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

Suchen – und Finden. Übungen zur Texterkennung in grundständigen Lehrveranstaltungen

I. Vorbemerkungen

In zwei früheren Beiträgen auf diesem Blog habe ich mein Lehrkonzept zur Einführung in die Digital Humanities vorgestellt und zwei Beispiele für den Einsatz in universitären Grundlagenveranstaltungen gegeben. Mit diesem Beitrag füge ich ein weiteres Beispiel hinzu – die Arbeit mit Texterkennung (OCR).[1]

II. Is this ,Digital Humanities‘?

Das oben gezeigte Meme[2] wirft eine spöttische Frage auf: Ist das alles? Sind die ,Digital Humanities‘ letzten Endes nicht mehr als eine überhöhte Version einer nur zu gut bekannten Anwendung – der Volltextsuchfunktion, in den meisten Programmen erreichbar über die Tastenkombination „Steuerung“ [Strg] und „F“ (beziehungsweise im Englischen „Control“ [Ctrl] und „F“)?[3]

Selbst wenn die Antwort ,Ja‘ lauten würde, wäre der Spott nicht gerechtfertigt, denn die Möglichkeit, einen gegebenen Text nach einer selbst bestimmten Zeichenfolge zuverlässig durchsuchen zu können, ist keine kleine Neuerung, sondern eine grundlegende Veränderung, die unzählige Weiterführungen eröffnet. Der folgende Beitrag widmet sich der Grundlage für eine solche Suche: Die Texterkennung. Es werden Beispiele und Übungen vorgestellt, mit welchen sich der Umgang mit Texterkennung ohne Weiteres in grundständige Lehrveranstaltungen einbinden lässt. Zunächst werden Übungen mit einzelnen Dateien behandelt, in einem zweiten Schritt folgt der Umgang mit PDF-Sammlungen. Abschließend werden in einem dritten Schritt Möglichkeiten von auf Sprachmodellen (Large-Language-Models/LLMs) beruhenden Chatbots (bspw. ChatGPT) angesprochen.

III. Texterkennung in Einzeldokumenten

In den meisten Fällen werden Studierende der Geisteswissenschaften an deutschen Universitäten heute in den Lehrveranstaltungen mit einer Vielzahl von PDF-Dateien (Portable Document Format) versorgt. Die meisten Dateien dürften dabei mit Texterkennung (OCR = Optical Character Recognition) ausgestattet sein, da es sich um Online-Publikationen handelt oder um Scans gedruckter Literatur, die mit entsprechender Software bearbeitet wurden. Dennoch sollte am Beginn der Beschäftigung mit Texterkennung in universitären Lehrveranstaltungen unbedingt darauf hingewiesen werden, dass PDF-Dateien ohne OCR von den Studierenden ohne weiteres nachbearbeitet werden können – und dass sich dies immens lohnt.

Hartnäckig hält sich die Ansicht, eine brauchbare Texterkennung in PDF-Dateien sei nur mit teuren Programmen wie der Pro-Version des Adobe Acrobat Readers umsetzbar. Dies ist bei Weitem nicht (mehr) der Fall, es gibt mehrere Möglichkeiten, eine gute Texterkennung ohne Budget zu erhalten. Die Vor- und Nachteile der verschiedenen Programme sollten mit den Studierenden kritisch besprochen werden.

  • Möglichkeit I: Proprietäre Gratis-Software wie beispielsweise „PDF 24 Creator“. Vielfach bieten derartige Programme teils auch umfangreiche Bearbeitungs­möglichkeiten (bspw. Zusammenfügen, Zurechtschneiden oder Aufteilen von PDF-Dateien, aber auch OCR). Die Qualität der Texterkennung kann schwanken. Vorteil: Die eigenen Daten verbleiben auf dem eigenen Gerät. Nachteil: Oftmals enthalten die Programme Werbung.[4]
  • Möglichkeit II: Webbasierte Gratis-Angebote. Internetseiten wie „PDF 24 Tools“ bieten die Möglichkeit, PDF-Dateien hoch- und dann mit OCR wieder herunterzuladen. Auch hier kann die Qualität der Texterkennung schwanken. Vorteil: Es muss kein Programm installiert werden. Nachteil: Die eigenen Daten werden aus der Hand gegeben (nicht immer erlaubt; können zum Training von Sprachmodellen genutzt werden) und man ist gezwungen, die Dateien vom Anbieter wieder herunterzuladen (Sicherheitsrisiko).[5]
  • Möglichkeit III: Open-Source-Software wie Tesseract OCR. Es kann zum Teil eine sehr gute Qualität der Texterkennung erzielt werden. Vorteil: Die eigenen Daten verbleiben auf dem eigenen Gerät. Nachteil: Die Software ist darauf ausgelegt, über die Kommandozeile bedient zu werden, es gibt allerdings zahlreiche Möglichkeiten, sie mit einer graphischen Bedienungsoberfläche zu versehen. Dennoch ist die Einstiegshürde höher als bei kommerzieller Software.[6]

