AT GØRE FORTIDEN TILGÆNGELIG FOR ALLE

ERFARINGER MED DIGITALISERING, TRANSKRIBERING OG PUBLICERING PÅ AI-PLATFORMET TRANSKRIBUS

Line Keller Ottosen og Nina Javette Koefoed

Siden sommeren 2023 har vi været i gang med et stort digitaliserings- og transskriberingsprojekt, hvis mål ikke alene er at re-digitalisere Danske Kancellis supplikprotokoller fra 1699-1799 men også at transskribere dem og dermed gøre det omfattende materiale søgbart. Formålet med denne rapport er at dele vores erfaringer med alle dele af processen fra projektstart til publicering af de transskriberede protokoller, så andre forhåbentlig kan have glæde af vores erfaringer og blive bedre klædt på til at bruge de transskriberede supplikprotokoller.[1] I arbejdet med digitalisering af kilderne har vi opdaget både udfordringer og muligheder ved domænespecifik digitalisering og vigtigheden af transparens i arbejdsprocessen for det videre arbejde med digitaliserede kilder. Og de erfaringer ønsker vi at dele. Rigsarkivets eget nye re-digitaliseringsprojekt viser interessen i at bevare og tilgængeliggøre arkivalier af enestående national betydning gennem digitalisering.[2] Hvor Rigsarkivets nye digitaliseringer tilgængeliggør arkivalierne for dem, der kan læse håndskrifterne, er sigtet med vores projekt, Voices of the People, et andet og mere omfattende. Vores hovedpointer, der uddybes i rapporten, er følgende:

1. Digitalisering og transskribering af ældre håndskrevne kilder er tidskrævende og omfattende – selv ved brug af AI-værktøjer og Transkribus.
2. Forhåndskendskab til materialet og afprøvning af digitaliseringsprocessen i et mindre sample af materialet kan have stor betydning for arbejdsprocessen og de udfordringer, man møder undervejs.
3. Den domænespecifikke tilgang til materialet har været vigtig, fordi vi har arbejdet med digitaliseringsprocessen med en klar forståelse for supplikprotokollernes kontekst, samt hvad materialet kunne bruges til efterfølgende.
4. Undervejs i hele digitaliseringsprocessen – fra den originale kilde åbnes og fotograferes, til at alle transskriptionerne er færdiggjort, søgbare og tilgængelige – bliver der truffet beslutninger og indgået kompromisser, som i sidste ende har stor betydning for materialet.
5. Transparens og vidensdeling i digitaliseringsprocessen er ikke alene god forskningspraksis, men nødvendig og central for den efterfølgende brug af kildesamlingen.
6. Kildesamlinger er ikke blot tilgængelige, når de er søgbare og digitaliseret på en platform. Det kræver synlighed og formidling af materialet, der inspirerer og informerer de potentielle brugere om kildesamlingens indhold.

1. INTRODUKTION TIL PROJEKTET
Projektet Voices of the People har kunnet realiseres takket være en bevilling fra Carlsbergfondets forskningsinfrastrukturmidler, der gjorde det muligt at ansætte både en større gruppe af studentermedhjælpere til at opmærke og korrekturlæse de digitaliserede sider samt en videnskabelig assistent til at lede projektet og træne modellerne. Projektet er et led i en stadig erfarings- og vidensopbygning omkring de processer, der ved hjælp af AI gør det muligt at tilgængeliggøre store mængder af fortidens håndskrevne arkivalier.

Den helt nødvendige erfaringsopbygning startede med et meget mindre projekt tilbage i 2020. Her gjorde opstartsmidler fra Aarhus Universitet det muligt at ansætte den første lille gruppe af studerende til at segmentere (opmærke) arkivalierne fra 12 arkivkasser med Indkomne breve og domme fra Møns tugt- og manufakturhus fra perioden 1737-1812.[3] Erfaringerne herfra viste både potentialet i at læse 1700-tallets håndskrevne arkivalier ved hjælp af AI-trænede modeller på platformen Transkribus men også hvor mange arbejdstimer, der går med det. Den erfaring ledte til den første ansøgning og bevilling fra Carlsbergfondets infrastrukturmidler til projektet Making the 18th century accessible. Målet var her at træne den første danske model i Transkribus, der kunne læse 1700-tals gotisk håndskrift.

En af fordelene ved Transkribus-platformen er, at den indbyder til kollektive arbejdsprocesser og samarbejder. Vores første model blev offentliggjort i sommeren 2021, da den havde en fejlrate på omkring 5 %, hvilket vi vurderede som tilstrækkelig lav til, at modellen kunne have interesse for andre. Offentliggørelsen har gjort det muligt for andre forskere at træne videre på modellen til eget formål og samtidig udvikle modellerne, så de gradvist bliver bedre og bedre.[4] Samtidig kommer de trænede modeller studerende til gode, fordi de kan understøtte processen med at lære at læse gotisk og gøre det mere overskueligt at bruge håndskrevne arkivalier.

Voices of the People er et projekt i en helt anden skala end det første projekt. Materialet er Danske Kancellis supplikprotokoller, der rummer afskrift af alle de supplikker (bønskrifter), som kongens undersåtter sendte til den enevældige konge i løbet af 1700-tallet sammen med sagsbehandlingen i kancelliet og kongens afgørelse. Supplikkerne er et unikt kildemateriale til 1700-tallet, fordi de rummer almindelige menneskers stemme og måder at forklare deres ønsker og behov i alle aspekter og livssituationer. På trods af supplikkernes righoldige beretninger om 1700-tallets almindelige mennesker og det levede liv er det samlede materiale stort set uudnyttet. Der er 220 tætskrevne protokoller på 5-600 dobbeltsider i spalter og kun ét navneregister, hvilket gør det stort set uoverskueligt at bruge – medmindre det bliver gjort søgbart, så man kan finde sager af f.eks. bestemte typer over en større antal protokoller.[5]

Det manuelle arbejde i Voices of the People udføres primært af de studentermedhjælpere, der er ansat på projektet. Antallet har været skiftende men har ligget på mellem fire og tolv studentermedhjælpere ad gangen. Studentermedhjælpernes opgaver består nu henholdsvis i at korrigere den automatiske field- og layoutgenkendelse, som vores modeller er trænet til, samt efterfølgende at læse korrektur på den automatiske tekstgenkendelse. Det indledende hold af studentermedhjælpere var imidlertid med til manuelt at lave segmenteringen, der lå til grund for de første layout- og fieldmodeller. Studentermedhjælpernes arbejde er helt afgørende for at kunne gennemføre og kvalitetssikre et projekt af denne størrelse, men det kræver i sagens natur helt faste retningslinjer og procedurer, når mange mennesker skal skabe et fælles ensartet produkt. Vi oplever det samtidigt som utroligt givende at være et helt hold, der arbejder sig igennem kildematerialet og mod samme mål. Det har den store fordel ved at inkludere studentermedhjælpere i et projekt af denne størrelse, at det manuelle og noget ensformige arbejde kan deles ud på flere mennesker, der arbejder færre timer hver uge. Det skaber fagligt relevante muligheder for studiejobs, hvor vi gør en gruppe af fremtidige historikere til superbrugere af én af de centrale teknologier for faget lige nu, samtidig med at deres arbejde er med til at åbne nye muligheder for historieforskningen i fremtiden.

En vigtig overvejelse, som vi ligeledes har gjort os om inklusionen af studentermedhjælpere, er, at vi ser et ansvar for, at de studerende, som potentielt skal bruge digitaliserede kilder, faktisk kender omfanget af arbejdet, overvejelser og ændringer, der gøres undervejs i digitaliseringen.[6] Selvom vi har stødt på mange udfordringer undervejs i forbindelse med ensretning og motivation i det monotone arbejde med segmentering, har studentermedhjælperne fået en værdifuld indsigt og bevidsthed om digitalisering og håndtering af digitaliseret materiale, som kvalificerer deres videre uddannelse og arbejde. De har fået en helt konkret forståelse af konsekvenserne ved digitalisering gennem deres arbejde.

1.1 VALG AF PLATFORM TIL TRANSSKRIBERING
Det er tidskrævende at arbejde med maskintransskribering af håndskrevne arkivalier, og det kalder på en række overvejelser, inden man overhovedet går i gang. Det materiale, der indgik i projektet Making the 18th century accessible,var indsamlet på et tidspunkt, hvor vi havde fravalgt at bruge Transkribus eller maskinlæsning i det hele taget på grund af den tid, der går med at opmærke siden, før den kan læses, og ikke mindst den tid, der går med at træne en god model. Da vi alligevel valgte at gå over til Transkribus på et tidspunkt i processen, var det på grund af de langsigtede perspektiver i tilgængeliggørelsen af store materialemængder gennem trænede modeller.

