Matthias Boenig

For over twenty years I have been involved in the digitization of library collections, scientific publications and research data for science. I have worked on a wide range of projects. My work includes the development and improvement of electronic publishing and the use of XML for digital editions and research data. I have also further developed OCR technology and supported its application in various areas of the humanities and the archiving of historical documents. A few projects should be highlighted.

OCR-D (2015-2024): In this project I worked on the standardization and cataloging of training material for automatic text and structure recognition. The major goal of this project is the complete digitization of historical prints from the 16th century to the 18th century and thus to enable their full text transformation, which represents a significant contribution to the preservation and accessibility of cultural assets.

German Text Archive (DTA) (2010-2017): Today, the DTA offers an extensive collection of German-language texts that serve as the basis for a reference corpus of Modern High German. It comprises around 1500 titles and is characterized by a balanced selection of texts and the use of first editions for digitization. In the DTA project, I worked on the procedural and technological implementation of full-text digitization.

AEDIT (2012-2015): AEDIT is a prototype archive, edition and distribution platform for early modern works. In this repository, data stocks from digitization and edition projects are to be catalogued, disseminated and made available in the long term. In this project, I have digitized a corpus of 335 funeral sermons together with the Research Centre for Personal Writings at the Philipps University of Marburg (working group of the Academy of Sciences and Literature, Mainz). As part of the project, the basic DTA format was updated for this type of text.

ProPrint (2000-2003): ProPrint is a prototypical print-on-demand service provider. It is technologically based on the Open Archives Initiative Protocol for Metadata Harvesting (OAI-PMH). ProPrint makes it possible to link document and publication servers and offers the option of ordering user-selected publications as print-on-demand publications.

Dissonline (1997-2000): This project specializes in the online publication of dissertations and habilitations. It offers a platform on which scientific work can be made digitally accessible, which considerably facilitates the dissemination of and access to research results.

selected publications

OCR-D für die Massendigitalisierung: Projektstand und Ausblick

Lena Hinrichsen, Konstantin Baierer, Clemens Neudecker, and 2 more authors

2023

Abs URL

Seit 2015 wird im DFG-geförderten Projekt OCR-D (Koordinierte Förderinitiative zur Weiterentwicklung von Verfahren der Optical Character Recognition) an Lösungen für die Massenvervolltextung von digitalisierten Beständen in Bibliotheken, insbesondere der Verzeichnisse der im deutschen Sprachraum erschienenen Drucke (VD), gearbeitet. Während in den ersten beiden Projektphasen die Entwicklung von Werkzeugen für alle Aspekte des OCR-Workflows im Vordergrund stand, ist der Fokus in Phase III von OCR-D (2021–2024) die Entwicklung von Lösungen für hohe Qualität bei hohem Durchsatz für die Massendigitalisierung, die in verschiedenen Kontexten und Infrastrukturen nachnutzbar sind. Auf dieser Grundlage arbeiten vier Implementierungsprojekte daran, OCR-D unter anderem in bestehende Lösungen wie Kitodo, OCR4all oder eigenentwickelte Digitalisierungsworkflows zu integrieren und den Einsatz von OCR-D auf Hochleistungsrechnern zu ermöglichen. Zudem arbeiten drei fortgeführte Modulprojekte daran, ausgewählte Workflowschritte zu verbessern, um die Genauigkeit der Volltexterkennung weiter zu verbessern. Im Vortrag berichten wir vom aktuellen Stand des Gesamtvorhabens und geben einen Überblick über die aktuellen Entwicklungen rund um OCR-D. Wir gehen darauf ein, welches Potenzial die Weiterentwicklungen für Bibliotheken und ihre Nutzenden bieten, welche Herausforderungen noch bestehen und was das für die (Massen-)Digitalisierung der VD und sonstigen Bestände bedeutet. Dazu gehen wir auf das Gesamtvorhaben ein sowie auf unsere Implementierungs- und Modulprojekte und geben einen …
Dokument, Transkription, Forschungsdatum

Konstantin Baierer, Matthias Boenig, Elisabeth Engl, and 5 more authors

2022
Das DTABf in der Edition: zusammenfassender Evaluationsbericht

Bernhard Fisseni, Simon Sendler, Daniela Schulz, and 3 more authors

2021

Abs URL

Das vorliegende Dokument befasst sich mit der Evaluation des Basisformats des Deutschen Textarchivs (DTABf) als potenziellem Austausch- bzw. Zielformat für digitale Editionen. Der Text ist im Kontext des Projekts CLARIAH-DE entstanden und möchte die Fragen beantworten, wie und inwieweit das DTABf allgemein sinnvoll in der Editionsarbeit eingesetzt werden und in seiner aktuellen Fassung die Bedürfnisse von Edierenden bei der Textauszeichnung erfüllen kann. Ausgehend von bestehenden Editionsdaten, wird deren Auszeichnung auf ihre Interoperabilität und ihr Überführungspotenzial zum DTABf überprüft, damit gleichzeitig aber auch Kodierungsempfehlungen für die Neuanlage von Editionen abgeleitet. Im Bericht wird die angewandte Methodik erläutert, sowie die Ergebnisse der Evaluation zusammengefasst.
Volltexte–die Zukunft alter Drucke: Bericht zum Abschlussworkshop des OCR-D-Projekts

Elisabeth Engl, Konstantin Baierer, Matthias Boenig, and 2 more authors

o-bib. Das offene Bibliotheksjournal/Herausgeber VDB, 2020

Abs URL

Das DFG-geförderte Projekt OCR-D (https://ocr-d. de) befasst sich seit 2015 mit der Verbesserung von Verfahren zur automatischen Text-und Strukturerfassung historischer Drucke. Übergeordnetes Ziel des Projekts ist es, die technische und konzeptionelle Volltexttransformation der Drucke vorzubereiten, die in den Verzeichnissen der im deutschen Sprachraum erschienenen Drucke (VD16, VD17 und VD18) erfasst sind.
OCR-D: An end-to-end open source OCR framework for historical printed documents

