Re: [InetBib] Hinweise erbeten: Maschinelle Verarbeitung von Literaturlisten (Referenzen)

[Jakob Voss <jakob.voss@xxxxxx>]

Hallo Herr Weichselgartner,

Sie schrieben:

> im Rahmen eines Projektes möchten wir Literaturlisten (Referenzen)
> maschinell erfassen (Scannen, OCR, Strukturanalyse, Extraktion der
> Teileinheiten).

[...]

> a) Die Literaturliste wird gescannt (Tipps für Scanner und Bildparameter
> willkommen!)
>
> b) OCR-Erkennung (Abbyy?)

Das ist sicher der einfache Teil, für OCR-Umgebungen gibt es genügend 
Lösungen, wobei sich andere hier sicher besser auskennen als ich.

> c) Strukturanalyse und Zerlegung der Liste in einzelne Referenzen (im
> Beispiel zwei Stück)

Das dürfte auch noch unschwer machbar sein.

> d) Zerlegung einer Referenz in ihre Teileinheiten.
> Am Beispiel oben: Autor 1 = Luck, S.J.; Autor 2 = Vogel, E.K.; Jahr =
> 1997; Titel = The capacity of visual working memory for features and
> conjunctions; Zeitschrift = Nature; Band = 390; Seiten = 279-281.

Da die Anzahl von Zitierunformaten praktisch endlos ist, und nicht alle 
Formate eindeutig sind, gibt es dafür keine einfache Lösung sondern nur
mehr oder weniger gute Heuristiken. Selbst einem Menschen ist nicht 
immer klar, wofür welche Teileinheiten in einer Literaturangabe stehen.

Im Open Citation Project wurde ein Parser entwickelt, der inzwischen von 
ArXiV eingesetzt wird, siehe dazu 
http://jakoblog.de/2008/01/24/citation-parsing/ - die Qualität ist 
jedoch ziemlich durchwachsen. Falls die zu scannenden Literaturangaben 
in einem einheitlichen Stil verfasst sind, könnte man einen eignen 
Parser schreiben. Einige Parser gibt es auch im Rahmen von Zotero, aber 
die sind ziemlich speziell.

Nach meinem Eindruck ist das Parsen von Literaturangaben eine offene 
Forschungsfrage[1] bzw. mit einer Menge Feintuning in Handarbeit 
verbunden. Am besten dürfte sich Thomson Scientific da auskennen, die 
diverse Zitationsindizes herausgeben - aber die werden ihre Kenntnisse 
kaum weitergeben. Google hat sicher auch einige Erfahrungen mit Google 
Scholar. Vielleicht ist man bei CiteSeer auskunftsfreudiger.

Das beste Grundlagenpapier, das ich als Ausgangspunkt für weietre 
Recherchen finden konnte ist "Digital libraries and autonomous citation 
indexing" von Lawrence et al. (1998), etwas neuer sind "Identity 
Uncertainty and Citation Matching" von Pasula et al. (2003) und 
"Bibliographic attribute extraction from erroneous references based on a 
statistical model" von Takasu (2003). Anscheinend lassen sich mit 
probablistischen Verfahren ganz gute Verfahren erziehlen.

Übrigens nimmt die Bedeutung von ausgefeilten Literaturangaben ab und 
die Bedeutung von Identifiern zu. Wenn ich beispielsweise die DOI eines 
Artikels habe, sind die übrigen Angaben überflüssig, da man sich die 
Metadaten auch anderweitig besorgen kann.

Tut mir leid, dass ich konkret auch keinen einfache Lösung nennen kann, 
ich wäre allerdings sehr daran interessiert, wenn sie mehr herausfinden!

Schöne Grüße,
Jakob

[1] beispielsweise könnte man untersuchen, wie gut sich Parser aus 
bekannten Zitationsstilen (BibTeX, EndNote...) automatisch erzeugen 
lassen - hat den Ansatz schon jemand verfolgt?

--
Jakob Voß <jakob.voss@xxxxxx>, skype: nichtich
Verbundzentrale des GBV (VZG) / Common Library Network
Platz der Goettinger Sieben 1, 37073 Göttingen, Germany
+49 (0)551 39-10242, http://www.gbv.de