Der er et voksende marked for AI-platforme til tekstgenkendelse, men der er i vores perspektiv gode argumenter for at arbejde med netop Transkribus. Transkribus er udviklet gennem et EU-projekt med historikere i projektgruppen og har således fra begyndelsen været rettet mod at understøtte transskriberingen af historiske dokumenter og at understøtte historisk forskning. Efter projektets ophør er platformen omdannet til et kooperativ, som ejes af brugerne, der i princippet også er med til at definere udviklingen af sitet.[7] Mulighederne for samarbejde er som nævnt ét af de store potentialer i Transkribus, endda på flere niveauer. Når store kulturinstitutioner som f.eks. det Svenske Rigsarkiv aktivt bruger Transkribus, er det med til økonomisk at understøtte, at sitet overhovedet findes i fremtiden og kan bruges af almindelige borgere som slægtsforskere og studerende, der ikke har mulighed for at udvikle en egen platform til maskinlæsning. Som privatperson kan du bruge sitet i et vist omfang gratis hver måned, og det er selvfølgelig kun muligt, hvis de store aktører med fondsmidler og skattekroner i ryggen også understøtter sitet. Det andet kollektive element ved Transkribus er udviklingen af modeller, hvor det også betyder meget, at der er nogen med mulighed for at tage føring, men hvor individuelle forskere også kan bidrage til udvikling af modeller med hver deres indspil.

En anden fordel er den løbende opdatering og udvikling af platformen, man som bruger har gavn af. At platformen er teknisk understøttet og har et interface, der er meget brugervenligt og ikke kræver det store computerkendskab, er med til at gøre den tilgængelig for mange. Og fordi den udvikles løbende, risikerer man ikke helt så let at sidde med noget, der er forældet efter projektets ophør. Det betyder imidlertid også, at nogle af vores erfaringer, udfordringer og pointer er ændret eller måske endda helt forsvundet, fordi Transkribus hele tiden udvikles og forbedres. En mere presserende ulempe er, at man med sine projekter satser på, at Transkribus bliver ved med at eksistere og overleve i en verden, hvor der formentlig vil dukke flere og flere konkurrerende platforme op, som kan meget af det samme, og at der stadig er en fornemmelse af, at vi bygger, mens vi kører. Det kan dog have den fordel, at man som bruger og anpartshaver kan få indflydelse på, hvordan udviklingen skal være.

1.2. DIGITALISERING OG UPLOAD
Kvaliteten af de retro-digitaliserede kilder, som man uploader til Transkribus, er af afgørende betydning for, hvor god en model for tekstgenkendelse man kan træne. Derfor har vi i begge projekter valgt at arbejde med nye digitaliseringer. I det første projekt var materialet ikke digitaliseret i forvejen. Her affotograferede Søren Broberg Knudsen, der var videnskabelig assistent i projektet, selv de 12 arkivkasser, som derefter blev uploaded årgang for årgang til en samling i Transkribus.

Supplikprotokollerne er arkivalier af enestående national betydning, og derfor er det kun Rigsarkivet, der kan re-digitalisere dem. Supplikprotokollerne har tidligere været affotograferet på mikrofilm og lå på ”Arkivalieronline” som en affotografering af mikrofilmene. Billedkvaliteten af den digitalisering var dog for dårlig til, at det kunne betale sig at arbejde videre med den på Transkribus. Projektet blev derfor indledt med et samarbejde med Rigsarkivets digitaliseringsafdeling i Viborg, der hjemtog alle supplikprotokollerne og affotograferede dem hen over efteråret 2023.

Modtagelsen af filerne fra Rigsarkivet og upload til Transkribus samt organisering af samlingen her er grundlaget for det videre arbejde. Hvis noget mangler eller bliver uploaded eller registreret forkert, vil det være meget vanskeligt og arbejdskrævende senere at rekonstruere, hvad der var rigtigt. Til gengæld vil det påvirke hele produktet og det færdige resultat, hvis noget er forkert her. Derfor stod PI (Nina Javette Kofoed) for projektet for denne fase, mens den videnskabelige assistent (Line Keller Nørbøge Ottosen) og studentermedhjælperne begyndte arbejdet med de første protokoller, vi lagde op.

Vi kørte med en arbejdsgang, hvor Rigsarkivet hver uge uploadede en samling, som vi downloadede på egen computer og derfra lagde op på Transkribus. Her var navngivningen af filerne essentiel for at sikre, at det var let at organisere samlingen på Transkribus, så protokollerne kom i kronologisk rækkefølge, og siderne i protokollerne kom i den originale rækkefølge. Indledende krævede det en dialog med Rigsarkivet om, hvordan de enkelte filer blev navngivet, samt at vi uploadede billederne igennem den downloadede version af Transkribus. Selvom dette var langt mere tidskrævende, oplevede vi, at sidernes rækkefølge blev blandet, når vi uploadede i den onlineversion af Transkribus. Siden har Transkribus tilsyneladende løst dette problem. Fordi protokollerne ikke kom i kronologisk rækkefølge fra Rigsarkivet, var det derfor også lidt tilfældigt, hvor vi startede med arbejdet på samlingen, hvilket vi, efterhånden som projektet er skredet frem, har systematiseret en del. Desuden har vi tilføjet proveniens fra Rigsarkivet som metadata for hver protokol.

Vi trænede videre på den tekstgenkendelsesmodel, som vi udviklede i det første projekt, og den var bedst i 1750’erne, så derfor fokuserede vi også efterhånden vores arbejde med supplikkerne på det årti som det første.

Vi har valgt hovedsageligt at arbejde i app’en/onlineversionen, fordi Transkribus er ved at overgå til den og kun udvikler nye features her samtidig med, at interfacet er mere intuitivt end det gamle interface på klienten, som var den oprindelige version af Transkribus. Det kan dog være en fordel at skifte mellem de to, fordi der også er enkelte funktioner, der enten fungerer bedre på klienten eller indtil videre kun er her.

2. KLARGØRING AF MENNESKESKABT MATERIALE TIL HTR
Vi arbejder ud fra en opdeling i tiårige perioder, hvor vi færdiggør segmentering, tekstgenkendelsen, korrekturlæsning, gentræning af modeller og publicering, inden vi fortsætter til de næste ti års protokoller. Tanken bag arbejdsgangen er dels at underbygge en høj arbejdsmoral gennem variation i arbejdet, da segmenteringen kan forekomme ret ensartet, og det er motiverende også at se et færdigt produkt ind imellem. Dels – og måske vigtigere – at forsøge at imødekomme de problemer og udfordringer, der opstår i det konkrete arbejde med materialet. Som det følgende vil illustrere, er det umuligt at udtænke alle fejlgrupperne, inden man befinder sig i dem og har set, hvad de beslutninger, man tager et sted i processen, betyder i de efterfølgende led. Derfor er der også dele af vores første arbejde med supplikprotokollerne, der afviger fra den standard, vi efterfølgende har udviklet. Og dele af det første arbejde, som vi har måttet lave om på baggrund af de udfordringer, vi stødte på, mens vi segmenterede og korrekturlæste. Et godt råd til fremtidige lignende projekter er derfor at arbejde med både segmenteringen og korrekturlæsningen af en mindre del af kildegruppen, inden man sætter selve arbejdsflowet i gang.

Ved at arbejde sig igennem alle dele af processen for en mindre del af det samlede materiale kan man fange flere de udfordringer, der får betydning for det færdige, offentliggjorte produkt. Samtidig er det en anledning til at gøre sig nogle af de overvejelser, som er nødvendige i digitaliseringsprocessen. En af de ting, det er vigtigt at holde sig for øje, er, at det digitaliserede, og i vores tilfælde transskriberede, dokument aldrig vil være en fuldkommen kopi af den oprindelige kilde.[8] Undervejs i digitaliseringsprocessen undergår kilden en masse valg og fravalg, der får betydning for det færdige transskriberede produkt. Derfor er det vigtigt at dokumentere de valg, man træffer undervejs, og være transparent omkring dem, så de personer, der senere skal bruge arkivalierne, har mulighed for at forholde sig til de valg, vi har truffet, og de valg, der er truffet for os. Det kommer vi tilbage til løbende.

Vi har f.eks. ikke haft kontrol over, hvordan originalkilden blev digitaliseret til et billede og samlet i mapper, som vi kunne uploade til Transkribus. I enkelte tilfælde mangler der ganske enkelt scanninger af nogle sider, og vi har ikke mulighed for at opdage dem alle, fordi vi ikke korrekturlæser alle sider. Samtidig er genscanningen af supplikprotokollerne taget som opslag, dvs. dobbeltsider, og ikke hver side for sig. Supplikprotokollerne er af enestående national værdi, og derfor skal behandles med stor forsigtighed, hvilket betyder, at man i scanningen ikke kan manipulere protokollerne for at sikre, at hele siden kommer med – f.eks. ved at knække ryggen på bogen, klippe ryggen op eller lignende. Da supplikprotokollernes sammenbinding er ret stram, har det konkret betydet, at flere endelser forsvinder i sammenbindingen på midten. Disse ord eller endelser kan man måske læse ud af sammenhængen, men af hensyn til vores tekstmodels kvalitet (mere om det senere) kan vi ikke skrive hele ordet, medmindre det er synligt, og det er derfor op til den fremtidige læser at gætte det korrekte ord. Hvis scanningen var taget som enkeltsider, var der større mulighed for at manipulere med vinkler, der muliggjorde, at endelser og ord i sammenbindingen var mere synlige. Ikke desto mindre er denne vurdering ambivalent, da enkeltsider både i scanningsprocessen samt i segmentering- og tekstgenkendelsesprocessen vil være langt mere tidskrævende og omkostningsfuld end opslag. Scanningen i opslag har halveret vores udgifter til Transkribus’ features og lagring, da Transkribus’ priser regnes i billeder/scanninger og ikke i sider. Men hvordan scanningerne skal se ud er et punkt til overvejelse.

