Digital resources in the Social Sciences and Humanities OpenEdition Our platforms OpenEdition Books OpenEdition Journals Hypotheses Calenda Libraries OpenEdition Freemium Follow us

Die Digitalisierung der spätmittelalterlichen Grundbücher Wiens mit Transkribus

Ein Werkstattbericht

Zusammenfassung: Seit Mitte des 14. Jahrhunderts wurden in Wien Grundbücher geführt. Der tausende Seiten umfassende Bestand erlaubt einen tiefen Einblick in die spätmittelalterliche Sozialtopographie der Stadt. Allerdings stand eben diese Masse an Handschriften einer inhaltlichen Erschließung bisher im Weg. Durch die HTR-Anwendung Transkribus ist es nun möglich, in kurzer Zeit eine maschinenlesbare Transkription der Grundbücher zu erstellen. Hierfür wurde ein Spezialmodell trainiert, das die Wiener Handschriften mit einer Fehlerrate von unter 2% korrekt erkennt. Die Transkription dient im DFG-Projekt Mapping Medieval Vienna als Grundlage für die Erhebung von Forschungsdaten in einer XML-basierten Datenbank. Der folgende Text legt offen, welche praktischen Schritte unternommen wurden, um zu diesem Ergebnis zu gelangen und welche Probleme sich dabei stellen können.

Abstract: Land registers have been kept in Vienna since the middle of the 14th century. The thousands of pages of records allow a deep insight into the late medieval social topography of the city. However, this mass of manuscripts has so far stood in the way of content indexing. Thanks to the HTR application Transkribus, it is now possible to create a machine-readable transcription of the land registers in a short space of time. A special model was trained for this purpose, which correctly recognizes the Viennese manuscripts with an error rate of less than 2%. In the DFG project Mapping Medieval Vienna, the transcription serves as the basis for the collection of research data in an XML-based database. The following text explains the practical steps taken to achieve this result and the problems that may arise.


1. Einleitung: Grundbücher und soziale Topographie

Mittelalterliche Städteforschung war bis zur Mitte 20. Jahrhunderts oft auf die urbane Verfassungsgeschichte fokussiert. Seitdem hat sich das Interesse hin zu wirtschafts- und sozialgeschichtlichen Fragestellungen verschoben.[1] In den 1960er Jahren hat sich hierbei die Sozialtopographie als eigener Forschungszweig herausgebildet. Deren grundlegende Arbeitsweise ist die Verortung personenbezogener Daten in einem geographischen Raum. Konkret auf die mittelalterliche Stadt bezogen bedeutet dies den Versuch, den Wohn- bzw. Arbeitsstandort einzelner Personen oder Gruppen im Stadtplan zu lokalisieren. Zusätzliche Informationen zu Bewohnern – etwa Beruf oder Herkunft – oder zur Qualität ihrer Wohneinheit – etwa Preis oder Art der Bebauung – erlauben die Analyse und Visualisierung sozialräumlicher Ordnungsmuster. Besonders dann, wenn Quellenmaterial aus mehreren Zeitschichten existiert, können Aussagen zur Entstehung und Veränderung dieser Muster getroffen werden.[2]

Dabei sind die Voraussetzungen für sozialtopographische Forschungen nicht einfach zu erfüllen. Einerseits bedarf es einer hinreichenden Kenntnis des jeweiligen Stadtgrundrisses, andererseits müssen statistisch auswertbare Textzeugen vorhanden sein, um eine Verknüpfung von Orts- und Personendaten zu bewerkstelligen. Zur Rekonstruktion der mittelalterlichen Parzellenstruktur ist man häufig auf die Katasterpläne des 19. Jahrhunderts, die historische Bauforschung und die Stadtarchäologie angewiesen.[3] Als serielle Schriftquellen dienen hauptsächlich Steuerregister,[4] Grundbücher[5] oder vergleichbare administrative Schriften.

Im Fall der Stadt Wien ist Material beider Kategorien reichlich vorhanden. Trotz zahlreicher Überbauungen sind in der Innenstadt Reste der mittelalterlichen Bausubstanz erhalten,[6] Straßennetz[7] und Parzellierung[8] haben sich teilweise kaum verändert. Die seit dem frühen 18. Jahrhundert angefertigten Stadtpläne sowie im materiellen Befund nachgewiesene Strukturen sind in einem georeferenzierten Stadtplan erfasst.[9] Auf Seiten der Schriftquellen kann auf eine dichte Überlieferung zurückgegriffen werden. Über 20.000 Urkunden aus der Zeit vor 1529 sind bekannt, ein Großteil ist auf Monasterium.net verfügbar oder in den Quellen zur Geschichte der Stadt Wien in Regestform gedruckt. 2020 wurde das Feuerstättenverzeichnis des Jahres 1448 in einer Monographie publiziert.[10] Den reichsten Quellenbestand stellen die Grundbücher dar, die seit Mitte des 14. Jahrhunderts geführt wurden und beinahe lückenlos überliefert sind.[11]

Trotz dieser günstigen Ausgangslage muss als Standardwerk zur Wiener Sozialtopographie auch heute noch das Mammutprojekt Paul Harrer-Lucienfelds (†1958) gelten.[12] Seine 17 Bände umfassende Überblicksdarstellung aller innerstädtischer Gebäude ist in einer wenig ansprechenden Schreibmaschinenschrift gedruckt und weist ausgerechnet für die Zeit des Spätmittelalters entscheidende Lücken auf.[13] Einzelstudien zu spätmittelalterlichen Kreditgeschäften,[14] Erbteilungen[15] oder zur Prosopographie[16] sind vorhanden, weiterführenden Forschungen stand und steht aber ein grundsätzliches Problem im Weg: Bis vor kurzem waren der Wissenschaft lediglich die ältesten Grundbücher der Jahre von 1368 bis 1419 in Form von Regesten zugänglich.[17] Als Grund für die nicht erfolgte editorische Bearbeitung der jüngeren Handschriften ist deren schiere Masse anzunehmen. Zusammen bringen es die Grund- und Darlehensbücher der Jahre von 1420 bis 1523 auf über 3000 beschriebene Folios. Knapp 500 dieser Folios sind seit jüngstem in der digitalen Edition des Satzbuchs CD im Netz zu finden,[18] womit aber immer noch tausende Seiten auf ihre Erschließung warten.

Die nächsten Seiten sollen deshalb skizzieren, auf welche Weise dieser Quellenschatz gehoben werden kann. Seit 2021 wird im DFG-Projekt Mapping Medieval Vienna an der Freien Universität Berlin daran gearbeitet, die Grundbücher des 15. Jahrhunderts auszuwerten und sie in transkribierter Form auf einer Weboberfläche zu veröffentlichen.[19] Zum Einsatz kommen dabei diverse Methoden der Digital Humanities. Allen voran gestattet es die Plattform Transkribus, das derzeit schwerwiegendste Hindernis der Wiener Sozialtopographie zu überwinden, nämlich die immense Quellenmenge. Die Handwritten Text Recognition (HTR) Funktion der Software ermöglicht es, für eine beliebig große Anzahl handschriftlicher Seiten automatisch eine Transkription zu generieren. Kontrolle und gegebenenfalls Normalisierung sind dann mit einem verhältnismäßig geringen Aufwand verbunden, wodurch mehr Zeit für die Erhebung der Forschungsdaten und deren Analyse bleibt. Ganz auf Knopfdruck funktioniert dies allerdings (noch) nicht, für eine möglichst fehlerfreie Anwendung des Programms müssen bestimme Bedingungen gewährleistet sein. Aktuell werden die in Bearbeitung befindlichen Grundbücher mit einer Fehlerquote von etwas mehr als einem Prozent erkannt, unter 100 Buchstaben befindet sich also ein inkorrekter. Im Folgenden wird erläutert, welche Schritte unternommen wurden, um zu diesem Ergebnis zu gelangen, aber auch, wo die semimaschinelle Transkription an ihre Grenzen stößt.

2. Die Wiener Grundbücher

Es ist kein Zufall, dass gerade Wien über einen üppigen Bestand an mittelalterlichem Verwaltungsschriftgut verfügt. Zum einen überstand ein Großteil der Bestände des heutigen Wiener Stadt- und Landesarchivs den Zweiten Weltkrieg unbeschadet, zum anderen reichen die Anfänge dieses Archivs ins Mittelalter selbst zurück.[20] Größe und Bedeutung der Stadt machten es ab dem 14. Jahrhundert unabdingbar, systematisch Buch über städtischen Grundbesitz zu führen. Dieser stellte im Spätmittelalter die Grundeinheit bürgerlicher Organisation dar, er war gleichsam Wohnraum, Arbeitsplatz und Wertanlage. Oftmals war er zwingend notwendig, um überhaupt den Bürgerstatus zu erlangen.[21] In Wien reichte hingegen ein eigener Haushalt aus, um Mitglied der Stadtgemeinschaft zu werden, initial für die kommunale Grundbuchtradition war ein anderer, sehr konkreter Anlass.

