Von Zeilen- und Zeichenerkennung zur germanistischen Textanalyse
Dominik Hetjens 
Robert Sachunsky 
Partizipative Transkriptionsprojekte in Museen, Archiven, Bibliotheken
- Oktober 2021, Berlin
https://hackmd.io/@bertsky/workshop-transkriptionsprojekte-2021-10
1 Kooperation SLK/TU Dresden ↔ SLUB
1.1 Projekte
- Digital Herrnhut
- Dissertationsprojekt Soldatenbriefe
- neuer Masterstudiengang Digital Humanities
- Kooperationsprojekt CliC
- akademische Lehre
1 Kooperation SLK/TU Dresden ↔ SLUB
1.1 Projekte
1 Kooperation SLK/TU Dresden ↔ SLUB
1.2 Ziele
- Endziel: Zugänglichkeit von Texten für Forschung und Öffentlichkeit
- Digitalisierung gedruckter+geschriebener Vorlagen:
- manuelle Transkription als Voraussetzung für bessere automatische Erfassung
- automatische Erfassung als Voraussetzung für leichtere manuelle Transkription
1 Kooperation SLK/TU Dresden ↔ SLUB
1.3 (Überschneidung von) Aufgaben und Kompetenzen
- Forschung+Lehre ↔ Infrastruktur
- interinstitutionelle, interdisziplinäre Zusammenarbeit
- beidseitige Mehrung und Vermittlung von methodischem Wissen
2 Interdisziplinarität und Terminologie
2.1 „Transkription“ und „Transliteration“
- Alltagsgebrauch vs. Wissenschaft
- lauttreu vs. buchstabentreu
(Bsp.: T. für fremde Alphabete) - Medienwechsel vs. Schrift(system)wechsel
(z.B. Papier→Computer, Tonaufnahme→Schrift, Alphabetschrift→Brailleschrift, phonetische/phonologische T., Kurrent/Fraktur→Antiqua)
→ gemeinsamer Oberbegriff Transkription
→ unterschiedliche Definition, je nach Disziplin, Ausrichtung und Kontext
2 Interdisziplinarität und Terminologie
2.2 „Workflow“
- als Ablauf manueller oder manuell auszulösender Schritte in Digitalisierung
(Transkriptions-Workflow) - als Konfiguration aller Schritte und Parameter in automatischer Texterkennung
(OCR-Workflow)
→ je nach Kontext!
2 Interdisziplinarität und Terminologie
2.3 Zweck der Transkription
| OCR-Training (Ground-Truth) | Textkorpus / Digitaledition | |
|---|---|---|
| Granularität | Blöcke+Zeilen, Koordinaten | Seiten, Fließtext |
| Genauigkeit | Richtigkeit, Konsistenz | Präzision, Tiefe |
| Priorität | Repräsentativität, „weniger ist mehr“ | Vollständigkeit, „nichts darf fehlen“ |
→ These: beide Aufgaben können sich strategisch ergänzen
2 Interdisziplinarität und Terminologie
2.4 Zielgruppe
| professionell | nicht professionell | |
|---|---|---|
| Material/Domäne | Buch-, Sprach-, Literatur-, Geschichtswissenschaft | Interessierte aus der Öffentlichkeit |
| Werkzeug/Technik | IT | Endnutzung |
→ These: nicht orthogonal – Synergien möglich
→ These: „Profi-Werkzeuge“ oft auch besser für nicht-professionelle Nutzung
2 Interdisziplinarität und Terminologie
2.5 Technologisches Paradigma
| offen | geschlossen | |
|---|---|---|
| Lizenz | Freie Software, Standard-Schnittstellen/Datenformate | kommerzielle Dienste, Programme ohne Quellen |
| Integration | föderierte Systeme | integrierte Systeme (All-in-One) |
| Daten | Hoheit über Modelle und Daten | nur Nachnutzung, „Bezahlen mit Daten“ |
| Betrieb | dezentral/Eigen- | zentral/Dienst |
→ These: Offenheit begünstigt Flexibilität, Nachhaltigkeit und Reproduzierbarkeit
2 Interdisziplinarität und Terminologie
2.6 weitere Begriffe
- Betreiber vs. Betreuer vs. Nutzer / „Annotator“ / „Transkriptor“?