2.1. SEGMENTERING
Erfaringerne fra arbejdet med arkivalierne fra Møns Tugthus var både helt afgørende for, at vi kunne strukturere arbejdsprocessen i det nye projekt med mange deltagere, og de blev samtidig på visse områder et benspænd, fordi de to typer af arkivalier ikke lignede hinanden i struktur (hhv. breve og protokoller i spalter). Erfaringerne fra arbejdet med segmenteringen af Møns Tugthus skabte en forventning til, at selve klargøringen af supplikprotokollerne ville blive den mindst tidskrævende del af transskriberings- og digitaliseringsprocessen. Da vi havde uploadet de første supplikprotokoller, igangsatte vi derfor straks den klargøringsproces, som er nødvendig for tekstgenkendelse. Foruden genscanning og upload til Transkribus består klargøringsprocessen af segmentering. Segmentering består i alt sin enkelthed i at opmærke det pågældende billedes struktur med kasser og streger, der markerer, hvor teksten er, og hvordan den ser ud.[9] Figur 1 illustrerer, hvordan en færdig segmentering og transskribering af en supplikprotokolside ser ud.

Det er let at overse vigtigheden og arbejdsbyrden i segmenteringen, især hvis det materiale, man digitaliserer, har en simpel sidestruktur, som f.eks. et pænt skrevet brev. Transkribus har selv udviklet universelle modeller, der kan bruges til segmentering og specifikke sprogs tekstgenkendelse. Transkribus’ universelle segmenteringsmodeller er dog primært fordelagtige, når man har en simpel sidestruktur. Har man f.eks. et flot skrevet brev med tydelige margener, centreret tekst med stor linjeafstand og tydelig skrift, vil det være muligt udelukkende at igangsætte en automatisk genkendelse af linjer med Transkribus’ egen “universal lines”-model, da sidestrukturen ikke nødvendiggør en opdeling af tekstregioner.

Ikke desto mindre er segmenteringen altid nødvendig for at kunne lave tekstgenkendelse, og kvaliteten af tekstgenkendelsen afhænger derfor også af kvaliteten af segmenteringen. Helt konkret vil fejlagtig segmentering, f.eks. en manglende linje under en given sætning, betyde, at denne sætning ikke tekstgenkendes, og derfor risikerer sætningen at blive glemt i tilgængeliggørelsen. En hyppigere og mindre graverende, omend stadig alvorlig, fejl er, at den tegnede linje ikke er trukket helt fra starten på sætningens første bogstav til slutningen af sætningens sidste bogstav. I dette tilfælde er det nogle gange muligt for tekstmodellen at genkende det rette ord baseret på konteksten. Dog er der en stor risiko for, at endelser udelades fra den transskriberede tekst.

Segmenteringens betydning er først gået op for os i mødet med de komplicerede sidestrukturer, som supplikprotokollerne indeholder. Teksten er tætskrevet, afstanden mellem forskellige afsnit er svingende, og mængden af tekst på hver side er enorm. En central pointe i denne rapport er derfor at understrege vigtigheden af, at man bliver bekendt med sin kildegruppes struktur, inden man igangsætter selve segmenteringen og transskriberingen af kildesamlingen. Sidestrukturen har indflydelse på, hvilken del af processen, der er mest tidskrævende. Figur 3 illustrerer, hvorfor sidestrukturen spiller så stor en rolle i denne artikel, og hvorfor vi efter kort tid måtte revurdere vores planlagte arbejdsflow. 

Som det ses af figur 2, er der en enorm spredning i sidestrukturens kompleksitet i det materiale, vi arbejder med at transskribere. For yderligere at illustrere, hvilket udgangspunkt vores erfaringer med segmentering og transskribering byggede på, har vi også inkluderet et billede af en udvalgt side fra kildesamlingen fra Møns tugthus.

Med tilbageblik på, hvor ligetil brevmaterialet fra Møns Tugthus var struktureret, havde vi en naiv forestilling om, at selve segmenteringen af supplikprotokollerne kunne overstås på ret kort tid. Vi havde gjort os overvejelser om, at segmenteringen måske ville kompliceres en anelse, fordi vi nu arbejdede med spalter, men vi havde ikke forestillet os, at segmenteringsprocessen ville blive den mest tidskrævende del af arbejdet, som den senere viste sig at blive. Indledningsvist valgte vi faktisk en anden tilgang, end vi er endt ud med. For at forsimple segmenteringen tænkte vi, at vi blot kunne opdele hver side i de to spalter, der henholdsvis indeholdt supplikker og svar, uden ellers at skelne imellem hver enkelt supplik og svar (se figur 4). 

Ret hurtigt blev vi dog opmærksomme på, at dette ville forringe læseoplevelsen af det færdige transskriberede produkt. Selvom teksten stadig ville være maskinlæsbar, ville den ikke på samme måde være tilgængelig for læseren, fordi man ikke kan skelne hver enkelt supplik fra hinanden, når man læser den transskriberede tekst eller læser svaret i umiddelbar forlængelse af supplikken. Dette blev dog først klart efter indledende forsøg på tekstgenkendelse af segmenterede sider, hvorefter de segmenterede sider måtte gennemgås igen for at adskille hver enkelt supplik og svar fra hinanden.

I forbindelse med denne opdeling valgte vi også at tagge disse felter med henholdsvis ”supplik” og ”svar”. Vi brugte desuden tagget ”register” til at markere registersiderne. Det gjorde vi primært med henblik på, at vi forhåbentlig i fremtiden på vores site, hvor kilderne offentliggøres, kan filtrere i søgeresultater baseret på disse tags – at man med andre ord ville kunne filtrere alle søgeresultater i svarene eller udelukkende søge i svarene. Vi opdagede også, at disse tags fungerer godt for læseoplevelsen, idet man i toppen af den transskriberede tekst har angivet, om man læser en supplik eller et svar.

2.2. TRÆNING AF FIELD MODEL TIL AT ANALYSERE SIDESTRUKTUREN
De indledende felter, vi lavede, er alle lavet manuelt, men projektets begyndelse korrelerede smukt med nogle af de nye yderst effektive segmenteringsfeatures, som Transkribus lancerede i deres betaversion i sommeren 2023. Disse features muliggør, at man kan træne egne modeller, der kan genkende, hvor på siden der står tekst og genkende mønstre i sidestrukturen. Det vil sige, at disse field models kan være et værktøj til at lave felterne omkring den tekst, der skal læses, i vores tilfælde omkring hver supplik og svar, samtidig med at disse også tagges med enten supplik eller svar. Ligeledes har man på Transkribus i længere tid haft mulighed for at træne egne layoutmodeller, der kan genkende, hvor linjerne skal placeres, så tekstgenkendelsen kan foregå.

Det har fra begyndelsen været planen, at vi skulle udvikle og forbedre sådanne specifikke segmenteringsmodeller til supplikprotokollerne, der kunne effektivisere vores arbejde. Transkribus’ modeller er baseret på AI-teknologi, som forbedrer ydeevnen, fordi modellen genkender tekst, såvel som layout ud fra konteksten på siden. For at modellen har mulighed for at forstå denne kontekst, er der imidlertid behov for en stor mængde materiale, hvor man “viser” modellen korrekte transskriberinger eller layoutanalyser, som bruges som udgangspunktet for den automatiske genkendelse. Da der er stor forskel på supplikprotokollernes sidestruktur fra opslag til opslag, behøvede vi omkring 100 siders manuelt segmenterede sider for at lave udgangspunktet for en rimelig model, som vi kunne træne videre på. Herefter kunne vi lave en model, der automatisk kunne analysere sidens layout og derved identificere hver supplik og svar. De automatisk genkendte felter skal dog rettes til manuelt, fordi modellen stadig laver enkelte fejl undervejs, som nødvendiggør manuelt tjek.

