1 1 1
2 Bibliotecas y repositorios digitalesCapítulo 4: Aspectos tecnológicos e informáticos. Software de gestión del repositorio. Requerimientos a nivel local. Preservación digital. Servicios: búsqueda, exploración, autoarchivo, DSI, citas, etc. 2 2
3 Contenido Software del repositorio Características deseablesAlternativas libres Representación de recursos Formatos planos vs. jerárquicos Vocabularios controlados simples Entidades abstractas Representación física de los datos 3 3
4 Contenido Identificadores persistentes ImportanciaAlgunas opciones disponibles Servicios de un repositorio digital Búsqueda y recuperación Exploración Diseminación selectiva de la información Autoarchivo 4 4
5 Contenido Estadísticas del repositorio ObjetivosEstadísticas frecuentes Preservación de contenido Digital obsolescence Estrategias de solución 5 5
6 Contenido Repositorio semántico IntroducciónProblemas relativos a la representación Recuperación de la información y navegación de las relaciones Posibilidad de nuevas estadísticas 6 6
7 Software del repositorio7 7
8 Software del repositorioEs uno de los pilares en la construcción de un repositorio digital. Tiene la capacidad de potenciar o limitar todos los aspectos del repositorio (servicios, tamaño, descripción de los recursos, etc.). Debe perdurar en el tiempo. La selección del software de soporte es una de las decisiones más importantes al momento de crear un repositorio digital, dado que constituye la base sobre el cual se llevarán a cabo las tareas administrativas diarias. Debe perdurar en el tiempo. Se refiere a que el software elegido debe ser la mejor elección ahora y en los tiempo futuros, es decir, que no sea necesario tener que migrar a otro software de repositorios debido a las incapacidades o deficiencias que el software actual tiene. ¿Qués son los RI? Los RI son estructuras web interoperables de servicios informáticos, dedicadas a difundir los recursos científicos y académicos (físicos o digitales) de las universidades a partir de la enumeración de un conjunto de datos específicos (metadatos), para que se puedan recopilar, catalogar, acceder, gestionar, difundir y preservar [27]. Las actividades de catalogación, acceso, gestión y difusión de los contenidos son las más consolidadas con el crecimiento de los repositorios, por el contrario, la recopilación de materiales y la preservación todavía se encuentran en sus primeros pasos. Las funciones básicas de los RI son: búsqueda y recuperación de recursos, exploración, diseminación selectiva de información, autoarchivo y servicios a otros sistemas [28]. 8 8
9 ¿Cuáles son los aspecto a analizar?Software del repositorio Aspectos a evaluar de un software de repositorio ¿Cuáles son los aspecto a analizar? Licencia Nivel de impacto Nivel de personalización Nivel de documentación Frecuencia de actualizaciones Centros de soporte Facilidad de uso Formato de metadatos Performance Escalabilidad Interoperabilidad Administración Acá la idea es generar una charla sobre lo que se busca en cada uno de los aspectos descriptos anteriormente 9 9
10 Software del repositorio Aspectos a evaluar de un software de repositorioLicencia: es un contrato entre el propietario de los derechos del software y los usuarios que lo utilizan. Este contrato especifica las condiciones bajo las cuales el primero cede derechos o permite actividades sobre el software a los segundos. Licencias conocidas son GPL, Creative Commons, BSD, LGPL, MIT, Apache, etc. Nivel de impacto: nivel de uso del software por parte de la comunidad de repositorios digitales. Un nivel elevado proporciona confianza y promueve la constante actualización de la aplicación (reporte de errores y mejoras continuas). Licencia de uso: el uso de la aplicación debe ser libre y gratuito, al menos para su uso en ámbitos académicos. Diferencia entre GPL y BSD 10 10
11 Software del repositorio Aspectos a evaluar de un software de repositorioNivel de personalización: medida de las posibilidades de adaptación, tanto de interfaz de usuario como de funcionalidad, para reflejar la identidad y las necesidades de la institución a la que representa. Esto incluye extensiones del software, logos y colores, estructura y organización de contenidos, etc. Nivel de documentación: cantidad y calidad de la información de todos los aspectos relacionados al software. Desde la instalación y configuración hasta el uso del sistema por parte de usuarios finales y administradores. Nivel de personalización: podes comentar también que la tecnología de construcción influye mucho. No es lo mismo un software modular realizado en PHP o Java y MySQL, que algo hecho con tecnologías menos conocidas 11 11
