Edierst Du noch oder trainierst Du schon? Forschungsdaten als Grundlage von Trainingsdaten für die automatische Texterkennung

Grundlage der textorientierten Forschung in den DH ist die Verfügbarkeit von maschinenlesbarem Text. Diese Anforderung kann bei digitalen Texten einfacher erfüllt werden als bei historischen Texten, wo zunächst eine Transformation in eine digitale Repräsentation zu realisieren ist. Mit der Anwendung des maschinellen Lernens in der automatischen Texterkennung ist ein enormer Fortschritt vollzogen worden. Dies betrifft die Zeichenerkennung und deren Genauigkeit. Hierbei kommen Methoden zum Einsatz, die dem Paradigma Lernen aus Beispielen folgen. Die dazu nötigen Trainingsdaten werden als Ground Truth (GT) bezeichnet. Die Erstellung von GT erfolgt zu einem Großteil manuell. Das erfordert einen hohen zeitlichen und finanziellen Aufwand. Aus diesem Grund entwickelt, pflegt, vermittelt und diskutiert das Projekt OCR-D u.a. GT-Richtlinien. Diese Richtlinien werden in einer kollaborativen Datenkultur verpflichtenden Umgebung erstellt und sollen sicherstellen, dass der Aufwand der GT-Erstellung minimiert werden kann. Im Rahmen des Workshops soll am Beispiel der Forschungsdatennutzung des Deutschen Textarchivs diese Datenkultur gemeinsam gelebt werden.