OCR ist für historische Zeitschriften unverzichtbar – aber OCR produziert keine fertigen Personendaten. Gerade bei alten Drucktypen, fremdsprachigen Namen und grammatisch gebeugten Formen entstehen Rohfunde, die plausibel aussehen und trotzdem falsch sind.
Typische OCR-Probleme
Gebeugte Namensformen
Rohformen wie Edvarda Muncha, Edvardu Munchovi oder Paula Claudela müssen auf Edvard Munch bzw. Paul Claudel zurückgeführt werden.
Kleine OCR-Fehler
Schon ein Buchstabe kann die Suche entgleisen: Qscar Wilde statt Oscar Wilde, Arthar Breisky statt Arthur Breisky oder Hugo von Hojmannsthal statt Hugo von Hofmannsthal.
Mehrere Personen in einem Treffer
Autoren- und Übersetzerzeilen können zu einem scheinbaren Namen verschmelzen. Solche Kandidaten müssen gesplittet werden, wobei die gemeinsame Fundstelle erhalten bleibt.
Rollen und Überschriften als Personen
Theatertexte und Inhaltsverzeichnisse erzeugen scheinbare Namen wie KONSTANCE Polibek oder NORBERT Rychlé. Solche Muster müssen früh erkannt werden.
Rohform niemals wegwerfen
Die ursprüngliche OCR-Form bleibt erhalten. Der kanonische Name wird zusätzlich gespeichert. Nur so bleibt nachvollziehbar, warum ein Kandidat entstanden ist.
- Rohform
- kanonischer Name
- Quellseite bzw. Dokument-ID
- Textausschnitt
- Beziehung zur Zeitschrift
- Identitätsquelle
- Prüfstatus
Normalisierungs-Workflow
- Zeichen bereinigen.
- Offensichtlichen Müll filtern.
- Namensform normalisieren.
- Composite-Namen splitten.
- Normdaten prüfen.
- Deduplizieren.
- Fundstelle behalten.
Person, Begriff oder Rauschen?
Mercure de France ist kein Personenname, aber ein sinnvoller Enzyklopädiebegriff. Deshalb sollte ein Sammler mindestens zwischen raw_person, raw_term und raw_noise unterscheiden.
Externe Quellen erst nach der Normalisierung
Ein fehlerhafter OCR-Seed vervielfacht sich sonst über viele Bibliotheksabfragen. Externe Quellen gehören deshalb nach die erste Normalisierungsstufe.
Geeignete Quellen: Kostenlose digitale Bibliotheken für historische Recherche.
Keine automatische Veröffentlichung
Rohkandidaten sollten nie automatisch zu WordPress-Artikeln werden. Erst nach Identitätsprüfung, dokumentierter Beziehung, Quellenkontrolle und Dublettenprüfung sollte ein Datensatz den Status ready bekommen.
Gesamtprozess: Historische Zeitschriften automatisiert auswerten. Dauerbetrieb: WordPress-Watchdog für lange Recherchejobs.
Fazit
OCR ist ein hervorragender Kandidatenfinder, aber ein schlechter Identitätsmanager. Qualität entsteht erst durch Kanonisierung, Normdaten, Dublettenprüfung und dokumentierte Quellenbeziehung.