Bis 1360 waren die städtischen Grundrechte mehrheitlich in adeligen oder kirchlichen Besitzkomplexen konzentriert. Schwere Katastrophen dezimierten Mitte des 14. Jahrhunderts die Bevölkerung, zahlreiche Grundstücke fielen öd, die Steuereinnahmen der Stadt sanken. Neue Bewohner und damit Steuerzahler ließen sich kaum finden, da ein beträchtlicher Teil der leerstehenden Grundstücke mit unaufkündbaren Renten (Burgrechten) belastet war. Mehrere 1360/61 von Herzog Rudolf IV. veranlasste Reformen sollten diesen Missständen entgegenwirken, indem etwa die Burgrechte von nun an abgelöst werden konnten. Vor allem aber wurden fast alle Grundrechte dem Stadtrat übertragen. Ab 1368 wurde deren Verwaltung in Gestalt von Grundbüchern verschriftlicht.[22] Zunächst wurden vier unterschiedliche Serien geführt (Gewer-, Kauf-, Satz- und Verbotbuch), im Lauf des 15. Jahrhunderts wurden diese dann in Gewer- und Satzbücher zusammengefasst. Die Satzbücher halten Kreditgeschäfte fest, in denen Häuser als Sicherheit eingesetzt wurden. In den Gewerbüchern sind Nutzungsrechtsübertragungen aufgezeichnet, z.B. Käufe und Erbschaften.[23]

Bei den einzelnen Einträgen handelt es sich um Kurzfassungen von Privaturkunden, welche mit dem Wiener Grundsiegel versehen waren.[24] Die gebührenpflichtige Aufnahme ins Grundbuch gewährleistete die volle Rechtsgültigkeit eines jeden so beurkundeten Immobiliengeschäfts. Demnach lassen sich die Grundbücher als eine Art Hybrid aus Urbar, Register und Kopialbuch verstehen. Verantwortlich für die Buchführung zeichneten zwei Grundbuchsherren, wobei je ein Mitglied des inneren Stadtrats und eine Person aus dem Kreis der Genannten bestellt wurde. Die eigentliche Schreibtätigkeit wurde durch die ihnen zugeteilten Grundbuchschreiber erledigt.[25] Mit Ausnahme der in roter Tinte verfassten Rubriküberschriften schrieben diese in der fürs 15. Jahrhundert üblichen Bastarda und spätgotischen Kursive, im beginnenden 16. Jahrhundert verwendeten sie ein frühes Kurrent. Geordnet wurden die Einträge teils zuerst alphabetisch nach den Vornamen der Aussteller[26] und innerhalb einer Rubrik dann chronologisch; teils wurden sie rein fortlaufend nach Jahren geführt. Verfasst sind die Einträge in frühneuhochdeutscher Sprache, einzig für Datierungen sowie bestimmte Notationen und Rechtstermini griffen die Schreiber aufs Lateinische zurück.

Abbildung der Seite einer mittelalterlichen Handschrift

Abb. 1: Grundbuchseite mit Rubriküberschriften (WStLA, Grundbuch Stadt Wien 2.1.2.1.B1.6a (=„Kaufbuch E“), fol. 52r)

Je nach Komplexität der zugrundeliegenden Transaktion sind die einzelnen Einträge kürzer oder länger, es sind jedoch immer dieselben essenziellen Informationen enthalten. Bei einem Häuserkauf sind dies beispielsweise Verkäufer und Käufer, die betreffende Immobilie, der Preis der Transaktion, deren Datum sowie die Gebühr des Eintrags ins Grundbuch. Oft sind zusätzliche Angaben wie Beruf, Herkunftsort oder Familienstand zu den Personen gegeben. Ausschlaggebend für die sozialtopographische Analyse sind die Ortsbeschreibungen der Liegenschaften: Da es zwar Straßennamen, jedoch keine Hausnummer gibt, wird die Lage einer Liegenschaft durch deren Nachbargebäude beschrieben, wie folgendes Beispiel illustriert:

Im späten 14. Jahrhundert wurden auf diese Art innerhalb eines Jahres durchschnittlich 80 bis 120 Transaktionen allein im Kaufbuch registriert.[28] Bei einer Zahl von ungefähr 1950 Häusern in bürgerlichem Besitz bedeutet dies, dass ein Haus im Schnitt alle 20 bis 25 Jahre den Besitzer wechselte; nicht mitgerechnet sind hier die Erbschaften, sodass von einer sogar noch höheren Fluktuation ausgegangen werden kann.[29] In den Kauf- und Gewerbüchern der Jahre 1420 bis 1517 sollte jedes Haus Wiens also mindestens einmal vertreten sein. Es müsste folglich möglich sein, ein weitestgehend lückenloses Nachbarschaftsnetz zu ermitteln. Da einige für die Lagebeschreibung genutzte Orte exakt lokalisiert werden können,[30] müssten sich so auch deren benachbarte Liegenschaften und dann wiederum deren Nachbarhäuser mit dem Stadtplan synchronisieren lassen. Selbst wenn kein eindeutig benannter Ort feststeht, können Nachbarschaftsketten bis zu einem Eckhaus zurückverfolgt werden, was wiederum die Lage aller anderen Häuser der Kette offenbart. Auskünfte über die Parzellengröße lassen sich nicht treffen, es kann aber für jede Straße die Zahl und relative Position der Häuser ermittelt werden.

Dieses Verfahren, die sogenannte cross-section method, ist bereits mit Erfolg auf Städte wie London, Winchester und Antwerpen angewandt worden. Verbunden war dies aber mit einem sehr großen Aufwand, da die betreffenden Studien in den 60er und 80er Jahren noch analog durchgeführt wurden. Wesentlicher effektiver lässt sich die Methode nutzen, wenn die betreffenden Liegenschaften und ihre Relationen in einer digitalen Datenbank aufbereitet werden. Des Weiteren können darin nicht nur die Informationen zu Häusern, sondern auch zu ihren Bewohnern aufgenommen und miteinander verknüpft werden. Durch eine Georeferenzierung lassen sich die Datensätze und die mit ihnen durchführbaren Raumanalysen zudem anschaulich auf einer Stadtkarte darstellen.[31]

Für den Aufbau der Datensätze ist geplant, sich eine Kombination aus XML- und Semantic-Web-Technologien zunutze zu machen. Zuerst sollen dazu die Grundbucheinträge nach einem zuvor definierten TEI-Subset annotiert werden. Vorteil der XML/TEI-Kodierung ist hierbei, dass sowohl inhaltliche als auch paläographische Informationen direkt im Zeichenbestand verankert und je nach Bedarf in einer Präsentationsoberfläche oder für analytische Auswertungen genutzt werden können.[32] Da sich Informationen über konkrete Entitäten, also z.B. Personen oder Liegenschaften, über multiple Einträge verstreut finden, werden sie in separaten Indices aggregiert. Solche Register wurden bereits im Rahmen des Projekts Stadt und Gemeinschaft. Schenkungen und Stiftungen als Quellen sozialer Beziehungsgeflechte im spätmittelalterlichen Wien an der Universität Wien angelegt[33] und im Nachfolgeprojekt Soziale Netzwerke im spätmittelalterlichen Wien. Geschlecht, Verwandtschaft und Objektkultur noch weiter ausgebaut.[34] Das Wiener und das Berliner Team stehen in engem Kontakt, um die Kompatibilität der Forschungsdaten sicherzustellen.

Codeblock mit XML-Code zu Ortsdaten

Abb. 2: Konzeption des Grundgerüsts für das XML-basierte Ortsregister

Die über die im Text erwähnten Entitäten und ihre Beziehungen erschlossenen Informationen sollen in einem zweiten Schritt unterstützt durch XSL-Transformationen als RDF-Tripel kodiert werden. Deren offene Graphdatenstruktur erleichtert im Besonderen die Modellierung komplexer wirtschaftlicher Transaktionen. Um diese auf einer schematischen Ebene standardisiert zu beschreiben und für andere Forschende nutzbar zu machen, wird eine sogenannte Ontologie genutzt, das heißt eine explizite, formale Spezifikation des konzipierten Datenmodells.[35] Als Ausgangspunkt kann die von Christopher Pollin und Georg Vogeler entwickelte Bookkeeping Ontology genutzt werden, die wiederum an die im Kultursektor gebräuchliche CIDOC CRM anschließt.[36] Diese beiden Ontologien sollen durch Erweiterungen auf die projektspezifischen Forschungsfragen, speziell Ortsrelationen, zugeschnitten werden.

