Цифровой архив: создание корпуса журнала «Отечественные записки» — первые результаты

Студентки проектной группы Евгения Заковоротная, Екатерина Волошина, Юлия Ким и Полина Кудрявцева описали концепцию своего проекта, а также рассказали о первых результатах, которых удалось достичь с сентября по декабрь.

Наша проектная группа разрабатывает цифровое издание литературного журнала XIX века «Отечественные записки». Хотя данный литературный журнал является значимым для понимания русской культурной и общественной жизни XIX века, его выпуски нельзя найти онлайн в адекватной машиночитаемой форме. В Интернете встречаются либо нераспознанные изображения, либо разрозненные PDF-документы с текстовым слоем неприемлемого качества. 

Таким образом, корпус текстов журнала с учетом старой и новой орфографии в машиночитаемой форме позволит проводить корпусные исторические, лингвистические, филологические и междисциплинарные исследования. Более того, вычитка текста и удаление опечаток, возникающих при OCR-распознавании томов журнала, занимает много сил и времени. Поэтому, кроме полнотекстового поиска, на сайте цифрового архива будет доступна возможность онлайн-редактирования текстов журнала через удобный фреймворк. Возможно, в дальнейшей работе будут придуманы и добавлены новые инструменты.

С сентября по декабрь удалось выполнить следующие пункты:

• вычитаны полностью около пяти томов;
• усовершенствован алгоритм автоматической теговой (XML/TEI) разметки;
• обучена модель спеллчекера (программа для автоматического исправления опечаток в тексте) на вычитанных томах журнала «Отечественные записки». Дообучение модели и корректировку алгоритма проводит Екатерина Волошина. Первичная структура и принципы работы спеллчекера взяты из проекта выпускницы НИУ ВШЭ Марины Митрофановой с ее согласия;
• создана тестовая версия базы данных. В процессе работы студентки Евгения Заковоротная, Екатерина Волошина, Юлия Ким и Полина Кудрявцева протестировали разные виды СУБД: SQL, NoSQL, а также базы данных для хранения XML/TEI файлов. На данный момент в проекте используется NoSQL база данных.
• создана тестовая версия сайта с подключением к базе данных. Пока доступны только четыре тома;
• на сайт добавлен тестовый редакторский фреймворк, однако функция сохранения изменений пока не подключена;
• проведены обсуждения особенностей работы над редактированием журнала, разработкой базы-данных и сайта. Во встречах принимали участие преподаватели Даниил Скоринкин, Эдуард Клышинский и Сергей Собко и студенты из основного состава проектной группы.

Изначально данный проект разрабатывался в рамках учебной программы «Цифровые методы в гуманитарных науках», идея принадлежит преподавателям НИУ ВШЭ Герману Пальчикову и Даниилу Скоринкину. Также, активное участие принимала студентка 2-ого курса магистратуры Татьяна Колпакова, работая над созданием методов автоматического удаления опечаток в вычитке томов и TEI разметки томов. Сейчас наша проектная группа включает студентов бакалавриата и магистратуры. Помимо основного состава в проекте также участвуют студенты, которые записываются в нашу команду через «Ярмарку проектов». Координацией студентов занимается Полина Кудрявцева.

Несмотря на первые результаты, уже сейчас понятна важность цифрового архива не только для самого журнала, но и в целом для классической русской периодики. Цифровое издание «Отечественных записок» позволит не только сохранить столь значимый для культуры объект, но и станет «полем» для исследователей, позволив находить новые знания.