publications

2024

1. Auf dem Trainingsplatz der OCR, die OCR-D-GT-Guidelines

   Matthias Boenig, Lena Hinrichsen, and Konstantin Baierer

   2024

   Abs URL

   „Statt Bücher zu lesen, werden wir bald ein GPT [Generative pre-trained transformers] auf der Basis dieser Bücher erstellen und das KI-System nutzen, um den Inhalt direkt für unseren Anwendungsfall bereitzustellen“[1] Diese Aussage ist keine Vision, sondern mit Diensten wie sie im Bereich des digitalen Bestandes von Tageszeitungen in der Nationalbibliothek Luxemburg (https://chat.eluxemburgensia.lu/) experimentell oder nur für einen begrenzten Bestand angeboten werden, Realität. Einen direkten Einfluss auf die Leistung der Recherchesysteme oder solcher KI-Systeme hat dabei die Genauigkeit der Texterkennung der Volltextdigitalisierung. KI-basierte OCR-Systeme verwenden Methoden des maschinellen Lernens. Grundlage dieses Lernens ist Ground Truth (GT), d.h. manuell annotierte Trainings- und Evaluationsdaten. Damit die Ergebnisse der OCR vergleichbar und in ihrer Qualität messbar sind, sind Standards und Richtlinien für Trainingsmaterialien notwendig. Seit 2014 arbeitet das Projekt OCR-D gefördert von der DFG an der Volltextdigitalisierung von historischen Beständen aus dem 16. bis zum 18. Jahrhundert. Dabei war und ist Projektinhalt eine frei verfügbare Software-Basis zu schaffen und die koordinierte Volltextdigitalisierung von über einer Million bibliographischer beschriebener Titel in den VD (Verzeichnisse der im deutschsprachigen Raum erschienenen Drucke) mit dem OCR-D-Framework in den Bibliotheken zu begleiten. Für das Training wurde mit den OCR-D-GT-Guidelines[2] ein Rahmen geschaffen, der es ermöglicht, dass die Bibliotheken GT kollaborativ nutzen und austauschen können. Der Vortrag soll …

2023

1. 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 …

2. Moderne Standards bei der Erstellung und Evaluation von Volltextdaten

   Matthias Boenig, Uwe Hartwig, Michelle Weidling, and 2 more authors

   2023

   Abs URL

   Die Bereitstellung qualitativ hochwertiger Volltexte ist eine Voraussetzung für die Erschließung umfangreicher bibliothekarischer Bestände und zugleich Grundlage für nachgelagerte Verfahren wie Normdatenverknüpfung oder automatische Sacherschließung. Während die Evaluation von OCR bislang meist als einmalige und rein manuelle Aktivität verstanden wurde, skaliert dieser Ansatz nicht für die Massenvolltextdigitalisierung. Stattdessen wird zunehmend Ground Truth (GT), d.h. manuell erstellte, qualitativ einwandfreie Transkription, für die OCR-Evaluation und darüber hinaus erstellt. Die Nachnutzbarkeit von GT ist dann am höchsten, wenn bei der Erstellung Spezifikationen über Formate und Verfahren eingehalten werden. Zwar ist der Aufwand von GT-getriebener Evaluation substantiell höher als für einmalige manuelle Evaluationen (z.B. Bernoulli-Experiment); dies wird jedoch aufgewogen durch die sehr viel höhere Verlässlichkeit und Aussagekraft der ermittelten Zahlen. Sowohl für Annotation und Repräsentation der GT als auch für die Auswertungsverfahren zur OCR-Evaluation sind weitere Standardisierungen notwendig. Darüber hinaus kann GT auch zum Training von OCR und Layoutanalyse sowie in nachgelagerten Aufgaben verwendet werden, wofür ebenfalls spezifische Anforderungen zu definieren sind. Im Rahmen der DFG-Förderinitiative OCR-D wurden hierfür eine Reihe von Richtlinien entwickelt. Neben einer Überarbeitung der DFG-Praxisregeln Digitalisierung im Hinblick auf OCR werden Richtlinien zur Erstellung von GT entwickelt. Auch dazu, wie GT nachhaltig und vielseitig anwendbar disseminiert werden sollte …