Auf den ersten Blick nachteilig am angestrebten Workflow erscheint der relativ hohe manuelle Bearbeitungsaufwand im Vergleich mit Verfahren wie der Natural Entity Recognition (NER). Bei diesem handelt es sich um eine Form des Natural Language Processing (NLP), bei dem natürlichsprachliche Texte in Tokens zerlegt und lexikalisch, syntaktisch und semantisch analysiert werden.[37] Genügend Trainingsdaten vorausgesetzt, werden durch NER während dieses Prozesses Entitäten wie Orts- oder Personennamen automatisch erkannt und ausgezeichnet. Bei älteren Sprachschichten stellt sich allerdings das Problem der fehlenden Orthografie.[38] Wörter können sogar im selben Absatz in verschiedenen Schreibvarianten vorliegen. Des Weiteren ist die Zusammensetzung von Eigennamen äußerst vielschichtig und auch flexibel, sodass die Fehlerkorrektur wohl deutlich mehr Zeit in Anspruch nehmen würde als durch den Einsatz der Technik gespart wird.

Der notwendige Raum für die Datenerhebung kann jedoch geschaffen werden, indem die grundlegende Voraussetzung für diese – die Erstellung eines maschinenlesbaren Texts – beschleunigt wird. Da eine händische Transkription der zur Erschließung ausgewählten Grundbücher (Kaufbuch E, Gewerbuch C, Gewerbuch D, Gewerbuch E) zu langwierig wäre, nutzt das Mapping Medieval Vienna-Team die Plattform Transkribus.

3. Der Workflow mit Transkribus

Allgemein formuliert stellt Transkribus eine Anwendung bereit, die zur Unterstützung bei der Transkription von Schriftgut dient. Kernstück des Tools ist die HTR-Funktion zur automatischen Texterkennung speziell von Handschriften. Um diese zu nutzen, werden pro Seite sogenannte Credits gezahlt, die in kostenpflichtigen Paketen erworben werden müssen. Eingeführt wurde diese Monetarisierung nach dem Auslaufen der öffentlichen Fördermittel, die zur Entwicklung des Programms geführt hatten. Hervorgegangen war dieses ursprünglich aus den europäisch finanzierten Projekten tranScriptorium und Recognition and Enrichment of Archival Documents (READ). Durch die Gründung der genossenschaftlich organisierten READ-COOP SCE im Jahr 2020 konnte so sichergestellt werden, dass Transkribus langfristig weitergeführt wird. Derzeit stellt die Genossenschaft Transkribus in zwei Varianten bereit. Zum einen als Transkribus Lite, welches sich über den Browser öffnen lässt, und zum anderen als Expert Client, der einen Download erfordert, dafür aber erweiterte Funktionen bietet.[39] Alle folgenden Ausführungen beziehen sich auf letzteren.

Um die Arbeit mit Transkribus zu starten, wird zu Beginn nichts weiter als ein Digitalisat der zu transkribierenden Handschrift benötigt. Die Qualität des Scans muss hierbei nicht auf höchstem Niveau liegen. Bei guten Lichtverhältnissen lassen sich mit einer modernen Smartphonekamera brauchbare Ergebnisse erzielen.[40] Als Mindestauflösung werden vom Anbieter relativ geringe 200 ppi empfohlen.[41] Die Bilddateien sollten in geläufigen Formaten wie JPG, PNG, TIFF oder JP2 vorliegen. Für den Upload eines Dokuments müssen alle Bilder eindeutig benannt und in einem Dateiordner gespeichert sein. Alternativ können auch PDF-Dateien hochgeladen werden, die beim Uploadprozess dann in einzelne Bilddateien getrennt werden. Gespeichert und organisiert werden die Dokumente in sogenannten Collections. Diese können von Nutzer:innen erstellt und verwaltet werden, wobei sich anderen Transkribususer:innen verschieden abgestufte Nutzungsrechte zuweisen lassen. Da die Dokumente nicht auf dem eigenen Gerät, sondern auf den Transkribus-Servern gespeichert sind, können mehrere Personen simultan in derselben Collection arbeiten.[42]

Bevor die hochgeladenen Manuskripte transkribiert werden können, ist zuerst eine Segmentierung der einzelnen Seiten notwendig. Das heißt, Regionen ohne müssen von solchen mit Text getrennt und der Verlauf der einzelnen Zeilen muss erkannt werden. Ein hierarchisches System, das in der Benutzeroberfläche farbig gekennzeichnet ist, erlaubt eine Einteilung in Textregionen (grün), Zeilen (blau) und Wörter (rot). Die Reading Order, also die Lesereihenfolge in der späteren Transkription, lässt sich beliebig anpassen.

Handschrift im Workflow der Transkribus-Oberfläche mit Zeilenerkennng

Abb. 3: Nachbearbeitete Segmentierung von WStLA, Grundbuch Stadt Wien 2.1.2.1.B1.8 (= „Gewerbuch E“), fol. 200v

Theoretisch ist es möglich, den Text komplett manuell zu segmentieren. Wesentlich zeiteffizienter ist aber die in Transkribus implementierte Layout Analysis Funktion. Durch diese werden Textregionen und Zeilen basierend auf einem Deep Neural Network automatisch erkannt und müssen dann lediglich nachkorrigiert werden. Seit jüngstem wird hierfür nicht mehr die CITlab Advanced Methode genutzt,[43] sondern die Transkribus LA, welche vor allem bei komplizierten Layouts zu besseren Resultaten führen soll.[44] Diese bietet zudem mehr Voreinstellungen und ermöglicht es, spezielle Modelle zur Erkennung beispielsweise von Postkarten einzusetzen. In diesem Zwischenschritt vor der eigentlichen Texterkennung und den Anpassungsoptionen liegt einer der großen Vorteile von HTR gegenüber herkömmlichen OCR (Optical Charakter Recognition) Verfahren. Diese sind dafür optimiert, gedruckte Texte mit gleichförmigen Zeichen und einem einfachen Seitenaufbau zu erkennen, meist durch den Vergleich mit vordefinierten Mustern.[45]

Da solche Muster in Handschriften wesentlich schwerer auszumachen sind als in Drucken, stoßen OCR-Programme bei der Texterkennung noch mehr an ihre Grenzen als bei der Layoutanalyse. HTR-Tools wie Transkribus lösen dieses Problem, indem sich eigene neuronale Netzwerke zur Texterkennung, sogenannte Modelle, trainieren lassen. Dies geschieht durch das händische Transkribieren, durch welches Ground Truth – eine 100% korrekte Wiedergabe des Originaltexts – erzeugt wird. Wie bei einer klassischen Edition sollten daher im Vorfeld Transkriptionsrichtlinien festgelegt werden. Denn wenn sich zu viele Fehler oder Uneinheitlichkeiten einschleichen, werden diese im Modell übernommen und bei der automatischen Texterkennung wiederholt. Daher gilt es besonders darauf zu achten, unklare Wörter mit dem unclear-Tag zu versehen. Zeilen mit so markierten Wörtern können beim späteren Training ausgelassen werden, sodass dem Modell nichts wissentlich Falsches „beigebracht“ wird.[46] Operativ unterscheidet sich die Transkriptionsoberfläche in Transkribus wenig von gängigen Textverarbeitungsprogrammen. Mittels eines Virtual Keyboards ist es mögliche, schnell auf diverse Unicode-Sonderzeichen zuzugreifen, die für diplomatische Transkriptionen von großer Bedeutung sind. Nicht vorgegebene Zeichen können eigenständig hinzugefügt und in einer Schnellauswahl gespeichert werden.[47]

Ausschnitt aus einer mittelalterlichen Handschrift im Workflow von Transkribus mit Transkription und Tags

Abb. 4: Markieren eines schwer leserlichen Namens mit dem unclear-Tag (WStLA, Grundbuch Stadt Wien 2.1.2.1.B1.6a (= „Kaufbuch E“), fol. 217r)

Je nach Komplexität von Layout und Schriftbild sowie der Zahl unterschiedlicher Hände werden sind zum Training eines eigenen Modells in etwa 75 Seiten Ground Truth (ca. 15.000 Wörter) benötigt.[48] Erste Versuche machen mitunter schon ab 5000 Wörtern Sinn, leistungsfähige Modelle beginnen in der Regel aber erst ab 30.000 Wörtern.[49] Ist die für die eigenen Zwecke angestrebte Anzahl an Seiten transkribiert, lässt sich das Model Training über einen Tab im Expert Client öffnen. Zur Klassifizierung des Modells werden ein Name, die Sprache(n) des Dokuments und eine kurze Beschreibung eingegeben. Im nächsten Schritt können technische Parameter für den Trainingsprozess ausgewählt werden. Hier lassen sich z.B. die angesprochenen Zeilen mit unclear-Tag vom Training ausschließen.[50] Bis November 2022 war es zudem möglich, zwischen zwei technisch differierenden HTR-Engines zu wählen. Das in Rostock entwickelte HTR+ ist seitdem nicht mehr verfügbar, wodurch aktuell PyLaia die einzige Trainingsoption darstellt.

