Erfolgsgeschichte
Veröffentlicht: Vor 9 Monaten

Transkribus in der Bibliotheca Hertziana - Max-Planck-Institut für Kunstgeschichte

Digitale Publikationen sind die jüngste Ergänzung des DH Labs der Bibliotheca Hertziana - Max-Planck-Institut für Kunstgeschichte in Rom (https://www.biblhertz.it). Ziel ist es, die Open-Access-Inhalte des Instituts online zu veröffentlichen.

Da es sich bei vielen kunsthistorischen Quellen um antike Bücher handelt und die Bibliothek unseres Instituts viele Ressourcen in das Scannen unserer "Rara"-Büchersammlung (http://dlib.biblhertz.it) gesteckt hat, lag es nahe, sich eine Möglichkeit vorzustellen, auf diese nicht nur als digitalisierte Bilder, sondern auch als transkribierte Inhalte zuzugreifen. Dies wird es den Autoren ermöglichen, sie direkt zu zitieren, aber auch Querverweise, die Überprüfung des Inhalts und die Zugänglichkeit für Personen, die auf TTS-Tools angewiesen sind, zu verbessern.

Ältere Bücher stellen mehrere Herausforderungen für die Standard-OCR dar, die Technologie, die normalerweise zur Texterkennung in Büchern verwendet wird. Nicht nur sind einige Zeichen und Ligaturen schwer zu trainieren (denken Sie nur an den leichten Unterschied zwischen dem Buchstaben "f" und dem verlängerten s "ſ" oder die Verwendung von "u" als "v" in Kleinbuchstaben und "V" als "U" in Großbuchstaben), sondern es gibt auch Abkürzungen und Symbole mit einer besonderen Bedeutung. Tatsächlich enthielten die meisten Bücher, vor allem im fünfzehnten und sechzehnten Jahrhundert, genau die schriftsprachlichen Abkürzungen, die in Manuskripten üblich waren.

Das bedeutet, dass die Annäherung an die Transkription Zeichen für Zeichen, wie es bei OCR der Fall ist, einfach eine riesige Fehlerquote und keine Möglichkeit zur Suche nach abgekürzten Wörtern erzeugen würde. Im Gegenteil, auch wenn HTR für Handschrift gedacht ist, kann es perfekt darauf trainiert werden, sich dem Kontext anzupassen und Abkürzungen zu erweitern oder zwischen Buchstaben zu unterscheiden, die scheinbar oder tatsächlich identisch sind.

Aus diesem Grund haben wir uns mit dem READ-COOP zusammengetan und eine komplette neuronale Texterkennung unserer bestehenden Digitalisierungen geplant. Ziel ist es, neue Modelle zu erstellen, die nicht nur in der Lage sind, den gesamten Inhalt zu transkribieren, sondern auch die Hauptstruktur eines Buches zu erkennen: die Liste der Bilder zu extrahieren, zwischen Haupttext und Kommentaren zu unterscheiden, und vieles mehr. Die Transkriptionen werden im IIIF-Viewer verfügbar sein, aber auch in einem Online Read&Search Plattform können sie zusammen mit den digitalisierten Büchern des Kunsthistorischen Instituts in Florenz und des Max-Planck-Instituts für Wissenschaftsgeschichte in Berlin durch maschinelles Lernen für Data Mining durchsucht und analysiert werden.

Ein weiteres Projekt, das sich auf Transkribus ist eine digitale Edition von Manuskripten, bei der neben der manuellen Transkription des Inhalts auch das Tagging von Informationen erforderlich ist. Dank der einfachen Tag-Verwaltung, die im Expert-Client verfügbar ist, kann das Team zusammenarbeiten und den Text bearbeiten, semantische Informationen einfügen und relevante benannte Entitäten wie Personen, Orte, Daten oder Kunstwerke, die im Text erwähnt werden, identifizieren. Dank direktem TEI-Export oder XSLT-Konvertierung kann die digitale Ausgabe nahezu ohne weitere Nachbearbeitung erstellt werden.

Bevor ich mit diesem Projekt begann, nutzte ich Transkribus bereits für meine eigenen Recherchen, und jetzt ermutige ich Hertziana-Forscher, es so oft wie möglich zu nutzen, wenn der Zugriff auf Inhalte wichtig ist oder wenn sie an einer digitalen Ausgabe arbeiten.

Übersicht