2022

1. Massendigitalisierung mit OCR-D: Anwendungsmöglichkeiten für Bibliotheken und Community-Aktivitäten

   Lena Hinrichsen, Konstantin Baierer, and Matthias Boenig

   2022

   Abs URL

   Die Deutsche Forschungsgemeinschaft (DFG) fördert seit 2015 mit dem Projekt OCR-D die Entwicklung von Werkzeugen für die Massendigitalisierung historischer Dokumente. Im Frühjahr 2021 begann die dritte und abschließende Phase. In dieser wird die automatische Generierung von Volltexten der VD 16, VD 17 und VD 18 konzeptionell und technisch in verschiedenen Bibliotheken und anderen Einrichtungen vorbereitet sowie implementiert. Die Verstetigung und Optimierung der OCR-D-Software wird begleitet von vier Projekten, die OCR-D in bestehende Anwendungen und Infrastrukturen implementieren, sowie von drei Modulprojekten, die OCR-D-Werkzeuge weiter optimieren. Im Vortrag und der begleitenden Präsentation der OCR-D-Software werden der Projektstand, die Ziele sowie die Möglichkeiten und Funktionsweisen der Software vorgestellt. Im Fokus steht dabei, welche Möglichkeiten Bibliotheken mit digitalen Beständen geboten werden, effizient und mit niedrigen Fehlerquoten Volltexte ihrer Bestände zu generieren. OCR-D ist individuell für verschiedene Digitalisierungsworkflows nutzbar. Die Erstellung von Volltexten kann bedarfsgerecht skalierbar eingerichtet werden. Welche Möglichkeiten die Software für die unterschiedlichen Bedarfe in der diversen Bibliothekslandschaft bietet, wird ebenfalls Gegenstand des Vortrags sein. OCR-D ist nicht nur eine Software, sondern eine Community von Expert:innen, Praktiker:innen und Entwickler:innen. Für diese Gemeinschaft werden verschiedene offene Kommunikationskanäle und Möglichkeiten geboten, teilzuhaben. Im zweiten Teil des Vortrages wird ein Einblick in unsere …

2. Dokument, Transkription, Forschungsdatum

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

   2022
3. Das Deutsche Textarchiv gestern und heute

   Susanne Haaf, Matthias Boenig, and Marius Hug

   Mitteilungen des Deutschen Germanistenverbandes, 2022

   Abs URL

   Wir besitzen noch keine von der ganzen Nation gebilligte Sammlung, in der man alle Worte und Redensarten faende, nach denen man die Reinigkeit der Sprache sicher beurtheilen koennte, 1 so Friedrich der Zweite 1780 in seiner Abhandlung zur deutschen Literatur. Der Aufbau einer solchen Sammlung sollte für sehr lange Zeit ein Desiderat bleiben. Zwar gaben Wörterbücher wie der Adelung (1793–1801), Campe (1807–1811), Sanders (1860–1865), das Deutsche Wörterbuch (DWB 1854–1960) oder der Duden (31999) in ihrer Zeit Unterstützung beim Gebrauch der deutschen Sprache (vgl. auch Haß 2012). Doch eine korpusbasierte Betrachtung der historischen neuhochdeutschen Sprache war bis in die Zeit der Digitalisierung nur sehr mühevoll möglich. Im Jahr 2007 nahm das Deutsche Textarchiv (DTA) als DFG-gefördertes Langzeitvorhaben seine Arbeit auf und verfolgt seither das Ziel, ein …

2021

1. Integration von Textdaten aus der Community in bestehende Infrastrukturen

   Matthias Boenig, Marius Hug, and Simon Sendler

   CLARIAH-DE-Arbeitsbericht, 2021
2. 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.

2020

1. 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.

