Aktuální oblasti výzkumu digitálních knihoven

Transkript

1 Aktuální oblasti výzkumu digitálních knihoven Miroslav Bartošek, ÚVT MU INFOS 2003 Motto: In Computer Science, if it works, it s not research. (Dan Greenstein) 1. Co jsou to digitální knihovny Přestože digitální knihovny (Digital Libraries, DL) patří zhruba od poloviny devadesátých let mezi pojmy velmi frekventované, není vždy úplně zřejmé, co všechno si pod tímto termínem vlastně představit. Jeho přesné a jednoznačné vymezení je obtížné a dá se říci, že digitální knihovny představují spíše zastřešující pojem pro velmi širokou škálu aktivit a technologií souvisejících s moderními přístupy pro získávání, zpracování a zpřístupnění digitálních informací. Pro ilustraci uveďme tři z mnoha desítek existujících definic, z nichž každá akcentuje jiné aspekty digitálních knihoven: Digitální knihovna je spravovaná sbírka informací spolu s odpovídajícími službami, přičemž informace jsou uloženy v digitální podobě a jsou dostupné prostřednictvím sítě. [2] Tato definice pochází z počítačového prostředí a zdůrazňuje, že digitální informace samy o sobě ještě žádnou digitální knihovnu netvoří, klíčovými aspekty jsou správa (udržování) sbírky digitálních informací, poskytované služby a vzdálený přístup prostřednictvím počítačové sítě. Digitální knihovna je cílená sbírka digitálních objektů, zahrnující objekty textové, vizuální a zvukové, spolu s metodami pro jejich zpřístupnění a získávání, stejně jako pro výběr, organizaci a uchovávání. [3] Vymezení pocházející od autorů systému Greenstone [4], jednoho z nejznámějších a široce využívaných nekomerčních softwarových systémů pro digitální knihovny. Zdůrazňuje rozmanitost typů digitálních objektů uložených v digitální knihovně, cílenost digitální knihovny (zaměření na určitou oblast), uživatelský přístup a organizační aspekty. Digitální knihovny jsou organizace, které poskytují zdroje (včetně specializovaného personálu) umožňující provádět výběr, strukturování a zpřístupnění sbírek digitálních prací, tyto práce dále distribuovat, udržovat jejich integritu a dlouhodobě uchovávat a to vše s ohledem na snadné a ekonomické využití určitou komunitou nebo množinou komunit uživatelů. [5] Poslední definice pochází z knihovního prostředí a pohlíží na digitální knihovny jako na instituce svého druhu zajišťujících systematickou organizaci a dlouhodobé uchovávání digitálních sbírek; připomíná, že každá digitální knihovna je vytvářena a slouží pro potřeby určité konkrétní komunity uživatelů. Z většiny definic a vymezení vyplývají určité společné základní znaky digitálních knihoven: klíčovou otázkou není digitalizace fyzického materiálu, nýbrž organizace elektronické sbírky 1

2 digitální knihovna se obvykle nechápe jako jedna uzavřená entita (pro zdůraznění tohoto aspektu mnozí autoři používají zásadně množné číslo Digital Libraries) informační zdroje tvořící obsah digitální knihovny jsou heterogenní (různorodé způsobem uložení-organizací-správou objektů a použitými platformami), dynamické (začleňováním a vyřazováním komponent do/ze struktury DL) a multimediální (povahou dat) praktická realizace digitálních knihoven vyžaduje technologie pro propojení různých (autonomně spravovaných) informačních komponent toto propojení musí být pro uživatele transparentní cílem je zajistit uživateli jednotný (koherentní) přístup k relevantním digitálním informacím bez ohledu na jejich formu, formát, způsob a místo uložení. 2. Oblasti výzkumu digitálních knihoven Hlavní oblasti výzkumu a praxe digitálních knihoven lze schématicky znázornit následujícím obrázkem (adaptováno dle [6]): budování sbírek digitalizace born digital sklízení obecný rámec a architektura DL intelektuální vlastnictví & ekonomika vícejazyčný přístup k informacím metadata interoperabilita globální vyhledávání zdrojů zobecněný model dokumentu dlouhodobé uchovávání digitální informace 2

