Archiv der Kategorie: Textkodierung

Diese thematische Kategorie versammelt Beiträge, die sich mit Textkodierung befassen, einschließlich XML, TEI, Auszeichnungsstandards, Unicode, MUFI, METS; aber auch zur Verwendung des TextGrid Laboratory, zum Vorgang des Texterfassens in einer virtuellen Umgebung, zum kollaborativen Kodieren, zu personalisierten Schemata, sowie zur Interoperabilität.

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.

 

Das Ethica-Projekt hat eine DOI

Ich bin gerade dabei, alle Dateien des Ethica-Projektes auf GitHub zu verbringen und den XML-Code sowie ein paar andere Skripte unter CC-Lizenz zu veröffentlichen. Damit das alles schön zitierfähig und daher auch im akademischen Umfeld weiter- und nachnutzbar ist, habe ich dem Projekt jetzt eine DOI zugewiesen, dank Zenodo geht das auch sehr einfach. Noch ist das Repository auf GitHub recht schmal (ein verregnetes Wochenende sollte dem Abhilfe schaffen), aber immerhin bereits zitierbar! Hier gehts zum Repo und da ist der Zitierlink mit der DOI:

DOI

 

Journal – Eintrag 2 – 23.03.2016 – A. Rockenberger

Das analoge Journal – © Annika Rockenberger

Der zweite Journaleintrag auf diesem Blog – der leider etwas länger als geplant auf sich warten ließ. Ich werde die vorösterliche Ferienstimmung auf dem Campus der Universität Oslo dazu nutzen, meine verstreuten Aufzeichnungen zum Greflinger-Projekt durchzugehen und in übersichtlicher Form hier in einem Blogbeitrag zu archivieren. Ziel ist u.a. ein kleines Inventar der  Editionseinzelteile zu erstellen und den jeweiligen Bearbeitungsstand zu vermerken. Sonstige ‚lose Enden‘ werden ebenfalls aufgeknüpft und am Ende folgt ein Ausblick auf das, was dieses Jahr noch passieren soll.

Für die Erstellung des Inventars probiere ich die Tabellenform aus:

Task Material Status To-Do Format
TG* Cochleatio Novissima (1656)
[Münchner Exemplar / Digitalisat]
fertig Kollation mit Original
BSB München
.docx
TG Ethica Complementoria (1643)
[Bamberger Exemplar / Digitalisat]
fertig Kollation mit Masterfile .xml
TG Ethica Complementoria (1643)
[Bamberger Exemplar / Digitalisat]
fertig Kollation mit Original
SB Bamberg
.docx
TG Ethica Complementoria (1665)
[Münchner Exemplar / Original]
teilw. hss. Korrigenda übertragen .docx
TG Ethica Complementoria (H. Werner)
[Münchner Exemplar / Digitalisat]
fertig hss. Korrigenda übertragen .docx
TG Complementierbüchlein (1660)
[Wolfenbütteler Exemplar / Original]
fertig Kollation mit Original .xml
TG Hochzeitsgedicht Antonio Doneppe (1643)
[Wolfenbütteler Exemplar / Original]
fertig XSLT to DTA-Basisformat .xml
TG Complementierbüchlein in Löfflerei (1648a)
[Berliner Exemplar / Original]
teilw. Transkription vervollständigen
Kollation mit Original
.xml
TG Epicedium Johann von Drebbers (1647)
[Wolfenbütteler Exemplar / Original]
fertig 2. Kollation mit Original .xml
TG Trauergedicht Hans Vitzthumb (1648)
[Wolfenbütteler Exemplar / Original]
fertig 2. Kollation mit Original .xml
TG Panegyrik Carl Eusebius (vmtl. 1639)
[Wolfenbütteler Exemplar / Original]
fertig 2. Kollation mit Original .xml
TG Greflinger Widmung an Gottfried Schultz
[Wolfenbütteler Exemplar / Original]
fertig 2. Kollation mit Original .xml
TG Klag und Trost (1652)
[Wolfenbütteler Exemplar / Digitalisat]
fertig XSLT to DTA Basisformat .xml
TG Panegyrik Johann Georg zu Sachsen (1638)
[Hallesches Exemplar / Digitalisat]
fertig .doc in .xml umwandeln
Kollation mit Original
.doc
TG Der Deutschen Dreyßig-Jähriger Krieg (1657)
[Göttinger Exemplar]
fertig (DTA) (Teil-)Transkription durch Studierende im MA „Editionswissenschaft“, Freie Universität Berlin; abgebrochen, da DTA vollständige Texterfassung & -kodierung zwischenztl. abgeschlossen hat .xml
TG Status Germaniae (1643)
[Berliner Exemplar / Original]
fertig [nur in TextGrid Laboratory] .xml
TG Die grausam-blutige Tragoedia Vom Deutschlande (1648)
Nürnberger Exemplar / Digitalisat
teilw. fertig (Teil-)Transkription durch Studierende im MA „Editionswissenschaft“, Freie Universität Berlin