2. Volltexte für die Frühe Neuzeit

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

   Zeitschrift für Historische Forschung, 2020

   Abs URL

   Duncker & Humblot - Berlin: Volltexte für die Frühe Neuzeit Menu Expand logo YOU ARE BROWSING THE WEBSITE AS logo SCHOLAR EN / DE Login Search Titles Search logo Subjects (Books) Law (9474) Laws of specific jurisdictions & specific areas of law (8339) Constitutional & administrative law: general (4258) Constitution (2403) Administrative jurisdiction & public administration (1176) Administrative procedure & courts (35) Administrative law, general (17) Regulation of public services (15) Making of rules & administrative acts (9) Sanctioning power of the administration (4) Law of science & research, university college law (3) Compulsory expropriation, compulsory purchase, eminent domain (1) State & public properties & assets (1) Human rights & civil liberties (969) History of constitution & comparative constitutional law (852) Constitutional law & human rights (50) Privacy law (42) Freedom of expression …

3. OCR-D kompakt: Ergebnisse und Stand der Forschung in der Förderinitiative

   Konstantin Baierer, Matthias Boenig, Elisabeth Engl, and 27 more authors

   2020
4. OCR-D in the wild: Erfahrungen und Erkenntnisse aus der Praxisphase mit Pilotbibliotheken

   Elisabeth Engl, and Matthias Boenig

   2020

   Abs URL

   Das DFG-geförderte Projekt OCR-D (https://ocr-d.de/) befasst sich seit 2015 konzeptionell und praktisch mit der Verbesserung von Verfahren zur automatischen Text- und Strukturerfassung von digitalisierten historischen Drucken aus dem 16.-19. Jahrhundert. Übergeordnetes Ziel ist es, elektronisch lesbaren, wissenschaftlich verwertbaren Volltext für Titel der "Verzeichnisse der im deutschen Sprachraum erschienenen Drucke” (VD) zu gewinnen.Dazu wurden in der ersten Projektphase Verbesserungspotenziale ermittelt, die in der zweiten Projektphase bis zum Frühjahr 2020 von insgesamt acht zusätzlichen DFG-geförderten Modulprojekten bearbeitet werden. Die entwickelte quelloffene, modular aufgebaute Software wird zwischen November 2019 und Januar 2020 erstmals in neun Pilotbibliotheken getestet. Dabei werden die OCR-D-Software und die zugehörige Dokumentation auf ihre Praxistauglichkeit und Akzeptanz bei ihren potentiellen künftigen Nutzern hin getestet, indem sie in unterschiedlichen Bibliotheksumgebungen an verschiedenartigen Korpora angewendet werden. In der öffentlichen Arbeitssitzung werden die Ergebnisse dieser ersten Praxisphase sowie ggf. offene Desiderate der Pilotbibliotheken an die OCR-D-Software vorgestellt und diskutiert. Zudem wird die weitere geplante Entwicklung der Software und die Verfügbarkeit und Standardisierung von geeigneten Trainings- und Evaluationsdaten besprochen. Die Sitzung richtet sich neben den Projektbeteiligten an alle bestandshaltenden Einrichtungen wie Bibliotheken, Archive, etc., die Interesse an der OCR-D-Software haben und diese vielleicht in ihren eigenen …

2019

1. Vom gedruckten Werk zu elektronischem Volltext als Forschungsgrundlage Erstellung von Forschungsdaten mit OCR-Verfahren

   Matthias Boenig, Elisa Herrmann, and Volker Hartmann

   2019

   URL
2. 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 …

3. OCR-D in der Praxis: Ein gemeinsamer Ausblick mit Dienstleistern und Anwendern

   Matthias Boenig

   2019

   Abs URL

   “Mit der digitalen Wende, die wir derzeit erleben, werden die Mittel der Repräsentation, Reproduktion, des Austauschs und der Manipulation von Texten erneut radikal verändert. Insbesondere durch zahlreiche groß angelegte Digitalisierungs-Projekte weltweit erweitert sich das digital verfügbare kulturelle Erbe in Textform ständig, die Texte sind untereinander vernetzt und liegen in fluiden Formen vor. Immer größere Anteile des kulturellen Erbes liegen in elektronischer Form buchstäblich unter unseren Fingerspitzen und fordern uns dazu auf, sie zu nutzen.”

