• Projekt
• Texte
• Dokumentation
• Publikationen
• Projektgruppe

Workflow

Statt Volltexte – wie bei Kernkorpustexten des Deutschen Textarchivs üblich – per Double-Keying-Verfahren oder OCR mit manueller Nachbearbeitung zu erfassen, bedient sich das Kurationsprojekt bereits existierender Textressourcen aus laufenden oder abgeschlossenen Forschungsprojekten und Initiativen. Im Internet verstreute oder lokal auf Datenträgern abgespeicherte digitale Volltexte (in Verbindung mit zugehörigen Imagedigitalisaten der Vorlage) werden identifiziert und kriteriengestützt charakterisiert. Anschließend werden die Texte schrittweise aufbereitet und aufgewertet, um in die Korpus-Umgebungen der Projektpartner sowie in die CLARIN-D-Infrastruktur integriert zu werden.

Workflow des Kurationsprojekts (Bildnachweis: www.iconarchive.com, www.clarin-d.net)

---

Arbeitsschritte

---

Identifizierung und Bewertung von Textressourcen

Im Internet zugängliche oder lokal auf Datenträgern gespeicherte Textressourcen in verschiedenen Formaten (XML, HTML, Reintext) werden bibliographisch dokumentiert. Ihre Erfassungsprinzipien sowie ihre textphilologischen Metadaten werden charakterisiert, so dass im Anschluss eine kriteriengestützte Auswahl von Texten zur Integration in die CLARIN-D-Infrastruktur getroffen werden kann.

---

Aufwertung der Vorlage

„Aufwertung“ heißt konkret:

• Konvertierung der unterschiedlichen Dateiformate nach XML/TEI nach den Richtlinien des DTA-Basisformats [1] mit Hilfe des oXygen-Frameworks DTAoX [2] ;
• Verbindung von „maschinenlesbaren“ Texten mit den entsprechenden Imagedigitalisaten, die ebenfalls durch Recherche im Netz ermittelt werden;
• Einführung einer vorlagengetreuen Seiten- und ggf. einer zusätzlichen Zeilenreferenz;
• Anreicherung der Texte mit forschungsorientierten Metadaten (z. B. Texttyp, Themenfeld, Region, Geschlecht) mit Hilfe des CLARIN-D-Metadatenformulars [3];
• Angaben zur ursprünglichen Transkription und deren Richtlinien, zur Quelle und zu den Nutzungsbedingungen.

---

Integration in die bestehenden Korpora der BBAW und der HAB

Sobald die Vorlagen im DTA-Basisformat vorliegen, werden die Texte in die Qualitätssicherungsumgebung des Deutschen Textarchivs – kurz DTAQ [4] – integriert, wo sie

• für Nachkorrekturen seitens der DTAQ-Community freigegeben,
• linguistisch via CAB [5] analysiert,
• für die DDC-Suche [6] indexiert,
• in verschiedenen Downloadformaten (XML/TEI, HTML, TCF, Reintext) bereitgestellt,
• und langfristig für Nutzer zugänglich gemacht und archiviert werden.

---

Integration in die CLARIN-D-Infrastruktur

Eine OAI-PMH-Schnittstelle sichert die Indexierung der Daten für die Federated-Content-Search sowie ihre Aufnahme in das Virtual Language Observatory.

Außerdem stehen die Texte mit der Aufnahme in die Qualitätssicherungsumgebung DTAQ im CLARIN-D-Textformat TCF sowie im CLARIN-D-Metadatenformat CMDI zur Verfügung.