Nach diesen Voreinstellungen gilt es, die Ground Truth dem Trainings- und Validationset hinzuzufügen. Als Faustregel kann gelten, dass etwa 5% der Seiten der Validierung zugeschlagen werden sollten. Diese Seiten werden nicht im Training verwendet, sondern anhand des auf den Trainingsseiten entstehenden Modells transkribiert, wobei händische und automatische Transkription abgeglichen werden. Daraus errechnet sich eine Charakter Error Rate (CER), welche die prozentuale Abweichung beider Varianten angibt – umso höher sie ist, umso mehr Zeichen wurden also inkorrekt erkannt. Zwar ist es möglich, das Programm eine zufällige Auswahl treffen zu lassen, deutlich sinnvoller ist jedoch, die Seiten für die Validierung selbst zu kuratieren. Sie sollten möglichst alle Charakteristika des Dokuments abbilden. Sind sie dagegen besonders simpel oder weisen einen außergewöhnlich stark gestörten Text auf, besteht die Gefahr, die tatsächliche Fehlerrate zu verzerren.[51] Da beim Training auch eine CER für das Trainingsset berechnet wird, kann durch einen Vergleich leicht evaluiert werden, wie realistisch die Fehlerquote des Validerungssets ist. Wenn beide Werte annährend gleich sind, ist das Validierungsset repräsentativ für die Gesamtheit des Materials.[52]

Eingabemaske von Transkribusmit Beispiel des Modelltrainings

Abb. 5: Interface des Model Trainings

Ein einfacher Weg, die Performance eines Modells zu verbessern, besteht in der Option, beim Training auf ein Base Model zurückzugreifen. Dadurch muss gewissermaßen nicht von Null angefangen werden, da Referenzdaten von Beginn an vorhanden sind, sodass mehr Feinheiten der eigenen Handschriften ins Modell einfließen.[53] Dazu sollten Schriftart und Sprache des Base Models jener der selbst transkribierten Seiten entsprechen. Es stehen hierfür rund 100 öffentliche Modelle zur freien Verfügung. Oft sind dies generische Modelle, die darauf ausgelegt sind, eine große Bandbreite an Schriftvariationen abzudecken.[54] Natürlich erlauben es die öffentlichen Modelle auch, das händische Transkribieren komplett zu überspringen. Wird ein Dokument schon einigermaßen zuverlässig von einem solchen erkannt, ist es unter Umständen sinnvoll, zuerst einen Teil automatisch zu transkribieren und diesen dann textspezifisch zu korrigieren. Somit kann für den restlichen Teil der Handschrift in aller Kürze Ground Truth für ein Spezialmodell generiert werden.

Nachdem ein Modell mit zufriedenstellender CER trainiert wurde, können mittels der HTR Recognition alle weiteren Seiten des zugrundeliegenden Dokuments oder der Dokumente transkribiert werden. Wann exakt die Fehlerquote eine akzeptable Schwelle erreicht, muss individuell entschieden werden. Für gedruckte Schrift gilt eine CER unter 5% nach DFG-Maßstäben für OCR-Programme als gut, bei Handschriften ist das schon ab 10% der Fall. Unter 5% sind als sehr gut zu bewerten, eine Fehlerrate unter 2,5% ist exzellent.[55] Da eine gewisse Fehlerzahl bei der Erkennung sich nicht vermeiden lässt, sollten die mit HTR erzeugten Seiten stets nachkontrolliert werden – zumindest, wenn eine Publikation das Ziel ist. Geht es hingegen nur darum, eine Quelle einfacher lesbar zu machen oder eine Volltextsuche zu ermöglichen, kann auf die Kontrolle verzichtet werden.

Nach der Textkonstitution kann der Workflow in Transkribus abgeschlossen werden. Für den Export der Transkription stehen diverse Ausgabeformate zur Auswahl. Als Default-Einstellung fungiert der Export als Transkribus Document. Diese Methode erzeugt eine Datei, die das PageXML Format beinhaltet, bei dem die Information über die Position des Texts auf dem Faksimile gespeichert sind.[56] Dadurch ist es möglich, die in Transkribus geschaffene Ground Truth unabhängig vom Programm zu archivieren und in andere Texterkennungstools, z.B. eScriptorium oder Kraken, zu importieren. Ebenso möglich ist ein Export als einfache TXT, PDF oder DOCX-Datei, wobei jeweils mehrere Modifikatoren zur Auswahl stehen, mit denen Ausgabeoptionen angepasst werden können. Für digitale Editionen am wichtigsten ist allerdings der Export in TEI, für den sich auch eigene XSL-Transformationen schreiben und importieren lassen. Somit ist es möglich, innerhalb von Transkribus vorgenommene Annotationen für Webpräsentationstools, z.B. den TEI-Publisher, nutzbar zu machen.

Export-Interface mit TEI-Export von eingegebenem Text

Abb. 6: Export-Interface mit TEI-Export

Tagging ist in Transkribus auf mehreren Ebenen möglich und kann je nach Ziel des Transkriptionsvorhabens bereits bei der Erstellung der Ground Truth eingesetzt werden. Es ist vor allem schon in dieser Phase sinnvoll, wenn Abbreviaturen mit dem abbrev-Tag als solche kenntlich gemacht und die normalisierte Schreibweise in den Properties hinterlegt werden. Diese Tags werden beim Training mitgelernt und bei der HTR-Erkennung automatisch gesetzt. Inhaltliche Tags für Personen- und Ortsnamen oder Datumsangaben sind ebenso verfügbar wie Strukturtags. Mit diesen können Textregionen und einzelnen Zeilen Funktionen in der Textgestaltung zugeordnet werden. Basierend darauf ist es mit dem P2PaLA-Tool in Transkribus möglich, auch Modelle für die Layoutanalyse zu trainieren, denen sich unter anderem die Aufteilung einer Seite in Überschriften und Paragraphen beibringen lässt.[57] Sollte keiner der vorgefertigten Tags anwendbar sein, können eigene angelegt werden. Dies ist für wirtschaftsgeschichtlich interessante Manuskripte relevant, da ein Tag für die Auszeichnung von Mengen und Summen derzeit fehlt. Legt man den Tag anfänglich nach den TEI-Guidelines fest,[58] lassen sich spätere Kompatibilitätsprobleme minimieren.

Exemplarisch getaggte Einträge einer Grundbuchseite in einer mittelalterlichen Handschrift im Transkribus Workflow

Abb. 7: Exemplarisch getaggte Einträge einer Grundbuchseite (WStLA, Grundbuch Stadt Wien 2.1.2.1.B1.6a (= „Kaufbuch E“), fol. 27r)

4. Transkribus in der Praxis: Die Transkription der Grundbücher

Die Entscheidung, Transkribus bei der Transkription der Wiener Grundbücher zu verwenden, fiel in der frühen Konzeption des Forschungsvorhabens. Ein entscheidender Grund nach der Zeitersparnis war die langfristige Nachnutzbarkeit der Ground Truth. Neben den ausgewählten Handschriften existieren noch die Grundbücher vor 1420, die nie vollständig ediert wurden,[59] sowie die parallel laufenden Satzbücher. Mit einem Modell, das auf tausenden Seiten aus einem einhundertjährigen Zeitraum basiert, können diese in zukünftigen Projekten ohne großen Mehraufwand maschinenlesbar gemacht werden. Das Satzbuch CD, dessen digitale Edition sich zum Zeitpunkt der Antragstellung noch in Vorbereitung befand, diente als Grundlage für die Arbeit mit Transkribus. Ein passendes öffentliches Modell für die spätgotische Gebrauchsschrift der Grundbücher stand noch nicht parat.[60] Aus einem Teil der Edition sollte deshalb Ground Truth für ein erstes Spezialmodell kreiert werden, damit bei Projektbeginn nicht erst noch rein händisch transkribiert werden musste.

Die Vorarbeit wurde daher damit eingeleitet, einen exemplarischen Teil der Satzbuchedition in Transkribus einzupflegen. Eine erste Hürde war es hierbei, den vorhandenen Transkriptionstext Zeile für Zeile in die Benutzeroberfläche zu kopieren, da dieser nur in einer Worddatei ohne Zeilen- und Seitenumbrüche vorlag. Auf den Einsatz des Text2Image-Tools, welches vorhandene Transkriptionen mit den Faksimiles synchronisiert, musste aus zwei Gründen verzichtet werden.[61] Einerseits hätte die Worddatei in einzelne TXT-Dateien aufgeteilt werde müssen, viel hinderlicher war aber, dass die zahlreichen Marginaltexte mit Einschüben in den Fließtext eingebettet wurden.