4. Labelling OCR Ground Truth for Usage in Repositories

   Matthias Boenig, Konstantin Baierer, Volker Hartmann, and 2 more authors

   2019

   Abs URL

   The rapid developments in deep/machine learning algorithms have over the last decade largely replaced traditional pattern/language-based approaches to OCR. Training these new tools requires scanned images alongside their transcriptions (Ground Truth, GT). To OCR historical documents with high accuracy, a wide variety and variability of GT is required to create highly specific models for specific document corpora.In this paper we present an XML-based format to exhaustively describe the features of GT for OCR relevant to training, storage and retrieval (GT metadata, GTM), as well as the tools for creating GT. We discuss the OCRD-ZIP format for bundling digitized books, including METS, images, transcription, GT metadata and more. We’ll show how these data formats are used in different repository solutions within the OCR-D framework.

5. Aggregating Resources in CLARIN: FAIR Corpora of Historical Newspapers in the German Text Archive (Poster)

   Matthias Boenig, and Susanne Haaf

   CLARIN Annual Conference Leipzig, 2019

   URL

2018

1. Researching, Working and Publishing in the German Text Archive: a Report

   Frank Wiegand, Christian Thomas, Susanne Haaf, and 3 more authors

   ZEITSCHRIFT FUR GERMANISTISCHE LINGUISTIK, 2018

   URL
2. Recherchieren, Arbeiten und Publizieren im Deutschen Textarchiv: ein Praxisbericht

   Frank Wiegand, Christian Thomas, Susanne Haaf, and 3 more authors

   Zeitschrift für germanistische Linguistik, 2018

   Abs URL

   Für die repräsentative Untersuchung sprachlicher Phänomene in ihrer Historizität ist in der Regel eine möglichst umfangreiche Datengrundlage vonnöten. Folglich ist gerade die historisch arbeitende Korpuslinguistik von der Verfügbarkeit großer, einheitlich annotierter und nach Textsorten ausgewogener Korpora aus digitalisierten Daten unmittelbar abhängig. Diesen Desiderata steht jedoch bislang eine große Zahl verstreuter und uneinheitlich annotierter Textkorpora gegenüber. Für die neuhochdeutsche Sprache vom 17. bis zum 19. Jahrhundert konnte das DFG-Projekt „Deutsches Textarchiv “(DTA) in seiner Projektlaufzeit von 2007 bis 2016 eine entsprechende Lücke teilweise schließen und gleichzeitig eine Infrastruktur aufbauen, die den weiteren Ausbau der bereitgestellten Korpora ermöglicht. Die Grundlage des DTA bildet ein Korpus aus 1 600 digitalisierten und hochwertig aufbereiteten Werken des …

3. 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.

4. Das Deutsche Textarchiv als Forschungsplattform für historische Daten in CLARIN

   Alexander Geyken, Matthias Boenig, Susanne Haaf, and 3 more authors

   2018

   Abs URL

   Im Zentrum dieses Beitrags steht das Deutsche Textarchiv, eine Plattform zum Korpusaufbau und zur Korpusanalyse, die im Kontext aller geistesund sozialwissenschaftlichen Disziplinen mit historischen Fragestellungen nutzbar ist. Das DTA, das am Zentrum Sprache der Berlin-Brandenburgischen Akademie der Wissenschaften (BBAW) angesiedelt ist, wurde von 2007 bis 2016 von der Deutschen Forschungsgemeinschaft (DFG) gefördert und bildet mittlerweile eine wesentliche Komponente der Forschungsdateninfrastruktur des deutschen Teils von CLARIN. Der Beitrag präsentiert das DTA als webbasierte Forschungsplattform sowohl für die Erstellung und die Kuration von Korpustexten als auch für die Korpusanalyse und verortet es innerhalb der (digitalen) Geisteswissenschaften.

