Die Südtiroler Heimat digitalisiert, transkribiert und analysiert

In der Geschichtswissenschaft werden digitale Quellen immer wichtiger und öfter genutzt. Gerade in Zeiten der Pandemie sind wir auf digitalisierte Quellen angewiesen, zudem verkürzen digitale Quellen viele Arbeitsschritte durch gezielte Suchanfragen, die im digitalen Raum möglich werden. Als Beispiel sei das Zeitungsportal ANNO zu nennen, dieses bietet Zugriff auf eine Vielzahl von historischen österreichischen Zeitungen. Durch eine gezielte Stichwortabfrage können Zeitungsartikel zu jedem Thema zeiteffektiv recherchiert werden. Bevor solche Abfragen jedoch möglich sind, müssen die analogen Quellen digital aufbereitet werden. Welche Schritte erfolgen, bevor eine Quelle in Sekundenschnelle auf bestimmte Stichwörter durchscannt werden kann, soll im Folgenden anhand der Zeitung Südtiroler Heimat aus dem Jahr 1948 gezeigt werden.

Die Südtiroler Heimat wurde nach dem II. Weltkrieg als Beilage des Volksboten in Österreich herausgebracht. Die Zeitung diente als Informationsblatt für Südtiroler*innen, die nach Österreich optiert waren. Dabei behandelte die Südtiroler Heimat Fragen rund um die Option und die Rückoption, behandelte die Lebenssituation der ehemaligen Südtiroler*innen in Österreich und informierte über Geschehnisse in Südtirol.

I. Schritt: Einscannen der Quelle

In einem ersten Schritt muss die analoge Quelle gescannt werden. Dabei ist es für spätere Schritte wichtig, dass die Qualität des Scans möglichst hoch ist. Im Falle der Südtiroler Heimat wurde dies mit Hilfe des ScanTent von Transkribus gemacht. Mit der App DocScan können die Dokumente eingescannt werden und anschließend zur weiteren Bearbeitung direkt auf Transkribus hochgeladen werden. In der App selbst können die Scans zuvor noch auf die gewünschte Größe beschnitten werden.

II. Schritt: Transkribieren der Quelle

In einem zweiten Schritt werden die hochgeladenen Dokumente mit Hilfe des Programms Transkribus transkribiert. Transkribus ist ein Programm, welches speziell dafür entwickelt wurde, historische Handschriften und Druckschriften zu transkribieren.

Dabei wird zunächst eine Layouteanalyse durchgeführt. Diese erkennt verschiedene Textregionen. Diese können im Nachhinein bearbeitet werden. Es können Textregionen, die nicht transkribiert werden sollen, gelöscht werden und andere, die nicht erkannt wurden, können hinzugefügt werden. Auch die Reihenfolge der Textregionen kann geändert werden. Bei der Südtiroler Heimat wurden oftmals Textregionen durch das Zeitungsformat in einer falschen Reihenfolge erkannt. Zudem kam es immer wieder vor, dass einzelne Textabschnitte gar nicht erkannt wurden und händisch dazugefügt werden mussten.

Der Textabschnitt “Todesfälle” wurde nicht erkannt.

Im nächsten Schritt wird durch das Tool Text Recognition die Quelle transkribiert. Dabei kann zwischen verschiedenen Modellen ausgewählt werden. Die Modelle unterscheiden sich darin, dass sie auf verschiedene Sprachen und Textarten trainiert sind. Für die Südtiroler Heimat wurde mit ONB_NewsEye gearbeitet. Im Anschluss muss die Transkription auf Fehler kontrolliert werden und korrigiert werden. Dieser Vorgang kann mit unter viel Zeit in Anspruch nehmen und ist abhängig von der Qualität des Originaldokuments und der Scans. Gerade bei Zeitungen kommt es immer wieder vor, dass bei einigen Wörter oder Buchstaben Druckerschwärze fehlt. Des Weiteren kann es passieren, dass das Programm mehrere Zeilen zusammenfügt oder nicht die gesamte Zeile erfasst und somit der Anfang oder das Ende einer Zeile ergänzt werden muss. Dies kann Beispielsweise durch die Bindung und den daraus entstehenden Knick einer Zeitung entstehen.