12 Software del repositorio Aspectos a evaluar de un software de repositorioFrecuencia de actualizaciones: corrección de errores (de funcionamiento y seguridad) de forma continua, mejora en las funciones existentes e inclusión de nueva funcionalidad que amplíe las características del sistema. Centros de soporte: listas de correo, wiki, foros, canal de chat y cualquier otro punto de contacto entre un usuario del sistema y los desarrolladores y/o la comunidad de usuarios del software, desde donde puede obtenerse asistencia ante dudas y problemas concretos. Añadir algo de la presencia en GitHub??? 12 12
13 Software del repositorio Aspectos a evaluar de un software de repositorioFacilidad de uso: medida referente a la curva de aprendizaje respecto del uso del sistema y todas sus funciones, tanto por usuarios como por administradores. Formato de metadatos soportado: conjunto de elementos usado para almacenar los datos de cada recurso. Se destaca como un punto importante porque: propicia o limita parte de la funcionalidad influye en la precisión y completitud de la información es un factor de rechazo 13 13
14 Software del repositorio Aspectos a evaluar de un software de repositorioPerformance: tiempos de respuesta del sistema ante cada solicitud, recursos físicos consumidos (disco, memoria, procesador, etc). La performance habla del balance entre velocidad de respuesta, consumo de recursos, costos, etc. Escalabilidad: capacidad del software de mantener sus cualidades (performance, simplicidad, mantenibilidad, etc) en niveles aceptables aún cuando el volúmen de recursos, cantidad de usuarios, etc. aumenten considerablemente con el tiempo. ● Escalabilidad y performance. Directamente proporcional con el número de recursos, por ello, cuando ellos aumentan considerablemente afectan la escalabilidad y la perfomance. Por ejemplo, en representaciones complejas basadas en bases de datos, la complejidad de las consultas aumenta considerablemente al igual que los tiempos de respuesta. 14 14
15 Software del repositorio Aspectos a evaluar de un software de repositorioInteroperabilidad: capacidad del sistema de comunicarse e interactuar con otros sistemas. En general los roles de un repositorio pueden ser: recolector de recursos/consumidor de servicios expositor de recursos/proveedor de servicios Administración: sección del software de acceso restringido a usuarios con privilegios. Permite acceder a sectores privados del sistema para realizar principalmente acciones de control y mantenimiento. ● Interoperabilidad. Definida como la capacidad que tienen algunos sistemas para intercambiar y utilizar información procedente de otro sistema diferente. La elección de la representación influirá en las capacidades del sistema para derivar otras representaciones para su exposición o para generar recursos internos a partir de representaciones externas. Por tanto, representaciones demasiado simples pueden llevar a un proceso de transformación deficiente, mientras que representaciones muy complejas pueden llevar a un proceso de transformación complicada. A mi criterio, la INTEROPERABILIDAD también tendría que ser un factor de rechazo en la elección del SW 15 15
16 Software de repositorios más usadosSoftware del repositorio Software de repositorios más usados 3924 repositorios Fuente: 16 16
17 Software de repositorios más usadosSoftware del repositorio Software de repositorios más usados 2825 repositorios Aclarar que: - "Propios" representa software de desarollo interno o desconocido. - "Otros" representa la unión de software que no son ni DSpace, ni EPrints, ni un desarrollo propio, y que además sus porcentajes individuales no llegan a superar el 2% Fuente: 17 17
18 Software del repositorioContraste entre DSpace y EPrints (más utilizados a nivel mundial) DSpace EPrints Creadores MIT (USA) University of Southampton (UK) Lenguaje Java Perl Plataforma Multiplataforma Unix-Like (portado a Windows) Base de datos PostgreSQL MySQL Licencia BSD GPLv2 Formato de metadatos Qualified DC o cualquier formato plano Cualquier formato (incluso jerárquicos) Soporte para búsquedas Apache Solr (Discovery) MySQL indexes Dejar en claro que Dspace fue creado por la MIT, pero luego comenzó a ser desarrollado por una comunidad muy amplia dentro de lo que se conoce como DuraSpace. Para mi está bien, siempre y cuando no te limites a leerla solamente, sino a explicar aspectos importantes. Por ejemplo, uno es multiplataforma y el otro es solo Unix-like ... uno es Java (simple, moderno, pero podría ser más lento) y el otro es Perl (rápido, facilmente integrable con Apache, pero horrible) , ambos son abiertos (como que marcan una tendencia), las diferencias de soporte de metadatos (y explicar un poco que implica en cada caso, qué permite y qué hacen más complejo) , y el soporte para búsquedas (podés hablar un poquito de Solr y de MySQL indexes, no demasiado porque asumo este tema se tratará en detalle, pero no está de más comentar aquí un poco, repetir es bueno cuando el tema es importante) 18 18