2016

1. 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

2015

1. 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
2. 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
3. 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 …

2014

1. 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.

2013

1. Methoden zur effektiven Nachnutzung von Textressourcen aus dem Kontext wissenschaftlicher Projekte und Bibliotheken

   Matthias Schulz, Susanne Haaf, Christian Thomas, and 3 more authors

   2013

   Abs URL

   Ziel• Gewinnung oder Erstellung einer verlässlichen Transkription, bei:• größtmöglicher Bewahrung des Vorlagentextes und gleichzeitiger Konzentration auf die lexikalischen

2012

1. TEI und Textkorpora: Fehlerklassifikation und Qualitätskontrolle vor, während und nach der Texterfassung im Deutschen Textarchiv

   Alexander Geyken, Susanne Haaf, Bryan Jurish, and 3 more authors

   Jahrbuch für Computerphilologie, 2012

   Abs URL

   This paper deals with the issue of quality assurance in very large, XML/TEI-encoded full-text collections. The text corpus edited by the DFG-funded project Deutsches Textarchiv (henceforth: DTA), a large and still growing reference corpus of historical German, is a fine example of such a collection. The following remarks focus on text prepared in a Double-Keying-process, since the major part of the DTA-corpus is compiled by applying this highly accurate method. An extensive and multitiered approach, which is currently applied by the DTA for the analysis and correction of errors in double-keyed text, is introduced. The process of quality assurance is pursued in a formative way in order to prevent as many errors as possible, as well as in a summative way in order to track errors which nevertheless may have occurred in the course of full-text digitization. To facilitate the latter, DTAQ, a web-based, collaborative tool for finding and commenting errors in the corpus, was developed. On the profound basis of practical experience in the past four years, the preliminaries and possible methods of conducting a widespread quality assurance are being discussed.

2011

1. Das Deutsche Textarchiv: Vom historischen Korpus zum aktiven Archiv

   Alexander Geyken, Susanne Haaf, Bryan Jurish, and 4 more authors

   Digitale Wissenschaft, 2011

   Abs URL

   Das Deutsche Textarchiv (DTA) macht ein linguistisch annotiertes Volltextkorpus über das Internet frei zugänglich. Die Auswahl beinhaltet sowohl belletristische als auch Fachtexte, die im 17., 18. und 19. Jahrhundert in deutscher Sprache erschienen sind. Das DTA bietet ein vielseitiges Textkorpus für sprachgeschichtliche Forschungen und computerlinguistische Analysen. Durch seine disziplinenübergreifende Zusammensetzung eignet es sich darüber hinaus beispielsweise für fachspezifische, literatur-oder buchwissenschaftliche Untersuchungen. Der Beitrag erläutert die Zusammensetzung des DTA-Korpus, stellt die inhaltlichen und technischen Hintergründe des Projekts vor und gibt einen Ausblick auf die geplante Entwicklung des DTA zu einem aktiven Archiv.

2006

1. Dissertationen und Habilitationsschriften mit Microsoft Word

   Uwe Müller, Karin Schröder, Matthias Schulz, and 1 more author

   2006

2005

1. ProPrint–Der Print-on-Demand-Service für Dokumentenund Publikationsserver

   Matthias Schulz

   cms-journal, 2005

2004

1. ProPrint world‐wide print‐on‐demand services for study and research

   Elmar Mittler, and Matthias Schulz

   Library Hi Tech, 2004

   Abs URL

   The libraries of more and more universities and research institutions have local digital repositories, and the amount of material is increasing every day. Users need an integrated retrieval interface that allows aggregated searching across multiple document servers without having to resort to manual processes. ProPrint offers an on‐demand print service within Germany for over 2,000 monographs and 1,000 journals. Partners worldwide are now invited to join.