3 Jak jsme již zdůraznili v úvodu, představují digitální knihovny zastřešující pojem. Problematika digitálních knihoven a aspekty jejich realizace jsou totiž natolik široké, že s trochou nadsázky se dá říci, že pod tento pojem lze schovat téměř cokoliv z mnoha klasických oblastí počítačové vědy (databáze, informační systémy, umělá inteligence, počítačové sítě, bezpečnost), ale navíc i řady informačně orientovaných aspektů mnoha společenských věd (z knihovní a informační vědy, práva, ekonomie, sociologie, psychologie, lingvistiky). Aniž bychom si činili nárok na úplnost témat a výzkumných směrů, pokusme se v onom širokém záběru digitálních knihoven vytipovat (alespoň dle našeho názoru) ty nejzajímavější, které přispívají k budování obecné systémové infrastruktury digitálních knihoven. 2.1 Budování digitálních sbírek Ačkoliv problematika vytváření vlastního obsahu digitálních knihoven bývá dnes považována spíše již za rutinní záležitost praxe a zejména téma digitalizace (existujících) fyzických sbírek se z pohledu vědy může jevit jako nepříliš zajímavé, objevuje se i v této praktické oblasti řada nových zajímavých výzkumných témat. Jedny z nich souvisí se začleňováním digitálních objektů vzniklých jen a pouze v digitální podobě (born digital), bez jakékoliv materiální předlohy a často ve velmi speciálních formátech a podobách. Speciálním případem borndigital digitálních knihoven jsou pre-print archivy představující novou formu efektivního (rychlého a bezplatného) šíření informací v oblasti vědeckého publikování; nejznámějším představitelem je systém ArXiv.org [7]. Další témata vychází z konvergence digitálních knihoven a Internetovských vyhledávačů. Jako příklad uveďme systém pro automatickou tvorbu citačních digitálních knihoven ResearchIndex [8], a projekt WebBase [9] Stanfordské univerzity zaměřený na výzkum efektivní infrastruktury (sklízení, ukládání, indexace, dotazování) velmi velkých nebo naopak malých vysoce kvalitních a přesně cílených sklízených digitálních knihoven webových zdrojů (připomeňme v této souvislosti, že populární Internetovský vyhledávač Google [34] je rovněž výsledkem výzkumu digitálních knihoven na Stanfordské univerzitě). Do oblasti sklízených digitálních knihoven patří i bouřlivě se rozvíjející projekty zaměřené na archivaci webu připomeňme alespoň systém Internet Archive [10] a na národní úrovni český projekt WebArchiv [11] čerpající z pozoruhodných výsledků dosažených v obdobných projektech v evropských severských zemích. 2.2 Obecný rámec a architektura digitálních knihoven Výzkum v této oblasti je veden snahou o vytvoření jakéhosi jednotného referenčního modelu digitálních knihoven potřebného pro formalizaci představ o fungování a funkcích obecné digitální knihovny (popis komponent, služeb a vztahů), pro identifikaci potřebné podpůrné systémové infrastruktury a také pro ustanovení jednotného slovníku. Dnes již téměř klasickou práci z této oblasti představuje Kahn-Willenského obecný rámec [12], [13] definující základní komponenty a strukturalizaci digitální knihovny (digitální objekt, repozitář, repozitářový protokol, globální identifikační schéma, vyhledávací subsystém, apod.), rozpracovaný v mnoha teoretických pracích zejména na Cornellově univerzitě a aplikovaný například v rámci amerického programu National DL Project Kongresové knihovny. Nejnovější rozpracování této architektury představuje systém FEDORA (Flexible Extensible Digital Object and Repository Architecture) vyvinutý na Cornellově univerzitě; v současné době je tento systém adaptován a implementován pod označením new FEDORA [14] na univerzitě ve Virginii s cílem dosáhnout plného využití webových technologií a nabídnout veřejnosti 3