Diese Liste kann natürlich ergänzt werden. Um den Nutzen von Texterkennung praktisch in der Lehrveranstaltung zu veranschaulichen, bietet sich eine Übung nach folgendem Muster an: Die Studierenden erhalten eine umfängliche PDF-Datei ohne OCR und eine der folgenden Fragen:

  • Wo wird Sachverhalt ABC behandelt? (,ABC‘ ist hierbei idealerweise auf einen signifikanten Begriff reduzierbar, bspw. ,Sterbebettlyrik‘, gleichzeitig aber nicht im Inhaltsverzeichnis bzw. Register aufgeführt.)
  • Wird die Quellenstelle ABC hier behandelt? (,ABC‘ sollte auf eine signifikante Phrase reduzierbar sein.)
  • Wie oft wird Forscher*in ABC zitiert?

Ohne OCR kann die Suche jeweils nur durch Inhaltsverzeichnis, Register und Kapitelüberschriften eingegrenzt werden, läuft allerdings letztlich auf digitales Blättern hinaus. Sobald die Datei mit OCR versehen ist, lassen sich alle Fragen durch Nutzen der Suchfunktion komfortabel beantworten.

Zusätzlicher Anknüpfungspunkt: Wenn in einer PDF-Datei Texterkennung vorgenommen wurde, sind auch die Zeilen erkannt und können mit Textmarker-Tools (Unterstreichen, Hervorheben, Durchstreichen …) markiert werden, was ein digitales Arbeiten mit dem Text immens erleichtert. Ein Beispiel: Ein Doppelklick auf einen mit einem Textmarkertool markierten Textbereich öffnet ein Kommentarfenster. Wird hier etwas eingetragen und das Feld wieder geschlossen, wird der eingegebene Text eingeblendet, wenn mit dem Mauszeiger über die entsprechende Markierung gescrollt wird. Auf diese Art kann in fremdsprachigen Texten eine Übersetzung komfortabel eingebunden werden [funktioniert in allen gängigen, frei verfügbaren PDF-Readern].

IV. Texterkennung in mehreren PDF-Dateien

Texterkennung und Suchfunktion vergrößern auch den Nutzen von PDF-Sammlungen. Derartige Sammlungen können durch Ansammlung entstehen, aber auch gezielt angelegt werden.[7] Die meisten gängigen PDF-Reader bieten die Möglichkeit, mit der Tastenkombination „Strg“-„Umschalt“-„F“ ein dateiübergreifendes Suchfenster zu öffnen. Über einen Dateibrowser („suchen in“) wird festgelegt, innerhalb welchen Ordners alle Dateien nach einem Begriff durchsucht werden sollen. Um den Nutzen dieser Funktion in einer Lehrveranstaltung konkret zu präsentieren, bietet sich eine Übung an, zur der den Studierenden ein Ordner voller PDF-Dateien (mit OCR) zur Verfügung gestellt wird. Je nach Zusammenstellung kann der Arbeitsauftrag unterschiedlich gestaltet werden:

  • Wilde Sammlung: Bunte Sammlung an PDFs (Monographien, Aufsätze, Sammelbände) zu unterschiedlichen Themen (auch epochenübergreifend).[8]

Aufgabenstellung: Die Studierenden sollen in der Sammlung nach einer bestimmten Datei suchen, in welcher ein zentraler Begriff vorkommt (bspw. eine prägnante Formulierung wie fortuna atque mores).

  • Thematische Sammlung: PDFs von Forschungsbeiträgen zu einem spezifischen Thema (Bspw: Matthaeus Parisiensis, ein Chronist, 13. Jhd.).[9]

Aufgabenstellung: Die Studierenden sollen die verschiedenen Einschätzungen zu einem für die Thematik zentralen Begriff zusammensammeln (bspw.: stupor mundi).

  • Sammlung nach Publikationsort: PDFs verschiedener Jahrgänge derselben Zeitschrift (bspw. Historische Zeitschrift / Deutsches Archiv für Erforschung des Mittelalters) / PDFs verschiedener Monographien oder Sammelbände, die in derselben Reihe erschienen sind (bspw. Mittelalter-Forschungen).[10]

Aufgabenstellung: Es können beide Aufgabenstellungen (,Wilde Sammlung‘ / ,Thematische Sammlung‘) gestellt werden.

Ohne OCR sind alle Arbeitsaufträge äußerst zeitintensiv. Sind die Dateieen hingegen mit Texterkennung versehen, können die Aufgaben mit „Strg+Umschalt+F“ schnell beantwortet werden.

