Historische Zeitschriften enthalten oft tausende Namen, Werke, Rezensionen, Übersetzungen und Querverweise. Wer daraus eine Enzyklopädie aufbauen möchte, stößt mit rein manueller Recherche schnell an Grenzen. Im Projekt rund um die Moderní revue hat sich deshalb ein mehrstufiger Workflow bewährt: Digitalisate maschinell lesen, Rohfunde speichern, Namen und Begriffe normalisieren, externe Quellen zur Identitätsprüfung heranziehen und erst ganz am Ende einen veröffentlichungsreifen Artikel erzeugen.
Rohdaten zuerst, Veröffentlichung zuletzt
Ein OCR-Treffer ist noch kein Enzyklopädieeintrag. Er ist zunächst nur ein Rohkandidat mit Fundstelle.
- Digitalisierte Zeitschriftenseiten und Metadaten durchsuchen.
- Personen-, Werk- und Begriffskandidaten mit Quellenfundstelle speichern.
- Offensichtliche OCR-Fehler und Überschriften aussortieren.
- Namensformen normalisieren und Dubletten zusammenführen.
- Identität über Normdaten prüfen.
- Die konkrete Beziehung zur untersuchten Zeitschrift dokumentieren.
- Erst danach Artikeltext, Quellen und Qualitätsprüfung erzeugen.
Kramerius als OCR-Quelle
Für tschechische historische Bestände ist das Open-Source-System Kramerius besonders interessant. Über die Client-API lassen sich Strukturen digitalisierter Werke durchlaufen und – sofern vorhanden – OCR-Texte einzelner Seiten abrufen.
Statt komplette Jahrgänge in einem Lauf zu verarbeiten, ist eine kleine, fortsetzbare Warteschlange stabiler. Der Sammler merkt sich den Stand, liest pro Lauf nur eine begrenzte Zahl von Seiten und speichert den Zustand dauerhaft.
WordPress als Recherche-Zentrale
WordPress kann auch als leichtgewichtige Steuerzentrale dienen. Kandidaten, Status, Fundstellen und Laufprotokolle lassen sich in eigenen Tabellen bzw. Optionen speichern. Ein wiederkehrender Cronjob stößt die nächsten Arbeitspakete an.
- Nach Abbruch fortsetzbar.
- Kleine kontrollierbare Läufe.
- Fehler einer Quelle stoppen nicht alles.
- Fortschritt und Quellenqualität bleiben messbar.
Status statt Ja/Nein
Sinnvoll sind Zustände wie raw_candidate, raw_noise, researched, ready und rejected. Noch besser ist eine zusätzliche Trennung zwischen Personen, Werken, Zeitschriften, Institutionen und Begriffen.
Masse braucht Qualität
Sobald der Sammler funktioniert, verschiebt sich das Problem: OCR liefert gebeugte Namen, Rollenbezeichnungen, Überschriften und zusammengeklebte Personenketten. Deshalb muss die Qualitätssicherung genauso automatisiert werden wie die Sammlung.
Mehr dazu: OCR-Namen aus alten Zeitschriften bereinigen.
Internationale Quellen als zweite Ebene
Nach der direkten Zeitschriftenquelle folgt die Identitäts- und Kontextprüfung. Gallica, DNB/GND, Internet Archive, Finna, Library of Congress und weitere nationale Bibliotheken helfen dabei.
Übersicht: Kostenlose digitale Bibliotheken für historische Recherche.
Dauerbetrieb
Für einen mehrtägigen Sammler braucht es Locks, Fehler-Recovery, Laufzeitbegrenzungen und aussagekräftige Logs. Details: WordPress-Watchdog für lange Recherchejobs.
Fazit
Der entscheidende Schritt ist nicht ein besonders intelligenter Einzelprompt, sondern eine belastbare Pipeline. OCR und Bibliotheks-APIs liefern Rohmaterial. WordPress organisiert Zustand und Wiederholungen. Normalisierung und Quellenprüfung verwandeln die Rohdaten anschließend in belastbare Enzyklopädieeinträge.