数据集概述
该数据集包含爱沙尼亚国家图书馆DIGAR档案中的历史报纸文章及其对应的众包OCR校正内容，涵盖校正数据、统计图表及说明文档，为研究历史报纸文本数字化处理提供支持。
文件详解
- 文件名称: README.md，文件格式: Markdown，内容说明: 数据集说明文档，包含数据来源、预处理方法（如原始文本逆向工程、过滤规则）等核心信息。
- 文件名称: temporal_distribution.png，文件格式: PNG，内容说明: 图片文件，展示历史报纸文章的时间分布统计信息。
- 文件名称: quality_metrics.png，文件格式: PNG，内容说明: 图片文件，呈现OCR校正前后的质量评估指标。
- 文件名称: ocr_corrections.tsv，文件格式: TSV，字段映射: blockIDunique（唯一块ID）、pageOID（页面ID）、oldtext（原始文本）、newtext（校正后文本）、distance（文本距离）、distance_relative（相对距离）、title（报纸标题）、year（年份）、len_increase（长度变化）、oldtext_rating（原文本评分）、newtext_rating（校正后文本评分）
数据来源
爱沙尼亚国家图书馆DIGAR档案
适用场景
- 历史文献数字化研究: 分析众包模式对历史报纸OCR校正质量的提升效果
- 文本校正算法训练: 基于真实校正数据优化OCR错误检测与修正模型
- 数字人文研究: 利用历史报纸文本开展特定时期社会、文化主题分析
- 众包协作机制评估: 探究众包参与者对文本校正任务的贡献规律与效率