Clemens Neudecker, Konstantin Baierer, Maria Federbusch, and 4 more authors

2019

Abs URL

Various research projects were concerned with the development and adaptation of methods for OCR specifically for historical printed documents (cf. METAe [20], IMPACT [1], eMOP [9]). However, these initiatives have ended before the wide adoption of deep neural networks and, despite the various project’s achievements, there remains a lack of OCR software that is a) comprehensive with regard to the challenges presented by the wide variety of historical documents and b) available as ready-to-use Free Software. The OCR-D project aims to rectify that.In this paper we introduce the background of OCR-D, the main challenges and shortcomings in the availability of open tools and resources for OCR of historical printed documents and discuss the various software modules and related components (repositories, workflows) that are being made available through OCR-D. Finally we provide an outlook to a number of …
Ground Truth: Grundwahrheit oder Ad-Hoc-Lösung? Wo stehen die Digital Humanities?

Matthias Boenig, Maria Federbusch, Elisa Herrmann, and 2 more authors

2018

Abs URL

Anhand der automatischen Texterfassung, die als Analogie für ein allgemeines Modell eines empirischen Forschungsprozesses gesetzt wird, sollen im Folgenden die Probleme diskutiert und Möglichkeiten gezeigt werden, wie diesen Defiziten begegnet werden kann.
Über den Mehrwert der Vernetzung von OCR-Verfahren zur Erfassung von Texten des 17. Jahrhunderts.

Matthias Boenig, Kay-Michael Würzner, Arne Binder, and 1 more author

2016

URL
Zeitliche Verlaufskurven in den DTA-und DWDS-Korpora: Wörter und Wortverbindungen über 400 Jahre (1600-2000).

Alexander Geyken, Matthias Boenig, Susanne Haaf, and 4 more authors

2015

URL
Standardized Information on historical Proper Names in Digital Full Text Transcriptions. Crowdsourcing ref= s for< placeName> and< persName> tags in the corpora of the German Text Archive/Deutsches Textarchiv*

Christian Thomas, Matthias Boenig, Alexander Geyken, and 5 more authors

2015
Mehr als schmutzige OCR’: die Aufwertungen von historischen Volltextdigitalisaten zu Forschungsdaten

Matthias Boenig, and Alexander Geyken

2015

Abs URL

In Bibliotheken und Archiven werden die Ergebnisse der Optical Character Recognition (OCR) dem Nutzer vorwiegend als sog. schmutzige OCR, d. h. ohne weitere Nachkorrektur angeboten. Pauschal wird die Textgenauigkeit dabei mit 98-99% angegeben. Dies gilt jedoch nur für jüngere Texte mit einer vergleichsweise hohen Druckqualität. Bei älteren Texten (also vor dem 19. Jh.) sinkt diese Genauigkeit deutlich. Selbst eine Quote von 98% bedeutet, dass pro Seite ( 2000 Zeichen) immerhin mit etwa 40 Fehlern zu rechnen ist, somit bis zu 40 Wörter nicht gefunden werden können. Daher ist in diesen Texten nur eine sogenannte Positivsuche möglich und lässt sich aus einem fehlenden Suchergebnis nicht sicher auf die Absenz des Wortes im Text schließen. Wissenschaftliches Arbeiten mit diesen Texten ist somit nicht solide möglich. In den letzten Jahren wurden effiziente Methoden für die Post-Korrektur und die Strukturannotation auch größerer OCR-Textbestände entwickelt. Das DFG-geförderte Deutsche Textarchiv (DTA) der BBAW, hat diese Verfahren und Workflows zur OCR-Postkorrektur von Texten des 17.-19. Jhs. an verschiedenen Textbeständen erfolgreich erprobt und weiterentwickelt. Der Vortrag wird anhand eines Projekts aus dem 19. Jh., dem Projekt Die Grenzboten (BBAW und Staats- und Universitätsbibliothek Bremen, DFG-gefördert) sowie eines Projekts zur OCR-Postkorrektur der Trauergedichte Simon Dachs (BBAW und Staatsbibliothek zu Berlin - Preußischer Kulturbesitz (SBB-PK)) zeigen, wie sich die Postkorrektur sowohl auf der Ebene der Textgenauigkeit als auch auf der der Strukturgenauigkeit verbessern lässt …
Historical newspapers & journals for the DTA

Susanne Haaf, and Matthias Schulz

Proceedings of the LREC Workshop on Language Resources and Technologies for Processing and Linking Historical Documents and Archives—Deploying Linked Open Data in Cultural Heritage (LRT4HDA), 2014

Abs URL

In this paper we present work in progress on the digitization of historical German newspapers in the context of the DFG-funded project Deutsches Textarchiv (DTA) at the Berlin-Brandenburg Academy of Sciences and Humanities. Currently, the DTA core corpus consists of a selection of 1,300 works (ca. 419,000 pages; ca. 97 million tokens) which is balanced with regard to time of creation, genre and theme. It contains mostly monographic works from different disciplines and genres as well as a selection of scientific articles. Though it includes a balanced selection of relevant functional literature, newspaper texts have not been in the scope of text digitization for the DTA, yet. However, the text type newspaper constitutes a significant representative of widespread functional literature and is thus an important source for the usage and development of the German colloquial language. Thus, in the course of the module DTA Extensions (DTAE) we are currently working on the integration of historical newspapers which were digitized by other, external projects. As examples for the integration of historical newspapers into the DTA we here present four different cooperation projects currently maintained by the DTA.