CREMMA (Akronym für Consortium pour la Reconnaissance d'Écritures Manuscrites des Matériaux Anciens) ist ein Forschungsprojekt zur automatischen Handschrifterkennung (HTR) und Layout-Segmentierung von vormodernen Handschriften. Es entwickelt Transkriptionsrichtlinien und HTR-Modelle, transkribiert Handschriften und stellt sowohl Modelle als auch Trainingsdaten zur Nachnutzung unter freier Lizenz zur Verfügung.
Hintergrund und Kontext Das Projekt entstand vor dem Hintergrund wachsender Bedeutung von HTR in den Digital Humanities mit dem Anspruch, nicht-kommerzielle Angebote zur Transkription historischer Handschriften zu stärken. In den Jahren 2020/21 wurde es im Rahmen des Großprojekts DIM MAP (Domaine d'intérêt majeur — Matériaux anciens et patrimoniaux) von der Region Île-de-France sowie der École nationale des chartes gefördert. CREMMA nutzt für seine Datenerstellung eScriptorium sowie die Software Kraken (insbesondere das BLLA-Modell) zur Segmentierung und stellt seine Modelle und zugehörige Daten unter freien Lizenzen zur Verfügung.Alix Chagué/Thibault Clérice/Laurent Romary: HTR-United : Mutualisons la vérité de terrain ! In: DHNord2021 - Publier, partager, réutiliser les données de la recherche : les data papers et leurs enjeux, MESHS, Lille 2021. Online. Das Projekt stellt auch Zugänge zu seiner Instanz von eScriptorium zur Verfügung.
Cremma erforscht überwiegend vormoderne Handschriften in lateinischer oder altfranzösischer Sprache.
Das Projekt hat Richtlinien entwickelt, die eine handschriftennahe, graphemische Transkription vorschreiben: Die Orthographie sowie Groß-/Kleinschreibung wird nicht normalisiert; Allographe werden immer nur durch je ein Zeichen wiedergegeben (wobei u und v als allograph gelten); Abbreviaturen und Abkürzungen nicht aufgelöst, sondern durch spezielle Zeichen wiedergegeben. Dies erleichtert die Erstellung, Vereinheitlichung und maschinelle Auswertbarkeit der Trainingsdaten. Zur Qualitätssicherung wird die selbstentwickelte Software ChocoMufin eingesetzt, die Zeichen anhand projektspezifischer Konvertierungstabellen kontrolliert und automatisch korrigiert. Für die Segmentierung nutzt das Projekt das kontrollierte Vokabular SegmOnto, das eine einheitliche Beschreibung von Layout-Zonen (z. B. „MainZone“, „MargintextZone“) ermöglicht.
Ein vom Projekt veröffentlichter Datensatz ist „CREMMA Medii Aevi“; er umfasst rund eine Million Zeichen für mittelalterliche Manuskripte in Latein und Altfranzösisch. Die Handschriften stammen überwiegend aus dem Zeitraum 1100–1500 und decken verschiedene Textgattungen ab.Thibault Clérice / Malamatenia Vlachou-Efstathiou / Alix Chagué: CREMMA Medii Aevi: Literary Manuscript Text Recognition in Latin. In: Journal of Open Humanities Data 9 (2023) article 4.
Weblinks Homepage Blog HTR United (Repositorium der vom Projekt publizierten Daten auf GitHub)
Einzelnachweise
Kategorie:Forschungsprojekt Kategorie:Korpuslinguistik Kategorie:Paläographie Kategorie:Mediävistik