[nur in TextGrid Laboratory]

.xml

 

Der Nordische Mercurius
[versch. Exemplare]
fertig Jahrgänge 1664 bis einschl. 1699 durch die Staats- und Universitätsbibliothek Bremen

* lies ‚Transgraphierung‘
° lies ‚Digitalisierung‘

Zugegeben: das sieht nicht gerade nach viel Fortschritt aus! Immerhin haben die größeren Texte (Ethica Complementoria, Löfflerey, die Schriften zum Dreißigjährigen Krieg) beachtlichen Umfang – zwischen 80 und 400 Seiten! Für die Ethica-Drucke habe ich unter Mitarbeit von P.R. außerdem 10 Ausgaben miteinander kollationiert als Vorarbeit für die Erstellung eines Stemmas.

Hinzu kommt, dass ich die Texterfassung i.d.R. alleine (und ohne Finanzierung) vornehme und nicht kontinuierlich arbeiten kann – sondern auf einigen Bibliotheksreisen, einem mit einem Stipendium unterstützten Aufenthalt an der Herzog-August-Bibliothek Wolfenbüttel und zahlreichen Abenden und Wochenenden in der Staatsbibliothek Berlin den Großteil der Erfassungsarbeit leiste sowie immer wieder einmal ‚Spontan-Transkriptionen‘ einschiebe, wenn hier und da ein Gelegenheitsgedicht Greflingers im Zuge größerer Digitalisierungsmaßnahmen mitgenommen worden ist und über das VD17 oder ähnliche Metabibliographien zugänglich gemacht wurde. Aus außerwissenschaftlichen Gründen musste ich dazu noch auf die Erfassung der Texte in einer XML-Editionsumgebung zeitweilig verzichten und stattdessen MS Word verwenden. Diese Dateien werden in .xml konvertiert werden müssen.

Dankenswerter Weise hat das Deutsche Textarchiv (DTA) die Transkription des umfangreichen Versepos „Der Deutschen Dreyßig-Jaehriger Krieg“ (1657) übernommen und plant darüber hinaus die Erfassung der „Iconologia“-Übersetzung (1659).

Der Vollständigkeit halber sollte ich hier noch aufführen, dass mittlerweile einige Vorträge und Aufsätze (sowie die Rezension zur Monographie „Georg Greflinger und das weltliche Lied im 17. Jahrhundert“ in der Zeitschrift für Germanistik) erschienen sind bzw. abgeschlossen werden: auch das sind ja Fortschritte in der Erarbeitung einer Edition!

Ebenso ist die Zotero-Projektbibliothek gewachsen, in die nun auch die Greflinger-Drucke eingepflegt werden.

Für 2016 steht somit auf der Editions-Agenda vor allem eines: die Ethica-Complementoria!