2003

1. Tutorial: Introduction to XML

   Matthias Schulz

   2003

   Abs URL

   Using XML for electronic publishing has a lot of advantages, as the format is vendor independent, readeable on any soft- or hardware platform and most suiteable for long term preservation. Unfortunately XML is always a question of the Document Type Definition used for defining the structure of a class of documents and the support for potential authors. This tutorial will give general introduction into XML, XML processing and XSLT as well as demonstrate some useful tools. Within this tutorial we will work with the DiML, the Dissertation Markup Language DTD developed at Humboldt-University and show different strategies to convert dissertations written in Microsoft Word into XML. We we also introduce Staroffice/Openoffice as a good tool for students to write their dissertation directly in an XML based editor.

2. Save as XDiML (DissertationMarkupLanguage), Writing and Converting digital Theses and Dissertations using OpenOffice

   Matthias Schulz, and Sabine Henneberger

   2003

   Abs URL

   For 5 years now, doctoral candidates of Humboldt- University at Berlin can choose the digital publication as one option to publish their dissertation. The ?Electronic Publishing? Group provides stylesheets for Microsoft Word, WordPerfect and Staroffice/Openoffice in order to allow the authors to structure their digital documents semantically. It is neccessary to prepare documents that way, because they are converted into an XMl format afterwards. The XML document than is an instance of the xDiML.DTD (DissertationMarkupLanguage). This DTD has been developed within several electronic publishing projects at Humboldt-University. Since 1997 an SGML/XML- based concept for the long term preservation of digital publications has been used, in order to store digital documents in an media neutral archival format, to use the possibilities of a structered retrieval within the semantic structures of documents, and to enable an automated production of different information products (like PDF format for print, HTML for WWW layout, metadata for use within different retrieval networks). In order to increase the efficiency of OpenOffice with it?s end format XML, a document style sheet and a filter for Openoffice was developed at the Computer- and Media Service of Humboldt- University. Authors are enabled to write their digital dissertation using this document style sheet and to save those within an XML based format. At the same time the ?Electronic Publishing Group? uses OpenOffice as a conversion tool to convert Microsoft Word documents written with the digital dissertation stylesheet as XML. This talk will focus on demonstrating the needs for a …

2001

1. Verlagsbibliothek ProPrint

   Matthias Schulz

   2001

   Abs URL

   1993 meldeten die RZ-Mitteilungen: „Im Zuge der Realisierung des SERVUZ-Projektes in der Humboldt-Universität wurde im Rechenzentrum jetzt die erste Stufe eines Peripherie-Service in Betrieb genommen.“ Hinter dieser Meldung verbarg sich, dass es unter anderem nun im Rechenzentrum möglich ist, einen Print-Service auf Basis eines Tintenstrahldruckers (Phaserdruckers) und eines Farbsublimationsdruckers mit einer maximalen Auflösung von 300dpi zu nutzen.

2. SGML/XML-based electronic theses and dissertations: Existing projects and standards

   Susanne Dobratz, Matthias Schulz, Phil Potter, and 1 more author

   The Internet and higher education, 2001

   Abs URL

   Over the past few years, electronic publishing has entered the realm of scholarly works and communication. Institutions have seen a gradual change from the “traditional” paper copy texts to an electronic, digital format. Masters and doctoral students now have the capability to create an electronic thesis or dissertation (ETD) that integrates multimedia, sound, pictures, and animation. The emergence of new technologies enables students to go beyond the creation of an electronic version of the paper copy, they now have the capability to express their artistic design by creating a multimedia ETD. This article addresses issues connected with the development of standards, copyright, and format, along with an overview of several ETD projects.

