Historische Textkorpora für die Geistes- und Sozialwissenschaften. Bilddigitalisierung, Metadatenerfassung, Volltexterschließung

Leitfragen in diesem einwöchigen Kurs (16 Unterrichtsstunden) werden sein:

Wie kann ich Transkriptionen und Metadaten von (historischen) Texten in einem nachhaltigen, interoperablen Format erfassen?
Wie kann ich diese Textressourcen in die web- und zentrenbasierte Infrastruktur von CLARIN-D integrieren?
Wie kann ich diese Textressourcen dann mit CLARIN-D-Tools weiterverarbeiten?

Vorstellung des DTA(E)-Workflows und dessen Anbindung an CLARIN-D

Die Schulungseinheit vermittelt die wichtigsten Grundlagen zur standardkonformen, interoperablen Annotation historischer Textressourcen gemäß dem TEI P5-basierten DTA-Basisformat (DTABf), einem Best Practice-Format für geschriebene Textkorpora in CLARIN-D. Gezeigt wird, wie neue Textressourcen mit den Hilfsmitteln des DTA CLARIN-D-konform erstellt werden können und wie bereits existierende Textressourcen aus anderen Projektzusammenhängen in das DTABf konvertiert werden können. Die anschließende Qualitätssicherung mit Hilfe der verteilten Korrekturumgebung DTAQ wird ebenfalls erläutert.

Bilddigitalisierung
Das DTA kooperiert mit verschiedenen Bibliotheken, deren Sammelschwerpunkte bei deutschen Drucken des 17. bis frühen 20. Jahrhunderts liegen. Die Bilddigitalisierung sollte den Vorgaben der DFG-Praxisregeln „Digitalisierung“ folgen. Das DTA stellt den Kontakt zu den Bibliotheken her und berät Nutzer bei der Umsetzung der Bilddigitalisierung.

Erfassen der Metadaten
Sowohl bibliographische als auch spezifische Daten zum digitalen Faksimile sowie zur Texterfassung sind notwendige Voraussetzungen für die Findbarkeit, Weiterverarbeitung und Nachnutzung von Ressourcen. Für die einheitliche, standardkonforme Erfassung der grundlegenden Metadaten zum Text stellt das DTA ein spezielles CLARIN-D Metadatenformular zur Aufnahme einzelner Ressourcen zur Verfügung. Die Metadaten stehen in einem XML-Format als TEI-Header zur Verfügung und können automatisch in das verbreitete Dublin Core- sowie in das CLARIN-D-spezifische CMDI-Format überführt werden.

Volltexterfassung bzw. -konvertierung gemäß dem TEI P5-basierten DTA-Basisformat
Für die Texterfassung bietet DTAE erprobte und ausführlich beschriebene Erfassungsrichtlinien. Die Dokumentation des DTA-Basisformats (DTABf) veranschaulicht mit vielen Beispielen, wie das XML-Markup verwendet wird. DTAE bietet darüber hinaus spezifische Anpassungen für den XML-Editor oXygen und das Textverarbeitungsprogramm Microsoft Word. Hiermit soll die Transkriptions- und Annotationsarbeit unter Anwendung der DTA-Richtlinien für Nutzer erleichtert werden, die mit der XML-Kodierung von Texten nicht vertraut sind.

Das DTA bietet im Rahmen von CLARIN-D für alle im DTABf vorliegenden Volltexte:

eine Text-Bild-Ansicht und eine Leseansicht, jeweils mit einer ausführlichen Präsentation der Metadaten,
Lemmatisierung, Tokenisierung, POS-Tagging und automatische Normalisierung der historischen Graphie,
schreibweisentolerante, korpusübergreifende Suchen mit der DTA-Suchmaschine,
einen eigenen Suchindex für die Textkollektion,
Qualitätssicherung im Rahmen der kollaborativen Korrekturplattform DTAQ
standardisierte Schnittstellen zum Austausch von Metadaten,
die Konvertierung in CLARIN-D-Formate (CMDI, TCF) für die Weiterverarbeitung der Daten im CLARIN-Kontext,
die Integration Ihrer Ressourcen in die CLARIN-D-Infrastruktur über das CLARIN-D-Servicezentrum des Zentrum Sprache der BBAW,
die Recherchierbarkeit der Objekt- und Metadaten über das Virtual Language Observatory und die Federated Content Search.