Die Menge der Daten nimmt beständig zu – ob in der freien Wirtschaft, in der Forschung oder im Privaten. Um diese Mengen zu organisieren, können die (digitalen) Informationen und Daten über Content-Management-Systeme (CMS) gesammelt, gespeichert, angereichert und dargestellt werden. Diese auch für die Forschung relevanten Daten können dann weitergehend durch semi-automatische Verfahren verknüpft werden. Dadurch werden inhaltliche Zusammenhänge sichtbar und untereinander verlinkt. Dieser Verbund aus Informationserhebung, Datengenerierung und Wissensaufbereitung aus unterschiedlichen Quellen wird als Digitale Kuratierung bezeichnet. Am Beispiel des Forschungsprojekts Qurator, und aus der Perspektive der Staatsbibliothek zu Berlin – Preußischer Kulturbesitz, erhielten die Teilnehmenden der Übung „Digitalisierung historischer Schriftquellen in der Praxis“ einen Überblick über das Projekt sowie die Mittel der Qualitätsverbesserung, Layouterkennung und inhaltlichen Erschließung der stetig wachsenden Datenmengen, aus denen wir auch als Historiker:innen Wissen gewinnen wollen.
Was ist Qurator?
Qurator eint 10 Projektpartner:innen und wurde vom BMBF vom 01.11.2018 bis 31.10.2021 für 36 Monate gefördert. Ziel des Projekts ist die Entwicklung KI-basierter Open Source-Anwendungen zur Analyse von heterogenen und multimedialen Daten diversen Ursprungs, um daraus Wissen oder andere digitale Inhalte zur Wissensvermittlung zu generieren. Für das Kulturelle Erbe bedeutet das beispielsweise, dass an technologischen Lösungen gearbeitet wird, die historischen Quellen nachhaltig und qualitätsgesichert erschließen sollen. Dabei wird auch der Digitalisierungsprozess als solcher verbessert, der die Grundlage der teilautomatisierten Erschließung ist.
Qualitätsverbesserung mit OCR
Die SBB verfügt über einen großen Bestand an digitalisierten Werken, der über die digitalisierte Sammlung online zur Verfügung gestellt wird. Allerdings: Von den rund 160.000 Titeln sind etwa 86% bislang noch nicht im Volltext erschlossen. Das bedeutet, dass ihre Recherche bislang vor allem über Metadaten erfolgt und weniger die Möglichkeiten ausnutzt, die eine Volltextindexierung oder digitale Textanalyse bieten würden. Hinzu kommt, dass dieser Umstand auch eine erhebliche Barriere für Menschen mit Sehbeeinträchtigungen darstellen kann. Eine Lösung hierfür stellt die Optical Character Recognition, kurz: OCR, dar.[1] Sie dient dazu, Textinhalte aus Bilddigitalisaten zu extrahieren und sie möglichst originalgetreu in bearbeitbare und durchsuchbare Formate zu verwandeln. Ein gesetztes Ziel der SBB und von Qurator ist es, die Qualität dieses Texterkennungsprozesses stetig zu verbessern, um bestmögliche Volltexte für diese Zwecke zur Verfügung stellen zu können.
Der angewandte OCR-Workflow gestaltet sich dabei wie folgt: Zunächst wird ein Binärbild des zu digitalisierenden Dokuments erstellt, und danach das Bild zeilenweise segmentiert (dazu unten mehr). Diese Art der Segmentierung empfiehlt sich, da gerade bei schwierigeren (Hand-)Schriften die traditionellere Buchstabenerkennung Probleme verursachen kann. Das passiert zum Beispiel, wenn zwei Buchstaben zu einem zusammengefasst werden. So könnten die Buchstaben „rn“ fälschlicherweise als „m“ erkannt werden. Zudem können die Algorithmen mit dem Kontext innerhalb der Zeile arbeiten, was die Ergebnisse bedeutend verbessert.