4 moderní flexibilní, otevřený, interoperabilní open-source systém pro realizaci i velmi rozsáhlých digitálních knihoven. Z alternativních přístupů zmiňme alespoň 5S-model (Societies, Scenarios, Spaces, Structures, Streams), obecnou formální teorii pro popis digitálních knihoven [15]. Z dílny stejných autorů pochází nejnovější návrhy architektury ODL Open Digital Libraries [16], [17], postavené na integraci komponent digitální knihovny prostřednictvím jednoduchého rozšířeného protokolu PMH (Protocol for Metadata Harvesting), navrženého původně pro iniciativu otevřených archívů OAI. 2.3 Globální persistentní identifikace digitálních objektů Jádrem každé globální systémové infrastruktury je vždy vhodný identifikační systém umožňující pojmenovávání a identifikaci objektů splňující řadu požadavků: jména či identifikátory musí být globálně (celosvětově) jednoznačné, nezávislé na umístění popisovaného objektu, persistentní (trvanlivé po neomezenou dobu), škálovatelné (použitelné na libovolně jemné či hrubé úrovni popisu), a především resolvovatelné (musí existovat síťová infrastruktura, která pro zadaný identifikátor vrátí buď objekt samotný nebo aktuální informace o objektu, jeho umístění a dostupnosti). Vývoj a výzkum v oblasti identifikátorů je veden jednak v rámci klasických knihovnických schémat, jednak v rámci ryze digitálního prostředí. Příkladem vývoje klasických knihovnických identifikátorů je na jedné straně ISBN, které v důsledku exponenciálního nárůstu používání pro identifikaci digitálních zdrojů spěje k brzkému vyčerpání prostoru dostupných volných čísel a vyžaduje urychlenou revizi, na druhé straně pak nově vznikající identifikátory pro zatím nepokryté typy informačních zdrojů (SICI a BICI pro komponenty seriálových či monografických dokumentů, ISTC pro textová díla, ISADN pro autority aj.) [18]. Vedle knihovnických identifikátorů vznikají identifikační systémy určené již přímo pro síťové digitální prostředí: naděje vkládané do nejobecnějšího řešení v podobě URN Uniform Resource Name [19] se zatím v praxi nenaplňují, zejména v důsledku obrovské náročnosti na zavedení celosvětového univerzálního resolučního systému a nejasnosti s jeho financováním. Tím se vytváří prostor pro vznik specializovaných schémat, která sice nenabízí univerzální řešení, ale přesto mohou dobře posloužit ve vybraných oblastech nasazení. Příkladem je systém handle [20] vyvinutý pro Kahn-Wilenského architekturu, persistentní URL PURL [21] nabízené společností OCLC jako levné a rychlé řešení zejména pro nenáročné aplikace, a komerční systém DOI Digital Object Identifier [22] rozvíjený na základě požadavků Asociace Amerických vydavatelů pro identifikaci komerčně obchodovatelných digitálních informačních zdrojů podléhajících copyrightu. 2.4 Metadata V samém centru pozornosti výzkumu digitálních knihoven jsou tři vzájemně se podmiňující komponenty: metadata, interoperabilita a globální vyhledávání zdrojů. V opravdu fungující globální digitální knihovně je zapotřebí metadat pro podporu interoperability, stejně jako interoperabilita metadat; aby bylo možné v systému digitálních knihoven vyhledávat, musí jednotlivé komponenty navzájem určitým způsobem kooperovat (být interoperabilní) a naopak dosažení vysokého stupně interoperability je podmíněno existencí globální vyhledávací infrastruktury. A tak dále. Metadata, neboli informace o informacích, představují věčné téma jak ve světe knihoven (připomeňme jen klasické katalogy), tak ve světě informačních technologií (databázová schémata, například). Oproti klasickým knihovním metadatům, která vznikají obvykle 4

