Open source transcriptie-software Loghi: ideeën en mogelijkheden
Het is de meesten waarschijnlijk niet ontgaan: onlangs kwam naar buiten dat het KNAW Humanities Cluste...
Transcriptieconventies
- nov 2019
- Milo van de Pol
- ·
- Aangepast 27 jun
- 6
- 25
Welke conventies worden toegepast tijdens het transcriberen? Is het mogelijk tot een gezamenlijke conventie te komen ten einde het uitwisselen van Ground Thruths makkelijker te maken?
Verken
Github en HTR/OCR
Als ik op Github rondkijk, zie ik dat aardig wat projecten zich bezig houden methandwritten text recog...
Nieuwe modellen en ground truths voor Transkribus
Wij hebben grote behoefte aan nieuwe Ground Truths (GT's) en modellen. Als je die wilt delen, dan is d...
Reacties
De werkgroep PaiZ (Paleografie in Zeeland) hanteert de kritisch-normaliserende methode. De insteek is om zoveel mogelijk materiaal zo gemakkelijk mogelijk toegankelijk te maken en dat gaat niet met diplomatische transcripties omdat daar in principe veel - soms ondoorzichtige - afkortingen in zouden blijven bestaan.
Transcribus blijkt goed te kunnen omgaan met afkortingen; als die in de te trainen tekst voor een bepaald model consequent op de juiste manier voltooid worden, zal Transkribus dat later bij het transcriberen van nieuwe teksten bij gebruik van dat model foutloos doen.
Met betrekking tot afkortingen blijkt het zo te zijn dat het markeren niet de oorzaak is van het uitvullen van de afkorting, maar dat Transkribus tot en met drie tekens (die impliciet in een afkorting kunnen zitten) uit kan vullen; langere afkortingen zouden een probleem kunnen vormen. Ik heb dit als een 'bug' gemeld, omdat er eigenlijk de mogelijkheid zou moeten zijn om de documenten mét en zonder uitvullen te exporteren, maar dit dus nu nog niet werkt.
Aangezien de vuistregel bij Transkribus is: zoveel mogelijk letterlijk transcriberen, hebben wij in het REPUBLIC-project (Resoluties Staten-Generaal 1576-1796) tot nu toe de afkortingen als zodanig getranscribeerd en vervolgens opgelost via de markeringen. Dit met de gedachte ze later voluit te kunnen weergeven in de voor het publiek toegankelijke transcriptie, en om ze te kunnen gebruiken als trainingsmateriaal voor de overige resoluties. We lossen de afkortingen niet altijd op dezelfde manier op; als de griffier/klerk elders in zijn tekst het woord wel uitschrijft, gebruiken we die spelling als oplossing voor de afkortingen. Overigens is het de vraag of we ons in alle gevallen heel druk moeten maken om afkortingen; gebruikers zullen waarschijnlijk niet snel zoeken op woorden als 'ende' of 'voorschreven' (maar weer wel op 'Admiraliteijt').
Bij deze de transcriptie conventie die is gebruikt voor het project van het Nationaal Archief, De ijsberg zichtbaar maken.
In dit project, dat loopt van januari 2019 t/m december 2020, ontsluiten we twee miljoen scans van archieven met semi-automatische handschriftherkenning. Het Nationaal Archief selecteerde scans van het archief van de VOC (17e en 18e eeuw). Van de Regionaal Historische Centra, waaronder het Noord-Hollands Archief werden scans selecteerde van notariele archieven (19e eeuw).
Een belangrijke pijler van het project is het maken van transcripties. Hiermee worden modellen gemaakt voor het automatisch transcriberen van historische handschriften. Een tweede pijler van het project is het bouwen van een functionaliteit voor het zoeken in de transcripties.
Dit zijn onze invoerinstructies op Vele Handen. Deels gebaseerd op het AAA project leer de computer lezen.
Invoerinstructie Vele Handen 4-11-2019.pdfHier zijn de invoerinstructies van Crowd Leert Computer Lezen: https://velehanden.nl/bestanden/projecten/project/amsterdam_train_notarieel_index/file/invoerinstructie.pdf
Kortweg hanteren wij de stelregel: schrijf wat zichtbaar op de scan is en gesegmenteerd is. We normaliseren daarbij niets. Alleen als afkortingen maar op één manier kunnen worden uitgeschreven, mag dat worden gedaan.