KVAN10 - Catch+, Schratch+ ... Schratch4All - Henny van Schie

Catch+, Scratch+, … Scratch4All

duizend jaar geschiedenis ligt op honderdkilometer plank van hetde geschiedenis dijt uit, jaarlijks met kilometers

Catch+, Scratch+, ... Scratch4All

Doel

SCRipt Analysis Tools for the Cultural Heritage

"Googelen" in digitale afbeeldingen van handgeschreven archiefmateriaal ....


.... ongeacht het handschrift.

19e eeuws handschrift 20e eeuws Sütterlinschrift

MAAR: de computer moet elk handschrift aanleren


Methode

• patroonherkenning van woorden en delen van woorden

•maar ... computer moet handschriften “leren” lezen

• regelmatigheden van de inhoud van teksten (statistische computerlinguistiek )

• layout-analyse


Nuttig voor archieven ?

• archieven zijn grotendeels chronologisch geordend

• inventarissen en catalogi bieden geen toegang

• digitalisering van de metadata in deze toegangen levert dus te weinig toegankelijkheid op


... want ...

• chronologische archieven zijn veelal zeer omvangrijk

• en bevatten heel veel verschillende handschriften, maar ...


... en ...

• ... chronologische archieven:

• zijn vaak wel voorzien van handgeschreven (alfabetische) indices, die

• de metadata bevatten van de documenten in die archieven opgeslagen


dus ...

• de indices scannen

• de digitale afbeeldingen “scratchen”

• de chronologische brievenseries scannen

• GEEN metadata toekennen, behoudens een nummer

• linken van de “gescratchte” metadata van de indices aan de chronologisch geordende brieven


Metadata ...

• ... elke afzonderlijke paragraaf (index entry) verwijst naar een document in de chronologische serie,

• i.c. 1903 Maart 4, No. 13


... gekoppeld aan het document


Huidige situatie

• wetenschappelijke resultaten zeer succesvol

• patroonherkenningssysteem lokaal bij RuG (AI)

• verschillende soorten bronnen zijn bewerkt

• maar:

• geen mogelijkheid om nieuwe bronnen toe te voegen en te bewerken


Gewenste situatie

• systeem beschikbaar buiten RuG-AI-omgeving

• proces beheersbaar en aanstuurbaar door deelnemende erfgoedinstellingen

• “gescratchte” bestanden raadpleegbaar in een gebruikersvriendelijke interface


Belang

• belangrijk voor erfgoedsector:• het kunnen ontsluiten van handgeschreven materiaal, op een snellere, efficiëntere manier

• belangrijk voor “het publiek”: • handgeschreven materiaal kunnen raadplegen, als ware het gedrukt

• innovatief: • een nauwelijks bestaande techniek komt beschikbaar


Belang voor Nationaal Archief

• één meter

“gescratchte” indices biedt toegang tot bijna

• 40 meter

chronologisch geordende Koninklijke besluiten, wetten en

kabinetsbrieven


… en het archief van het Kabinet der Koningin

• heeft een omvang van

(periode 1798-1988):

- 3250 strekkende meter

• en bestaat uit:

- 28.000 dozen

- met ca. 1000 pagina’s per doos

•� 28.000.000 paginas (scans)


Resultaat voor andere instellingen

• software voor doorzoekbaar maken van handgeschreven teksten, zonder volledige annotatie

• mits:

• de bron in één of slechts enkele handschriften is geschreven

• de scans van goede kwaliteit zijn

• de middelen aanwezig zijn om de computer het handschrift “aan te leren”


Planning

• definiëren gebruiksspecificaties (2009)

• contractonderhandelingen, projectplan (2010 jan.-juni)

• bouw systeemomgeving (2010 juli-okt.)

• bouw beheersmodule (2010 okt.- 2011 feb.)

• aanpassing of bouw transcriptie en zoekmodule (2011 feb.-juni)

• testen en instructie gebruik (2011 juli-dec.)

• oplevering (2011 laatste kwartaal)

KVAN10 - Catch+, Schratch+ ... Schratch4All - Henny van Schie

Technology

Transcript of KVAN10 - Catch+, Schratch+ ... Schratch4All - Henny van Schie