Die Zeilen wurden zusammengefügt und der Anfang der Zeile fehlt durch den Knick.

Auch mit der Unterscheidung einiger Buchstaben hat das Programm seine Probleme. Beispielsweise ist das Fraktur s sehr schwer von dem Fraktur f zu unterscheiden. Dies kann zu weiterem Rechercheaufwand führen, wenn, wie in der Südtiroler Heimat, viele Orte erwähnt sind, die einem nicht bekannt sind. Als Beispiel sei der Ort Stilfs anzuführen und die Frage danach, ob dieser Ort Stilfs oder Stilss heißt. Dieses Problem kann mit einer kurzen Internetrecherche geklärt werden. Anders verhält sich das bei Namen, dort bleibt meist nur die Vermutung nach der richtigen Schreibweise.

Es ist nicht ganz klar ob es sich bei dem Ort Stilfs oder Stilss handelt. Eine kurze Internetrecherche gibt Aufschluss darüber, dass der Ort Stilfs heißt.

III. Schritt: Analyse der Quelle

Um die Transkription nun analysetechnisch aufzubereiten mit dem Ziel, anschließend Abfragen an die Quelle stellen zu können, gibt es verschiedene Programme. Am Beispiel der Südtiroler Heimat wurde mit Nopaque und Jupyter Notebook gearbeitet.

Mit Nopaque kann zunächst ein Natural Language Processing (NLP) durchgeführt werden. Dabei wird jedes Wort analysiert. Das Ergebnisprotokoll kann zunächst etwas überfordernd wirken für Menschen, die kaum oder keine Berührungsprunkte mit IT haben. Bei genauerem Anschauen erschließt sich aber schnell, dass in dem Protokoll die Position der Wörter im Text und die Eigenschaften eines jeden Wortes zu finden sind. Mit einer anschließenden Corpus Analyse über Nopaque können schließlich Suchanfragen an den Text gestellt werde. Dabei kann nach bestimmten Worten, Wortarten oder Entities gesucht werden. Bei der Abfrage nach Wortarten oder Entities fällt auf, dass das Programm noch nicht perfekt ist und immer wieder Wörter anbietet, die nicht unter die Abgefragten fallen.

Auschnitt aus dem Ergebnisprotokoll von Nopaque

Mit Jupyter Notebook kann der Text mir Hilfe der Programmiersprache Python Schritt für Schritt analysiert werden. Bei Jupyter Notebook handelt es sich um eine webbasierte interaktive Entwicklungsumgebung, auf der verschiedene Programmiercodes zur Durchführung geteilt werden können. Zur Analyse der Südtiroler Heimat wurde von Frau Dr. Sarah Oberbichler (@SOberbichler) ein entsprechendes Notebook zur Verfügung gestellt. Mit dem Notebook ist es möglich, aus dem Text eine bestimmte Wortart rauszufiltern, z. B. Nomen. Auch können Entities bestimmt werden. Ähnlich wie bei Nopaque weist auch hier das Programm einige Lücken auf und bestimmt falsche Wörter als Entities oder bestimmte Wortarten.

Fazit

Die Arbeit mit Transkribus, Nopaque und Jupyter Notebook bietet einen interessanten Einblick in das Digitalisieren von Quellen. Es hilft, einen Einblick in die Arbeit zu bekommen, die geschieht, bevor wir Rechercheseiten wie ANNO nutzen können und zeigt, welcher Aufwand hinter dem Aufbereiten von digitalen Quellen steht. Dies erklärt auch, warum viele Quellen digital noch nicht einsehbar sind. Es zeigt aber auch einen Weg in die Zukunft, in der hoffentlich ein breiter Zugriff auf Quellen aller Art online möglich ist.


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