Tiemark Program – the Processing of the Transcribed Old Library Materials

U hrvatskim se institucijama čuva poveći korpus digitalizirane baštine koji je u svrhu predstavljanja često dostupan preko interneta. Digitalizirani dokumenti čuvaju tako istinu o bogatoj hrvatskoj kulturnoj i pisanoj baštini. Nakon izgradnje programa DocMark, čija je svrha označivanje digitaliziranih slikovnih dokumenata u svrhu analize tih oznaka na pojedinačnim dokumentima i/ili njihove usporedbe, kao rezultat trogodišnjeg rada načinjen je TEIMark – program za označivanje teksta: utipkanoga, transliteriranoga ili strojno prepoznatoga. Dok je označivanje u DocMarku izvedeno nad slikom dokumenta (u kojem su zanimljiva i dohvatljiva materijalne osobine/vlastitosti, ali ne i sadržaj teksta), u TEIMarku se označivanje odvija nad stvarnim tekstom, a ne njegovom slikom, čime su omogućena lingvistička i druga istraživanja usmjerena na sadržaj dokumenata. Program je dobio ime po oznakama TEI (Text Encoding Initiative), no za razliku od njihova uobičajenoga unosa (pomoću komercijalnih editora oXygen, XMLSpy, XmlBlueprint i sl.) s XML-elementima i pripadajućim atributima (što stvara poteškoće u čitanju i analizi označenog teksta), ovdje je riječ o jednostavnijem, potpuno novom vizualnom pristupu koji isključuje potrebe poznavanja i čitanja XML-a (eXtensible Markup Language) ili XSLT programa za transformaciju (ali ih niti ne odbacuje u naknadnoj analizi i obradbi označenog teksta). Program ima sve napredne generičke osobine pa se osim TEI označivanja može koristiti za tvorbu Wiki stranica, ReST ili Markdown aplikacija i slično. Označivanje dokumenata može se provoditi lokalno (s tekstom u HTML formatu), ali i preko interneta, pri čemu je, slično kao i kod DocMarka, omogućeno vizualno označivanje u više nezavisnih slojeva. To omogućuje rad više osoba, npr. stručnjaka iz različitih područja, na istom dokumentu. Za rad je potreban samo WEB preglednik. Rezultati označivanja mogu se izvoziti u XML-u i u drugim formatima te naknadno obrađivati poznatim ili novostvorenim programima za analizu (npr. prebrojavanje oznaka, proučavanje pojmovnih klasa, gramatička istraživanja i slično). TEIMark osim ručnog ima ugrađeno i automatsko označivanje, i to na temelju unaprijed zadanih riječi (npr. iz računalne baze), njihovih dijelova pa čak i fraza (raspršenih riječi). Vizualne oznake moguće je definirati po hijerarhijskoj strukturi u dubinu i po pojmovnim domenama u širinu, te prikazivati skupno, pojedinačno ili po slojevima u označenom dokumentu. TEIMark program ugrađen je u novu (petu) inačicu elektroničkog izdanja Biblije (© KS, Zagreb) i predstavljen u knjižnici HAZU-a na označivanju i analizi odabranih digitaliziranih dokumenata Instituta za jezik i jezikoslovlje i on-line enciklopedije Leksikografskoga zavoda Miroslav Krleža.In Croatian institutions, there is a great quantity of digitalized legacy, which is, for the purpose of presentation, often accessible via internet. Digitalized documents hold the truth of rich Croatian cultural and written heritage. After the completion of the program DocMark, whose purpose is to mark digitalized picture documents, and to analyze these marks on individual documents and/or to compare them, the TEIMark program was created – which served to mark text: be it typed, translitarated or machine – recognized. While the marking in DocMark was executed over the document picture (in which the key points are material properties/singularities, but not the content of text), in TEIMark the marking is done on a real text, and not on it’s image, and in this way, linguistic and other types of research focused on the content of document are made possible. Program was given it’s name because of the marks TEI (Text Encoding Initiative), however, unlike the usual input (through commercial editors such as oXygen, XMLSpy, XmlBlueprint, etc.) with XML elements and belonging attributes (which creates difficulties in reading and analysis of the marked text), here we have a more simple, completely new visual approach which excludes the need of knowing and reading XML (eXtensible Markup Language) or XSLT program for transformation (however, they are not rejected in the supplemental analysis and processing of the marked text). Program has all advanced generic attributes, so it can be used, aside from TEI markings, for creating Wiki sites, ReST or Markdown applications and similar. Document markings can be made locally (with text in HTML format) but also through internet, which has, similar to DocMark, enabled the visual markings in several independent layers. This enables the work of more than one person, ie several experts from various fields on the same document. The work requires only a web browser. The results of markings can be exported in XML and other formats, and additionally be processed with classic or newly made programs for analysis (ie counting of marks, studying of conceptual classes, grammatical research and such). Aside from manual, TEIMark has installed the automatic marking option, based on words given in advance (ie from the computer base), their parts and even phrases (words in dispersion). Visual marks are possible to define according to the hierarchical structure in depth, and according to conceptual domains in width, and to be displayed in groups, individiually, or in a layered fashion, within a marked document. TEIMark program is built into the new (fifth) version of electronic edition of BIBLE (© KS, Zagreb) and demonstrated in the HAZU library, for the purposes of marking and the analysis of selected digitalized documents of Institute of Croatian Language and Linguistics and online encyclopedia of The Miroslav Krleža Institute of Lexicography