access-Zeitschriften-Empfehlungssystems B!SON anhand eines Praxisbeispiels vorgestellt und Grenzen und Potential dieses Ansatzes diskutiert. Darauf aufbauend wird am Beispiel eines neuen Services das Potential des B!SON-Systems für weitere Anwendungsfälle aufgezeigt.
Das Bibliotheks- und Archivwesen verschmilzt im Rahmen von Digitalisierungsmaßnahmen zunehmend mit anderen Disziplinen. Zusätzlich zur Publikation werden zunehmend auch die zugrundeliegenden Fachdaten dauerhaft über Identifikatoren eindeutig referenzierbar und über vernetzte Dateninfrastrukturen verknüpft. Standards für Daten und Metadaten sowie Regeln des Austauschs bestimmen zunehmend die Informationssysteme des Bibliothekswesens.
Auch in den Geowissenschaften findet sich diese Annäherung wieder : Untersuchungen des Untergrundes produzieren immer größere Mengen an digitalen Geodaten, die über Geodateninfrastrukturen (GDI) digital veröffentlicht werden müssen. Die gewonnenen Erkenntnisse werden zusätzlich durch erläuternde und interpretierende Literaturveröffentlichungen verbreitet. Die Bereitstellung von Daten in Form von Kartenprodukten aus GDIen heraus erfolgt über Geoportale, die wie ein OPAC einen Katalog darstellen und zusätzlich Geodaten visualisieren können sowie räumliche Filterungen ermöglichen.
Ein Treiber für die Bereitstellung auch von Archiv/Papierdaten ist das Geologiedatengesetz, welches neben der Bereitstellung von geowissenschaftlichen Untersuchungsergebnissen auch den Zugriff auf archivierte Alt/Papierdaten fordert. Archivdaten müssen digitalisiert und möglichst in räumlichen Bezug gesetzt werden, um sie anschließend gleichwertig neben vergleichsweise neuen Daten anzubieten. Da sich die Geologie nur langsam verändert und deren Erhebung aufwendig ist, bleiben ältere Untersuchungsergebnisse stets aktuell und wertvoll. Bestenfalls gelingt sogar die maschinenauswertbare Verknüpfung mittels Methoden des Semantik Webs. Der Schlüssel zum Verständnis von Daten und deren Nachnutzung für neue Anwendungsfälle insbesondere in den Geowissenschaften liegt also in der engen Verknüpfung der Bibliothek mit dem Archiv und einer GDI. Das Geoportal der BGR beschreitet diesen Weg und stellt in einem ersten Schritt bereits eigene Literaturveröffentlichungen bereit.