Frühe Versuche mit dem HTR-Training zeigten des Weiteren ernüchternde Ergebnisse. Als Ursache wurde die Normalisierung des Texts identifiziert – problematisch waren insbesondere die Hinzufügung einer modernen Interpunktion und die dementsprechende Anpassung der Groß- und Kleinschreibung. Der Text musste dahingegen modifiziert werden, wobei einige Kompromisse sich nicht vermeiden ließen. Aus den gemachten Erfahrungen kristallisierten sich pragmatische Transkriptionsrichtlinien heraus, deren Prinzip es ist, einen Spagat zwischen erleichterter Lesbarkeit und möglichst diplomatischer Wiedergabe zu schaffen. So wird auf Interpunktion generell verzichtet, Buchstaben werden ohne Diakritika transkribiert. Zwar sind Akzente gelegentlich vorhanden, oft „sitzen“ sie aber nicht über dem Zeichen, zu dem sie gehören. Bei den Satzzeichen wiederum ist oft eine Unterscheidung zwischen intentioneller Interpunktion oder Tintenfleck unmöglich zu treffen. Gleichförmige Buchstaben mit unterschiedlichem Lautwert (v-u; i-j) werden nach heutiger Schreibweise transkribiert, eine Unterscheidung zwischen rundem und langem „s“ wird nicht gemacht. Abkürzungen werden ohne den Einsatz von Sonderzeichen ausgeschrieben. Am häufigsten sind die Wortendungen auf -en und -er abbreviiert, was durch eine Schlinge nach unten links respektive oben rechts angezeigt wird. Ist die abgekürzte Endung syntaxabhängig, beispielsweise bei „sein(em/en)“, wird sie in diesem Sinn aufgelöst. Schleifen hingegen können für ganze Silben stehen und werden auch zur Kürzung von Vornamen verwendet.[62] Schon bei den ersten Tests erlernten die Modelle es recht zuverlässig, die abbreviierten Wörter korrekt aufzulösen. Günstig wirkt sich hierauf das begrenzte Vokabular der Grundbücher aus – schließlich handelt es sich bei den Einträgen um Exzerpte formalisierter Diplome.[63] Ausgenommen von dieser Regel sind Währungszeichen sowie das „et cetera“, welche nach moderner Konvention ein Kürzel erhalten.[64] Majuskeln werden nur als solche transkribiert, wenn sie eindeutig von der entsprechenden Minuskel zu unterscheiden sind. Auch hier gilt wieder eine Ausnahmeregelung: Bei Eigennamen von Personen, Orten oder Datumsangaben wird der Groß- dem Kleinbuchstaben vorgezogen. Teils ist es hierbei jedoch schwierig zu urteilen, ob es sich bei Namensbestandteilen tatsächlich um einen Familiennamen oder eine Berufsbezeichnung handelt. Klar ist die Situation nur im Fall eines dreiteiligen Namens, der für gewöhnlich dem Schema: Vorname – Nachname – Berufsbezeichnung folgt.

Durch die nachträgliche Anwendung der Richtlinien auf das Ausgangsmaterial konnte ein erstes Trainingsdatenset bestehend aus 60 Seiten zusammengestellt werden. Ziel war es dabei, die Ground Truth auf die Bedürfnisse des Forschungsprojekts hin zu optimieren, in dem die inhaltliche Auswertung im Vordergrund steht. Das so trainierte Modell erreichte eine CER von 3,5% auf einem Validierungsset, was als Grundlage für die Transkription der Kauf- und Gewerbücher durchaus praktikabel schien.

Abb. 8: Learning Curve des ersten validen HTR+ Modells basierend auf Satzbuch CD

Bei Projektbeginn lag als erstes Digitalisat das Kaufbuch E vor, das die Jahre von 1420 bis einschließlich 1437 abdeckt. Vorbereitend für die HTR-Erkennung wurde das Layout des gesamten Dokuments erst automatisch analysiert und anschließend nachbearbeitet. Neben den Fehlerkorrekturen wird hierbei eine Strukturierung vorgenommen. Foliierung, Rubriküberschriften sowie die einzelnen Einträge stellen jeweils eine eigene Textregion dar. Die Lesereihenfolge der Einträge wird so standardisiert, dass zuerst der Rechtsinhalt, dann die Gebühr und als letztes die Marginalien von links nach rechts wiedergegeben werden. Einschüben und Hinzufügungen werden an der grammatikalisch richtigen Stelle im Satz positioniert, indem die betreffende Zeile geteilt wird.

Platzierung eines Einschubs auf einer Seite einer Handschrift im Transkribus Workflow

Abb. 9: Platzierung eines Einschubs (WStLA, Grundbuch Stadt Wien 2.1.2.1.B1.7 (= „Gewerbuch D“), fol. 42v)

Nachdem das aus dem Satzbuch CD hervorgegangene Modell auf die ersten 25 so bearbeiteten Seiten angewandt wurde, blieben die Resultate vorerst hinter den Erwartungen zurück. Verantwortlich dafür war weniger das Schriftbild der sich zeitlich nicht überschneidenden Handschriften, sondern der ungleiche Wortschatz. Die meisten Fehler wurden durch für das Modell unbekannte Abkürzungen produziert. Folglich gestaltete sich die Korrektur der Transkription zeitintensiver als erhofft. Eine deutliche Verbesserung stellte sich aber ein, nachdem ein neues Modell trainiert wurde, in das die neu gewonnene Ground Truth aus dem Kaufbuch E einfloss. Mit diesem Modell wurden die nächsten 25 Seiten transkribiert, dann kontrolliert und wiederum als Ground Truth für ein weiteres Modell verwendet. Dieses Modell, dessen CER bei nur noch 1,7% auf einem händisch zusammengestellten Validierungsset lag, war funktional genug, um die restlichen 450 Seiten des Kaufbuchs E zu transkribieren.

Eingesetzt wurde dieses Schneeballprinzip mit leichten Anpassungen nach Abschluss der Kontrolle auch bei den restlichen drei Grundbüchern. Beim zeitgleich mit Kaufbuch E geführten Gewerbuch C wurden ebenfalls die ersten 50 Seiten transkribiert und dem Trainingsmaterial für ein aktualisiertes Modell hinzugefügt, das dann auf den Rest des Dokuments angewendet wurde. Auch hier war diese Ergänzung hilfreich, da durch die andere Art der Rechtsgeschäfte neue Vokabeln dem Modell erst „beigebracht“ werden mussten. Da Gewerbuch D (1438-1473) und E (1474-1517) einen jeweils längeren Zeitraum abdecken, der mit häufiger wechselnden Händen einhergeht, wurden jeweils 25 Seiten aus Anfang, Mitte und Ende des Dokuments als Startpunkt für die Erweiterung des Modells ausgesucht.

Es wurde stets ein komplett neues Modell trainiert, anstatt das vorherige als Base Model zu nutzen. Durch diese Entscheidung ist die Möglichkeit gegeben, eventuelle Verbesserungen an bestehenden Transkriptionen mit ins Modell zu überführen. Zu Beginn wurde der unclear Tag nämlich noch relativ häufig vergeben. Oft waren es schwer leserliche Eigennamen oder stark abbreviierte Rechtsbegriffe, deren Auflösung sich erst durch die Lektüre anderer Einträge ergab. Beispielsweise wurde eine häufig wiederkehrende lateinische Notation anfänglich im falschen Tempus expandiert. Um Flüchtigkeitsfehlern bei der Textkontrolle entgegenzuwirken, wird zudem bei der HTR-Erkennung kein Gebrauch von Language Models gemacht. Diese werden bei jedem Modelltraining basierend auf der Ground Truth miterstellt. Es handelt sich bei ihnen um eine Art „Wörterbuch“, welches bei der Texterkennung den Zusammenhang einzelner Zeichen stärker berücksichtigt.[65] Bei Tests mit Hinzuschaltung des Sprachmodells wurden einige unleserliche Wörter zwar besser erkannt, negativ viel jedoch die Tendenz auf, „false friends“ hervorzubringen. Wichen häufig vorkommende Wörter leicht in ihrer Schreibweise ab – etwa durch ein „u“ anstatt eines „w“ in „hausfraw“ – wurden sie trotzdem in der gängigsten Variante transkribiert.