5 jednotným způsobem s velkým podílem ruční práce vyškolených specialistů, a za účelem dosažení co nejúplnějšího popisu informačního zdroje, mají síťová metadata řadu odlišností: především bývají specializovaná (popisná, strukturální, administrativní, formátově závislá), úzce zaměřená na konkrétní použití (vyhledávání, ochrana duševního vlastnictví, hodnocení obsahu, dlouhodobé uchovávání, interoperabilita) a aplikační oblast (vědní disciplína, komunita uživatelů). Různých formátů síťových metadat je obrovské množství, stejně tak jako jejich použití a určení. Výzkum v oblasti metadat je možné rozdělit do dvou hlavních proudů: prvním z nich je návrh nových metadatových schémat pro konkrétní oblast použití (například Dublin Core [23] pro jednoduchý popis zdrojů za účelem jejich efektivnějšího vyhledání, TEI [24] pro značkování textových dokumentů s využitím SGML nebo XML, metadata na podporu dlouhodobého uchovávání digitální informace [25], INDECS [26] metadata na podporu e-commerce, ONIX [27] metadata pro elektronickou výměnu informací o produkci knižního průmyslu, aj.). Druhou oblast představuje určitá standardizace zápisu (s využitím formátu XML) a možnost propojování specializovaných a distribuovaných síťových metadat do složitějších metadatových struktur (např. systémy založené na RDF Resource Description Format [28] nebo meta-metadatové schéma METS [29]). 2.5 Interoperabilita a škálovatelnost Interoperabilitou bývá označována schopnost spolupráce mezi technicky různorodými a organizačně nezávislými komponentami (rozsáhlejšího) systému. Škálovatelnost označuje schopnost funkční kompozice systému do libovolně velkých celků. Existuje široké spektrum pohledů na interoperabilitu: od pouhého povrchního sjednocení na úrovni vzhledu a způsobu ovládání přes syntaktickou až po hlubokou sémantickou interoperabilitu, která předpokládá existenci inteligentních technologií schopných plně automatizovaně poskytovat jednotný pohled na různorodý informační obsah a služby i vnitřně velmi složitého informačního systému. V oblasti digitálních knihoven je rozvíjena řada přístupů k dosažení požadovaného stupně interoperability vyžadující různou míru koordinace. Na nejnižším stupni se nepředpokládá žádná explicitní spolupráce komponent (příkladem jsou webovské vyhledávače nebo již dříve zmíněný systém ResearchIndex). Běžnější přístup je založen na striktním uplatnění vhodného standardu a vytvoření federací digitálních knihoven typické jsou systémy založené na protokolu Z39.50 [30]. Nejnovější přístupy využívající sklízení metadat např. iniciativa otevřených archívů OAI [31] se snaží nahradit těžkotonážní protokoly typu Z39.50 (který sám o sobě se také dále rozvíjí v několika směrech) velmi jednoduchými standardy, které jsou velmi lehce implementovatelné a napomáhají vytváření rozsáhlých volně sdružených seskupení digitálních zdrojů. Nadějné výsledky přináší výzkum v oblasti automatického kontextově citlivého propojování informačních zdrojů (reference linking): připomeňme alespoň technologii SFX [32] využívající standard OpenURL pro předávaní metadat jako součást hypertextového odkazu. Velmi aktivní je také výzkum v oblasti ontologií (systémů konceptů a vztahů mezi nimi). Velký potenciál představují technologie vyvíjené W3C konsorciem [33] v oblasti webových služeb (jazyk pro popis webových služeb WSDL, protokol SOAP pro vzdálené volání procedur, WSIL mechanismus pro globální vyhledávání služeb, aj.). 2.6 Vyhledávání zdrojů Výzkumné aktivity v této oblasti lze rozčlenit do pěti podoblastí: organizace (každé řešení distribuovaného vyhledávání má nutně svůj organizační aspekt), systémy (infrastruktura podporující vyhledávání, navigaci, zprostředkovávání a získávání informací), digitální obsah (výběr informačních bází na logické úrovni, dotazovací jazyky pro netextové informační 5

