Ein Jahr mit Transkribus*

Während momentan Chat-GTP und die Maschine als Assistenz des Menschen wieder in aller Munde sind, geht es heute hier um den Menschen, der der Maschine kritisch über die Schulter blickt. Momentan bastelt das Team von „Familiensache“ eifrig an der digitalen Edition, deshalb bietet sich ein Rückblick auf den ersten großen Abschnitt unserer Arbeit an: Die Transkriptionsarbeiten sind mittlerweile abgeschlossen, nach einem intensiven Jahr mit „Transkribus“.

Wir haben vor einiger Zeit an dieser Stelle dazu schon berichtet, hier aber nochmal einige Worte dazu, worum es sich bei „Transkribus“ überhaupt handelt und wozu es verwendet werden kann:

Transkribus[1] ist eine Software, die den Prozess der digitalen Transkription vereinfachen soll. Zu den möglichen Vorteilen der Anwendung für die frühneuzeitliche Transkription gehört, dass die Software in der Lage ist, handschriftliche Dokumente mit hoher Genauigkeit zu erkennen und zu transkribieren, wodurch der Transkriptionsprozess schneller und effizienter wird. Darüber hinaus bietet Transkribus eine Reihe von Werkzeugen und Funktionen, die bei der Analyse des Dokumentenlayouts und der Segmentierung helfen können, was die Genauigkeit des transkribierten Textes weiter erhöht. Durch den Einsatz von Algorithmen des maschinellen Lernens und der künstlichen Intelligenz kann Transkribus außerdem Muster in der Handschrift erkennen, die für menschliche Bearbeiter*innen nicht sofort ersichtlich sind.

Die Verwendung von Transkribus für die frühneuzeitliche Transkription birgt jedoch auch einige potenzielle Nachteile. So besteht die Gefahr, dass man sich zu sehr auf die Technologie verlässt, was dazu führen kann, dass das interpretatorische Fachwissen verloren geht, welches für das genaue Verständnis und die Kontextualisierung historischer Dokumente notwendig ist. Ein weiterer potenzieller Nachteil ist, dass die Genauigkeit von Transkribus durch Faktoren wie schlechte Handschriftqualität oder komplexe stilistische Merkmale in der frühneuzeitlichen Schrift eingeschränkt sein kann. Obwohl Transkribus ein leistungsfähiges Werkzeug für die digitale Transkription frühneuzeitlicher Dokumente darstellt, konnte es uns also die Arbeit nicht abnehmen, sondern allenfalls erleichtern, denn transkribieren funktioniert nur in Zusammenarbeit von Mensch und Software. 

Wir haben bisher insgesamt 16 Archivfaszikel des bayerischen Hauptstaatsarchives bearbeitet, wobei jedes dieser Faszikel eine eigene sogenannte „Collection“ bildet. 1176 eigenhändige Briefe der Kaiserin wurden von uns mithilfe von Transkribus erschlossen und befinden sich nun in der Vorbereitung für die Veröffentlichung.

Dabei gab es einige Herausforderungen, die unsere Arbeit mit Transkribus wesentlich erschwert haben. Dazu gehörte (1) die Qualität fotografischer Reproduktionen – nicht notwendigerweise aufgrund schlechter Fotoqualität, sondern aufgrund des Zustands der Briefe. Oftmals zeigten sich die Papierseiten durchscheinend, so dass die Tinte des Textes auf der Rückseite der Briefe in der Wiedergabe sehr prominent erschien und schlecht vom zu bearbeitenden Text der Vorderseite zu unterscheiden war. Wir hatten Fälle von Papierverlust, Knicke im Papier, Überklebungen und zahlreichen Tintenflecken. Zudem hatte der Zahn der Zeit an manchen Briefen doch deutlich genagt und die Tinte verblassen lassen. In solchen Fällen scheiterte dann auch Transkribus an der korrekten Layouterkennung und der anschließenden Transkription.

Wir haben insgesamt vier Texterkennungsmodelle mit HTR+ (und zeitweise Pylaia) trainiert, die in unterschiedlichen Phasen der Korrespondenz zum Einsatz kamen. Dies mag etwas ungewöhnlich erscheinen. Warum nicht ein Texterkennungsmodell für das gesamten Korpus trainieren? Der umfangreiche Bestand von Briefen einer einzigen Schreiberin hat ja eigentlich den großen Vorteil, dass sehr viel Material für das Training von Modellen vorliegt und somit eine niedrige CER[3] vorliegen sollte. Der reine Umfang lenkt aber im ersten Moment von der Schriftqualität der Schreiberin ab. Für unser erstes Modell wurden frühe Briefe der Kaiserin aus dem Jahr 1677 verwendet, deren Schriftqualität im Vergleich zu späteren höher war. Uns wurde dort schon klar: Das Korpus birgt durchaus seine Tücken und ist stetiger Veränderung unterworfen.