3. SGML/XML Tools and the project DiDi

   Susanne Dobratz, and Matthias Schulz

   2001

   URL
4. High quality electronic publishing in universities using XML–the DiDi principle

   Peter Schirmbacher, Susanne Dobratz, and Matthias Schulz

   2001

   Abs URL

   The number of electronic documents, which are to be handled, archived and made accessible to the public by university libraries in cooperation with other institutions, is highly increasing. Using an SGML/XML-based publishing concept enables universities not only to unlock their information and research resources but also to set up new services, like a document management or a printing on demand with higher quality as by using conventional publishing concepts. There are three main arguments for using an SGML/XML-based publishing strategy not only for theses and dissertations at Humboldt-University Berlin but also for university publications like conference proceedings, public readings, technical reports and other material, uhat is subsumcd under the term" Grey Literature": 1. Archiving, 2. Retrieval and 3. Reusability of structured documents. This paper will describe the policy and technology that stands …

5. High quality electronic publishing in universities using XML-the DiDi priciple (Dissertations project at Humboldt-University Berlin)

   Susanne Dobratz, Peter Schirmbacher, and Matthias Schulz

   2001

   Abs URL

   The number of electronic documents, which are to be handled, archived and made accessible to the public by university libraries is highly increasing. Using an SGML/XML-based publishing concept enables university libraries not only to encourage their authors to use new publishing concepts, but also to set up information and document management services with higher quality. There are two main arguments for using an SGML/XML-based publishing strategy for theses and dissertations at Humboldt-University at Berlin: 1. Archiving and 2. Retrieval and the Possibility for Knowledge Management.

6. Digitale Bibliothek. Vom DFG-Projekt „Dissertationen Online “zu DissOnline. de

   Peter Diepold, Norbert Martin, Susanne Dobratz, and 1 more author

   Bibliotheksdienst, 2001

   Abs URL

   Deutsche Bibliothek interessierte Universitätsvertreter dazu ein, in Zukunft gemeinsam an der Weiterentwicklung dieser Standards, Werkzeuge und Verfahren zu arbeiten und diese über den Bereich der Dissertationen hinaus auf andere Publikationsvorhaben der Hochschulen auszudehnen. Als Ziel wird die „Etablierung einer Kultur des elektronischen Publizierens" an den Hochschulen angestrebt, wobei weiter Standards definiert und genutzt werden. DINI, eine Initiative der vier größten Vereinigungen von Informationsinfrastruktureinrichtungen in Deutschland, hat sich unter anderem die Vermittlung und Koordination von Projekten zum elektronischen Publizieren und die Verbreitung von deren Ergebnissen zum Ziel gesetzt. Dabei werden im Besonderen die

2000

1. Informationsvermittlung. Elektronisches Publizieren an Universitäten-aktuelle Trends und zwei Tagungen aus bibliothekarischer Sicht

   Susanne Dobratz, and Matthias Schulz

   Bibliotheksdienst, 2000

   Abs URL

   Die globale Mischung von so vielen Teilnehmern bot die Chance für eine Internationalisierung der NDLTD. Neben Vorträgen, in denen Projekte aus Australien, Kanada, Südafrika, Hong Kong und den USA vorgestellt wurden, bekam auch das DFG-geförderte Projekt „Dissertationen Online" die Gelegenheit, sich in einem Vortrag darzustellen. Dabei trafen die Kooperationen der wissenschaftlichen Fachgesellschaften im Rahmen der luK-lnitiative und der DDB auf ein ebenso reges Interesse wie die strukturierte Herangehensweise innerhalb fachlich ausgerichteter Teilprojekte.

2. Elektronisches Publizieren an Universitäten-aktuelle Trends und zwei Tagungen aus bibliothekarischer Sicht.

   S Dobratz, and M Schulz

   Bibliotheksdienst, 2000

   Abs URL

   Elektronisches Publizieren an Universitäten -aktuelle Trends und zwei Tagungen aus bibliothekarischer Sicht. I. Online-Dissertationen: Bericht vom Dritten Internationalen Symposium für elektronische Dissertationen. II: XML basierte elektronische Publikationen in Universitätbibliotheken- eine Frage von Dokumenttypdefinitionen ? Projekte, Ansätze und Ergebnisse eines NDLTD- Workshops zu Dukumenttypdefinitionen für Hochschuleschriften CNRS Inist Pascal-Francis CNRS Pascal and Francis Bibliographic Databases Simple search Advanced search Search by classification Search by vocabulary My Account Home > Search results Help Export Export Selection : Selected items (1) Format : Permanent link CopyPermanent link Copy http://pascal-francis.inist.fr/vibad/index.php?action=getRecordDetail&idt=944057 Elektronisches Publizieren an Universitäten -aktuelle Trends und zwei Tagungen aus …

