# Resümee


```{admonition} Key points des Kapitels
:class: keypoint
**Korrekturansätze:**

Die [Nachbearbeitung](post-correcting_ocr) von OCR-Ergebnissen kann sowohl [regelbasiert](post-correcting_correction) als auch mit [KI-gestützten Methoden](post-correcting_llm) erfolgen, wobei jeder Ansatz spezifische Vor- und Nachteile aufweist.

**Messbare Verbesserungen:** 

Die regelbasierte Korrektur führte zu einer nachweisbaren <a href="post-correcting_correction#messung-der-verbesserung">Qualitätsverbesserung</a>, mit einem Anstieg des F1-Scores von 0.78 auf 0.82, was die Effektivität systematischer Nachbearbeitung demonstriert.

**Methodische Grenzen:**

Während regelbasierte Ansätze gut kontrollierbar sind, zeigen LLM-basierte Methoden zwar Potential, bringen aber auch erhebliche [Herausforderungen](post-correcting_llm) mit sich, insbesondere hinsichtlich Ressourcenbedarf und Zuverlässigkeit.
```
<!--
### Kapitel summary 

Dieses Kapitel demonstrierte, wie die Ergebnisse von OCR [nachbearbeitet](post-correcting_ocr) werden können. Es führte [regelbasierte Nachkorrektur](post-correcting_correction) mit regulären Ausdrücken (in Python) ein und gab einen Einblick in die Möglichkeiten der [LLM-basierten Nachkorrektur](post-correcting_llm). Im nächsten Kapitel werden die nachkorrigierten Ergebnisse von OCR weiter mit NLP-Methoden verarbeitet. -->