Das aktuellste Modell umfasst mehr als 700.000 Wörter aus allen vier Grundbüchern und weist eine CER von 1,2% sowohl auf Train- als auch auf Validierungsset auf. Eine entscheidende Verbesserung ist nicht mehr zu erwarten, die tatsächliche Fehlerrate ist in bestimmten Fällen vermutlich etwas höher zu bemessen. Begründet wird dies durch das nicht immer optimale Schriftbild. Ungeachtet des sicherlich auch repräsentativen Werts der Grundbücher waren diese vorrangig für den Gebrauch bestimmt, welcher seine Spuren hinterlassen hat. Ein Großteil der Einträge ist mit diagonalen Strichen kanzelliert. Teils ist die dazu verwendete Tinte blasser als der Text, teils aber auch nicht, was einige Zeichen unleserlich macht. Ähnlich verhält es sich mit Unter- und Oberlängen, die bis in die benachbarten Zeilen ragen. Durch die Neubindung der Grundbücher in den 1960er Jahren[66] sind außerdem einige Marginalien durch den Falz abgeschnitten. Die betreffenden Zeilen sind dadurch im Digitalisat stark gekrümmt, was für die Texterkennung ein Hindernis darstellen kann.[67]

Darstellung der Lernkurve des in Transkribus trainierten Modells

Abb. 10: Learing Curve des aktuellen PyLaia Grundbuchmodells

Letztlich ist zu bedenken, dass das Modell als Spezialmodell konzipiert ist. Zwar besteht das Trainingsmaterial aus derzeit über 2000 Seiten, die von wechselnden Händen geschrieben wurden, jedoch ist das Vokabular sehr eingeschränkt. Konsequenz daraus ist gewissermaßen eine Überanpassung des Modells an die Wiener Verwaltungshandschriften.[68] Dies macht sich an einer Validierung des Modells mit der Compare Samples Funktion in Transkribus bemerkbar. Um diese anzuwenden, kann ein Sample Set erstellt werden, das sich aus von Hand ausgesuchten Seiten zusammensetzt. Von diesen wird eine gewünschte Anzahl Zeilen randomisiert ausgewählt, die dann manuell transkribiert werden müssen. Anschließend lassen sich verschiedene Modelle auf dieses Set anwenden, wodurch ein Schätzwert der jeweiligen CER berechnet werden kann. Einerseits eignet sich diese Methode, um die Funktionalität öffentlicher Modelle auf den eigenen Dokumenten zu testen,[69] umgekehrt kann so aber auch ausgelotet werden, wie gut das eigene Modell für fremde Handschriften funktioniert.

Beachtet man bei der Zusammenstellung des Sample Sets bestimmte Regeln, ist eine wirklichkeitsnahe Abschätzung der Fehlerquote zu erwarten. Dazu sollte im Teststet kein Dokument aus dem eigenen Korpus enthalten sein, sondern Schriften unterschiedliche Hände und variierender Datierung.[70] Ausgewählt wurden zum Test des vorläufigen Grundbuchmodells daher 20 Dokumente des 15. und frühen 16. Jahrhunderts, von denen zehn aus Wien selbst stammen und zehn in anderen Regionen Österreichs zu verorten sind. Die Zeilenanzahl wurde auf 40 gesetzt, sodass im Schnitt zwei zufällige Zeilen pro Seite das Sample Set bilden. Zwecks eines verfeinerten Vergleichs – die CER wird für jede Seite einzeln errechnet und angezeigt – sind unter den 10 Dokumenten mit Wiener Provenienz vier nicht im Trainingsset enthaltene Seiten des Satzbuchs CD. Die restlichen Digitalisate wurden über Monasterium.net bezogen. Insgesamt beläuft sich der Mittelwert der eruierten Fehlerrate auf 8,45% ohne und auf 8,89% mit Hinzuschaltung des Language Models.

Abb. 11: Antizipierte CER des Grundbuchmodells, berechnet mit der Compare Samples Funktion

Wie antizipiert wurden die Zeilen aus dem Satzbuch fast fehlerlos erkannt, bei elf anderen belief sich die CER auf über 10%, bei einer auf über 20%. Die Entfernung zu Wien war hierfür anscheinend nicht so ausschlaggebend wie der verwendete Wortschatz und die Charakteristiken bestimmter Hände.

Visualisierung als Balken einer Fehleranalyse einer Seite aus dem Sample Set

Abb. 12: Fehleranalyse einer Seite aus dem Sample Set

5. Fazit

Aus dem Spätmittelalter sind mehr Handschriften überliefert als aus allen vorangegangenen Jahrhunderten zusammen.[71] Vor allem handelt es sich dabei um administratives Schriftgut.[72] Das ist ein großer Glücksfall, der es gestattet, diese Epoche mit verschiedensten wirtschafts- und sozialgeschichtlichen Fragestellungen zu durchdringen. Gleichzeitig bringt diese Quellenfülle aber auch eine große Herausforderung mit sich. Für klassische Editionsprojekte war diese Menge oft nicht zu bewältigen, sodass zahlreiche Manuskripte unerschlossen nur über Archive zugänglich sind. Digitale Methoden, die sich zwar schon seit längerem in Entwicklung befinden, deren Durchbruch aber erst in den letzten Jahren gelungen ist,[73] können hier Abhilfe schaffen. Im Bereich der automatischen Texterkennung hat die Plattform Transkribus eine zentrale Rolle eingenommen.[74]

Das Projekt Mapping Medieval Vienna wäre ohne den Einsatz dieses HTR-Programms in der jetzigen Form nicht durchführbar. Dreh- und Angelpunkt des Vorhabens sind gut 1500 handgeschriebene Folios der Wiener Grundbücher des 15. und 16. Jahrhunderts. Die darin enthaltenen Angaben zu Immobilientransaktionen und zur Lage der betreffenden Liegenschaften machen es möglich, den Stadtplan Wiens im ausgehenden Mittelalter Haus für Haus zu rekonstruieren. Welche Erkenntnisse sich daraus gewinnen lassen, ist durch jüngste Auswertungen der (leider nur sehr fragmentarisch erhaltenen) städtische Steuerverzeichnisse zu erahnen. Diese listen die steuerpflichtigen Haushalte in einer topografisch nach Straßen gegliederten Reihenfolge auf,[75] sodass Nachbarschaftsverhältnisse nicht erst durch langwieriges Dursuchen und Kombinieren tausender Einträge nachvollzogen werden müssen.

Grafische Darstellung in Form von Häusern an einer Straße der Nachbarschaftsverhältnisse in der Huterstraße nach dem Feuerstättenverzeichnis von 1448

Abb. 13: Nachbarschaftsverhältnisse in der Huterstraße nach dem Feuerstättenverzeichnis von 1448

Um diesen mühseligen Prozess im Fall der Grundbücher zu beschleunigen, sollen die Einträge mittels TEI ausgezeichnet werden, wobei das Markup den Grundstein für eine Graphdatenbank legt. Die topographischen Relationen können somit automatisiert abgefragt und durch eine Verknüpfung mit einem Geoinformationssystem visualisiert werden. Zur Umsetzung ist ein maschinenlesbarer Text unabdingbar. Transkribus wird dazu eingesetzt, diesen zeitökonomisch zu generieren. Jedoch musste vornehmlich in der Vorbereitungsphase viel Zeit und Arbeit investiert werden, um diese später einzusparen. Zum einen war die Nachbearbeitung des nicht immer einfachen Layouts der Kauf- und Gewerbücher mit einigem Aufwand verbunden. Zum anderen wurde ein komplett eigenständiges Modell trainiert, dass sich durch den Schneeballeffekt zu Anfang nur langsam verbesserte. Nach jetzigem Stand hat das Modell sein Plateau der Leistungsfähigkeit erreicht und beschleunigt den Transkriptionsvorgang deutlich. Da die Transkription als Digitale „Edition“ – passender wäre Transkription – veröffentlicht werden soll, wird das HTR-Resultat Zeile für Zeile nachkontrolliert. Dieser Prozess ist dabei mehr als nur Mittel zum Zweck, denn mit jeder transkribierten Seite wächst der Datensatz an Ground Truth. Zwar ist sie auf die Wiener Verwaltungsschrift spezialisiert, diese ist jedoch in so großen Mengen vorhanden, dass nachfolgende Projekte ihren Nutzen daraus ziehen können. Deswegen ist vorgesehen, das Grundbuchmodell nach Projektabschluss in Transkribus öffentlich zu schalten.

Alle angegebenen Links wurden am 26. Januar 2023 geprüft.

Bildlizenzen/Urheber: Alle Abbildungen sind Screenshots oder selbst erstelle Graphiken des Verfassers; die abgebildeten Digitalisate aus dem Wiener Stadt- und Landesarchiv stehen generell unter einer CC BY-Lizenz (CC BY-NC-ND 4.0). Diese Lizenz soll auch für alle hier inkludierten Abbildungen vergeben werden.


[1] Frank G. Hirschmann, Die Stadt im Mittelalter (Enzyklopädie deutscher Geschichte 84), Berlin/Boston 22016, S. 65-75.

[2] Dietrich Denecke, Soziale Strukturen im städtischen Raum. Entwicklung und Stand der sozialtopographischen Stadtgeschichtsforschung, in: Die Sozialstruktur und Sozialtopographie vorindustrieller Städte, hrsg. von Mathias Meinhardt und Andreas Ranft (Hallische Beiträge zur Geschichte des Mittelalters und der Frühen Neuzeit 1), Berlin 2005, S. 123-137, hier S. 123-125.

