KB Onderzoekskroniek: Van pixels naar proza

Door Gauri Bhagwat en Marijn Biekart

Bij het digitaliseren van teksten zijn HTR en OCR essentiële tools om scans om te zetten in tekst, maar vroegmoderne Europese lettertypen vormen hierbij een uitdaging. Onderzoek moet aantonen hoe geavanceerde technologieën en op maat gemaakte AI-modellen het digitaliseren van dit erfgoed kunnen verbeteren en efficiënter kunnen maken.

Onder leiding van Steven Claeyssens (conservator digitale collecties) doe ik in mijn stageproject bij de KB onderzoek naar toepassingen van handwritten text recognition (HTR) en optical character recognition (OCR) voor vroegmoderne Europese lettertypen. In mijn project richt ik me op Nederlands historisch materiaal met Romeinse, Gotische, Fraktur- en Civilité-lettertypen in de collectie van de Digitale Bibliotheek voor de Nederlandse Letteren (DBNL). Ik hoop dat ik in dit project oplossingen kan integreren in uitvoerbare scenario’s voor het digitaliseringsproces van de KB, zodat we de best mogelijke transcripties kunnen maken.

Uitzonderlijke nauwkeurigheid

Het project begon met een uitgebreide kennismaking met het digitaliseringsproces van de KB, gevolgd door grondig bureauonderzoek om de complexiteit van HTR- en OCR-technologieën te begrijpen. Daarnaast heb ik interviews gehouden met experts op het gebied van tekstherkenning, data science en artificiële intelligentie uit Nederland en andere Europese landen. Zij boden mij begeleiding, en ik heb van hen waardevolle inzichten meegekregen.

Op dit moment worden teksten met Gotische lettertypen handmatig voor de DBNL getranscribeerd. Hoewel dit tijdrovend werk is, leidt het tot een uitzonderlijke nauwkeurigheid van 99,99 procent. Een van de grootste uitdagingen voor het ontwerp van een geautomatiseerd digitaliseringsproces is dan ook om een dergelijk hoge nauwkeurigheid te handhaven. Daarom is het belangrijk om alle mogelijke oplossingen te testen.

Ik deed dus uitgebreid tests met verschillende HTR- en OCR-tools en maakte een selectie van mogelijke oplossingen. Vervolgens werd, op basis van expertmeningen en de inhoud van het corpus, gekozen voor Transkribus als beste oplossing.

Grondig testen noodzakelijk 

In Transkribus zijn verschillende AI-modellen beschikbaar voor tekst- en lay-outherkenning. Bij het bekijken van het corpus werd echter duidelijk dat er behoefte was aan een op maat gemaakt AI-model. Na uren van coderen, datamanipulatie en training heb ik meerdere modellen voor tekst- en lay-outherkenning gecreëerd. Deze modellen leveren nauwkeurige resultaten op en kunnen het digitaliseringsproces aanzienlijk versnellen.

Voordat een definitieve oplossing wordt gekozen, is grondig testen noodzakelijk. Mijn huidige focus (in april 2024) is daarom het opzetten van een pilotstudie om de effectiviteit van de ontwikkelde werkstroom te evalueren. In deze pilotstudie zal de Transkribus-werkstroom worden vergeleken met de huidige, handmatige werkstroom op het gebied van nauwkeurigheid, snelheid en haalbaarheid binnen het algemene digitaliseringskader van de KB. Na afloop van de pilotstudie zal ik de resultaten samen met de oplossingen en uitvoerbare werkstromen in een rapport aan de KB presenteren.

Optimale tekstherkenningsprocessen 

Door gebruik te maken van geavanceerde technologieën en op maat gemaakte AI-modellen, is het doel van mijn project niet alleen om transcripties te behouden, maar ook om die te verbeteren, terwijl het digitaliseringsproces efficiënter wordt gemaakt. Dit project vertegenwoordigt dus een belangrijke stap in het optimaliseren van tekstherkenningsprocessen voor Europese vroegmoderne lettertypen, met name binnen de context van Nederlands historisch gedrukt materiaal.


Gauri Bhagwat is masterstudent Rare Book and Digital Humanities aan de Université Bourgogne-Franche-Comté en stagiaire bij de KB, de nationale bibliotheek (Engelse tekst); Marijn Biekart is junior AI-onderzoeker bij de KB (Nederlandse vertaling).

Deze bijdrage komt uit de papieren IP #4-2024. Het hele nummer kun je hieronder lezen of downloaden.