Ein Satz fällt in Gesprächen mit Archiven und Verwaltungen immer wieder: Wir haben doch schon Texterkennung, die lief über den ganzen Bestand. Und tatsächlich liegt vielen Digitalisaten eine Textschicht bei. Nur steht auf den handschriftlichen Seiten darin fast nichts Verwertbares. Das ist kein Einstellungsfehler und keine Frage der Auflösung. Klassische Texterkennung und Handschriftenerkennung lösen schlicht verschiedene Aufgaben.
Wie klassische Texterkennung arbeitet
Klassische OCR wurde für gedruckten Text entwickelt. Ihr Grundprinzip: Die Seite wird in Zeilen zerlegt, die Zeilen in einzelne Zeichen, und jedes Zeichen wird für sich erkannt. Das funktioniert, weil Druckschrift genau die passenden Eigenschaften mitbringt. Jedes a sieht aus wie jedes andere a, die Zeichen stehen sauber getrennt nebeneinander, und die Formen stammen aus einer begrenzten Zahl von Schriftarten.
Warum dieses Prinzip an Handschrift zerbricht
Handschrift verletzt jede dieser Voraussetzungen:
- Es gibt keine Einzelzeichen: Schreibschrift ist verbunden. Wo ein Buchstabe endet und der nächste beginnt, ist im Schriftbild nicht objektiv festzustellen. Die Zerlegung, auf der klassische OCR beruht, ist bei Kurrent schlicht nicht möglich.
- Jede Hand ist anders: Derselbe Buchstabe sieht bei jedem Schreiber anders aus, beim selben Schreiber morgens anders als abends, 1820 anders als 1850.
- Die Form allein ist mehrdeutig: In Kurrent bestehen e, n, m und u aus denselben Zacken. Welcher Buchstabe gemeint ist, entscheidet nicht die Form, sondern das Wort, in dem sie steht.
Das Ergebnis kennt jeder, der es probiert hat: Auf Handschrift liefert klassische OCR Zeichensalat oder leere Seiten.
Wie Handschriftenerkennung stattdessen vorgeht
Handschriftenerkennung, in der Fachwelt kurz HTR genannt, kehrt die Reihenfolge um. Statt Einzelzeichen zu klassifizieren, liest ein neuronales Netz die Zeile oder die Seite als Ganzes und ermittelt die wahrscheinlichste Zeichenfolge im Zusammenhang. Das Modell lernt aus Beispielen, wie eine bestimmte Hand schreibt, und nutzt den sprachlichen Kontext: Steht vor der mehrdeutigen Zackenfolge ein Artikel, dahinter ein Ortsname, dann grenzt das die Lesarten drastisch ein. Genau so gehen übrigens auch geübte menschliche Leser vor. Niemand entziffert Kurrent Buchstabe für Buchstabe.
Die neueste Stufe dieser Entwicklung liest nicht nur Zeilen, sondern versteht die Seite: Vordruckraster, Spalten, Randvermerke und Eintragsgrenzen werden zusammen mit dem Text erfasst. Damit entstehen Volltext und strukturierte Felder in einem Durchlauf, und ein Randvermerk wird als Berichtigung zu einem bestimmten Eintrag erkannt statt als Störung verworfen.
Der Vergleich im Überblick
| Klassische OCR | Handschriftenerkennung | |
|---|---|---|
| Material | Druckschrift | Schreibschrift, Mischseiten, historische Schriften |
| Prinzip | Einzelzeichen erkennen | Zeile und Seite im Zusammenhang lesen |
| Training | fertig, generisch | auf Bestand und Schreiberhände anpassbar |
| Ergebnis auf Kurrent | unbrauchbar | Transkription mit Konfidenzwerten |
Woran man Qualität erkennt
Kein Verfahren liest fehlerfrei, auch das beste nicht. Seriös wird es dort, wo Fehler messbar und sichtbar gemacht werden. Zwei Kennzahlen sind der Maßstab:
- Zeichenfehlerrate (CER): Anteil der falsch erkannten Zeichen gegenüber einer geprüften Referenz. Liest ein Modell von 1000 Zeichen 970 richtig, liegt die Zeichenfehlerrate bei 3 Prozent.
- Wortfehlerrate (WER): Anteil der fehlerhaften Wörter. Sie liegt näher an der Recherchepraxis, denn ein einziges falsches Zeichen macht einen Namen in der Volltextsuche unauffindbar.
Ebenso wichtig ist der Konfidenzwert je Feld: Er zeigt an, wo das Modell sicher war und wo eine Sichtprüfung nötig ist. Ein leeres Feld muss leer bleiben dürfen. Ein Verfahren, das lieber plausibel rät als eine Lücke zu lassen, erzeugt Fehler, die später niemand mehr findet.
Fazit
Dass die vorhandene Textschicht auf Handschrift nichts liefert, ist kein Grund zur Resignation, sondern ein Hinweis auf das falsche Werkzeug. Mit Handschriftenerkennung, die auf den eigenen Bestand trainiert wird, werden auch Kurrent-Register zu durchsuchbaren Quellen. Wie das konkret abläuft, von den Referenztranskriptionen bis zur Abnahme je Charge, beschreibt der Handschrift-Bereich von German-OCR.