[3] Rolf Hammel-Kiesow, Quellen und Methoden zur Rekonstruktion des Grundstücksgefüges und der Baustruktur im mittelalterlichen und frühneuzeitlichen Lübeck, in: Wege zur Erforschung städtischer Häuser und Höfe. Beiträge zur fächerübergreifenden Zusammenarbeit am Beispiel Lübecks im Spätmittelalter und in der frühen Neuzeit, hrsg. von Rolf Hammel-Kiesow (Häuser und Höfe in Lübeck 1), Neumünster 1993, S. 39-152.

[4] Thomas Wozniak, Quedlinburg im 14. und 16. Jahrhundert. Ein sozialtopographischer Vergleich (Hallische Beiträge zur Geschichte des Mittelalters und der Frühen Neuzeit 11), Berlin 2013, S. 15-23.

[5] Max Plassmann, Die „Topographie der Stadt Köln im Mittelalter“ und die Schreinsbücher – nach Keussen, in: Die Schreinsbücher. Spiegel der Kölner Vormoderne, hrsg. von Bettina Schmidt-Czaia (Mitteilungen aus dem Stadtarchiv von Köln 102), Köln 2017, S. 55-64.

[6] Martin Mosser und Sylvia Sakl-Oberthaler, Spätmittelalterliche Siedlungsreste, in: Von der mittelalterlichen Stadtmauer zur neuzeitlichen Festung Wiens. Historisch-archäologische Auswertungen der Grabungen in Wien 1, Wipplingerstraße 33–35, hrsg. von Sylvia Sakl-Oberthaler [u.a.] (Monografien der Stadtarchäologie Wien 9), Wien 2016, S. 124–137.

[7] Richard Perger, Straßen, Türme und Basteien. Das Straßennetz der Wiener City in seiner Entwicklung und seinen Namen. Ein Handbuch, Wien 1991, S. 3.

[8] Paul Mitchel, Zur “Kontinuitätsfrage” in Wien an Hand neuester Erkenntnisse von der Ausgrabung Judenplatz und anderen Fundstellen, in: Zwischen “Römersiedlung” und mittelalterlicher Stadt. Archäologische Aspekte zur Kontinuitätsfrage, hsrg. Von Sabine Felgenhauer-Schmiedt, Alexandrine Eibner und Herbert Knittler (Beiträge zur Mittelalterarchäologie in Österreich 17), Wien 2001, S. 205–214, hier 213f.

[9] S. Stadt Wien. Kulturportal. Stadtplan, https://www.wien.gv.at/kulturportal/public/grafik.aspx?bookmark=b2hDRtWdGUZ-aLrRF0-aMuRRwpYtAb.

[10] Thomas Ertl, Wien 1448. Steuerwesen und Wohnverhältnisse in einer spätmittelalterlichen Stadt, Wien/Köln/Weimar 2020, S. 13f.

[11] Klaus Lohrmann, Grundbücher (Veröffentlichungen des Wiener Stadt- und Landesarchivs. Reihe A. Archivinventar 1/2), Wien 1986, S. 1–7.

[12] Paul Harrer-Lucienfeld, Wien, seine Häuser, Geschichte und Kultur, Bd. 1,2, Wien ²1951 (Manuskript im WStLA), https://www.digital.wienbibliothek.at/wbrobv/content/titleinfo/2278312.

[13] Felix Czeike, Art, „Harrer-Lucienfeld“, in: Historisches Lexikon Wien 3. Wien 1994, S. 62f.

[14] Felix Czeike, Die Darlehensgeschäfte im Bereich der Stadt Wien und ihre Quellen im 15. Jahrhundert (1438-1473), 2 Bde., Dissertation Wien 1950.

[15] Heinrich Demelius, Eheliches Güterrecht im spätmittelalterlichen Wien (Österreichische Akademie der Wissenschaften. Philosophisch-Historische Klasse. Sitzungsberichte 265,4), Wien 1970.

[16] Richard Perger, Die Wiener Ratsbürger. 1396-1526: Ein Handbuch (Forschungen und Beiträge zur Wiener Stadtgeschichte 18), Wien 1988.

[17] Franz Staub [Bearb.], Quellen zur Geschichte der Stadt Wien. Abteilung 3. Grundbücher der Stadt Wien, 3 Bde., Wien 1898–1921.

[18] Korbinian Grünwald [u.a.] (2021). Das Darlehensbuch Satzbuch CD (1438-1473) – Digitale Edition der Wiener Grundbücher, https://hdl.handle.net/21.11115/0000-000C-E89D-E.

[19] Mapping Medieval Vienna: The Social Topography of Vienna in the 15th Century Projekthomepage, https://www.geschkult.fu-berlin.de/e/fmi/bereiche/mittelalter/ab_ertl/Mapping-Vienna.html.

[20] Ferdinand Opll, Geschichte des Wiener Stadt- und Landesarchivs (Veröffentlichungen des Wiener Stadt- und Landesarchivs C. Sonderpublikationen 5). Wien 1994, S. 9–50.

[21] Thomas Haffner, Der Wiener Immobilienmarkt und die Pest von 1381, in: Wiener Geschichtsblätter 74, Heft 1 (2019), S. 1–26, hier S. 1.

[22] Peter Csendes und Ferdinand Opll, Wien im Mittelalter: Zeitzeugnisse und Analysen. Wien/Köln 2021, S. 291–293.

[23] Thomas Ertl und Thomas Haffner, The Property Market of Late Medieval Vienna. Institutional Framework and Social Practice, in: A Companion to Medieval Vienna, hrsg, von Susana Zapke und Elisabeth Gruber (Brill`s Companios to European History 25), Leiden/Boston 2021, S. 115-134, S. 116f.

[24] Csendes/Opll (2021), S. 292.

[25] Felix Czeike, Art. „Grundbuchswesen“, in: Historisches Lexikon Wien 2, Wien 1993, S. 622.

[26] Alphabetisch sortiert sind Kaufbuch E und Gewerbuch D. Das Kaufbuch richtet sich nach den Namen der Hausverkäufer, im Gewerbuch werden hingegen die Empfänger der Liegenschaften zuerst genannt.

[27] WStLA, Grundbuch Stadt Wien 2.1.2.1.B1.6a (=“Kaufbuch E“), fol. 196v.

[28] Haffner (2019), S. 4.

[29] Ertl/Haffner (2021), S. 117.

[30] Beispielsweise die Badestube „Zu den Röhren“, s. Harrer-Lucienfeld (1951) S. 355–359.

[31] Tim Bisschops, It is all about location. GIS, property records and the role of space in shaping late medieval urban life. The case of Antwerp around 1400, in: Post Classical Archaeologies 2 (2012), S. 83–106, hier S. 88–92.

[32] Georg Vogeler, The Content of Accounts and Registers in their Digital Edition. XML/TEI, Spreadsheets, and Semantic Web Technologies, in: Konzeptionelle Überlegungen zur Edition von Rechnungen und Amtsbüchern des späten Mittelalters, hrsg. von Jürgen Sarnowsky (Nova mediaevalia 16). Göttingen 2016, S. 13–42, hier S. 13f.

[33] Korbinian Grünwald, Die digitale Erfassung von mittelalterlichen Rechtsgeschäften – Beschreibung der semistrukturierten XML-Graphen-Datenbank db_for_medieval_legal_transactions, in: DHd-Blog, 31. Oktober 2021, https://dhd-blog.org/?p=16737.

[34] Christina Lutter [u.a.], Soziale Netzwerke im spätmittelalterlichen Wien. Geschlecht, Verwandtschaft und Objektkultur, in: Medieval and Early Modern Material Culture Online (2021), http://dx.doi.org/10.25536/2021q002.

[35] Vogeler (2016), S. 22f.

[36] Christopher Pollin, Digital Edition Publishing Cooperative for Historical Accounts and the Bookkeeping Ontology, in: RODBH 2019, Proceedings of the Doctoral Symposium on Research on Online Databases in History, hrsg. von Thomas Riechert, Francesco Beretta und George Bruseker, Leipzig 2019, S. 7-14, https://ceur-ws.org/Vol-2532/paper1.pdf.

[37] Brett Graham, Using Natural Language Processing to Search for Textual References, in: Ancient Manuscripts in Digital Culture. Visualisation, Data Mining, Communication, hrsg. von David Hamidović, Claire Clivaz und Sarah Bowen Savant (Digital Biblical Studies 3), Leiden/Boston 2019, S. 115–132, hier S. 115.

[38] Sergio Torres Aguilar und Dominique Stutzmann, Named Entity Recognition for French medieval charters, in: Proceedings of the Workshop on Natural Language Processing for Digital Humanities, hrsg. von Mika Hämäläinen [u.a.], Silchar 2021, S. 37–46, hier S. 37.

[39] Dorothee Huff und Kristina Stöbener, Projekt OCR-BW. Automatische Texterkennung von Handschriften, in: o-bib. Das offene Bibliotheksjournal 9, Heft 4 (2022), S. 1–19, hier S. 3, https://doi.org/10.5282/o-bib/5885.

