Transkribus als Werkzeug für die Editorin (frühneuzeitlicher Drucküberlieferung)

Wer sich mit frühneuzeitlicher Drucküberlieferung, also Druckerzeugnissen aus dem Zeitraum von ca. 1450 bis 1800 mit editorischer Absicht befasst, der hat es schwer. Gerade dann, wenn diese Drucke in einer der Variationen der gebrochenen Schrift vorliegen, zum Beispiel der Fraktur oder der Schwabacher Type, die im deutschsprachigen Raum recht verbreitet sind. Denn dann kann man die meisten OCR (Optical Character Recognition)-Verfahren, die sich für kleinere Editionsprojekte eignen, da sie weder zu teuer, noch zu kompliziert oder gleich gar nicht zugänglich sind, vergessen. Konventionelle OCR, das haben wir Frühneuzeitler schnell mitbekommen, kann man für die widerspenstigen Druckerzeugnisse der Handpressenzeit nicht wirklich benutzen. Hm. Was bleibt ist dann das händische Abtippen, mit etwas Glück hat man Hilfe (studentische oder andere Hilfskräfte), in meinem Fall macht man alles selber. Ich habe auf diese Weise 7 (sieben!) Druckausgaben der Ethica und der Löfflereikunst maschinenlesbar gemacht, ganz abgesehen von den Unmengen kleinerer Druckerzeugnisse aus dem Greflinger-Korpus, die mir so untergekommen sind…

Transkribus, die auf vielen Konferenzen und in den akademischen sozialen Medien viel beschworene Transkriptionssoftware, die sich des Machine Learning bedient um vor allem Handschriften in maschinenlesbare Form zu bringen, schien mir gegenüber meiner zeit- und die sprichwörtlichen Nerven aufreibenden Textdigitalisierung zumindest einen Versuch wert! Warum sollte eine Software, die beim Transkribieren von Handschriften gute Dienste leistet, nicht auch beim Transkribieren von Drucken nützlich sein? Ich meine, mich zu erinnern, dass ich weder die erste noch die einzige bin, die auf diese Idee gekommen ist, finde aber keine Projekte, die Transkribus für dieses Material eingesetzt haben. Daher mein Feldversuch, über den ich hier kurz berichten will:

Mit Transkribus loslegen ist recht einfach und straight forward – auf der Transkribus-Website lädt man sich die zum OS passende Version herunter und installiert das ganze. Als Mac-User habe ich zumindest hier dankenswerterweise mal keine Kompatibilitätsprobleme, nur das GUI (Graphical User Interface) ist etwas… ausbaufähig (und erinnert mich an die frühen Versionen von TextGridLab, das, obwohl ich es sehr liebe, ästhetisch ganz unerträglich ist). Warum müssen alle Buttons und Menüs so unglaublich KLEIN sein? Soweit ich sehe, lässt sich das Layout zwar anpassen, aber nicht in der Anzeigegröße justieren.

Snapshot der Transkribus-Arbeitsoberfläche mit viel zu kleinen Buttons

Weiter geht es mit der Dokumentverarbeitung: Damit Transkribus seine ganze Power entfalten kann, muss man die Machine Learning Algorithmen zunächst einmal mit Material füttern, d.h. mit einem Stoß Beispielseiten der Druckvorlage (Transkribus nimmt z.B. Pdfs, was für mich extrem nützlich ist), von denen man dann eine ausreichende Menge erst einmal händisch transkribieren muss: für Drucke reichen hier ca. 5000 Wörter aus (Hint: das sind mehr Wörter, als man denkt…). Hat man schon eine Transkription, kann man diese in Transkribus einspeisen und spart sich das etwas frugale Transkriptionsinterface, das die Software anbietet. Der CITlab (Advanced) Algorithmus liefert dann eine Layoutanalyse der gescannten Seiten und findet – mit mal mehr, mal weniger hoher Trefferquote – die Seitenbereiche, auf denen Text oder Textähnliches passiert und markiert gleichzeitig Zeilen (Line) und Grundlinien (Baseline) für die Transkription. Das sieht dann so aus:

Snapshot einer Seite aus der ersten dänischen Ausgabe der Ethica Complementoria von 1678 in Transkribus

Die dunkelblaue Linie ist die Grundlinie, die hellblauen Kästchen sind die Textzeilen. Unterhalb der Seite lässt sich die Transkription händisch zu den korrespondierenden Zeilen eintragen. So weit, so gut!

