Kay-Michael Würzner

Session: Beteiligungskulturen und Daten (S135)

Verbesserung von automatischer Handschriftenerkennung durch bürgerwissenschaftlich unterstützte Transkription
K.-M. Würzner¹, R. Sachunsky², A. Lasch^3
1Sächsische Landesbibliothek – Staats- und Universitätsbibliothek Dresden, Referat Open Science, Dresden, Deutschland, ²Sächsische Landesbibliothek – Staats- und Universitätsbibliothek Dresden, Referat Digitale Objekte, Dresden, Deutschland, ³Technische Universität Dresden, Institut für Germanistik, Dresden, Deutschland

Abstract Text: 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.

Tweet

Session: Präsentation und Erschließung von digitalem Content (S86)

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.

Kay-Michael Würzner¹, Wito Böhmak^2
1Sächsische Landesbibliothek – Staats- und Universitätsbibliothek Dresden, Digitale Objekte, Dresden, Deutschland, ²Sorbisches Institut, Sorbische Zentralbibliothek und Sorbisches Kulturarchiv, Bautzen, Deutschland

Tweet

Other people: Wito Böhmak

Session: Präsentation und Erschließung von digitalem Content (S86)

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 & 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.

Kay-Michael Würzner^1
1Sächsische Landesbibliothek – Staats- und Universitätsbibliothek Dresden, Digitale Objekte, Dresden, Deutschland

Tweet