6 zdroje, přechod od vyhledávání explicitních informací k získávání implicitních poznatků knowledge discovery), rozhraní (oblast human-computer interaction pro zadávání dotazů a prezentace/vizualizace výsledků, strojové porozumění záměrům uživatele, ale také naopak pro uživatelské pochopení procesů realizovaných systémem) a metriky (nástroje pro vyhodnocování efektivity různých řešení a přístupů). Dosavadní praxe potvrzuje, že i pouhé uplatnění hrubé výpočetní síly (bez aplikace speciálních postupů z oblasti umělé inteligence) může přinášet pozoruhodné výsledky při inteligentním vyhledávání, viz vyhledávač Google [34]. Další významný pokrok může přinést výzkum v oblasti sémantického webu [35],[36] usilující o rozšíření současného webu (představujícího úložiště dokumentů orientovaného na lidského uživatele) na globální síť dokumentů, kterým porozumí přímo počítač. Za pomocí sémanticky označkovaných strojově zpracovatelných dokumentů, RDF, ontologií, inteligentních softwarových agentů a dalších technologií slibuje sémantický web přinést kvalitativně novou celosvětovou informační infrastrukturu naplňující (a v mnohém překračující) i ty nejsmělejší vize digitálních knihoven. 2.7 Intelektuální vlastnictví a ekonomika Digitální knihovny nejsou zdaleka jen problémem technologickým; technický rámec digitálních knihoven vždy působí v určitém legislativním, ekonomickém a společenském kontextu. Přizpůsobení tohoto společenského kontextu tak, aby systém digitálních knihoven mohl efektivně a v globálním měřítku fungovat, je přitom záležitost mnohem složitější a časově náročnější než realizace vlastního technického řešení. Nejdůležitější komponenty, ekonomika a legislativa, se přitom úzce vzájemně ovlivňují a podmiňují [37]. Mezi základní otázky teorie a praxe digitální knihoven patří zejména: (1) funkce copyrightu v digitálním prostředí, tj. jak vybalancovat veřejné právo na přístup k informacím s oprávněnými ekonomickými zájmy autorů a vydavatelů [38], a (2) jak pokrýt nákladové položky v procesu vzniku, organizace, zpřístupňování a uchovávání digitální informace tak, aby byly zajištěny ekonomické podmínky dlouhodobé provozuschopnosti digitální knihovny. V ekonomické oblasti jsou zkoumány různé obchodní modely jak pro oblast otevřeného přístupu [39], kdy informační zdroje jsou z pohledu uživatelů k dispozici bezplatně (náklady ovšem hradí někdo jiný), tak i placený přístup (využívající různá platební schémata od předplatného, přes poplatky typu pay-by-use až po mikro-platby). Právní aspekty digitálních knihoven zahrnují nejen proces vytváření nové legislativy či zkoumání dopadu šíření a využívání zdrojů v digitální formě na oblast ochrany duševního vlastnictví, ale celý provázaný komplex otázek, kam patří také ochrana osobních údajů a ochrana soukromí, odpovědnost za obsah poskytovaných informací, otázky zodpovědnosti provozovatele systému za nelegální jednání jeho uživatelů a mnohé další. Intenzívně jsou zkoumány a rozvíjeny také technologie ochrany digitálních informací před neoprávněným přístupem a kopírováním (hw zámky, steganografie, šifrování digitálního obsahu, flickering, aj.). 2.8 Dlouhodobé uchovávání digitální informace Po četných negativních zkušenostech s rozpadajícími se tisky a ztracenými či zničenými fondy ve světě klasických knihoven se nástup digitálních technologií jevil jako dlouho očekávané definitivní řešení problému efektivní ochrany a trvalého uchování informací. Bity nestárnou, neznehodnocují se používáním či rozmnožováním, lze je snadno kopírovat v nezměněné kvalitě. Rychle se však ukázalo, že přes nesporné přínosy a výhody přináší přechod na digitální informační zdroje vážné problémy paradoxně právě z hlediska dlouhodobého uchovávání. Na vině je jednak relativně nedlouhá životnost nosičů digitální 6

