OCR in der Praxis
Refine
Year of publication
- 2018 (2)
Document Type
- Conference publication (Presentation slides) (2) (remove)
Has Fulltext
- yes (2)
Is part of the Bibliography
- no (2)
Keywords
- Computerlinguistik (1)
- Digitalisierung (1)
- Digitalization (1)
- Double Keying (1)
- Double keying (1)
- Layout recognition (1)
- OCR (1)
- Structure recognition (1)
- Strukturerfassung (1)
- Text recognition (1)
Language
- German (2)
Mit der Plattform E-Periodica (www.e-periodica.ch) stellt die ETH-Bibliothek rund 280 retrodigitalisierte Schweizer Fachzeitschriften mit insgesamt über 6 Mio. Seiten online zur Verfügung. Diese Menge an OCR-erkannten Texten bieten sich an, um dank automatisierter Textanreicherung zusätzlichen Mehrwert für die bessere Nutzbarkeit der Daten zu generieren. Vor diesem Hintergrund führte die ETH-Bibliothek gemeinsam mit dem Institut für Computerlinguistik der Universität Zürich im Jahr 2017 ein entsprechendes Pilotprojekt durch. Als Testkorpus wurden zwei umfangreiche Architekturzeitschriften (ab 1874 bis in die Gegenwart) mit computerlinguistischen Methoden aufbereitet, strukturiert und verlinkt.Im Vortrag werden zum einen die methodischen Schwerpunkte der verbesserten Texterkennung (durch die automatische Korrektur von OCR-Fehlern) und der Textanreicherung - durch die Erkennung, die Aggregierung und die Verlinkung von Personen- und Ortsnamen - ausgeführt. Zum anderen wird gezeigt, welche Resultate sich für Bibliothek und Forschungspartner aus dem Pilotprojekt ergeben. Auf Seite der Bibliothek gehören dazu sowohl die Nutzung der angereicherten Daten für optimierte Suchfunktionen und Informationsangebote in E-Periodica als auch der Kompetenzaufbau in der Bereitstellung maschinenlesbarer Textkorpora. Der Nutzen für den Forschungspartner liegt in der Weiterentwicklung semantischer Erschliessungsmethoden. Diese neuen Formen der Inhaltserschliessung werden die Nutzung und Verarbeitung digitalisierter Bibliotheksinhalte in den kommenden Jahren entscheidend beeinflussen und voranbringen.
Text- und Strukturerkennung sind bei Digitalisierungsvorhaben unerlässlich, um im Rahmen von Forschungsarbeiten Recherchen und Auswertungen auf effiziente Art und Weise zu ermöglichen. Eine Volltexterkennung inklusive der Erfassung von Strukturmerkmalen schreibt beispielsweise auch die DFG für Druckwerke ab Erscheinungsjahr 1850 folgerichtig verbindlich vor. Bei digitalisierten historischen Forschungsdaten ist darüber hinaus eine möglichst fein-granulare Strukturierung sinnvoll. Die Text- und Strukturerkennung ist damit eine umfassende Herausforderung und im Zuge eines Projekts muss entschieden werden, ob eine maschinelle Texterkennung (OCR) oder ein manuelles Erfassen der Texte (i.d.R. Double Keying) durchgeführt werden soll. Wichtige Faktoren sind hierbei die Güte der Text- und Strukturerkennung, Kosten, Nachnutzbarkeit usw. Anhand des DFG-Digitalisierungsprojekts "Aktienführer-Datenarchiv" (1870-2016) an der Universitätsbibliothek Mannheim sollen beide Methoden beleuchtet und ein Vergleich gezogen werden. In der ersten Projektphase (Erscheinungsjahre 1976-1999) wurde die Text- und Strukturerfassung mittels Double Keying-Verfahren durchgeführt, während in der zweiten Projektphase (Erscheinungsjahre 1953-1975) die maschinelle OCR und automatische Strukturierung für diese Aufgabe vorgezogen wird.