Selve træningen af modeller varetages af Transkribus, og vores arbejde består derfor udelukkende i at skabe og udvælge det data, som modellerne skal trænes på og efterfølgende at korrigere det output, som modellerne giver på nye sider, som efterfølgende kan bruges til forbedring af modellen. Efterhånden som vi segmenterer flere sider, bliver disse korrigerede sider brugt til at træne en forbedret model for at sikre så meget data som muligt til træningsgrundlaget. Vores field model kan formentlig have interesse for andre, der arbejder med lignende sidestruktur, f.eks. andre registerkilder, idet det er muligt at tilpasse vores model til det specifikke materiale, man ønsker at transskribere. Vores field-model vil derfor blive offentliggjort løbende, som den forbedres og trænes.[10]

2.3. TRÆNING AF LAYOUTMODEL TIL LINJER
Felterne er den ene halvdel af segmenteringsprocessen, den anden – og måske endnu vigtigere – opgave er at sætte linjer under hver sætning i den korrekte læseretning og rækkefølge, sådan at tekstgenkendelsesmodellen har et overblik over, hvor teksten skal genkendes fra og til, og hvordan den opdeles i sætninger. Linjerne i Transkribus er polylinjer,[11] der skal løbe langs bunden af den håndskrevne tekst, ligesom felterne angiver sidens struktur og dermed opdelte tekststykker fra hinanden.[12] Tekstgenkendelsen fungerer ved, at hver linje “klippes” ud af selve billedet, og de tegn, som linjens markering dækker, analyseres af tekstgenkendelsesmodellen. Linjerne er derfor det vigtigste referencepunkt for tekstgenkendelsen. Helt konkret kan man miste en endelse i tekstgenkendelsen, hvis linjen under den pågældende sætning ikke trækkes helt til ende.

Figur 5 illustrerer, at hele ord kan mistes fra tekstgenkendelsen, når linjen ikke trækkes helt til ende. Variationer i hvordan linjerne ligger i forhold til selve de tegn, der skal genkendes, kan også vise sig som en udfordring for tekstgenkendelsens effektivitet. Den linje, man lægger, er referencepunkt for et polygon,[13] der indrammer de tegn, der står på linjen, som illustreret i figur 6.

Det betyder, at alt efter hvordan linjen placeres i forhold til tegnene, kan man risikere at miste dele af de pågældende tegn. Ligger linjerne f.eks. for langt fra de tegn, der skal genkendes, kan man risikere, at enkelte tegn genkendes som et andet tegn eller måske slet ikke genkendes. Se figur 7, hvor det illustreres, at tekstgenkendelsen forringes, fordi linjernes polygon ikke opfanger tegnene.

Linjen kan desuden ligge for langt over selve tegnene og nærmest gå igennem sætningen. Her risikerer man, at linjen er for tæt på den ovenstående, og at flere tegn derfor genkendes forkert, enten fordi de genkendes som tegnet ovenover eller som en blanding mellem den pågældende linjes tegn og den ovenover (se figur 8).

Det optimale er efter vores erfaring, at linjen placeres lige under den sætning, man ønsker genkendt, ligesom man vil skrive på linjeret papir. Men hellere placere linjen for langt igennem selve ordet end for langt fra.

Vores erfaring er, at Transkribus’ universal lines-model ikke lavede optimale linjer under teksten i supplikprotokollerne. Måske fordi der er for stor variation i skriftstørrelse, skrifttype, sætningsafstand, for mange linjer, der fortsætter ind i andre tekstregioner, eller for mange skiftende skrivere, der har skrevet på samme opslag i supplikprotokollen. For at sikre de bedst mulige vilkår for god tekstgenkendelse fremadrettet besluttede vi derfor selv at træne en layoutmodel, der kunne genkende linjer inden for de allerede genkendte og taggede felter. Modellen, vi har trænet, er specifikt tilpasset supplikprotokollens kompleksitet og er efterhånden blevet trænet på så forskelligartet materiale, at den næsten uden problemer kan genkende størstedelen af linjerne på selv overfyldte sider. Figur 9 og 10 er et udsnit af, hvordan en automatisk genkendelse af både tekstregioner og linjer ser ud på henholdsvis en mindre kompleks side og en kompleks eller overfyldt side uden manuel tilretning overhovedet. Den automatiske layout-, field- og tekstgenkendelse, som illustreres på figur 9 og 10, er et vidne om vores modellers præstation i skrivende stund (juni 2025).

Vores forhåbning er naturligvis, at disse modeller forbedres endnu mere, efterhånden som vi tilføjer korrigerede sider til træningen.[14]

Layoutmodellen, der automatisk kan genkende linjer på siden, trænes på samme måde som både fieldmodellen og tekstgenkendelsesmodellen ved at lave et sample af opslag, hvor linjerne er tegnet enten manuelt eller korrigeret, som bruges til at træne en model, der automatisk kan lave en forudsigelse af, hvor linjerne bør ligge på en side, den ikke har “set”. Vi har oplevet store udfordringer med at træne gode modeller til linjer, og selve markeringen af linjer og den manuelle tilretning af modellernes automatiske layoutanalyse har med længder været det mest tidskrævende for projektet. Dette skyldes netop sidekompleksiteten og variationerne inden for hver enkelt side, der besværliggør modellens performance. Vi havde især problemer med den automatiske layoutgenkendelse i de spalter, der indeholdt supplikprotokollernes svar. Det er imidlertid også der, hvor teksten er skrevet mest tæt, og hvor linjeafstanden næsten er ikkeeksisterende (se figur 11a). Problemet kunne dog løses ved, at billedet opskaleres i forbindelse med den automatiske layoutgenkendelse, som man kan slå til, når man kører en layoutgenkendelsesmodel. Når denne er slået til, er genkendelsen af linjer næsten perfekt, og det er kun nødvendigt manuelt at tjekke linjernes rækkefølge (se figur 11b).

Både i forbindelse med brug af layout models, field models og tekstgenkendelsesmodeller er det enormt vigtigt ikke alene at regne med deres præcisionsværdier (mAP (mean average precision) eller CER (character error rate)), da dette resultat ikke fortæller noget om enten falske positive eller modellens præstation på ukendt materiale. Falsk-positive resultater opstår i Transkribus, når der er fejl i den manuelle transskription eller korrekturlæsning. Hvis man skriver forkerte tegn, trænes modellen til at genkende fejlen, som det korrekte svar, og det vil derfor ikke vises som en fejl i udregningen af præcisionsværdien. Problematikken med modellens præstation på ukendt materiale skyldes, at modellen er trænet på et specifikt kildemateriale og derfor trænes til at genkende tegn ud fra netop det specifikke kildemateriale. Tegnenes udseende, mængden af forkortelser og måden forkortelser vises på osv. kan afvige fra kilde til kilde, og modellen vil derfor naturligvis fungere bedst på materiale, der minder mest muligt om de kilder, den trænes på. Det er altså værd at lave visuelle tests af, hvorvidt modellerne passer specifikt til det materiale, man bruger det på, ved selv manuelt at tjekke modellens arbejde, inden man sætter modellen til at genkende hele den samling, man arbejder med.

3. MENNESKELØSNINGER KAN GIVE DIGITALE PROBLEMER
Et tidspunkt, hvor man især bliver opmærksom på, at digitaliseringen af en kilde snarere skal ses som en art fortolkning end en egentlig tro kopi af den originale kilde, er i mødet med nogle af de måder, hvorpå de oprindelige skrivere har rettet sine fejl, indsat ord, lavet specifikke tegn eller skrevet resten af den pågældende tekst andetsteds, hvis pladsen på siden var knap. Selvom skriverens løsninger for det blotte øje virker logisk og derfor ikke forstyrrer læsningen af supplikprotokollerne, har vi gjort os en del overvejelser og erfaringer med, hvordan de kan “oversættes” til maskinlæsbar og tilgængelig tekst.

Fortolkningen af den originale kilde sker bl.a., når man som den, der digitaliserer og tilgængeliggør, ser sig nødsaget til at ændre på rækkefølger, efterlade tomrum eller opdele sætninger for at indsætte de tilføjede ord, den oprindelige skriver har skrevet over eller placeret i margen. Der ligger med andre ord et enormt ansvar hos os for at være transparente med, hvilke overvejelser og ændringer, vi har gjort i digitaliseringsprocessen, fordi vores ændringer har stor indflydelse på det endelige produkt. Det er helt centralt, at vi som historikere har en forståelse for de ændringer, som digitaliseret materiale skaber for kildebegrebet og den kildekritiske metode.[15] Denne rapport er et forsøg på at vise en sådan transparens, og i følgende afsnit vil vi udfolde nogle af de konkrete måder, hvorpå vi har løst de udfordringer, vi er stødt på i supplikprotokollerne.

Vores studentermedhjælpere har været en helt uundværlig kilde til at udtænke måder, hvorpå vi kunne løse disse problemer, samt til at melde tilbage, når vores løsninger ikke gav mening i deres arbejde eller i forhold til effektiviteten. Mange af de valg, vi har truffet undervejs, har vi forsøgt at tage med henblik på to endelige mål: (1) at holde os så tæt på den originale kilde som muligt inden for de ressourcer, vi har til rådighed; og (2) når vi går på kompromis med den originale kilde, har det været for at styrke tilgængeligheden markant.