Zusätzlicher Anknüpfungspunkt: Wenn PDF-Sammlungen mit den Studierenden besprochen werden, ist dies eine gute Gelegenheit, um die Arbeit mit Literaturverwaltungsprogrammen (bspw. Zotero)[11] zu besprechen.

V. Zusätzlicher Nutzen durch Sprachmodelle?

Auf Large-Language-Models basierende Funktionen werden mittlerweile in viele Programme integriert – auch in PDF-Readern.[12] Vielfach wird die Möglichkeit beworben, mit dem entsprechenden Text in eine Unterhaltung eintreten und so ein besseres Verständnis erreichen zu können.[13] Natürlich kann diese Funktion auch mit wissenschaftlichen Texten genutzt werden – es gibt auch Angebote, die auf wissenschaftliche Literatur spezialisiert sind. Das Augenmerk dieser Angebote liegt aber meist auf automatisierten Übersetzungen oder Zusammenfassungen, nicht auf der Suche im Text.[14] Grundlage für alle Funktionen ist dabei, dass die entsprechenden Dateien Texterkennung aufweisen.

Gemessen an ihrem rapide erreichten Stellenwert ist die Auseinandersetzung mit Sprachmodellen und den auf ihnen basierenden Chatbots noch jung. Für eine Einbindung in die universitäre Lehre ist es unverzichtbar, grundsätzliche Eigenschaften dieser neuen Technologie mit den Studierenden vorab kritisch zu besprechen (bspw. grundsätzliche Funktionsweisen, Ressourcenverbrauch, Rechtslage, ungleiche Zugangsmöglichkeiten, verschiedene Anbieter, Vor- und Nachteile).[15]

Trotz der vermeintlichen Allwissenheit der Chatbots muss dabei betont werden: Sprachmodelle sind (noch) keine Suchmaschinen, ob online oder offline. Selbst wenn die rechtlichen Bedenken beiseitegelassen und bspw. große PDF-Sammlungen in ein Sprachmodell geladen werden, sind die erreichten Vorteile gering bis kaum vorhanden: Als Fragen im Chatbot formulierte Suchaufträge lassen sich nicht zuverlässig mit demselben Ergebnis wiederholen und sind fehleranfällig. Kommerzielle Sprachmodelle werden sicherlich weiter verbessert werden, so dass Fehler seltener auftreten. Die hier vorgestellten Möglichkeiten sind allerdings bereits verfügbar, haben nur geringe Einstiegshürden und sind mit wenig Aufwand umsetzbar. Zumindest vorerst bieten Sprachmodelle hier somit keinen nennenswerten Vorteil.

VI. Schluss

Texterkennung ist kein Beiwerk, sondern eine zentrale Voraussetzung digitaler Textarbeit. Schon kleine Übungen vermitteln Studierenden, wie sich ihr Arbeitsalltag durch digitale Methoden entscheidend erleichtern lässt – mit überschaubarem Aufwand. Der Beitrag stellt konkrete Vorschläge für die Einbindung kleiner Übungen zu Texterkennung in grundständige universitäre Lehrveranstaltungen wie Proseminare oder Tutorien vor. Die Übungen können mit der jeweiligen Thematik der Veranstaltung verbunden werden. Darüber hinaus kann an die Übungen angeknüpft werden, um weitere Themen, wie beispielsweise Literaturverwaltungsprogramme, zu besprechen.

Manuel Kamenzin (Bochum) ist Mittelalterhistoriker [manuel.kamenzin@rub.deMastodonBluesky]


[1] Manuel Kamenzin, Von Katzen und Kommunikation. Ein Beispiel aus der Lehre zu den ,Digital Humanities‘, in: DigiTRiP. Digital Teaching and Research in Practice. 15. Dezember 2023, DOI: 10.58079/nn92; ders.,  Karten und mittelalterliche Grenzen mittels QGis in der grundständigen universitären Lehre, in: DigiTRiP. Digital Teaching and Research in Practice. 15. Mai 2024, DOI: 10.58079/11o7l. – Alle Internetseiten wurden zuletzt am 05.09.2025 abgerufen.

[2] Zum Hintergrund dieses Memes siehe: https://knowyourmeme.com/memes/is-this-a-pigeon.

[3] Zur Positionsbestimmung siehe aktuell: Digital Humanities in den Geschichtswissenschaften, hg. v. Christina Antenhofer, Christoph Kühlberger und Arno Strohmeyer (Digital Humanities), Wien 2024.

[4] Das Tool steht unter anderem bei dem Nachrichtenportal „heise“ zum Download zur Verfügung. Hier können auch Bewertungen verschiedener Nutzenden eingesehen werden: https://www.heise.de/download/product/pdf24-creator-36252.

[5] Eine umfangreiche Auswahl an verschiedenen Werkzeugen für das PDF-Format findet sich unter: https://tools.pdf24.org/de.

