Journal for Language Technology and Computational Linguistics (JLCL)

Würzner, Kay-Michael

Geyken, Alexander

Mühlberger, Günter

Editorial
The automatic recognition of text in images and its transformation into machine-
readable formats is a long-standing promise of research in computer science to the
text-based humanities and natural sciences but also to libraries. But while users can
expect virtually error-free results for modern sources, the situation is different for more
challenging materials: For example, newspapers from the first half of the 20th century
already show many difficulties in recognition. The prospects for documents from the
15th-18th century are even worse.
Libraries expect no more and no less than reliable and efficient methods for the
text digitization of their own collections. This is associated with the hope of greater
outreach, especially via the Internet. With the help of virtual collections, libraries may
reach substantially larger user groups which would hardly find their way into the local
reading rooms. Unfortunately, text digitization is currently all too often implemented
as a by-product of image digitization. A thorough analysis of the results is only carried
out to a very limited extent.
On the part of the text-based humanities and natural sciences, there is a desire
for large amounts of text data, which do not have to be collected by means of time-
consuming, detailed transcription work but can be conveniently retrieved, searched and
analyzed. Scientific investigations could thus concentrate on the actual research instead
of spending a great deal of time and effort on data collection and processing. However,
this requires easy-accessible research data of high quality.
For computer sciences, automatic text recognition is primarily a scientific problem.
The aim is to develop algorithmic solutions the quality of which can be verified in a
comparable manner using standardized, more or less representative data sets. The
results which are presented, practically domain-independent error rates of below 1 %,
always read promisingly, but often have only a very limited validity for their application
in mass digitization scenarios and consequently for the creation of a reliable basis for
text-based research. It took a critical examination of the results of industrial projects
such as Google Books or research projects such as IMPACT (Improving Access to Text)
to bring the task of text recognition back into the focus of scientific efforts.
However, there are legitimate reasons to hope that error rates which can be observed
for modern sources may also be in range for historical documents: The use of statistical
learning methods based on (deep) neural networks has led to an enormous leap in
quality also in the field of text and layout recognition. This is reflected in a significant
reduction of error rates due to a substantially higher tolerance to variances in the
material which is to be processed. In addition, the task of handwriting recognition and
the recognition of printings are regarded as instances of the same scientific problem.
A prerequisite for the successful use of machine learning methods, however, are
great amounts of texts and structural annotations which are sufficiently accurate and
representative of the subject (and therefore called ground truth). They serve as a
reference point for training and evaluation. The creation of such materials is therefore
at least as important as the development and adaptation of algorithms which make use
of ground truth data.
JLCL 2018 – Band 33 (1) i
This volume of the Journal for Language Technology and Computational Linguistics
aims to meet both basic requirements for successful automatic text recognition. It
contains methodological contributions concerning the actual recognition process as well
as contributions dealing with the creation and optimization of necessary training and
evaluation data. It is completed by the presentation of concrete resources and tools
intended to contribute to the quality of automatic text recognition results with the
perspective to qualify them as genuine research data in the not too distant future.
We would like to thank all authors for their contributions. Next, we would also like
to thank the reviewers, who have contributed to the quality of the published articles in
an excellent way. Last but not least we want to express our gratitude to the German
Society for Computational Linguistics and Language Technology and especially Adrien
Barbaresi and Lothar Lemnitzer for providing a forum for the topic of automatic text
recognition.
The guest editors, Kay-Michael Würzner, Alexander Geyken, Günter Mülberger.
ii JLCL


English

Editorial

Reul, Christian

Springmann, Uwe

Wick, Christoph

Puppe, Frank

Improving OCR Accuracy on Early Printed Books by combining Pretraining, Voting, and Active Learning

Comparison of OCR Accuracy on Early Printed Books using the Open Source Engines Calamari and OCRopus

Amrhein, Chantal

Clematide, Simon

Supervised OCR Error Detection and Correction Using Statistical and Neural Machine Translation Methods

Al-Zaghir, Zainab

Relativisation across varieties: A corpus analysis of Arabic texts

Alosaimy, Abdulrahman

Atwell, Eric

Tagging Classical Arabic Text using Available Morphological Analysers and Part of Speech Taggers