3.1. LÆSERÆKKEFØLGE
Et eksempel er vores manipulation af rækkefølgen. Transkribus’ måde at segmentere siden på er baseret på venstrehøjre læseretning, der starter oppefra og bevæger sig ned. Det betyder for vores billeder, der jo er et opslag og ikke en enkelt side, at vi har manipuleret rækkefølgen ud fra en forventning om, hvordan den fremtidige læser ønsker at bruge supplikprotokollerne.

Vi kunne lige så vel enten have beholdt Transkribus’ opdeling, hvor rækkefølgen følger læseretningen fra venstre mod højre, oppefra og ned på hele billedet, det vil sige på tværs af sideopslaget. Vi kunne også have ladet læseren læse alle supplikkerne i deres rækkefølge og derefter alle svar, eller vi kunne have ladet svarene komme før supplikkerne, hvis vi skulle følge den logiske venstre-højre-læseretning (se figur 12). Her spillede vores domænespecifikke tilgang til kildesamlingen ind. Vores forståelse af sagsbehandling ved modtagelsen af supplikken og vores egne ideer om, hvordan man bedst ville kunne tilgå kilden, gav anledning til vores beslutning om at lade hver supplik stå for sig efterfulgt af den pågældende suppliks svar inden næste supplik og dennes svar (se figur 13). Manipulationen er tidskrævende, men vi har vurderet, at denne rækkefølge er gavnligt for tilgængeligheden af den digitaliserede kilde, fordi den giver mulighed for at skelne mellem hver supplik og disses svar for sig uden nærlæsning. 

Nogle supplikker (og nogle svar) er naturligvis længere end andre, hvilket betyder, at flere supplikker (og svar) fortsætter på den efterfølgende side. Vores billeder er opslag, hvilket betyder, at hvert billede udgøres af to enkeltsider i supplikprotokollen (se figur 1). I de tilfælde, hvor første og anden del af en længere supplik eller svar fremgår inden for samme opslag/billede, har vi derfor forsøgt at lade rækkefølgen følge samme princip som ovenstående. Det vil sige, at supplikkens to dele følger umiddelbart efter hinanden, så supplikken kan læses i sin helhed, inden man fortsætter til svaret. Figur 14 illustrerer et sådant tilfælde, hvor den første halvdel af supplikken på den ene side efterfølges af den anden halvdel af supplikken på den næste side, hvorefter svaret følger, inden man kan læse videre i næste supplik.

3.2. TILFØJELSER TIL SVARENE ANDRE STEDER UNDER ANDRE SUPPLIKKER
Når begge dele af supplikken (eller svaret) fremgår på samme opslag/billede, er det muligt at manipulere læserækkefølgen, men det er naturligvis ikke muligt, når supplikken fortsætter til næste scanningsbillede. Altså manipulerer vi udelukkende rækkefølgen inden for hvert opslag/billede. Sagsbehandlingen af hver indkommen supplik kunne desuden være en længerevarende proces – nogle gange opdateredes supplikkernes svar flere år efter. Det betyder, at supplikprotokolskriveren har skrevet nye oplysninger i sagsbehandlingen ind under den pågældende suppliks svarspalte hver gang, supplikken har været (gen)behandlet. Fordi sagsbehandlingen kan foregå over flere dage, måneder eller år, imellem hvilke der er indkommet nye supplikker, som skriveren har skrevet af i supplikprotokollen, har der helt praktisk ikke altid været plads til at tilføje nye oplysninger om samme supplik under dens pågældende svar. Som det illustreres i figur 15a, løste skriveren tilsyneladende problemet ved at skrive den nye tilføjelse til svaret ind på et ledigt tomrum, som markeredes med overskriften “Henhører til no. xx”, der angav, hvilken supplik dette “flyvende” svar hørte til.

Denne praksis har voldt os lidt problemer i forhold til at angive rækkefølgen af felterne. Indledningsvis valgte vi at lade disse “henhører til no. xx”-afsnit få sit eget felt, og for læsevenlighedens skyld fulgte disse tilføjede dele af svaret umiddelbart efter det svar, de hørte til, som illustreret i figur 15a.

Dette forvirrer dog læserækkefølgen enormt, hvis denne logik skal vedligeholdes, når der er flere “henhører til no. xx”-felter, som først fremgår af næste scanningsbillede – for skal denne så være først, eller skal den komme efter den supplik, den er skrevet under? I realiteten besværliggjorde vi faktisk muligheden for at navigere i de tilføjede dele af svar og supplikker, fordi den originale skriver allerede havde angivet, hvor den tilføjede del af svar eller supplik tilhørte. Det var vores opmærksomme studentermedhjælpere, der opdagede, at dette var et problem, men der gik næsten ni måneder, før vi rigtigt stødte på problemet og kunne træffe beslutningen om ikke at manipulere med rækkefølgen af “henhører til no. xx”-felter, men i stedet at lade dem følge den “naturlige” rækkefølge, hvor de kommer umiddelbart efter den supplik eller det svar, som de er skrevet under, som illustreret i figur 15b. 

Det betyder derfor også, at der måske er levn af vores gamle fremgangsmåde i de transskriberede kilder, som vi offentliggør, som forstyrrer den ensartethed, der ellers er centralt i arbejdet med at digitalisere kildemateriale.

3.3. TRÆNING AF TEKSTGENKENDELSESMODELLER
Selvom klargøringen har været den mest tidskrævende og udfordrende del af digitaliseringsprocessen for vores vedkommende, så er slutproduktet ikke desto mindre det, man som læser ender med at se og kunne forholde sig til. I dette afsnit vil vi udfolde nogle af de overvejelser, vi har haft om træning af tekstgenkendelsesmodeller, samt hvordan vi har håndteret korrekturlæsningen af den automatiske tekstgenkendelse, og hvilke konsekvenser dette har for den endelige kildesamling.

Vi begyndte ikke fra bunden, da vi skulle træne tekstgenkendelsesmodeller, men havde mulighed for at lave en automatisk tekstgenkendelse med modellen “18C Danish Administrative Writing”,[16] som blev offentliggjort i 2021 som produkt af arbejdet med transskriberingen af materialet fra Møns Tugthus, som Nina Koefoed tidligere havde været projektleder for. Denne model er også trænet på materiale fra 1700-tallet og var derfor allerede god til at genkende håndskriften i supplikprotokollerne, hvilket gjorde selve den manuelle korrekturlæsning en del nemmere.

Når man skal træne nye modeller til en specifik samling, starter man med enten manuelt eller med en allerede offentlig model at transskribere teksten på et billede, man har uploadet og segmenteret. Alt efter variationen i sprog, skrifttyper og hænder, der har skrevet teksten, skal man have et bestemt antal sider til at træne en tekstgenkendelsesmodel. Den første udgave af vores tekstgenkendelsesmodel blev trænet på 41 sider fra samme supplikprotokol. Modellen var trænet med “18C Danish Administrative Writing” som basemodel og endte med en CER på 4,90 %. CER-værdien er dog ikke nødvendigvis retvisende for, hvor godt denne model fungerede, da dens træningsmateriale var relativt småt.

Efter at have korrekturlæst over 1.000 sider trænede vi en ny model, som vi valgte at offentliggøre: “1700-tallets administrativ, gotisk håndskrift” er trænet på 1.093 sider og har en CER-værdi på 3,27 %, hvilket er en markant forbedring fra tidligere modeller, vi har trænet. Grundet træningsmaterialets størrelse er CER-værdien desuden også mere retvisende for modellens performance på materiale, den ikke har “set”. For at nå frem til denne model har vi korrekturlæst over 1.000 sider i supplikprotokollerne med samlet lige under 900.000 ord. Vi har valgt at korrekturlæse alle siderne i supplikprotokollen fra 1758, mens vi har valgt udelukkende at læse korrektur på de første 10-50 sider (ekskl. registersiderne) i hver af de resterende 219 supplikprotokoller.[17] I skrivende stund har vi korrekturlæst omkring 1.500 sider, og i den forbindelse har vi forsøgt at ensarte og beskrive vores principper bag korrekturlæsningen. De valg, vi har taget undervejs, har indflydelse på vores model og på det resultat, man kan forvente af vores model. Vi har forsøgt at lave vores transskribering diplomatisk, hvilket betyder, at vi har forsøgt at transskribere så tæt på originalteksten som muligt. Men for at sikre læsbarheden har vi dog nærmet os en semidiplomatisk transskription, hvor vi i nogle tilfælde afviger fra originalen for at forbedre læsbarhed eller effektivisere arbejdet, så mest muligt materiale i sidste ende kan blive tilgængeligt og søgbart.[18] Undervejs har vi forsøgt at ensrette og nedskrive vores afvigelser fra originalen og lade det fremgå af den platform, kildesamlingen udgives på, for at gøre det tilgængeligt for læseren. Det er værd at understrege, at vi ikke har lavet dobbelt korrekturlæsning på materialet. Vi har fokuseret på at træne interesserede studentermedhjælpere til at kunne læse den gotiske håndskrift på egen hånd ved indledningsvist at tjekke deres korrekturlæsninger igennem. Efter de havde nået et tilfredsstillende niveau helt uden eller med højest 5 mindre graverende fejl (f.eks. forskel på stort og lille bogstav, u i stedet for ü osv.) pr. side, besluttede vi at lade dem lave ground truth-materiale til modellerne.[19] Studentermedhjælpernes har dog undervejs haft mulighed for at konsultere usikkerheder i transskriptioner med både PI og daglig projektleder.