  • Fertigstellung der Kollation (mit den Originalen) der bereits transgraphierten Ethica-Drucke
  • Transgraphierung weiterer ‚Schlüsselausgaben‘ der Ethica (u.a. unikal überlieferte Drucke)
  • Transgraphierung der beiden dänischen Ausgaben der Ethica (ggf. mithilfe externer Finanzierung)
  • Erarbeitung eines Stemmas der Überlieferung der Ethica-Drucke im 17. & 18. Jahrhundert
  • Publikation der Editionsrichtlinien und -grundsätze für die Edition der Ethica-Drucke
  • Eine (historisch-systematische) Einleitung zur Edition der Ethica-Drucke
  • Bibliographie der Ethica-Drucke mit allem bekannten (überlieferten) Exemplaren inkl. Standortnachweisen und Links zu Digitalisaten und/oder Volltexten

Auf der Zielgeraden: Kollation der XML-Datei der Transgraphierung der Erstausgabe der Ethica Complementoria

Zurück in Oslo sitze ich gerade daran, die Richtlinien zur Transgraphierung (in leichter Abwandlung des von mir genutzten DTA-Basisformats) auszuformulieren und den Editionsbericht zu schreiben. Ich plane derzeit, die Edition der Erstausgabe der Ethica Complementoria bis zum Ende des Jahres 2015 fertig zu haben. Sie wird dann auf dem TextGrid-Repository und gegebenenfalls im Deutschen Textarchiv (DTA) erstmals publiziert werden und die Ethica erstmalig im Volltext (maschinenlesbar) open access und in einem an den aktuellen Standards digitaler Edition orientierten Format der interessierten Öffentlichkeit zugänglich machen. Die Arbeit an der Edition ist damit noch nicht abgeschlossen; es folgen die Transgraphierungen der Ausgaben der Ethica Complementoria von 1645, 1660 (bei Johann Naumann in Hamburg), 1665 (Amsterdam) sowie der Ausgabe bei Heinrich Werner in Hamburg.

Diese Ausgaben werden zunächst als reine XML-Dateien publiziert. Eine Kollation dieser und weiterer Ausgaben ist zu einem späteren Zeitpunkt geplant; erste Hypothesen und weitere Überlegungen zum Stemma und zu Überlieferungsgeschichte werden auf der Internationalen Tagung der Arbeitsgemeinschaft für germanistische Edition an der Karl-Franzens-Universität in Graz im Februar 2016 vorgestellt werden.

Sobald die letzten Kollationsarbeiten abgeschlossen, die Transgraphierungsrichtlinien und der Editionsbericht fertig gestellt sind, werden sie auch auf dieser Plattform (hier) veröffentlicht werden.

Die Edition der Ethica Complementoria ist auch ein editorisches Experimentierfeld; ich würde mir wünschen, dass sowohl die Transgraphierungsrichtlinien, der Editionsbericht, als auch der edierte Text von der Scientific Community diskutiert und kommentiert werden und damit zur  Optimierung der Edition beitragen und einer realistischen Ausrichtung an bestehenden Benutzerinteressen Vorschub leisten.

Eine besondere Herausforderung für die Edition, aber auch für die Editionskritik, stellt der Umstand dar, dass weder von der Erstausgabe noch von den weiteren für die Edition vorgesehenen Ausgaben Digitalisate vorliegen; aus Bestandsschutzgründen ist die Digitalisierung einiger dieser Ausgaben auch in Zukunft ausgeschlossen. Damit kann eine Überprüfung des edierten Textes nur im Vergleich mit dem Original vor Ort in der jeweiligen besitzenden Institution vorgenommen werden. Ich lege daher besonderen Wert auf eine genaue, detaillierte Beschreibung der materiell-medialen Objekteigenschaften der Exemplare, die der Transgraphierung zu Grunde liegen sowie auf eine minutiöse Kennzeichnung,  Auflistung und Begründung aller editorischen Texteingriffe (dies betrifft vor allem korrupte Stellen wie Textverlust durch Beschädigung, Presskorruptele, etc.).

Um spätere Korrekturen sowie editorischer Texteingriffe in den edierten Text (die XML-Datei) zu ermöglichen und gleichzeitig die Zitierfähigkeit und Referenzierbarkeit zu gewährleisten, wird mit Versionierung gearbeitet.

In diesem Sinne: sine mora!

 

P.S. Dieser Blogbeitrag wurde mit Hilfe von DragonDictate aufge“schrieben“.