Hamed, Osaama

Zesch, Torsten

A Survey and Comparative Study of Arabic Diacritization Tools

Barbaresi, Adrien

Lemnitzer, Lothar

Haddar, Kais

Editorial
In order to widen the scope of the JLCL, it was decided to publish a special issue
of the journal with the title NLP für Perso-Arabic alphabets. After an open call for
papers, we received eight contributions. After the usual reviewing process (at least two
reviews per contribution) we could accept three papers for publication. As a result, this
issue mostly deals with topics related to natural processing and automatic annotation
(articles 1 and 2), while contribution 3 presents an empirical study on a particular type
of phrase structure. The contributions focus on Arabic and its variants, a field that
still provides a number of challenges for computational methods and tools.
We would like to thank the GSCL-board for their support. We also would like to
thank the reviewers who took the time to help us meet the quality standards of the
journal.
Last but not least, we wish our readers a pleasant and informative lecture.
The editors, Adrien Barbaresi, Lothar Lemnitzer and Kais Haddar.
JLCL 2017 – Band 32 (1) i


Hoenen, Armin

Mehler, Alexander

Gippert, Jost

Armin Hoenen, Alexander Mehler, Jost Gippert
Editorial
 
 
Im Februar 2016 fand an der Goethe Universität Frankfurt der Workshop “Corpora and 
Resources for Low Resource Languages with a Special Focus on Historical Languages” oder 
kurz CRiLL-HL statt.1 Er wurde in Kooperation der GSCL-Arbeitskreise Korpuslinguistik und 
Historisch-Vergleichende Sprachwissenschaft mit dem Centrum für Digitale Forschung in den 
Geistes-, Sozial- und Bildungswissenschaften (CEDIFOR) der Goethe-Universität veranstaltet. 
Während für viele, vor allem für größere Sprachen mittlerweile eine gute bis sehr gute 
technologische Infrastruktur bereitsteht (d.m. in Bezug auf die Verfügbarkeit von Ressourcen 
einerseits und die Verfügbarkeit von grundlegenden Technologien andererseits), ist dies im 
Bereich so genannter Low Resource Languages (LRL), solcher Sprachen also, welche aus 
unterschiedlichsten Gründen wenig Zugang zu Ressourcen wie Korpora aller Art, Lexika, 
Grammatiken usw. aufweisen, noch nicht der Fall. Dies steht im Gegensatz zur großen 
Bedeutung dieser Sprachen, welche nicht nur in Europa selbst für einen Großteil der 
linguistischen Diversität verantwortlich sind. Die Situation verbessert sich in mancher Hinsicht 
stetig durch große Infrastrukturprojekte und Initiativen, sowie Organisationen, welche sich der 
Erschließung von LRL verschrieben haben. So sind beispielsweise CLARIN2 mit seinem 
Language Resource Inventory oder die ELRA3 zu nennen, welche für einen stetig besser 
werdenden Zugang zu Sprachressourcen sorgen. Unter anderem bedrohte Sprachen werden 
durch Projekte wie DOBES4 noch einmal besonders ins Auge gefasst, da ihr unmittelbares 
Verschwinden droht. 
WissenschaftlerInnen, die in einem dieser Kontexte zu LRL Sprachen forschen, sehen sich 
teilweise aber noch immer mit einer Reihe spezieller, schwer lösbarer Probleme konfrontiert, für
deren Diskussion der Workshop ein Forum bieten und sich so in die Bestrebungen um eine 
bessere Verarbeitbarkeit der genannten Sprachen einreihen wollte. Besonders im Bereich der 
historischen Sprachen, welche innerhalb der LRL noch einmal eine besondere Stellung 
einnehmen, fand ein reger wissenschaftlicher Austausch statt. Dies betraf nicht nur die 
Präsentationen entsprechender Beiträge, sondern auch die Arbeit in themenorientierten 
Arbeitsgruppen, in welchen die TeilnehmerInnen spezielle Verfahrensweisen (wie z.B. die 
