Christian Reul: Erschließung gedruckter und handschriftlicher historischer Quellen mit OCR4all

Ein zentraler Aspekt der Arbeit von Historiker:innen ist die Auseinandersetzung mit historischen Quellen in Form von gedruckten und handschriftlichen Textzeugen. Diese liegen häufig lediglich als Scans vor, was ihre Verwendbarkeit stark einschränkt, da automatische Erschließungsansätze wie die Volltextsuche oder Verfahren der quantitativen Analyse nicht einsetzbar sind. Hierzu muss aus den Digitalisaten zunächst sog. maschinenverarbeitbarer Volltext extrahiert werden, wobei Methoden der automatischen Texterkennung, wie die optische Zeichenerkennung (Optical Character Recognition, OCR) von Drucken oder Handschriften (Handwritten Text Recognition, HTR), eine immer größere Rolle spielen.

Gerade sehr alte Drucke und Handschriften stellen dabei aus verschiedensten Gründen häufig noch eine große Herausforderung dar. Erfreulicherweise gab es in den letzten Jahren große Fortschritte im Bereich der historischen OCR/HTR, die einige hochperformante Tools hervorgebracht haben. Diese Werkzeuge konzentrieren sich allerdings nicht selten auf nur einen Schritt des Texterkennungsworkflows bzw. meist lässt sich das bestmögliche Ergebnis nur durch eine Kombination verschiedener Tools erzielen. Weiterhin handelt es sich hierbei meist um Kommandozeilentools, die technisch weniger versierte Nutzer:innen häufig vor eine große Herausforderung stellen.

Aus diesem Grund wurde am Zentrum für Philologie und Digitalität (ZPD) der Universität Würzburg das frei verfügbare Open Source Werkzeug OCR4all entwickelt. Ziel ist es, auch technisch weniger versierten Nutzer:innen die Möglichkeit zu geben, sehr alte gedruckte und handschriftliche Quellen mit anspruchsvollen Schrifttypen und Layout völlig selbstständig und in höchster Qualität zu erschließen. OCR4all kapselt den gesamten Texterkennungsworkflow und alle dafür benötigten Tools in einer einzigen Anwendung, die leicht installiert und über eine komfortable grafische Nutzeroberfläche bedient werden kann. Die meisten Schritte können vollautomatisch durchlaufen werden, jedoch ist ein manueller Eingriff jederzeit möglich, um Teilergebnisse zu korrigieren und somit Folgefehler zu vermeiden.

Der Vortrag gliedert sich in vier Teile: Zunächst werden einige Grundlagen der automatischen Texterkennung erläutert, wie die einzelnen Teilschritte des Workflows sowie der „Modell“-Begriff. Anschließend wird das OCR4all Tool, inklusive seiner Grundidee, der zugrundeliegenden Architektur und der integrierten Submodule vorgestellt sowie die einzelnen Schritte im Rahmen einer Live-Demo verdeutlicht. Im dritten Teil wird mittels ausgewählter Evaluationen auf ausgewähltem Material Anwendbarkeit und Performanz demonstriert. Abschließend erfolgt ein Überblick über aktuelle Arbeiten sowie ein Ausblick auf zukünftige Entwicklungen.

Hier finden Sie die Folien zum Vortrag.

Vortrag im Rahmen des „Digital History“-Forschungskolloquiums
Zeit: Mittwoch, 17. November 2021, 16-18 Uhr
Ort: Zoom-Konferenz (Zugang auf Anfrage oder via Mailingliste)

---

---