1999

1. Projekt "Digitale Dissertationen" Stand und Entwicklungen

   Matthias Schulz, and Susanne Dobratz

   1999

   URL
2. Dissertation Markup Language (DiML)

   Matthias Schulz

   1999

   Abs URL

   Die DiML ist eine Dokumenttypdefinition (DTD) für Dissertationen, die diese als inhalts-, struktur-und layoutcodiertes elektronisches Dokument beschreibt. Die Definition dieser DTD ist gemäß des SGML Standard ISO 8879 und Hytime ISO 10744 verfaßt worden. DiML ist eine an deutsche Dissertationsschriften angepaßte DTD. Der Ursprung dieser Definition ist die ETD-ML von Neil A. Kipp in der VERSION: 1.1 vom 24.2. 1997.

1998

1. dissonline.de

   Steffi Dippold, Uwe Müller, Matthias Schulz, and 1 more author

   1998

   Abs URL

   WICHTIG: Wir empfehlen allen Doktoranden, mit der Version Word 97 oder Word 2000 zu arbeiten und die entsprechende Dokumentvorlage „dissertation-97. dot “zur Textauszeichung zu benutzen. Die Dokumentvorlage „dissertation-97. dot “kann kostenlos über das Internet bezogen werden. Für die elektronische Veröffentlichung der Dissertation an der Humboldt-Universität zu Berlin ist die Verwendung der Dokumentvorlage „dissertation-97. dot “zwingend.

2. Word für Windows Dissertationsformatvorlage 1.2

   Matthias Schulz, and Susanne Dobratz

   1998

   Abs URL

   Es wird eingeschätzt, daß etwa 90 bis 95% aller Dissertationen entstehen am Computer. Diese in digitaler Form verfügbaren Arbeiten werden nun ausgedruckt oder für die Druckvorstufe einer Verlagspublikation verwendet. Am Ende der Verarbeitungskette werden die Daten zu einem großen Teil sogar gelöscht. Doch die Dissertation in elektronischer Form birgt eine Menge Vorteile in sich:

3. Bereitstellung von Autorenwerkzeugen

   Matthias Schulz

   1998

   URL

1997

1. Eine kleine Einführung in die Nutzung der eXtensible Markup Language

   Susanne Dobratz, and Matthias Schulz

   1997

   Abs URL

   Bsp.: DEHIO mit XML< objekt>< name> Brandenburger Tor< alternativ> Pariser Platz< description> Im Zuge der repräsentativen Ausgestaltung der Residenz bereits 1769 als Dominate der Prachtstraße< ort> Unter den Linden konzipiert, jedoch erst unter< person> Friedrich Wilhelm II.< datum> 1788 von< person> Carl Langhans als monumentale, von zwei Flügelbauten eingefaßte Toranlage dorischer Ordnung entworfen, ausgeführt< datum> 1789-91; die Bauplastik unter Leitung von< person> Johann Gottfried Schadow< datum> 1794 vollendet. Hauptwerk des Architekten, durch die Propyläen der Akropolis von Athen angeregt. Bei Abbruch der Zollmauer< datum> 1867/68 die Flügelbauten von< person> Johann Heinrich Starck umgestaltet und um 90 gedreht. Im 2. Weltkrieg schwer beschädigt,< datum> 1956-58 wiederaufgebaut, der Skulpturenschmuck zT erneuert, zuletzt< datum> 1992 renoviert....