[6] Eine Zusammenstellung der Eigenschaften von Tesseract sowie eine Möglichkeit zum Download bietet das Nachrichtenportal „heise“: https://www.heise.de/download/product/tesseract-ocr. Siehe auch Isabelle Gribomont, OCR with Google Vision API and Tesseract, in: Coding Historian, 31. März 2023, DOI: 10.46430/phen0109.

[7] Zum Hintergrund dieses Memes siehe https://knowyourmeme.com/memes/swole-doge.

[8] Studierende verfügen meist nach einigen Semestern über eine wilde Sammlung an PDF-Dateien aus unterschiedlichen Veranstaltungen. Diese Sammlungen können auch in die Übung eingebunden werden – als explorative Arbeitsaufträge. Gerade wenn eigene Sammlungen der Studierenden eingebunden werden, sollte auch das Arbeiten mit einem Literaturverwaltungsprogramm besprochen werden, siehe Anm. 11.

[9] Eine exemplarische Sammlung: Die maßgebliche Studie zu diesem Chronisten von Richard Vaughan, Matthew Paris (Cambridge Studies in Medieval Life and Thought NS 6), Cambridge 1958, ist beim Internet Archive frei verfügbar: https://archive.org/details/matthewparis012094mbp, wie auch die wichtige kunsthistorische Studie zu den Zeichnungen in den Handschriften von Suzanne Lewis, The Art of Matthew Paris in the Chronica Majora (California Studies in the History of Art), Berkeley/Los Angeles/London 1987: https://archive.org/details/bub_gb_sXBdNsDxJ_cC. Björn Weiler hat viele seiner einflussreichen Aufsätze zum Chronisten auf der kommerziellen Plattform „academia.edu“ (Registrierung kostenlos) bereitgestellt, bspw. ders., Stupor Mundi. Matthäus Paris und die zeitgenössische Wahrnehmung Friedrichs II. in England, in: Herrschaftsräume, Herrschaftspraxis und Kommunikation zur Zeit Kaiser Friedrichs II., hg. v. Knut Görich, Jan Keupp und Theo Broekmann (Münchener Beiträge zur Geschichtswissenschaft 2), München 2008, S. 63–95: https://www.academia.edu/1771662/Matthaeus_Paris_und_die_zeitgenoessische_Wahrnehmung_Friedrichs_II_in_England. Die wichtige Neueinschätzung der handschriftlichen Überlieferung von Nathan Greasly, Revisiting the Compilation of Matthew Paris’s Chronica Majora. New Textual and Manuscript Evidence, in: Journal of Medieval History 47 (2021), S. 230–256 ist nur kostenpflichtig online verfügbar. Anhand dieser Sammlung können unterschiedliche Bezugsmöglichkeiten für wissenschaftliche PDFs besprochen werden.

[10] Eine Sammlung nach Publikationsort kann einfach nach den Konjunkturen bestimmter Begriffe durchsucht werden (ähnlich dem unpräzisen Ngram-Viewer: https://books.google.com/ngrams/). Dieses Prinzip ist weitergeführt bei Lino Wehrheim, Tobias A. Jopp, Mark Spoerer, Diskurs, Narrativ, Sonderweg, Hitler, Turn: Konjunkturen geschichtswissenschaftlicher Begriffe im „Clio Viewer“, in: Historische Zeitschrift 313 (2021), S. 129–154, DOI: 10.1515/hzhz-2021-0025. – Die in der Reihe „Mittelalter-Forschungen“ publizierten Bücher sind frei online verfügbar unter https://digi.ub.uni-heidelberg.de/diglit/mf.

[11] Bei Zotero handelt es sich um ein freiverfügbares Literaturverwaltungsprogramm mit offenem Quellcode, siehe die Homepage des Projekts: https://www.zotero.org.

[12] Zum Hintergrund dieses Bildes siehe Anm. 2 und Anm. 7.

[13] Siehe die Werbung von Adobe für ihren Reader mit entsprechender Funktion: https://www.adobe.com/de/acrobat/generative-ai-pdf.html.

[14] Einen Überblick über verschiedene „KI-Tools“ bietet die Homepage der Universität Siegen: https://digitale-lehre.uni-siegen.de/wissensdatenbank/ki-tools.

[15] Siehe grundsätzlich Mareike König, ChatGPT und Co. in den Geschichtswissenschaften – Grundlagen, Prompts und Praxisbeispiele, in: Digital Humanities am DHIP, 19. August 2024, DOI: 10.58079/126eo.


OpenEdition schlägt Ihnen vor, diesen Beitrag wie folgt zu zitieren:
DigiTRiP-Redaktion (15. September 2025). Suchen – und Finden. Übungen zur Texterkennung in grundständigen Lehrveranstaltungen. DigiTRiP. Abgerufen am 11. November 2025 von https://doi.org/10.58079/14nwr


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.