Refine
Has Fulltext
- yes (2)
Is part of the Bibliography
- yes (2) (remove)
Document Type
- Doctoral Thesis (1)
- Master Thesis (1)
Language
- German (2) (remove)
Keywords
- Optische Zeichenerkennung (2) (remove)
Zahlreiche Digitalisierungsprojekte machen das Wissen vergangener Jahrhunderte jederzeit verfügbar. Das volle Potenzial der Digitalisierung von Dokumenten entfaltet sich jedoch erst, wenn diese als durchsuchbare Volltexte verfügbar gemacht werden. Mithilfe von OCR-Software kann die Erfassung weitestgehend automatisiert werden. Fraktur war ab dem 16. Jahrhundert bis zur Mitte des 20. Jahrhunderts die verbreitete Schrift des deutschen Sprachraums. Durch einige Besonderheiten von Fraktur bleiben die Erkennungsraten bei Frakturtexten aber meist deutlich hinter den Erkennungsergebnissen bei Antiquatexten zurück.
Diese Arbeit konzentriert sich auf die Verbesserung der Erkennungsergebnisse der OCR-Software Tesseract bei Frakturtexten. Dazu wurden die Software und bestehende Sprachpakete gesondert auf die Eigenschaften von Fraktur hin analysiert. Durch spezielles Training und Anpassungen an der Software wurde anschließend versucht, die Ergebnisse zu verbessern und Erkenntnisse über die Effektivität verschiedener Ansätze zu gewinnen.
Die Zeichenfehlerraten konnten durch verschiedene Experimente von zuvor 2,5 Prozent auf 1,85 Prozent gesenkt werden. Außerdem werden Werkzeuge vorgestellt, die das Training neuer Schriftarten für Tesseract erleichtern und eine Evaluation der erzielten Verbesserungen ermöglichen.
Diese Arbeit stellt ein ausführliches Konzept für die Digitalisierung von Campes sogenannten ‚Verdeutschungswörterbuch‘\(^1\) (1813). Campes Opus gilt als Schlüsselwerk für die Zeit um 1800 und ist deshalb sowohl von literaturhistorischem als auch von lexikographischem Interesse.
Das Projekt umfasst die wichtigsten konzeptuellen und praktischen Schritte der Erstellung einer digitalen Edition. Untersucht wird der Kontext, in dem die Vorlage zu sehen ist, nämlich Campes Arbeit an der Sprachreinigung und die Genese des ‚Verdeutschungswörterbuchs‘. Für die Texterfassung werden die Möglichkeiten aktueller Software für optische Zeichenerkennung (OCR, Optical Character Recognition) als mögliche Alternative zur Praxis des manuellen Abschreibens von Frakturtexten geprüft.
Im Kern des Projekts steht die tiefgehende Kodierung des elektronisch erfassten Textes nach den Richtlinien der ‚Text Encoding Initiative‘ (TEI), die die einzelnen lexikographischen Strukturen sichtbar und für weitere Bearbeitung zugänglich macht. Es wird näher auf jene Problemstellen eingegangen, die logische oder semantische Schwierigkeiten bei der Kodierung darstellen und an denen das TEI-Wörterbuch-Tagset den Ansprüchen eines Wörterbuchs aus dem 19. Jahrhundert möglicherweise nicht vollständig genügen kann und erweitert werden muss. Somit stellt das Projekt auch eine Fallstudie für die retrospektive Digitalisierung historischer Texte am Beispiel einer stark strukturierten Vorlage dar.
Die Vorteile der großen Erschließungstiefe für weiterführende Untersuchungen werden durch einen Vorschlag für die Präsentation der kodierten Daten und einige quantifizierende Abfragen dargelegt. Die vorgeschlagenen Arbeitsschritte werden parallel an einer repräsentativen Wörterbuchstrecke praktisch angewandt. Angestrebt wird, dass der Leser den gesamten Prozess vom papiergebundenen Original bis hin zur Onlinepräsentation verfolgen kann.
\(^1\) ‚Wörterbuch zur Erklärung und Verdeutschung der unserer Sprache aufgedrungenen fremden Ausdrücke. Ein Ergänzungsband zu Adelungs und Campes Wörterbüchern. Neue starkvermehrte und durchgängig verbesserte Ausgabe von Joachim Heinrich Campe, Doktor der Gottesgelehrtheit.‘ Braunschweig, 1813.