Lemmatisierung historischer Texte) intensiv diskutierten. In Bezug auf Annotationen 
korrespondieren einige der diskutierten Themen mit Fragestellungen, wie sie das kürzlich 
erschienene Handbook of linguistic Annotation thematisiert, was einmal mehr die Aktualität 
des Workshop-Themas unterstreicht. 
Das vorliegende Heft des JLCL versammelt im Nachgang zu diesem Workshop nunmehr 
ausgewählte Beiträge, welche in diesem Kontext entstanden sind:
1. Der erste Beitrag von Florian Petran, Thomas Klein, Stefanie Dipper und Marcel 
Bollmann stellt mit ReM ein Referenzkorpus des Mittelhochdeutschen vor. Dabei 
1 Informationen zum Workshop findet der interessierte Leser auch unter der Adresse http://gscl-ak-korpuslinguistik.hucompute.org 
2 https://www.clarin.eu/content/language-resource-inventory
3 http://www.elra.info/en
4 http://dobes.mpi.nl
werden Korpusgenese, Quellen, Struktur und Annotationen genau beschrieben und 
mit Beispielen ausgeführt. ReM ist Teil eines bundesweiten Projektes zur Schaffung 
von Referenzkorpora für historische Sprachstufen des Deutschen. Es wurde semi-
automatisch mit Annotationen angereichert, so u.a. im Hinblick auf Tokenisierung, 
Normalisierung, Parts of Speech, morphologische Analyse, Lemmata, wodurch eine 
Vielzahl weitergehender Analysen ermöglicht wird. Insgesamt umfasst ReM ca. 2,5 
Millionen Token (in ca. 400 Texten).  
2. Der zweite Beitrag von Roland Mittmann beschreibt eine Methode zur automatischen
dialektalen Einordnung althochdeutscher Wortformen. Der Autor stellt das Konzept 
dieser Methode vor, welches auf aus Grammatiken extrahierten relativen 
Lautentsprechungen und deren grammatikalischen Funktionen beruht, und 
demonstriert erste Ergebnisse, welche auf die vielversprechende Anwendbarkeit 
seiner regel-basierten Methode zum Zwecke der automatischen Einordnung 
althochdeutscher Texte in Zeit-Dialekträume schließen lassen. 
3. Der dritte Beitrag von Armin Hoenen und Lela Samushia stellt ein altgeorgisches 
Inschriftenkorpus vor, welches im Format der TEI (EpiDoc) codiert wurde, und 
erörtert die spezifischen Probleme, die dieser Texttyp an die technologische 
Verarbeitung stellt. Als proof-of-concept präsentieren Hoenen und Samushia Front- 
und Backend eines Tools, das aufzeigt, welche Eigenschaften wichtig sind, um bei der
Entschlüsselung und Rekonstruktion der Botschaft von oft nur fragmentarisch 
überlieferten Inschriften zu helfen. Dabei kommen language models, word 
embeddings und frequenzbasierte Statistiken zum Einsatz.  
 
Wir danken allen Gutachtern, der GSCL, den Herausgebern des JLCL sowie dem CEDIFOR 
für die gewährte Unterstützung und wünschen den LeserInnen ein angenehmes und hoffentlich
erkenntnisreiches Leseerlebnis.
Armin Hoenen, Alexander Mehler und Jost Gippert
(Juli 2017, Frankfurt am Main)
Literatur
Ide, N., & Pustejovsky, J. (Eds.). (2017). Handbook of Linguistic Annotation. 
Springer.


Not a member yet

Editorial

Improving OCR Accuracy on Early Printed Books by combining Pretraining, Voting, and Active Learning

Comparison of OCR Accuracy on Early Printed Books using the Open Source Engines Calamari and OCRopus

Supervised OCR Error Detection and Correction Using Statistical and Neural Machine Translation Methods

Relativisation across varieties: A corpus analysis of Arabic texts

Tagging Classical Arabic Text using Available Morphological Analysers and Part of Speech Taggers

A Survey and Comparative Study of Arabic Diacritization Tools

Editorial

Editorial

Towards Interactive Multidimensional Visualisations for Corpus Linguistics

231

253