3.4. KORREKTURLÆSNINGSPRINCIPPER
For at transskribere teksten så tæt på originalen som muligt uden at gå for meget på kompromis med læsbarheden retter vi hverken stavefejl eller ensretter stavemåder i materialet. Samme navn kan staves på forskellige måder – endda af den samme skriver – og for at skabe grundlaget for en god tekstgenkendelsesmodel, og fordi kilderne muligvis i fremtiden skal bruges til sproganalyser eller andet, hvor det faktisk er relevant at se, hvordan ord er stavet, forsøger vi at gengive det, der står. De tilfælde, hvor vi afviger fra dette princip, handler primært om de tegn, der enten slet ikke findes i vores (danske) computertastatur, eller som ud fra projektets tidsfrist kan vise sig for tidskrævende at skulle finde frem fra andre tastatursprog. Den samlede liste over afvigelser fremgår af vores site, hvor kildesamlingen er udgivet, men vi vil kort præsentere nogle eksempler, der illustrerer vores overvejelser, og hvilket grundlag vurderingen er truffet på.

3.4.1 BRUG AF TAGGET “GAP”
Når et tegn ikke findes i computertastaturet, og tegnet ikke naturligt kan oversættes med et lignende tegn, har vi besluttet at markere et sådant tegn med tagget “gap” undervejs i transskriptionen. I Transkribus er det muligt at tagge tegn, ord eller sætninger i transskriptionen som en måde at lave metadata til læseren på. Tagget “gap” har vi benyttet til at vise læseren, at der findes et tegn i originalkilden, som ikke er transskriberet. Med andre ord viser det læseren, at de skal tjekke den originale scanning selv for at læse tegnet. Det er ret sjældent, at vi har været nødt til at bruge dette tag, men ét af de mest markante eksempler er, hvor en skriver bruger astrologiske symboler i teksten, som illustreret i figur 16a.  

3.4.2.“OVERSÆTTELSE” AF TEGN
Et eksempel, hvor tegnet ikke findes i tastaturet men alligevel kan oversættes forståeligt, er det danske marktegn. Marktegnet har flere udformninger – nogle gange ligner det et ”M” med en sløjfe,[20] mens det andre gange mest minder om &-tegnet, som illustreres i figur 16b.

Ikke desto mindre findes det ikke i tastaturet, men vi har for letheds og læsbarhedens skyld valgt at transskribere marktegnet med ”mk”, da dette indfanger tegnets betydning for læseren. Det vil derfor også sige, at vores tekstgenkendelsesmodeller er trænet til at transskribere marktegnet som ”mk”, hvilket man bør være opmærksom på, hvis man selv ønsker at bruge modellen til en anden kildesamling.

Et andet eksempel, hvor vi har “oversat” tegn eller ord i originalteksten til andet, er ved skillingstegnet. Skilling skrives i supplikkerne både med et almindeligt gotisk “s” og med “ß”, som begge findes i tastaturet (se figur 16c). I det danske tastatur er det imidlertid ikke et let tilgængeligt tegn og skal i stedet vælges som et specialtegn, der kræver, at man åbner det virtuelle tastatur i Transkribus og finder frem til “ß” mellem andre tegn. Det har dog vist sig ret tidskrævende, når man tager projektets omfang i betragtning, når tegnet bruges relativt ofte. Fordi tegnet ofte også skrives med et gotisk “s”, og betydningen er den samme, har vi derfor valgt at transskribere skillingstegn med “s” for at effektivisere vores arbejde. 

3.4.3. OPHÆVET, SÆNKET, OVERSTREGET TEKST ETC.
Når der i supplikprotokollerne skrives forkortelser, er det ofte angivet ved at ophæve endelsen. Ligeledes indeholder supplikprotokollerne også tekststykker, der er overstreget for at slette dem og understreget for at fremhæve dem, som det er illustreret i figur 16d. I Transkribus er det muligt at markere overstregning, understregning, ophævet, sænket, kursiv og fed tekst. På de sider, vi har korrekturlæst, har vi derfor angivet, når noget tekst er ophævet, sænket, understreget eller overstreget. Disse markeringer fungerer som tags i Transkribus, og det er derfor (endnu) ikke muligt at træne sin tekstgenkendelsesmodel til at genkende f.eks. ophævet skrift undervejs og markere det. Af den grund er overstregning, ophævet skrift osv. udelukkende markeret ved korrekturlæste sider i supplikprotokollerne og fremgår ikke af de sider, der udelukkende er genkendt automatisk. 

3.5. TRANSPARENS I KORREKTURLÆSNING
Vi har udfoldet nogle eksempler på de valg, vi har taget, som afviger fra den diplomatiske transskription, for at være transparente om de overvejelser, vi har gjort os undervejs, hvilken praktisk virkelighed vores vurderinger bygger på, og for at illustrere, hvor mange valg der faktisk skal træffes undervejs i et digitaliseringsprojekt. Disse valg kan have betydning for den endelige kildesamling, og det er derfor vigtigt, at læseren kan tilgå disse informationer i forbindelse med brugen af kildesamlingen. Den samlede liste over tegn, der afviger eller “oversættes” med andre tegn, fremgår og opdateres derfor løbende af det site, som kildesamlingen er udgivet på, for at underrette læseren om, hvad transskriptionen af kildesamlingen ikke kan eller som kræver, at man bruger andre værktøjer til selv at manipulere med teksten. Hvis man fx ønsker at have skillingstegnet ß, er det muligt at lave en simpel søg og erstat i flere forskellige programmer. Det ville være tidskrævende, fordi det kræver, at man har kendskab til, hvilke transskriptioner erstatningen skulle finde sted i, så man ikke kommer til at erstatte alle s’er med ß.

4. ENSARTETHED OG KRYDSTJEK AF ARBEJDE
Som i alle andre fælles projekter har vi naturligvis haft udfordringer med at strømline og systematisere arbejdet med segmentering og transskribering af supplikprotokollerne. På trods af månedlige statusmøder, fælles arbejdstider på et samlet kontor, workshops og skriftlige guides var det først cirka et år inde i projektet, efter vi havde arbejdet med det meste af supplikprotokollerne i 1750’erne, at vi for alvor havde så stort et kendskab til materialet, at vi kunne udforme en decideret samlet håndbog. I dette skæringspunkt i projektet oplevede vi, at håndbogen indkapslede alle de udfordringer, vi var stødt på undervejs, og som vi formentlig møder i fremtiden i arbejdet med segmentering og transskribering af supplikprotokollerne. Det vil sige, at størstedelen af de udfordringer vi har haft med ensartethed og strømlining primært har bestået i, at vi hele tiden er stødt på nye udfordringer i supplikprotokollerne, der har problematiseret vores tidligere valg.

Efter at have arbejdet os igennem segmenteringen og det meste af korrekturlæsningen af 1750’erne har vi imidlertid gjort os så mange erfaringer og skabt et så stort kendskab til materialet, at vi har kunnet udvikle vores hovedprincipper for tilgængeliggørelsen af supplikprotokollerne. Det betyder ikke, at vores digitaliseringer er uden fejl. Det er næsten uundgåeligt i et materiale af denne størrelse, men vi har forsøgt at nedbringe muligheden og hyppigheden af fejl gennem fælles arbejdstider med tilstedeværelse af både PI og daglig projektleder ugentligt og en overordnet håndbog for segmentering- og transskriberingsprincipper, som kan findes på projektets hjemmeside.[21] Desuden har vi haft et internt korrektursystem af såvel den automatiske tekstgenkendelse som studentermedhjælpernes segmentering i en periode. Sidstnævnte er blot endnu et eksempel på, hvordan vores studentermedhjælpere har bidraget til udviklingen af projektet, idet disse småfejl i segmenteringen blev opdaget og problematiseret af en opmærksom studentermedhjælper.

De mest typiske fejl i segmenteringen overses ofte, fordi de først er meget tydelige, når tekstgenkendelsen har fundet sted. F.eks. kan man her se, når linjen ikke er trukket helt til start eller slut af sætningen, fordi endelserne eller hele ord mangler i tekstgenkendelsen. Et andet eksempel er rækkefølgen af linjerne, som bliver helt tydelig, når et tekststykke ikke giver mening, fordi to sætninger er blevet byttet rundt på grund af linjernes rækkefølge. Sådanne fejl er enormt vigtige at mindske for at sikre den bedst mulige tilgængelighed af kildesamlingen.