Aufgrund der formalen Spezifika der Briefe erwies es sich als vielversprechend, jeweils für ca. ein Jahrzehnt ein Modell zu trainieren. Innerhalb dieser Zeitspanne zeichneten sich zwar Veränderungen am Schriftstil ab, sie waren allerdings geringfügig genug, um ein relativ gutes Trainingsergebnis zu erreichen.[4] Über die gesamte Zeit der Korrespondenz, immerhin fast 40 Jahre, zeigen sich dann doch deutliche Änderungen. Durch vieles Schreiben und fortschreitendes Alter der Verfasserin veränderte sich die Schrift zunehmend.

Bei Eleonora Magdalena kam dann auch noch der Zeitdruck hinzu, solange sie regierende Kaiserin an der Seite ihres Mannes, Kaiser Leopold I., war. Die Vielzahl ihrer Repräsentationspflichten beanspruchte sie intensiv. Dies geht auch regelmäßig aus ihrer Korrespondenz hervor.  Aus Zeitmangel schrieb sie oft in Abkürzungen und neigte dazu, Buchstaben auszulassen, wie etwa „schrbn“ für „schreiben“.[5] Welche Buchstaben nun wirklich „da“ waren und welche nicht, bot Anlass für viel Kopfzerbrechen.

Diese Unregelmäßigkeiten zeigten sich als wahre Herausforderung in der Arbeit mit HTR-Modellen. War die Layouterfassung aufgrund der simplen Briefgestaltung noch relativ einfach (außer bei verblassten Scans), so erwies sich die Kollationierung als überaus zeitintensiver Prozess. Probleme zeigten sich in der Layouterkennung, wenn sich die Schreibrichtung änderte, z.B. wenn die Kaiserin ein Postskriptum vertikal anfügte oder die Zeilen sehr eng aneinander lagen. Das größte Problem war sich durchdrückende Tinte der Rückseite und verblasste Tinte, die es erschwerte, Schrift und Blatt voneinander abzugrenzen. In diesen Fällen mussten wir das Layout Seite für Seite manuell korrigieren – eine mühsame Aufgabe.

Eine weitere Herausforderung, deren Lösung von vornherein nur bedingt mit Transkribus möglich war, stellte die Chiffre dar. Eleonora Magdalena benutzte ein monoalphabetisches Verschlüsselungsverfahren, bei dem im Wesentlichen ein Symbol einem Buchstaben entspricht und keine Abstände zwischen den Worten eingehalten werden. Zudem setzte sie Codenamen ein: Der Name des römischen Kaisers „Tiberius“ war beispielsweise vermutlich der Deckname für ihren Bruder. Von den uns zur Verfügung stehenden rund 3000 Seiten sind ca. 90 Seiten chiffriert. Diese mussten per Hand transkribiert und in Transkribus nachgetragen werden. Aufgrund der vielen Chiffrierfehler, der schwierigen Abgrenzung von Worten und vor allem der oft nachlässigen Schreibweise gestaltete sich die händische Transkription hier sehr viel effizienter.

Ein Stolperstein erwartete uns dann noch auf der Zielgeraden: Von unseren vier Modellen basieren drei auf HTR+ und eines auf Pylaia – zu unserem Glück! Die Nachricht aus dem entwickelnden Transkribus-Team, dass die Texterkennung mit HTR+ doch schneller eingestellt wird als erwartet, hat uns gerade in der Endphase unserer Arbeit getroffen. Wir konnten mit unserem „überlebenden“ Pylaia-Modell glücklicherweise die letzten Briefe noch bearbeiten. Aus reinem Interesse habe ich wenige Wochen später mit Pylaia HTR ein neues Modell trainiert auf Basis von hunderten Briefen über unseren ganzen Zeitraum von 1677 bis 1716 hinweg. Es schnitt aber durchwegs schlechter ab als die zuvor trainierten Modelle. Für unseren Projektfortschritt spielte die Performanz der Pylaia-Modelle keine signifikante Rolle mehr, die Qualität unterschied sich jedoch deutlich von den HTR+-Modellen.[6]

Insgesamt konnten wir durchaus einen Lernfortschritt unserer Modelle feststellen – z.B. in der Zeichensetzung und in der Erkennung häufiger Wörter. Je schlechter die Schreib- und Schriftqualität des Briefes aber war, desto mehr Nacharbeit hat es uns im Endeffekt gekostet. Wir waren definitiv nicht schneller als wir es mit einer rein „menschlichen“ Transkription gewesen wären, aber Transkribus hat die Arbeit strukturierter gemacht und der eine oder andere „educated guess“ des Modells hat uns auf jeden Fall vorangebracht.