- Transkription vs. Annotation:
- Transkription i. e. S.: rein textueller Anteil
(ohne Struktur oder Auszeichnung) - Transkription i. w. S.: = Annotation
- Transkription i. e. S.: rein textueller Anteil
3 Technologische Grundlagen
3.2 Gesamtablauf GT-Erstellung
-
optimierter OCR-Workflow als automatische Vorverarbeitung:
- Bildvorverarbeitung: Binarisierung, Deskewing, Dewarping
- Seiten- und Zeilensegmentierung (OLR)
- Zeichenerkennung (OCR)
→ Ergebnis: 1 PAGE-XML-
filepro Seite, 1 METS-XML-fileGrppro Schritt -
partielle Editierung für manuelle Nachkorrektur
-
Nachtrainierung OCR-Modell mit neuen Daten
-
Wiederholung ab 1.3. auf unbearbeiteten Seiten mit neuem Modell
-
Vervollständigung, Export / TEI-Konvertierung
3 Technologische Grundlagen
3.3 Beispiel Bildvorverarbeitung
|
|
|
3 Technologische Grundlagen
3.4 Beispiel Segmentierung(skorrektur)
3 Technologische Grundlagen
3.5 Beispiel Transkription
3 Technologische Grundlagen
3.5 Beispiel Transkription
3 Technologische Grundlagen
3.6 OCR-Training
-
Pretraining auf großen ähnlichen GT-Datensätzen aus READ:
-
Finetuning auf eigenen Daten:
- Validierung der korrigierten Transkriptionen
- Extraktion von Bild-Text-Paaren für Textzeilen
3 Technologische Grundlagen
3.7 Ausgangslage bei Handschrift
- Qualität für Zeilenerkennung bereits ausreichend (Kraken mit blla-Modellen)
- Qualität für Zeichenerkennung aktuell noch nicht:
- keine Standardmodelle für Kurrent
- vglw. wenig frei verfügbare Trainingsdaten
→ sukzessive eigene Daten sammeln (und möglichst publizieren)
→ sobald Modelle gut genug: nur noch als Nachkorrektur
4 Workflows
4 Workflows
4 Workflows
4 Workflows
4 Workflows
Aufwertung von existierendem Seiten-GT zu Zeilen-GT
- bisherige Transkriptionsprojekte oft nur auf Seitenebene
→ d.h. viele Korpora ohne Zuordnung auf Zeilenebene - Zeilen-GT jedoch unerläßlich für OCR-Training
- Idee: semiautomatische Zuordnung durch
- Seitenbild in automatische Texterkennung geben
→ Resultat: Zeilen-Koordinaten + Zeilen-OCR
→ Qualitätsanforderungen:- für Zeilenerkennung: hoch
- für Zeichenerkennung: moderat
- Seitentext den OCR-Textzeilen per Alignierung automatisch zuordnen
- Paare mit hoher Konfidenz als Trainingsdaten behalten
- Sichtung und manuelle Nachkorrektur
- Seitenbild in automatische Texterkennung geben
- z.B. implementiert in Transkribus t2i
5 Zusammenfassung
- quantitative Methoden für Geisteswissenschaften:
reziproke Verstärkung von…- neuen Ansprüchen der Forschung durch neue technische Möglichkeiten
(Distant Reading, Verfügbarkeit, empirische Breite) - neuen Anforderungen der Infrastruktur durch neues technisches Paradigma
(datengetriebene Verfahren brauchen Daten)
- neuen Ansprüchen der Forschung durch neue technische Möglichkeiten
- datengetriebene maschinelle Lernverfahren (bes. Deep Learning):
prinzipiell-universelle Lösung, aber abhängig von Trainingsdaten (digitalen Texten) in (früher nicht vorhandener) ausreichender Menge und Qualität - bei Handschrift liegen offene OCR-Systeme aktuell noch zurück
- Strategie: gezielte Transkription für Lückenschluß bei GT/Modellbildung, Nachnutzung von Forschungsdaten/Editionen
- Taktik: Synergie v.a. durch Teilautomatisierung der Transkription/Analyse und umgekehrt Weiterentwicklung der Werkzeuge/Modelle
- Bootstrap-Effekt bei semiautomatischer Alignierung von Seiten-GT
6 Offene Fragen
- detaillierte Transkriptionsrichtlinien für Handschrift
- freier Ground-Truth für HTR
- Übertragbarkeit von Modellen ↔
Gruppierung von Daten nach Schrift, Hand, Schreibmittel, Material - optimales Trainingsregime, Daten-Augmentierung
- optimale Verteilung von Kompetenzen
- optimale Vermittlung von Wissen
Von Zeilen- und Zeichenerkennung zur germanistischen Textanalyse Dominik Hetjens Robert Sachunsky Partizipative Transkriptionsprojekte in Museen, Archiven, Bibliotheken Oktober 2021, Berlin https://hackmd.io/@bertsky/workshop-transkriptionsprojekte-2021-10
{"metaMigratedAt":"2023-06-16T12:59:34.243Z","metaMigratedFrom":"YAML","title":"Von Zeilen- und Zeichenerkennung zur germanistischen Textanalyse","breaks":true,"description":"Foliensatz Beitrag TUD/SLUB 28.10.2021","slideOptions":"{\"theme\":\"white\",\"slideNumber\":true}","contributors":"[{\"id\":\"c62f1b15-791a-47e1-8e4c-ab2ed00c04bc\",\"add\":16069,\"del\":2265},{\"id\":\"2b2c1436-646b-4847-95ef-686f250a0d11\",\"add\":1063,\"del\":423}]"}