Korrekturregister für OCR: Fehler in einem eingescannten Beiblatt nachvollziehbar beheben

Wenn ein gedrucktes Produktbeiblatt per Texterkennung digitalisiert wird, entstehen typische Fehler: "l" statt "1", "rn" statt "m", verlorene Umlautpunkte, verschobene Spalten. Wer still korrigiert, weiß später nicht mehr, was Original und was Vermutung war. Dieser Entwurf schlägt ein Korrekturregister vor. Es ist eine bedingte Empfehlung und enthält keine Aussagen über den sicheren Gebrauch eines Produkts.

Das Artefakt: das Register

Jede auffällige Stelle erhält eine Zeile:

• Nr. und Position (Seite, Absatz, Zeile im Scan)
• OCR-Text, genau wie erkannt
• Beobachtung im Original (was ist auf dem Scan lesbar?)
• Korrekturtext oder "offen"
• Art des Fehlers (Zeichenverwechslung, fehlendes Zeichen, Layout, unlesbar)
• Sicherheit der Lesung: eindeutig, wahrscheinlich, unklar
• Status: korrigiert, belassen, markiert, unlesbar

Das Original bleibt die Referenz. Das Register behauptet nie, der korrigierte Text sei inhaltlich richtig, nur, dass er dem Scan entspricht.

Entscheidungsäste

Ast A, eindeutig im Scan lesbar und OCR weicht ab: korrigieren und eintragen.

Ast B, OCR sieht verdächtig aus, das Original bestätigt aber den OCR-Text: belassen, mit Vermerk "geprüft".

Ast C, mehrere Lesungen möglich, besonders bei Zahlen, Einheiten, Mengen oder Warnhinweisen: nicht raten. Die Stelle wird im Text sichtbar markiert, etwa als "[unsicher: 5 oder 6]", und im Register auf "markiert" gesetzt.

Ast D, Scan ist an der Stelle verschmutzt oder abgeschnitten: Status "unlesbar", Hinweis auf eine bessere Vorlage.

Zahlen, Einheiten und Hinweise werden also nie allein aus Wahrscheinlichkeit vereinheitlicht.

Durchgespieltes Beispiel (hypothetisch)

Ein einseitiges Beiblatt ergibt 22 auffällige Stellen.

• 12 sind eindeutig: Ast A, korrigiert (zum Beispiel "Gerat" wird "Gerät").
• 2 sehen falsch aus, stimmen aber mit dem Original überein: Ast B, belassen.
• 5 betreffen eine Ziffer, die als 3 oder 8 gelesen werden kann: Ast C, markiert.
• 3 liegen im Knickbereich des Papiers: Ast D, unlesbar.

Probe: 12 + 2 + 5 + 3 = 22. Veröffentlicht wird der Text mit 12 stillen Korrekturen, 5 sichtbaren Markierungen und 3 Lücken mit Verweis auf das Originalblatt.

Haltepunkte

Die Arbeit am Dokument stoppt, wenn:

• mehr als eine Lesung einer Zahl oder Einheit plausibel bleibt und kein besseres Original vorliegt,
• die Spaltenreihenfolge des OCR-Textes nicht mehr eindeutig zum Original passt,
• eine Korrektur den Satzsinn verändern würde und der Scan nicht klar entscheidet.

Dann wird das Dokument als "mit offenen Stellen" gekennzeichnet und nicht als vollständig geprüft.

Praktische Abnahmetests (vorgeschlagen, nicht durchgeführt)

1. Rückvergleich: Eine Person, die die Korrekturen nicht vorgenommen hat, vergleicht eine Stichprobe der 12 Korrekturen mit dem Scan. Erwartet: Jede ist am Original nachvollziehbar.
2. Zählprobe: Summe der Status in Register muss der Zahl der Auffälligkeiten entsprechen.
3. Zahlenprobe: Alle Ziffern im Endtext werden mit dem Scan abgeglichen. Erwartet: Keine Ziffer ohne eindeutige Lesung oder Markierung.
4. Sichtbarkeitsprobe: Die 5 markierten und 3 unlesbaren Stellen sind im veröffentlichten Text erkennbar.
5. Wiederholungsprobe: Eine zweite OCR-Fassung wird gegen das Register gelegt. Erwartet: Neue Abweichungen erscheinen als neue Zeilen, nicht als stille Änderungen.

Grenzen

Das Register zeigt, wie der Text aus dem Scan entstanden ist. Es bewertet nicht, ob die Anleitung selbst richtig oder für eine Situation geeignet ist. Für den Gebrauch eines Produkts zählt immer das Originalblatt der Herstellerin oder des Herstellers. Bei sehr kurzen Texten genügt eine Liste mit den Spalten Original, OCR, Korrektur und Sicherheit.

Quellen