Biblioteka 2.0

[szabicki]

Czy ktoś już się do tego przymierzał? Chcielibyśmy wyselekcjonować część publikacji i przekonwertować do epub. Czy Waszym zdaniem sensowne jest udostępnianie publikacji w epub, które zawierają błędy w OCR? Czy można pokusić się o ustalenie progu dokładności OCR (9X%), który byłby akceptowalny dla użytkownika? Zdaję sobie sprawę, że w takim wypadku trudno generalizować, ale jako czytelnicy a nie bibliotekarze cyfrowi, czy bylibyście zainteresowani publikacją, która zawiera błędy - literówki, ale ... w ogóle jest?

[adudczak]

A do tego Epuba chcecie wrzucać tylko ten brudny OCR czy też pliki graficzne?

[szabicki]

Planujemy sam tekst, ale jesteśmy otwarci na wszelkie propozycje. :)
Bardzo by się przydała w dLibrze możliwość umieszczania tej samej publikacji w kilku formatach (podobnie, jak jest to w Wolnych Lekturach). Mamy coraz więcej sygnałów od czytelników, że chcieliby mieć wybór formatu publikacji.

[relis]

[Tomasz Kalota]

[Tomasz Kalota]

[adudczak]

Wydaje mi się, że brudny OCR dobrze sprawdza się jako pomoc wyszukiwawcza, ale użytkownika końcowego może odstraszyć. Być przy 9x% nie byłoby to jakoś strasznie odczuwalne, ale gdy użytkownik już znajdzie błąd to tak naprawde niewiadomo co zrobi.

Można by robić tak jak to ma miejsce np. w Distributed Proofreaders - który jest zapleczem dla Project Gutenberg. Różni ludzie, którzy skanują książki umieszczają w tym serwisie skany i tekst z OCRa, a ochotnicy pomagają przejrzeć tekst w poszukiwaniu błędów.

Pracujemy nad Wirtualnego Laboratorium Transkrypcji (http://wlt.synat.pcss.pl) narzędzie ma niestety jeszcze kilka ostrych krawędzi, ale już coś takiego możnaby przeprowadzić dla obiektów z PBC. Wkrótce wypuścimy funkcję, która pozwala na automatyczny import plików (i całych obiektów) z BC [1], można zapuścić na tych skanach OCR [2], albo zaimportować istniejącą transkrypcję i opublikować jako projekt do korekty. Wyniki do wyeksportowania w HTML (a dokładnie w hOCR).

Zrobiłem przykładowy projekt, który zawiera wybrane strony z Herbarz Nisieckiego: http://wlt.synat.pcss.pl/...?project=746225

W kontekście tej dyskusji trzeba by dodać automatyczny import warstwy tekstowej z dokumentów DjVu/PDF i eksport do EPUB/mobi.

Pytanie tylko czy znalazłyby się osoby, które taką korektę chciałyby przeprowadzać? Wydaje mi się, że tak, ale jestem ciekaw co wy o tym myślicie, może czeka mnie spotkanie z kubłem zimnej wody

Przypisy:
[1] jeszcze to testujemy z WBC i dokumentami DjVu
[2] jest wsparcie dla gotyku, języka polskiego, niemieckiego i rosyjskiego

[szabicki]

W ramach Społecznej Pracowni Digitalizacji, którą podpatrzyliśmy w ŚBC i wdrożyliśmy u siebie przygotowujemy warsztaty dla seniorów. Być może, uda się zainteresować ich ideą czyszczenia OCR i przynajmniej wyselekcjonowany część zasobu "wymuskać" :) . Niezmiennie pozostaje potrzeba wprowadzenie do dLibry możliwości udostępniania publikacji w kilku formatach: "do wyboru, do koloru" przez użytkownika.

[relis]

[szabicki]

Będziemy zaczynali od najprostszych form działania, korzystając oczywiście z doświadczeń innych. Rozwiązane musi być dostosowane do możliwości naszego zespołu oraz wolontariuszy - seniorów. Chcemy zacząć od podstawowego szkolenia komputerowego seniorów. Później planujemy wyłonienie grupy zainteresowanych do "czyszczenia" OCR. Jeśli to się powiedzie, wspólnie przygotujemy dla tej grupy narzędzie do pracy. Będzie to o ułatwione, gdyż zajęcia będą się odbywały w bibliotece. Jeżeli to zaskoczy, będziemy rozwijali projekt dalej i dopiero wówczas będą potrzebne narzędzie do pracy w internecie.

[adudczak]

Przyznam, że zapomniałem o tym wątku

Jakby ktoś był chętny, to w WLT od pewnego czasu jest możliwe wyeksportowanie wyników projektu w postaci pliku ePUB.