7 informace, ale zejména velmi krátký a stále se zrychlující inovační cyklus digitálních technologií (v průměru zhruba 5 let). Situaci vystihuje citát z [40]: Digitální informace trvá věčně nebo 5 let, podle toho, co nastane dříve. Navzdory aktivnímu výzkumu v oblasti strategií pro dlouhodobé uchovávání (replikace, oživování, technické muzeum, migrace, emulace, konverze do analogové formy, aj.) není obecně současná situace z hlediska dlouholetého uchovávání digitální informace příznivá. Systematický koncepční přístup k problematice uchovávání zahrnující jak technické tak i organizační a systémové přístupy představuje referenční model OAIS Open Archival Information System [41]. Zajímavé projekty hraničící s intelektuálními cvičeními z oblasti opravdu dlouhodobého uchovávání (po dobu tisíciletí) shromažďuje nadace The Long Now [42] zmiňme alespoň projekt Rossetský disk usilující vytvořit trvalý lingvistický archív a překladatelský nástroj pro obnovu tisícovky soudobých jazyků ztracených v hluboké budoucnosti, a to metodou konverze do analogové formy: zaznamenáním obrazů až stovky tisíc stran lingvistických textů vyrytím do niklového disku (s životností několika tisíc let) prostřednictvím optické nanolitografie. 3. Závěr Existuje nepochybně řada dalších oblastí a nepřeberné množství výzkumných směrů, na které se v tomto přehledu nedostalo ať již z prostorových důvodů, anebo proto, že se nachází mimo oblast odborných zájmů autora. Přesto však věříme, že i tento stručný přehled poskytuje dostatečný obrázek jak o záběru a různorodosti výzkumu v oblasti digitálních knihoven, tak i jeho nejaktuálnějších trendech. Literatura a odkazy: 1. Greenstein, D.: Next Generation Digital Libraries? Keynote Address. In Proceedings of the Second ACM/IEEE Joint Conference on Digital Libraries. ACM, Arms, W.Y.: Digital Libraries. MIT Press, Cambridge, ISBN Witten, I.H., Bainbridge, D.: How to Build a Digital Library. Morgan Kaufmann, ISBN Greenstone Digital Library Software Waters, D.J.: What are digital libraries? CLIR Issues, July/August Schauble, P., Smeaton, A.F. (Eds): A Research Agenda for Digital Libraries. Summary Report of the Series of Joint NSF-EU Working Groups on Future Directions For Digital Libraries Research. Brussels, October Též na 7. arxiv.org e-print archive ResearchIndex WebBase Project Internet Archive WebArchiv Kahn, R., Wilensky, R.: A Framework for Distributed Digital Object Services. Technical Report hdl:cnri.dlib/tn95-01, CNRI, May Arms, W.Y., Blanchi, C., Overly E.A.: An Architecture for Information in Digital Libraries. D-Lib Magazine, February

8 14. New FEDORA Project. University of Virginia S Model / 5S Language Suleman, H., Fox. E.: A Framework for Building Open Digital Libraries. D-Lib Magazine, December Open Digital Libraries Hakala, J.: Document Description and Access New Chalenges. In: CASLIN 2001, pracovní materiály ke konferenci. Knihovna Akademie věd ČR, Praha, (2001), Uniform Resource Names Handle System. CNRI PURL Persistent URL. OCLC DOI Digital Object Identifier Dublin Core Metadata Initiative Text Encoding Initiative A Metadata Framework to Support the Preservation of Digital Objects. OCLC/RLG Working Group on Preservation Metadata INDECS: Interoperability of Data in E-commerce Systems ONIX Product Information Standards RDF. W3C Consortium Metadata Encoding and Transmission Standard Z39.50 Agency. Library of Congress Open Archives Initiative SFX. ExLibris World Wide Web Consortium Google Semantic Web. WWW Consortium The Semantic Web Community Portal Intellectual Property and Economics Issues for Digital Libraries. A Framework for Future Research. EU-NSF Working Group on Intellectual Property and Economic Issues ECUP European Copyright User Platform. EBLIDA Arms, W.Y.: Economic Models for Open Access Publishing. imp Magazine, March Rothenberg, J.: Ensuring the Longevity of Digital Documents. Scientific American, January 1995 (Vol 272, No 1). Rozšířená verze z roku 1998 dostupná též na OAIS Reference Model. 1.pdf 42. The Long Now Foundation. 8