Von der Digitalisierung zum Transkript – Erfahrungsbericht einer digitalen Dilettantin

Wie man dem Titel entnehmen kann ist der Kurs zu Digitalen Quellen und Analysen, in dessen Rahmen dieser Blogbeitrag entsteht, mein erster Ausflug in die weite Welt der Digital History. Hier halte ich meine bisherigen Erfahrungen, Erfolge und Rückschläge fest. Starten werde ich mit einem kurzen Abriss unseres bisherigen Arbeitsprozesses. Anschließend daran folgt im Hauptteil die Rubrik “Neun banale Erkenntnisse, die ich – im Nachhinein betrachtet – gerne schon im Vorhinein erlangt gehabt hätte”. Versierten Digital Historians müssen diese aufgelisteten Erleuchtungen bestenfalls primitiv erscheinen. Doch vielleicht kann es der ein- oder anderen Einsteiger*in den ein oder anderen Ärger ersparen – und damit wäre doch schon viel gewonnen. Abschließen werde ich diesen Artikel mit einem kurzen Fazit und dem Ausblick auf meinen zweiten Blogbeitrag.

Vom Archiv an den Bildschirm

Am Anfang stand der Gang ins Archiv, wo wir unser ScanTent (eine Art mobiles Mini-Fotostudio in Zeltform) aufstellten und mit Hilfe der dazugehörenden App DocScan unseren Quellenkorpus einscannten. In diesem Kurs waren das die Ausgaben der “Verbandsmittelungen für die Südtiroler in Österreich” von 1947 – 1953 und die der “Südtiroler Heimat” von 1946 – 1952. DocScan schießt mit der Handykamera Bilder und erkennt darauf auch bereits den Textbereich. Man kann diesen Textbereich manuell genauer anpassen und ihn dann ausschneiden (“croppen”). Mit seinen Login Daten von Transkribus loggt man sich auch in die DocScan-App ein und hat hier die Möglichkeit, seine fertigen Bilddateien über einen Upload Button direkt an Transkribus zu senden. Nach abgeschlossener Vorbereitung begann für uns dann die eigentliche Arbeit, nämlich mit dem Programm Transkribus aus den Fotos eine digitale Textdatei zu erstellen.

Dieser Vorgang beinhaltet im Wesentlichen zwei Teilschritte; Die Layout Analyse und die Text Recognition. Im ersten Schritt erkennt das Programm, wo sich auf dem Bild Textzeilen befinden und wie die Leserichtung ist. Im zweiten Schritt werden diese Textzeilen “gelesen” und in digitalen Text übersetzt. Für beide dieser Analyseschritte stehen verschiedene Methoden zur Verfügung, die jeweils auf spezielle Textsorten, Schriftarten und Sprachen zugeschnitten sind: Für die Layout Analyse legt man fest, ob man es beispielsweise mit einer Postkarte, einem Protokoll oder einem Zeitungsartikel zu tun hat, für die Wahl der Texterkennungsmethode orientiert man sich an der Schriftart und Sprache seiner Quelle. Zuerst haben wir mit verschiedenen Methoden-Kombinationen versucht, eine möglichst gute Transkription zu erhalten. Gerade weil die Bildqualität unserer Scans stellenweise nicht besonders gut war, bestand der arbeitsintensivste Teil schließlich darin, das computergenerierte Layout und den Text nachzubessern.

Zum Schluß exportierten wir aus Transkribus den fertigen Rohtext. Ihn werden wir im zweiten Kursteil nun durch verschiedenste Analyseprogramme jagen. Aber davon später mehr. Es ist jetzt nämlich Zeit für…

Neun banale Erkenntnisse, die ich – im Nachhinein betrachtet – gerne schon im Vorhinein erlangt gehabt hätte.