Som det efterhånden er cementeret i denne rapport, er vi blevet bevidste om vigtigheden af segmenteringskvaliteten for tekstgenkendelsen. Ligesom med andre former for dataanalyse er klargøringen af data helt central for kvaliteten af det slutprodukt, man ender med, og derfor også for muligheden for fremtidige analyser. Vigtigheden understreges dog endnu mere af, at størstedelen af kildesamlingen udelukkende vil gennemgå en automatisk tekstgenkendelse og derfor altså ikke vil blive korrekturlæst. Af den grund er kvaliteten af segmenteringen vigtig, fordi vi altså ikke vil opfange, når f.eks. endelser ikke genkendes, fordi linjen ikke er trukket helt til sætningens slutning. På trods af vores ambition om at optimere tekstgenkendelsesmodellen og segmenteringen mest muligt vil der naturligvis forekomme fejl i den automatiske tekstgenkendelse. Det betyder, at det er nødvendigt at være opmærksom, når man bruger kildesamlingen, især i forhold til søgningen.

Indledningsvis havde vi ikke forestillet os, at vores tekstgenkendelsesmodeller ville præstere så godt så tidligt i processen, og vi havde derfor forestillet os, at vi skulle læse korrektur på en langt større del af den automatiske tekstgenkendelse for at forbedre modellen. I forbindelse med korrekturlæsning ville vi derfor også have haft mulighed for at opdage og korrigere de små segmenteringsfejl, der måtte opstå undervejs. Denne forestilling lå i forlængelse af vores indledende antagelse om, at segmenteringen ville blive den mindst tidskrævende del af projektet, og at vi derfor kunne og burde bruge længere tid på at forbedre tekstgenkendelsesmodellen. Som vi dog tidligere har udfoldet, ændrede vores prioriteter sig efter det sidste års arbejde med supplikprotokollerne. Vi opdagede, at tekstgenkendelsen og dennes korrektur faktisk udviklede sig til den mindst tidskrævende del af vores arbejde, men at selve klargøringen til den automatiske tekstgenkendelse i stedet blev det mest tidskrævende element.

5. PUBLICERING OG VALG AF PLATFORM
Det var fra begyndelsen et mål, at det transskriberede og søgbare materiale skulle offentliggøres til brug for andre forskere, studerende, og hvem der ellers kunne være interesserede. Vi har haft en række overvejelser om, hvilken platform der egnede sig bedst til det. I udgangspunktet var planen, at projektet selv skulle udvikle en platform til offentliggørelse af materialet, hvor vi samtidig tog hensyn til nogle af de ønsker, man som forsker har til, hvordan der kan arbejdes med materialet.

Det vægtede højt på vores ønskeliste, at man skulle kunne se affotograferingen af den originale kilde sammen med transskriberingen, så man altid let kunne tjekke for fejllæsninger, især i de store dele af materialet, der kun er blevet maskinlæst og ikke korrekturlæst. Et andet ønske var, at kildesæt kunne downloades, så man kunne lave en søgning og trække de supplikker, der dukkede op på den søgning – eller hele protokoller – ud af Transkribus til fx digitale analyser som text mining etc.

Vi er endt med ikke selv at stå bag en platform, som vi så efterfølgende skulle administrere, vedligeholde og udvikle. I stedet har vi som en del af aftalen med Transkribus købt serverplads til et ‘Site’ hos dem. Transkribus Site er stadig under udvikling men opfylder det afgørende krav om, at den originale kilde vises sammen med transskriberingen. Derimod kan man indtil videre ikke downloade et ‘kildesæt’, og når arbejdet med alle supplikprotokollerne er færdige, vil de derfor også blive offentliggjort som et samlet kildesæt. Vi publicerer løbende de transskriberede protokoller på sitet.[22]

5.1. RESPONS?
Vi har undervejs overvejet muligheden for, at brugere af supplikprotokollerne skulle kunne respondere på vores transskription og dermed være med til at korrigere og forbedre tekstgenkendelsesmodellerne og det endelige produkt. Det kunne være med til efterhånden at eliminere fejl i transskriptionen – både den korrekturlæste og i den automatiske genkendelse. Ikke desto mindre har vi været tilbageholdende med denne mulighed, fordi det også kan vise sig som en tidskrævende opgave at skulle godkende rettelser og lave ændringer, især når størstedelen af materialet ikke er korrekturlæst og derfor naturligvis vil indeholde fejl. Vi har endnu ikke fundet den helt rette løsning til den udfordring, og indtil nu fastholder vi, at kildesamlingen kan indeholde fejl, og derfor bør man som bruger og læser være opmærksom på konsekvenserne af disse fejl, når man skal bruge det. Om ikke andet er billederne tilgængelige ved siden af den transskriberede tekst, og alene muligheden for at søge i supplikprotokollerne åbner for en helt ny brug af supplikprotokollerne til at forstå 1700-tallets samfund.

6. BESKRIVELSE AF SAMLINGEN OG TRANSPARENS I ARBEJDSMETODER
Vi har så vidt muligt forsøgt at skabe relevant, meningsfuld og meget information til og om de publicerede supplikprotokoller ved at lave beskrivelse af protokollerne som samling og af deres fysiske arkivering samt ved at udfolde de overvejelser, valg og vurderinger, vi har gjort os undervejs i transskriberingen af supplikprotokollerne. Al denne information har vi gjort tilgængelig på samme site, som supplikkerne udgives på, og vi anbefaler, at brugere af kildesamlingen læser disse sider. Desuden lægger vi stor vægt på at understrege det hårde arbejde, der faktisk ligger bag digitaliseringen og de mange dygtige bidragsydere, der har været en del af projektet. I denne artikel har vi omtalt projektets studentermedhjælpere som en gruppe, frem for individuelt med navn af hensyn til plads og for at mindske, at der kan opstå forvirring med skiftende arbejdsperioder osv. Ikke desto mindre er de kernen i projektets arbejde, fordi de har udført størstedelen af den store arbejdskraft, som kræves ved et digitaliseringsprojekt af denne størrelse, og vi har derfor valgt at fremhæve dem både på projektets hjemmeside og på vores site på Transkribus Site, hvor supplikprotokollerne er offentliggjort. Dette sikrer ikke alene, at deres arbejde anerkendes, men det er i lige så høj grad endnu en af de måder, hvorpå vi forsøger at være transparente om vores arbejde med digitaliseringen.

7. HVORDAN GØR VI SUPPLIKPROTOKOLLERNE “RIGTIGT” TILGÆNGELIGE?
Ét af de tiltag, som har bidraget til at fastholde engagement og motivation hos projektets medarbejdere, er vores forsøg på at sprede kendskabet til supplikprotokollerne gennem formidling af historier fra supplikprotokollerne og projektet som sådan. Vi oprettede som et eksperiment en Instagram-profil til projektet, hvor vi forsøgte at dele, hvordan vi arbejdede med digitalisering af supplikprotokollerne.[23] Profilen tog imidlertid først rigtig fart, da vi i efteråret 2024 fik daværende historiestuderende Caroline Korsbjerg Rydahl Haugaard i studiepraktik. Caroline ændrede profilen til at formidle 1700-tallets historie gennem de interessante og vigtige historier og menneskeskæbner, der ligger gemt i supplikprotokollerne. Ambitionen var at nå et bredere og yngre publikum med indblik almindelige menneskers liv og skæbner i 1700-tallet og dermed bidrage til at øge interessen for perioden og for at arbejde med de digitaliserede protokoller.

Nogle af udfordringerne ved at formidle historierne fra supplikprotokollerne er, at de skal formidles relativt kort og mundret for at skabe interesse, og derved kan man nogle gange føle sig lidt begrænset i formidlingen. Af den grund oprettede vi også en hjemmeside,[24] hvor nogle udvalgte historier fra supplikprotokollerne blev udfoldet på 2-3 sider og sat ind i en større kontekst i 1700-tallet.

Historierne skriver vi løbende, når vi falder over interessante supplikker. Alle projektets medarbejdere bidrager til at finde sager til Instagram og til hjemmesiden. Flere af studentermedhjælperne har desuden skrevet historier til hjemmesiden og har den vej igennem været med til at give menneskerne i supplikprotokollerne en stemme. Formidlingen på hjemmesiden og på Instagram har skabt en motivation og meningsfuldhed i digitaliseringen af supplikprotokollerne – også i arbejdet med segmentering og korrekturlæsning af gotisk håndskrift, hvor vi alle har kunnet se, hvor vigtigt det hårde og til tider ensartede arbejde er for tilgængeligheden af nogle helt unikke indblik i 1700-tallets samfund. Desuden har udarbejdelsen af historierne også medvirket til at bibeholde bevidstheden om, at det, vi digitaliserer, er levede liv, der ikke blot bør reduceres til ”data”, men også skal forstås og præsenteres i deres kontekst.

