Automatische Annotationen

Automatisch annotiert werden sowohl linguistische als auch strukturelle Annotationen.

Die Annotationen werden über Skripte im scripts-Ordner automatisch erstellt.

• tokenize-ocr4all.sh tokenisiert die PageXML-Daten aus OCR4all und fügt strukturelle Annotationen hinhzu
• tag-all.sh fügt die Annotationen zu den linguistischen Eigenschaften hinzu.

Annotationsebenen

• Automatische Annotationen
  • Annotationsebenen
• Annotationen zu linguistischen Eigenschaften
  • pos
    • Exponent
    • Werte
  • lemma
    • Exponent
    • Werte
• Strukturelle Annotation
  • lb
    • Exponent
    • Werte
  • pb
    • Exponent
    • Werte
  • pb_n
    • Exponent
    • Werte
    • Richtlinien und Hinweise

Annotationen zu linguistischen Eigenschaften

pos

Wortarten-Annotation (pos - part of speech) nach dem Stuttgart-Tübingen-Tagset (STTS)

Exponent

Spannenannotation je norm-Token

Werte

Tags nach dem STTS: https://www.ims.uni-stuttgart.de/forschung/ressourcen/lexika/germantagsets/

lemma

Zuordnung aller Wortformen zu abstraktem Lemma mit Lemmanamen mit dem Treetagger: http://www.ims.uni-stuttgart.de/projekte/corplex/TreeTagger/

Exponent

Spannenannotation je norm-Token

Werte

jeweiliges Lemma

Strukturelle Annotation

Unter strukturellen Annotationen werden alle Annotationen zusammengefasst, die Aussagen über die grafische Strukturierung der Textgrundlage liefern. Dazu zählen Kennzeichnungen der Zeilen- und Seitenumbrüche, Seitenzahlen, unkenntliche/nicht lesbare Zeichen und Marginalien sowie Fußnoten. Strukturelle Annotationen werden auf Grundlage der diplomatischen Ebene vergeben (dipl-Ebene). So ist die Tokenisierung in der dipl-Ebene Vorlage für die weiteren, strukturellen Annotationen.

lb

Markierung einer ganzen Zeile.

Wird automatisch beim Ausführen des Skripts scripts/tokenize-ocr4all.sh erstellt.

Exponent

Spannenannotation über mehrere dipl-Token

Werte

pb

Markierung einer ganzen Seite.

Wird automatisch beim Ausführen des Skripts scripts/tokenize-ocr4all.sh erstellt.

Exponent

Spannenannotation über mehrere dipl-Token

Werte

pb_n

Markierung der Nummerierung einer Seite.

Wird automatisch beim Ausführen des Skripts scripts/tokenize-ocr4all.sh erstellt und vorausgefüllt. Dabei wird der Wert aus den OCR4all-Daten übernommen und startet typischerweise mit “0001”, “0002”, etc.

Daher muss der Wert manuell nachbearbeitet werden.

Exponent

Spannenannotation über mehrere dipl-Token

Werte

Richtlinien und Hinweise

• wird aus dem Faksimilé übernommen
• ist keine Seitenangabe vorhanden, wird auch keine eingetragen