Einscannen der Quelle mit ScanTent und DocScan

  • Bildqualität: Es lohnt sich ungemein, sich für sein Digitalisierungsvorhaben ein Handy mit einer sehr guten Kamera zu organisieren. Liegt die schriftliche Quelle nicht in losen Blättern, sondern als gebundenes Buch vor, sollte man die Seiten in der Mitte möglichst glattdrücken oder linke und rechte Buchseite separat fotografieren. 
  • Schon beim Scannen eine Ordnung anlegen: Die Anwendungsmöglichkeiten der DocScan-App sind auf das Nötigste beschränkt. Anders als man sich das beispielsweise von der Fotogalerie auf dem Handy gewöhnt ist, kann man hier die Bildreihenfolge nicht mehr ändern oder die Scans in neuen Ordnern einsortieren. Auch in Transkribus ist das umständlich bis unmöglich. Am leichtesten hat man es später also, wenn man sich schon beim Scanvorgang für einzelne Kapitel oder Jahrgänge jeweils neue Kollektionen anlegt. Ausserdem sind so auch die einzelenen Datenpackete kompakter und lassen sich besser auf Transkribus uploaden.
  • Stichwort Upload: Das direkte Uploaden von DocScan auf Transkribus hat bei mir auch nach dem fünfzehnten Versuch nicht funktioniert. Ob das an der großen Dateigröße (siehe dazu Punkt zwei), der schlechten Kooperation meines Android-Handys mit dem AppleNotebook, oder meinem persönlichen Versagen lag, kann ich nicht abschliessend beurteilen. Für alle Unglücklichen, die vor dem gleichen Problem stehen, möchte ich hier einen relativ simplen Umweg vorstellen: Die Bilddateien als PDFs abspeichern („save as PDF“) und sich diese dann über „share“ zuschicken lassen oder beispielsweise über GoogleDrive speichern (für größere Dateien die bessere Variante). 

Transkribus

  • Kein Weg zurück? Ich habe lange (sehr lange) nach einer Rückschalttaste gesucht. Es gibt eine: Sie sieht so aus und befindet sich bei der vertikalen Werkzeugleiste im unteren Bereich.
  • Layoutanalyse: Hat man eine erste Layoutanalyse über das Bild laufen lassen, sehen manche Seiten noch so aus:

Nun geht man auf den Reiter “Layout”, schaut sich alle Textregionen an und schneidet sie schöner zu, trennt die Regionen schärfer, wo viele Zeilen über zwei Spalten hinweg „zusammengewachsen“ sind und bringt sie per Drag and Drop in die Richtige Reihenfolge. Damit stimmt dann nämlich auch die Leserichtung nach der Text Recognition automatisch. Um zwei Regionen zusammenzufügen, wählt man beide aus und drückt auf (“merges the selected shapes”). Danach startet man ggf. eine erneute Layoutanalyse. (Sehr wichtig: Hier den nächsten Punkt beachten!) Hat man die Textregionen angepasst, sieht die Layout Analyse schon viel besser aus:

  • Layout Analyse nach einer Korrektur: Bei der Layout Analyse mit bereits korrigierten Textregionen muss man das Häkchen bei „Find Text Regions“ entfernen, damit ausschließlich die Textzeilen neu erkannt werden, die Textregionen und ihre Reihenfolge aber gleich bleiben. Sonst kann man gleich wieder von vorne beginnen.
  • Leserichtung anpassen: Um die Reihenfolge seiner Textregionen schneller zu überblicken, wählt man unter „shape visibility“ (dem kleinen Augensymbol) die Option „Show regions reading order“ an. 
  • Textregionen einzeln bearbeiten: Es ist auch möglich, nur einzelne Textregionen einer Layout Analyse zu unterziehen. Man muss sie einfach anwählen und sobald sie grün hinterlegt erscheinen, auf „Run“ klicken. Aber Vorsicht: Ärgerlicherweise funktioniert das mit der Text Regognition nicht!
  •  Text Recognition Method: Hat man feinsäuberlich sein Seitenlayout nachgearbeitet und wählt für seine Text Recognition dann die Methode „Transkribus OCR“, ärgert man sich hinterher grün, denn bei dieser Option ist auch noch eine automatische „Block Segmentation“ integriert und die vorgängige Arbeit damit zunichte. Bestimmt gibt es Fälle, in denen diese OCR-Methode nützlich sein kann, in meinem spezifischen Fall war es eindeutig besser, in einem ersten Schritt die Layout Analyse vollständig abzuschließen und dann die Text Recognition mit “HTR (CITIab HTR+ & PyLaia)” durchzuführen.

Fazit und Ausblick

So smooth und smart sich ein digital Workflow mit Transkribus erst einmal anhört – das saubere Digitalisieren von Originaldokumenten ist eine Knochenarbeit! Als blutige Anfänger*in verlangt es einem viel Geduld und Nerven ab, bis man mit den einzelnen Programmen vertraut ist, bei Transkribus passende Layout Analyse- und Texterkennungsvorlagen gefunden hat und man alle falsch erkannten Zeilen und Wörter nachkorrigiert hat.

Dennoch ist es unbestritten, dass eine Transkription ohne die entsprechenden Hilfsmittel um ein vielfaches beschwerlicher wäre. Das mag man bei den ersten drei Seiten noch bezweifeln, doch spätestens nach der zehnten beginnt man langsam zu verstehen, was mit “flow” wohl gemeint sein könnte. 

Am Ende hält man ein Produkt in Händen, das man jetzt wildesten computerlinguistischen Experimenten unterziehen kann. Genau darum wird es sich in meinem zweiten Blogbeitrag drehen – ich freue mich schon darauf!


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