Eine Funktion, auf die wir bei Transkribus sehr stark gehofft hatten, war die Durchsuchbarkeit von Dokumenten. Hier zeigten sich leider große Lücken und eine unvollständige Erfassung. Wir mussten die Suche am Ende zum Oxygen XML-Editor „auslagern“, um übergreifende Änderungen und redaktionelle Vereinheitlichungen einzuarbeiten. Für die einheitliche Editionsarbeit war das frustrierend.

Richtig knifflig wurde es dann aber, als es darum ging, TEI-Dokumente passend und mit allen eingefügten Tags zu exportieren. An dieser Aufgabe arbeiten sich unsere Team-Kollegen am ACDH-CH[7] bis heute erfolgreich ab. Eine bessere Vernetzbarkeit von TEI und Transkribus wäre hier auf jeden Fall wünschenswert – gerade für digitale Editionen sind beide mittlerweile zum Standard geworden. Der Export von Tags stellte sich schwieriger dar als erwartet und beschäftigte uns sehr lange mit händischen Nacharbeiten.[8] Wie aber der zweite Research-Day[9] am ACDH-CH zum Thema „Transkribus“ vor kurzem zeigte, darf man auf viele Neuerungen gespannt sein – denn auch Maschinen lernen permanent dazu.

*Zum Beitragsbild: Der Wolpertinger ist das Maskottchen von Transkribus und steht für ein Gesamtwerk aus vielen Teilen. Ähnliches gilt für eine digitale Edition: Sie entsteht aus dem Zusammenspiel vieler Komponenten.

[1] Unter https://readcoop.eu/de/transkribus/ kann man selbst seitenweise gratis die Handschriftenerkennung ausprobieren.

[2] Darunter versteht man ein Texterkennungsmodell, gestützt von einer künstlichen Intelligenz. Durch die Fütterung mit Quellenmaterial und zugehörigen Transkriptionen lernt die KI, eine Handschrift zu erkennen.

[3] Der CER-Wert eines Modells gibt die Zeichenfehlerrate an und wir als Teil der Lernkurve eines Modells berechnet. Als Fehler zählen bereits kleine Transkriptionsfehler, so z.B. ein vergessener Beistrich oder ein u statt einem v. Das Ziel ist es, sich einem möglichst kleinen CER-Wert anzunähern.

[4] Die CER blieb trotzdem im Bereich um die 10%.

[5] Vgl. dazu auch ein Interview mit Katrin Keller, nachzulesen hier: https://www.oeaw.ac.at/news/die-briefe-der-kaiserin-frauen-schreiben-geschichte (zuletzt aufgerufen am 02.05.2023)

[6] Kurz vor Veröffentlichung dieses Beitrages wurden zudem zwei neue public models vorgestellt, die mit sehr großen Datenmengen für deutsche (und lateinische) Handschriften der Neuzeit trainiert wurden. Auf die kommenden Neuerungen darf man gespannt sein.

[7] Die Projekte des Austrian Center for Digital Humanities and Cultural Heritage kann man hier kennenlernen: https://www.oeaw.ac.at/de/acdh/acdh-ch-home (zuletzt aufgerufen am 02.05.2023).

[8] Mit etwas kreativer Eigenarbeit lässt sich dieses Problem anhand von XSLT-Transformationen umgehen – das zeigen andere Projekte an der ÖAW, z.B. das Team im Projekt zu Arthur Schnitzlers Briefen, erreichbar hier: https://schnitzler-briefe.acdh.oeaw.ac.at/pages/index.html (zuletzt aufgerufen am 02.05.2023).

[9] Näheres dazu hier: https://www.oeaw.ac.at/de/acdh/events/veranstaltungsreihen/acdh-ch-forschungstag-2 (zuletzt aufgerufen am 02.05.2023).



Diesen Blogbeitrag zitieren
Anna Spitzbart (2023, 3. Mai). Ein Jahr mit Transkribus*. Kaiserin und Reich. Abgerufen am 24. Juni 2024, von https://doi.org/10.58079/qlk0

3 Gedanken zu „Ein Jahr mit Transkribus*“

Schreibe einen Kommentar

Deine E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert

Diese Website verwendet Akismet, um Spam zu reduzieren. Erfahre mehr darüber, wie deine Kommentardaten verarbeitet werden.