[40] Ina Serif, Ein Wolpertinger für die Vormoderne. Zu Nutzungs- und Forschungsmöglichkeiten von Transkribus bei der Arbeit mit mittelalterlichen und frühneuzeitlichen Handschriften und Drucken, in: Mittelalter. Interdisziplinäre Forschung und Rezeptionsgeschichte 2 (2019), S. 125–166, hier S. 132f. https://mittelalter.hypotheses.org/21828.

[41] S. Transkribus How-to-Anleitung: Verwendung vorhandener Transkriptionen zum Trainieren eines HTR-Modells mit dem TextToImage-Tool, https://readcoop.eu/de/transkribus/howto/how-to-use-existing-transcriptions-to-train-a-handwritten-text-recognition-model/.

[42] Serif (2019), S. 129–134.

[43] Serif (2019), S. 135.

[44] Tobias Grünung [u.a.], A Two-Stage Method for Text Line Detection in Historical Documents, in: International Journal on Document Analysis and Recognition 22, Heft 2 (2019), S. 285–302, https://doi.org/10.48550/arXiv.1802.03345.

[45] Joe Nockels [u.a.], Understanding the Application of Handwritten Text Recognition Technology in Heritage Contexts. A Systematic Review of Transkribus in Published Research, in: Archival Science 22, Heft 3 (2022), S. 367–92, hier S. 368f., https://doi.org/10.1007/s10502-022-09397-0.

[46] Dirk Alvermann, Ground Truth ist das A und O, in: Rechtsprechung im Ostseeraum Digitization & Handwritten Text Recognition, 01. September 2019, https://rechtsprechung-im-ostseeraum.archiv.uni-greifswald.de/de/ground-truth-is-the-alpha-and-omega/.

[47] Serif (2019), S. 149.

[48] Günter Mühlberger [u.a.], Transforming Scholarship in the Archives through Handwritten Text Recognition. Transkribus as a Case Study, in: Journal of Documentation 75, Heft 5 (2019), S. 954–76, hier S. 959, https://doi.org/10.1108/JD-07-2018-0114.

[49] Günter Mühlberger und Tamara Terbul, Handschriftenerkennung für historische Schriften. Die Transkribus Plattform, in: b.i.t. online. 21, Heft 3 (2018), S. 218–222, hier S. 219, https://www.b-i-t-online.de/heft/2018-03/fachbeitrag-muehlberger.pdf.

[50] Dirk Alvermann, Einzelne Zeilen vom Training ausschließen, in: Rechtsprechung im Ostseeraum Digitization & Handwritten Text Recognition, 06. Mai 2021, https://rechtsprechung-im-ostseeraum.archiv.uni-greifswald.de/de/exclude-single-lines-from-training/.

[51] Huff/Stöbener (2022), S. 5 mit Anm. 15.

[52] Anna Brandt, Trainings- und Testsets (für Einsteiger), in: Rechtsprechung im Ostseeraum Digitization & Handwritten Text Recognition, 08. Oktober 2019, https://rechtsprechung-im-ostseeraum.archiv.uni-greifswald.de/de/train-sets-test-sets-for-beginners/.

[53] Phillip Ströbel [u.a.], Evaluation of HTR models without Ground Truth Material, in: LREC 2022, Marseille, 21 Juni 2022 – 23 Juni 2022, European Language Resources Association (2022), S. 4395–4404, hier S. 4400, https://doi.org/10.48550/arXiv.2201.06170.

[54] Dirk Alvermann und Pawel Gut, Transkribus im Archiv – Ein polnisch-deutsches Projekt zur Handschriftentexterkennung an historischen Dokumenten, in: Archeion 122 (2021), S. 129–153, hier S. 145, https://www.ejournals.eu/Archeion/2021/122/art/20695/.

[55] Huff/Stöbener (2022), S. 5.

[56] Tobias Hodel [u.a.], General Models for Handwritten Text Recognition. Feasibility and State-of-the Art. German Kurrent as an Example, in: Journal of Open Humanities Data 7 (2021), S. 3  https://doi.org/10.5334/johd.46.

[57] Dirk Alvermann, P2PaLA oder Strukturtraining, in: Rechtsprechung im Ostseeraum Digitization & Handwritten Text Recognition, 21. Januar 2020, https://rechtsprechung-im-ostseeraum.archiv.uni-greifswald.de/de/p2pala-or-structure-training/.

[58] Passend wäre hier der Tag: <measure>, s. TEI-Guidelines https://www.tei-c.org/release/doc/tei-p5-doc/en/html/ref-measure.html.

[59] Ediert sind ausgewählte Einträge, die einen Bezug zur jüdischen Geschichte Wiens im Mittelalter haben. S. Rudolf Geyer und Leopold Sailer, Urkunden aus Wiener Grundbüchern zur Geschichte der Wiener Juden im Mittelalter (Quellen und Forschungen zur Geschichte der Juden in Deutsch-Österreich 10), Wien 1931.

[60] Mittlerweile hat sich dies geändert, es sind einige Modelle verfügbar. Darunter ist auch der erste Prototyp eines generische Modells, in das die Ground Truth der Wiener Handschriften mit eingeflossen ist: Julian Helmchen, Generic Model 15th-16th century German (prototype), https://readcoop.eu/de/modelle/generic-model-15th-16th-century-german-prototype/; Tobias Hodel, Gothic_Book_Scripts_XIII-XV_M4, https://readcoop.eu/de/modelle/latin-and-german-gothic-book-scripts/; Tobias Hodel, Medieval_Scripts_M2.4, https://readcoop.eu/de/modelle/charter-scripts-german-latin-french/; Elisabeth Gruber, Bastarda_1460-1463_ENHG_v2, https://readcoop.eu/de/modelle/bastarda_1460-1463_enhg_v2/; Elisabeth Gruber, Kurrent_1515_ENHG_v3, https://readcoop.eu/de/modelle/kurrent_1515_enhg_v3/.

[61] Elpida Perdiki, Review of ‘Transkribus: Reviewing HTR training on (Greek) manuscripts’.” RIDE – A review journal for digital editions and resources 15 (2022), S. 7, https://ride.i-d-e.de/issues/issue-15/transkribus/.

[62] Eine ausführliche Auflistung der genutzten Abbreviaturen bietet: Felix Czeike, Die Darlehensgeschäfte im Bereich der Stadt Wien und ihre Quellen im 15. Jahrhundert (1438-1473), Bd. 1, Diss. Universität Wien 1949, S. 57–60.

[63] Felix Czeike, Die Darlehensgeschäfte im Bereich der Stadt Wien und ihre Quellen im 15. Jahrhundert (1438-1473), Bd. 2, Diss. Universität Wien 1949, S. 333f.

[64] Pfund/talentum = tl.; Schilling = s.; Pfennig/denarius = d.

[65] Huff/Stöbener (2022), S. 7 mit Anm. 20.

[66] Der archivarische Vermerk: „neu eingebunden 1965 im Haus -, Hof- u. Staatsarchiv“ befindet sich im Einband des Kaufbuchs E und Gewerbuchs C.

[67] Dirk Alvermann, HTR+ oder Pylaia, in: Rechtsprechung im Ostseeraum Digitization & Handwritten Text Recognition, 18. Dezember 2020, https://rechtsprechung-im-ostseeraum.archiv.uni-greifswald.de/de/htr-versus-pylaia/.

[68] Hodel [u.a.] (2021), S. 5f.

[69] Huff/Stöbener (2022), S. 11f.

[70] Hodel [u.a.] (2021), S. 6.

[71] Thomas Ertl, Bauern und Banker. Wirtschaft im Mittelalter, Darmstadt 2021, S. 232f.

[72] Ebd. S. 251.

[73] Mühlberger [u.a.] (2019), S. 955-958.

[74] Nockels [u.a.] (2022), 387f.

[75] Ertl (2020), S. 66.


D O W N L O A D

(PDF/A-Version)


Dieser Artikel wurde wissenschaftlich begutachtet von Colin Arnaud (Konstanz) und Tobias Hodel (Bern).
Er wurde redaktionell betreut von Stephan Ebert (Gastredakteur), Karoline Döring und Björn Gebert.
Die Dateiversion des Artikels im Format PDF/A erscheint i.d.R. innerhalb von 24h nach Veröffentlichung der html-Version.


OpenEdition schlägt Ihnen vor, diesen Beitrag wie folgt zu zitieren:
Julian Helmchen (12. Juni 2025). Die Digitalisierung der spätmittelalterlichen Grundbücher Wiens mit Transkribus. Mittelalter. Abgerufen am 8. Februar 2026 von https://doi.org/10.58079/143do


Das könnte dich auch interessieren …

Schreibe einen Kommentar

Deine E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert

This site uses Akismet to reduce spam. Learn how your comment data is processed.