Hier sieht man aber schon mein z.Z. größtes und enervierendes Problem: für die Digitalisierung, die ich für diese Ausgabe aus der Königlichen Bibliothek Dänemark habe, wird zum Separieren der sehr eng gebundenen Seiten eine spiegelnde Platte verwendet, die einen Teil des Textes spiegelt. CITlab erkennt hier Textbereich und Zeilenanfänge einschließlich der Fragmente links oder rechts des Falzes, was die automatische Transkription korrumpiert. Ich, die den Text verstehend lesen kann, habe keine Probleme die Buchstabenfragmente zu ignorieren. CITlab kann das nicht (das wäre auch etwas zu viel erwartet). Ich müsste also manuell zumindest die Textbereiche für jede Seite justieren (wie im Beispiel oben getan), so dass die gespiegelten Buchstaben jeweils ignoriert werden. Eine Menge Arbeit für ein Buch mit 352 Seiten. Natürlich ist das nichts, das man Transkribus vorhalten kann. Wohl aber der digitalisierenden Einrichtung! Wobei mir natürlich auch klar ist, warum man sich für diese Problembehebungstechnik entschieden hat.

 

Snapshot einer Seite der dänischen Ethica-Ausgabe mit fehlerhaft identifiziertem Textbereich

Was mich an diesem Punkt zu der grundsätzlichen Überlegung veranlasst, ob ich entweder die Zeit investieren soll, alle Seiten manuell zu justieren oder aber das Pdf entsprechend beschneide und die Seiten neu in Transkribus lade.

Was mich aber gleich zu einem weiteren Problem mit diesem Druck und seinem digitalen Bruder bringt: die Qualität des Kopenhagener Druckes ist nicht besonders hoch. Das ist nicht unüblich bei populären Drucken des ausgehenden 17. Jahrhunderts und für das kleine Format des Büchleins auch zu erwarten. Die Typen sind oft ‚vermatscht‘ und teilweise ist Blindmaterial mit abgedruckt (das kommt z.B. dann vor, wenn der Satz in der Druckform nicht besonders fest eingespannt war und sich beim Auftragen der klebrigen Druckerschwärze das Blindmaterial etwas herauslöst). Das macht selbst für das geübte Auge eine Identifikation der einzelnen Buchstaben (besonders f/ſ, t/k aber auch o/ø  und e/c/r) schwierig und ist oft nur über den Kontext ableitbar: was für das Trainieren der Zeichenerkennung höchst problematisch ist!

Der Buchblock ist zudem sehr eng gebunden, was mit Zeichenverlust von bis zu 3 Buchstaben pro Zeile einhergeht – und zwar auf jeder Seite. Ich müsste an dieser Stelle eigentlich intervenieren und sagen: das Experiment ist abzubrechen. Selbst wenn Transkribus eine ordentlich Transkription des Druckes bietet, ist zu viel händische Nacharbeit erforderlich, um Fehler zu eliminieren und die fehlenden Zeichen nachzutragen. Für eine Transkriptionsvorlage ist dieser Druck in dieser Digitalisierung einfach unbrauchbar. Das bedeutet aber auch, dass ich mich wieder einmal in den Speziallesesaal einer Bibliothek begeben muss (die Universität Oslo hat ein weiteres Exemplar dieser Ausgabe, bei dem jedoch einige Seiten fehlen, das aber wenigstens nicht so eng gebunden ist) und dort stunden-, tage- und vermutlich wochenlang händisch den gesamten Text des Druckes abtippen und kollationieren muss. Ein enormer Aufwand für ein Editionsprojekt ohne Finanzierung und institutionelle Unterstützung!

Da hilft leider auch kein noch so gutes Transkriptionstool – wie Transkribus sicherlich ist – wenn es kein brauchbares Digitalisat gibt.

Ich werde also zu einem späteren Zeitpunkt meine Experimente mit Transkribus fortführen, dann allerdings mit einem besser geeigneten Digitalisat.