Auf dieser Basis werden stets auch eigene OCR-Modelle und -Verfahren weiterentwickelt und verbessert (z.B. mit Calamari OCR). Der Algorithmus ist dabei in verschiedene Layer aufgeteilt, um zunächst von verschiedenen Features zu lernen, beispielsweise um Kurven, Ecken und Kanten zu erkennen und zu berücksichtigen oder Zeichen in Bildfenstern zu erlernen und den wahrscheinlichsten Ausgabetext zu ermitteln. Mithilfe der sog. k-fold Cross Validation werden verschiedene Modelle gleich stark trainiert und bewertet. Sie stimmen dann gewissermaßen gemeinsam mit der Summe der Konfidenzwerte über ein Ergebnis ab (siehe Abb. 1). Im letzten Schritt findet die Postcorrection statt. Dabei werden Digitalisat und automatisiert generierter Text von Mitarbeitenden der SBB Zeile für Zeile und mithilfe des Kontexts überprüft, um zu gewährleisten, dass das Dokument korrekt und originalgetreu dargestellt wird.
Layouterkennung
Eine gelungene OCR setzt eine Reihe von Vorarbeiten am Digitalisat voraus, die sich unter dem Begriff „Layouterkennung“ subsumieren lassen. Das bedeutet, dass unterschiedliche Textarten und Bereiche auf einem digitalisierten Dokument zu unterscheiden sein sollen, etwa Überschriften vom Textkörper oder Bilder von Statistiken. Auch diese Arbeit übernimmt ein Modell, das heißt ein Programm, das von Menschen trainiert werden muss. Dabei analysiert das Modell immer wieder Scans und führt Layouterkennungen durch. Die Ergebnisse werden mit Ground Truths abgeglichen, also Layouterkennungen, die von Menschenhand erstellt wurden. Ein erster Schritt ist die Binarisierung des Digitalisats, also die Veränderung eines beispielsweise in Graustufen dargestellten Dokuments in Schwarz-Weiß. So können gedruckte Elemente klar von unbedrucktem Papier oder durchscheinenden Buchstaben auf der Rückseite unterschieden werden.
Das Modell erkennt außerdem Zeilen und verknüpft diese miteinander, sodass aus einzelnen erkannten Zeilen ein gemeinsamer Text ersichtlich wird. Bei komplex gestalteten Dokumenten wie beispielsweise Zeitungen, in denen auf einer Seite mehrere Texte in unterschiedlichen Spalten, Bilder und andere Elemente enthalten sind, spielt die Identifizierung der Lesereihenfolge außerdem eine zentrale Rolle. Sie gewährt, dass das Modell einen zusammenhängenden Text erkennt, der über mehrere Spalten verteilt ist. Zudem kann das Modell Zeilen erkennen, die nicht waagerecht oder gar gekrümmt sind.
Aspekte der Layouterkennung konnten an der Staatsbibliothek bereits verbessert werden, etwa die Geschwindigkeit der Binarisierung – nicht unwesentlich, denkt man an die stetig wachsende Menge an aufzuarbeitenden Digitalisaten. In Zukunft sollen aber noch weitere Verbesserungen vorgenommen werden. So soll das Modell in Zukunft etwa in der Lage sein, weitere Elemente von Texten wie z.B. Tabellen erkennen zu können.
