Hiking through the digital world#1: Von ANNO zu Transkribus

Hallo!

Mein Name ist Thekla und ich studiere Geschichte an der Universität Innsbruck. Heute nehme ich dich auf meinem Weg quer durch die Welt der Digital History mit und erzähle dir dabei von meinen Erfahrungen und Herausforderungen. Unsere Etappen heute: ANNO (oder vom Parkplatz  zur ersten Gaststätte) und Transkribus (hinauf auf den Pik Corpus). Bevor wir starten, gebe ich dir jeweils Informationen zur Etappe selbst. Wir müssen schon auch wissen was uns erwartet, nicht?

Hast du schon einmal etwas von ANNO, d.h. „AustriaN Newspapers Online“ gehört? Das ist ein Projekt der Österreichischen Nationalbibliothek zur Retrodigitalisierung von österreichischen historischen Zeitungen und Zeitschriften. Über ANNO können Zeitschriften gesucht und als PDF heruntergeladen werden. Gemäß dem Arbeitsauftrag wählte ich die „Arbeiter-Zeitung“, entschied mich für das Jahr 1919 und den Monat März. Mit dem Abspeichern der Dateien ist Etappe 1 erreicht. Nun war ich so richtig aufgewärmt und ich widmete mich der Weiterverarbeitung der Dateien mit Transkribus.

Transkribus ist ein Programm zur Erkennung und Transkription von Texten. Zunächst muss man sich registrieren und das Programm installieren. Bei mir verlief die Installation, nachdem ich die richtige Java-Version installiert hatte, problemlos. Dann ging es ans Raufladen der Dateien. Der Vorgang war innerhalb einer Viertelstunde erledigt. Etappe 2 erreicht? Nein, das war erst der Weg von der Almhütte zum ersten Hügel.

Zuerst führt eine Seilbahn ein Stück den Berg hinauf, wobei das Tool „Layout Analysis“ das Layout der einzelnen Dokumente automatisiert erkennt. Der Vorgang war recht schnell erledigt: Ich habe alle Layout Analysen einfach gleich nacheinander gestartet, das Programm geschlossen und mich später wieder eingeklinkt. Nun folgt die Optical Character Recognition.

Bevor ich die OCR überall startete, musste ich mich einmal orientieren und den richtigen Weg finden. Es war erst mal Ausprobieren angesagt. Insgesamt brauchte ich drei Anläufe, bis ich schließlich die richtigen Einstellungen für ein halbwegs gutes Ergebnis vorgenommen hatte. Bei Type Face habe ich zuerst „Normal“ ausgewählt, was sich aber als ungünstig erwies. Bei Languages wählte ich „German“, wobei es auch „OldGerman“ zur Auswahl gibt. Jedoch habe ich hierbei keinen Unterschied in der Transkription bemerkt. Beim zweiten Anlauf wählte ich bei Type Face „Combined“ und „German“. Das war schon viel besser. So habe ich mit diesen Einstellungen bei allen Dokumenten die Texterkennung durchführen lassen.

1. OCR: Languages “German”. Type Face “Normal”.
2. OCR: Languages “German”. Type Face “Combined”.

Später gab uns Frau Prof. Pfanzelter noch den Tipp, ein im Projekt NewsEye erarbeitetes Trainingsmodell für deutschsprachige Zeitungen auf die Artikel anzuwenden. Das Ergebnis war erheblich besser und ehrlich gesagt bin ich seit meinem Versuch Fehler manuell auszubessern, über jeden Buchstaben, der richtig erkannt wurde, froh!

3. HTR mit ONB_Newseye_GT_M1+

Sehr schlecht transkribiert werden Überschriften und Werbeanzeigen. Die Überschriften sind noch schnörkeliger geschrieben als der Rest und zusätzlich macht das Layout der Werbeanzeigen eine gute Texterkennung nicht gerade einfach. So mancher Anfangsbuchstabe wird vom restlichen Wort abgetrennt und viel größer als die andern Buchstaben abgedruckt. So wird er entweder als einzelnes Wort oder als Grafik erkannt und ein kaum verständlicher Buchstabensalat entsteht.

Trotz einzelner Schwierigkeiten habe ich viele positive Erfahrungen mit Transkribus gemacht. Ich hoffe auch du konntest etwas mitnehmen und kannst den Ausblick vom Pik Corpus genießen. Doch gibt es immer noch Luft nach oben. Daher hoffe ich, dass du auch bei meinem nächsten Beitrag vorbeischaust, wo es um die Weiterverarbeitung der Daten mithilfe von Voyant Tools gehen wird.

Liebe Grüße

Thekla


Das könnte dich auch interessieren …

Schreibe einen Kommentar

Deine E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert.

Diese Website verwendet Akismet, um Spam zu reduzieren. Erfahre mehr darüber, wie deine Kommentardaten verarbeitet werden.

Suche in OpenEdition Search

Sie werden weitergeleitet zur OpenEdition Search