Effekten og vigtigheden af at Voices of the People ikke alene bliver gjort digitalt og søgbart men faktisk bliver tilgængeligt på en helt anden måde for et bredere publikum, der ikke nødvendigvis ellers ville støde på det, har været en øjenåbner for vores arbejde med digitalisering.[25] Vi er blevet bevidste om vores ansvar for ikke alene at gøre fortiden digital og søgbar men ligeledes at gøre det tilgængeligt ved at understrege hvilke unikke informationer om 1700-tallets samfund og liv, der ligger gemt i supplikprotokollerne. Den domænespecifikke tilgang til materialet har netop betydet, at vi har arbejdet med digitaliseringsprocessen med kildekendskab og forståelse for vigtigheden af kildernes kontekst men også et kendskab til, hvad materialet kan bruges til efterfølgende.

Ved at formidle enkelte historier og vores tilgang til digitaliseringen har vi en forhåbning om, at kildesamlingen faktisk efterfølgende vil blive brugt af forskere, studerende, slægtsforskere og andre, der kunne have interesse for det. Supplikprotokollerne er ikke alene søgbare og mere læsbare, men vi har også givet fremtidige brugere en forsmag på indhold og anvendelse således, at de ikke blot ved, hvor de skal finde supplikprotokollerne, men også hvad de skal lede efter. Der ligger desværre enormt mange digitaliserede kildesamlinger og platforme derude, som overses af både forskere og især studerende, fordi de simpelthen ikke kender til det. Vores forsøg er derfor at skabe stor bevidsthed om Voices of the People både til seminarer og i klassiske akademiske kredse men ligeledes gennem nogle af de medier, som måske i højere grad rammer studerende, gymnasieelever og andre private interesserede i forsøget på at understrege, hvor meget materiale der findes i supplikprotokollerne, som kan være relevant for al forskning og undervisning i 1700-tallet, digitalisering eller håndskrift- og sprogudvikling. Om det lykkes, kan vi naturligvis ikke spå om, men vi har mødt meget positiv respons og interesse fra både privatpersoner, studerende og forskere, der er interesserede i supplikprotokollernes indhold.

LINE KELLER OTTOSEN
PH.D.-STUDERENDE
AFDELING FOR HISTORIE OG KLASSISKE STUDIER
AARHUS UNIVERSITET
LKJ@CAS.AU.DK

NINA JAVETTE KOEFOED
PROFESSOR
AFDELING FOR HISTORIE OG KLASSISKE STUDIER
AARHUS UNIVERSITET
HISNK@CAS.AU.DK

[1] Behovet for transparens forstærkes i digitaliseringen af materialet, fordi digitaliseringen distancerer historikeren mere fra den originale kilde end ved traditionelt arkivarbejde med fysiske kildesamlinger. Se f.eks. Phillips m.fl.: “A Bird’s-Eye View”.

[2] Rigsarkivet 07.10.2024: ”Danmarks vigtigste dokumenter digitaliseres og fremtidssikres”.

[3] Projektet blev gennemført i samarbejde med Aarhus Stadsarkiv, og de modeller, der blev trænet her, er trænet af arkivar Kristian Pindstrup.

[4] Trænet i samarbejde med Johan Heinsen (AAU) og Aarhus Stadsarkiv, der begge har trænet nye modeller.

[5] Michael Bregnsbo har som en af de eneste tidligere arbejdet systematisk med de danske supplikker. Bregnsbo: Folk skriver til kongen.

[6] Se f.eks. Milligan: The Transformation of Historical Research in the Digital Age, 8.

[7] www.transkribus.org (10.04.2025).

[8] Se f.eks. Maxwell: “Digital Archives and History Research”, 26.

[9] https://help.transkribus.org/automatic-layout-recognition (10.04.2025): “Automatic Layout Recognition”.

[10] Vores seneste model er offentliggjort med titlen: Field-model-1700-tallets supplikprotokoller.

[11] Polylinjer er en betegnelse for en samling af linjesekvenser mellem punkter, der behandles som én samlet linje.

[12] https://help.transkribus.org/automatic-layout-recognition (10.04.2025): “Automatic Layout Recognition”.

[13] Et polygon er en betegnelse for en mangekantet figur.

[14] Vores seneste model til baselines, er publiceret med titlen: Layout/baseline-model, 1700-tallets supplikprotokoller.

[15] Jensen: ”Doing Media History in a Digital Age”, 121-22; Karlsson: “Databasen Svenska dagstidningar”, 410; Heinsen: “Kilde og Data”, 194-95.

[16] PyLaia-model, Transkribus, trænet af Nina Javette Koefoed og Aarhus City Archives (24.11. 2021).

[17] I begyndelsen af projektet korrekturlæste vi 50 sider per protokol, mens vi efter et år blot korrekturlæste 30 sider per protokol, og i 2026 korrekturlæste vi 10 sider per protokol. Nedskaleringen af korrekturlæsningen skyldes, at vi vurderede, at tekstgenkendelsens præstation var meget høj og derfor behøvede mindre nyt materiale at træne på.

[18] Læs mere om diplomatisk- og semidiplomatisk transskription i bl.a. Romein m.fl. ”Exploring Data Provenance”, 3-4.

[19] Ground truth er her Transkribus’ betegnelse for korrekt transskriberet materiale, der kan bruges til træning af modeller.

[20] Arkivet.thorvaldsensmuseum.dk (10.04.2025): Møntenheder.

[21] Projektets hjemmeside, Voices of the People, kan tilgås på  https://cas.au.dk/voices.

[22] På Transkribus Sites: ”Danske enevælde centraladministration kan man tilgå de transskriberede supplikprotokoller”, https://app.transkribus.org/sites/supplikker.

[23] www.instragram.com/voices__of__the__people (08.07.2025).

[24] www.cas.au.dk/voices (08.07.2025).

[25] Lignende realisering ses også i andre transskriberingsprojekter se f.eks. Hutchison m.fl.: ”Fra fjærpenn til maskinlæring”, 84–87.

PUBLICERET MATERIALE

Bregnsbo, Michael: Folk skriver til kongen. Supplikkerne og deres funktion i den dansk-norske enevælde i 1700-tallet: en kildestudie i Danske Kancellis supplikprotokoller, Selskabet for Udgivelse af Kilder til Dansk Historie, København: 1997.

Heinsen, Johan: “Kilde og Data: overvejelser om historiefaget og de digitale metoder.” Debatindlæg i Temp – Tidskrift for Historie, 13 (26), 2023, 186-196.

Hutchison, Ragnhild, Amund Pedersen, Gaute Remman Gunleiksrud, Anne-Sofie S. Skaar, og Jon Christian Brekke: “Fra fjærpenn til maskinlæring: tidvis sine erfaringer med å jobbe med transkribus”, Heimen 59 (1), 2022, 84–87, https://doi.org/10.18261/heimen.59.1.5

Jensen, Helle Strandgaard: ”Doing Media History in a Digital Age: Change and Continuity in Historiographical Practices”, Media, Culture & Society 38 (1), 2016, 119–128, https://doi.org/10.1177/0163443715607846

Karlsson, Tobias: “Databasen Svenska dagstidningar – mycket text, mindre kontext”, Historisk Tidsskrift 139 (2), 2019, 408-416.

Maxwell, Alexander. “Digital Archives and History Research: Feedback from an End-User.” Library Review (Glasgow), 59, (1), 2010, 24–39, https://doi:10.1108/00242531011014664

Milligan, Ian: The Transformation of Historical Research in the Digital Age, 1. udg., e-bog, Cambridge: Cambridge University Press, 2022, https://doi.org/10.1017/9781009026055

Phillips, Murray G., Gary Osmond, og Stephen Townsend: “A Bird’s-Eye View of the Past: Digital History, Distant Reading and Sport History”, The International Journal of the History of Sport 32 (15), 2015, 1725–1740, doi:10.1080/09523367.2015.1090976

Rigsarkivet, nyheder: ”Danmarks vigtigste dokumenter digitaliseres og fremtidssikres” https://www.rigsarkivet.dk/nyheder/danmarks-vigtigste-dokumenter-digitaliseres-og-fremtidssikres/ (07.10.2024).

Romein, C. Annemieke, m.fl.: “Exploring Data Provenance in Handwritten Text Recognition Infrastructure: Sharing and Reusing Ground Truth Data, Referencing Models, and Acknowledging Contributions. Starting the Conversation on How We Could Get It Done”, Journal of Data Mining and Digital Humanities, Zenodo, 2024, 1-26, https://doi.org/10.5281/zenodo.10804745

Supplikprotokoller 1699-1799, Danske Enevælde-Centraladministration, Transkribus Sites, https://app.transkribus.org/dan/sites/supplikker.

Thorvaldsens Museum, Redaktørerne ved arkivet 2009, ”Møntenheder,” Artikler, Møntenheder – Arkivet, Thorvaldsens Museum (08.07.2025)

Transkribus, “Help Center”, https://www.transkribus.org/ (10.04.2025)

”Voices of the People”, Aarhus Universitet,  https://cas.au.dk/voices (08.07.2025).

”voices__of__the__people”, Instagram, https://www.instagram.com/voices__of__the__people (08.07.2025).

---