Erschließung: Vom Scan zum Inhalt
Für die inhaltliche Erschließung der digitalisierten Sammlungsbestände gibt es eine Reihe von Möglichkeiten. Ziel ist es dabei, zentrale Inhalte zu identifizieren und Bezüge herzustellen, die ggf. auch mit externen Daten angereichert werden können. Eine Option ist bspw. die “Named Entity Recognition” (NER). Sie umfasst die computergestützte Suche nach Wörtern, die real existierende Entitäten beschreiben, also bspw. Personen, Orte und Organisationen. Anschließend werden diese Entitäten disambiguiert und mit einzigartigen Identifiern versehen, üblicherweise durch Nachnutzung oder Erstellung von Normdaten, die mit zusätzlichen Informationen angereichert werden können. Das Ergebnis dieser Arbeit sorgt beispielsweise dafür, dass der Nachname “Ritter” als solcher erkannt wird und nicht fehlerhaft mit dem mittelalterlichen Ritter kontextualisiert wird. Es ermöglicht außerdem, Verlinkungen innerhalb der Dokumente, aber auch über die Dokumente und verschiedenen Quellenarten hinaus zu erzeugen. So könnte man sich etwa alle Texte ausgeben lassen, in denen eine bestimmte Person genannt wird. Bedingung für die NER ist allerdings ein möglichst fehlerfreier Volltext, um eine automatische Identifikation und Klassifikation der Textstellen gewährleisten zu können. Ein im Projekt zum Einsatz kommendes Werkzeug aus dem Bereich des Maschinellen Lernens ist “Bidirectional Encoder Representations from Transformers” (kurz: BERT), das auf rekurrenten Vergleichen aufbauend, fortlaufend lernt die Kontextualisierung der Begriffe abzubilden.
Ein weiterer Weg, um eine inhaltliche Suche durchzuführen und Verknüpfungen zu finden, die über die Digitalisat-immanente Suche hinaus reicht, bildet die Bildähnlichkeitssuche. Die Layouterkennung identifiziert bereits Bilder auf gescannten Seiten. Sie können ein alternativer Einstieg in die inhaltliche Suche bilden. Ziel ist es durch die Bildähnlichkeitserkennung anhand eines gewählten Beispielbilds ähnliche Bilder und dessen Kontexte zu finden (siehe beispielhaft Abb. 3). Der Demonstrator der SBB vergleicht hierbei aus einem eigenen Repertoire von aktuell knapp 600.000 Illustrationen aus dem digitalisierten Bestand.
Und die Quellenkritik?
Für die historische Quellenkritik zeigt sich einmal mehr, dass der Einsatz computergestützter Werkzeuge hochgradig von einer guten Qualität abhängt: Das beginnt bei der Qualität der Digitalisate, geht über die automatisiert erkannten Volltexte und endet bei den Ergebnissen der automatisierten Erschließung, die sorgfältig zu prüfen sind. Insbesondere dann, wenn große Modelle nachgenutzt werden (wie etwa BERT), die auf Daten trainiert werden, die wir nicht in Gänze einschätzen können und die potenzielle Biases enthalten können. Gleichwohl bieten digitale Verfahren für die Erschließung des heterogenen kulturellen Erbes und die historische Wissensgenerierung große Potenziale, wie Projekte wie Qurator zeigen.
Dieser Beitrag ist Teil einer Serie, die im Rahmen einer gemeinsam mit der Staatsbibliothek zu Berlin angebotenen Praxisübung zur „Digitalisierung historischer Schriftquellen in der Praxis“ entsteht. Semesterbegleitend setzen sich die Studierenden in reflektierenden Beiträgen mit den Sitzungsinhalten auseinander und gehen der Frage nach, welchen Bezug die einzelnen Themenbereiche zur historischen Quellenkritik haben.
Anmerkungen
[1] Siehe dazu auch den Beitrag von Lennard Rennebeck / Lennart Thevißen: Optical Character Recognition – Den Text aus Digitalisaten extrahieren, in: Digital History Berlin (Blog), erschienen am: 14. Oktober 2022, URL: https://dhistory.hypotheses.org/?p=2194.
OpenEdition schlägt Ihnen vor, diesen Beitrag wie folgt zu zitieren:
Digital History Berlin (Redaktion) (16. September 2022). Nadine Butigan / Anica Skibba / Jasper Stange: Digitale Kuratierung. Digital History Berlin. Abgerufen am 8. September 2024 von https://doi.org/10.58079/nl3x