Methoden der lexikalischen Nachkorrektur OCR-erfasster Dokumente

These T 3 : Automatisierte Anfragen an Suchmaschinen bieten einen geeigne-ten Zugang zu den einschlägigen Web-Dokumenten eines Fachgebiets. These T 4 : Eine feingliedrige Fehlerklassifikation erlaubt die Lokalisierung der beiden Hauptfehlerquellen der webgestützten Nachkorrektur: • falsche Freunde, d. h. Fehler, die unentdeckt bleiben, da sie lexikalisch sind • unglückliche Korrekturen hin zu Orthographie-oder Flexions-Varianten 5 6 These T 5 : Falsche Freunde werden durch eine Kombination mehrerer OCR-Engines deutlich vermindert. These T 6 : Mit einfachen Heuristiken wird ein unglücklicher Variantenaus-tausch der Nachkorrekturkomponente vermieden. These T 7 : Mit einer Vereinheitlichung zu Scores lassen sich diverse OCR-Nachkorrekturhilfen wie etwa Wort-Abstandsmaße, Frequenz-und Kontextin-formationen kombinieren und zur Kandidaten-sowie Grenzbestimmung einset-zen. These T 8 : OCR-Nachkorrektur ist ein multidimensionales Parameteroptimie-rungsproblem, wie z. B. Auswahl der Scores, deren Kombination und Gewich-tung, Grenzbestimmung oder Lexikonauswahl. Eine graphische Oberfläche eig-net sich für eine Untersuchung der Parameter und deren Adjustierung auf Trai-ningsdaten. These T 9 : Die Software zur Parameteroptimierung der Nachkorrektur der Resultate einer OCR-Engine kann für die Kombination mehrerer OCR-Engines wiederverwendet werden, indem die Einzelresultate der Engines wieder zu Scores vereinheitlicht werden. These T 10 : Eine Wort-zu-Wort-Alignierung, wie sie für die Groundtruth-Er-stellung und die Kombination von OCR-Engines notwendig ist, kann durch eine Verallgemeinerung des Levenshtein-Abstands auf Wortebene effizient realisiert werden.