19 Representación de recursosPreguntar: ¿Que se entiende por recurso? ¿Que se entiende por representar un recurso? 19 19
20 Representación de recursos¿Qué se entiende por recurso? Es todo objeto, físico o digital, que puede ser descrito a partir de la enumeración de un conjunto de datos específicos de dicho elemento, que lo distinguen entre otros objetos. ¿Qué significa representar digitalmente a un recurso? Habla de registrar de forma persistente el conjunto de datos asociado a un recurso, usando este conjunto de datos como síntesis y reemplazo del objeto "real", permitiendo distribuir el recurso sin necesitar el objeto real (es decir, se usa su representación). El problema de la representación de recursos dentro de los RI, problema que se ha convertido en complejo poco a poco, principalmente por la diversidad de plataformas de software y esquemas de metadatos existentes para representar los recursos de diferentes tipologías en los repositorios. Cuando hablamos de “recurso” estamos hablando de la obra original desde la cual deriva toda la información a recopilar. Por ejemplo, podemos tener un instrumento musical (físico) físicamente en un museo y sacarle una foto para alojarla en un repositorio; en éste caso, el instrumento sería el recurso y la foto una representación de ese recurso. Otro ejemplo: podemos tener un archivo PDF de una investigación científica, que tiene una determinada extensión en hojas; en éste caso, el archivo sería el recurso (digital) y la extensión en hojas(metadato) sería parte de la representación del recurso. 20 20
21 Representación de recursosFormatos de metadatos para la representación de recursos Según estructura: Planos: no existe anidamiento de metadatos Jerárquicos: existe anidamiento de metadatos Según especificidad: Simples: pocos elementos, más generales Complejos: muchos elementos, más específicos Tener en cuenta que la 2da clasificación de metadatos está relacionado al GRADO DE EXPRESIVIDAD de los metadatos a partir de la CANTIDAD de metadatos que cada esquema de metadatos utiliza. P.e: - DublinCore es un esquema de metadatos que determina una cantidad pequeña de metadatos a usar (15 en SimpleDublinCore); debido a ésto el grado de expresividad (o especificidad) de la información es inferior. En cambio, un esquema de metadatos como el METS tiene definido una gran cantidad de secciones para definir metadatos (jerárquicamente), brindándole así de mayor superioridad. ¿HAY ALGUN DOCUMENTO QUE EXPLIQUE LAS CARACTERÍSTICAS DE ESTRUCTURA PLANA y JERÁRQUICA? Aclarar que es el anidamiento de metadatos. Las diapositivas siguiente son de ejemplo y buscan servir para explicar estos conceptos, junto con sus pros y contras. 21 21
22 Representación de recursosFormatos de metadatos planos
23 Representación de recursosFormatos de metadatos planos ¿Cómo determinar de forma segura qué filiación corresponde a qué autor? ¿Qué pasa si el orden cambia en algún proceso de manipulación de metadatos?
24 Representación de recursosFormatos de metadatos jerárquicos
25 Representación de recursosLa representación de un formato de metadatos plano es relativamente simple. Es decir, básicamente se trata de un listado de elementos con un nombre y un valor (sin considerar por el momento restricciones de tipos de datos, formatos, etc). Su tratamiento y su representación son relativamente simples restricciones de tipos, formatos: ejemplificar (según entiendo, no son todos informáticos, con lo cual el concepto de tipo de datos no es tan obvio para todos). Ej.: Restricciones de tipos de datos son "numérico", "fecha", etc. Simple porque: se recorre el listado de metadatos, se evalúa su tipo y se muestra formateado (probablemente usando su nombre como código de internacionalización para la leyenda que lo describe). Describir esto un poco mas. 25 25
26 Representación de recursosTratar con un formato de metadatos jerárquico dificulta considerablemente su representación. En bases de datos relacionales por ejemplo, debido a la naturaleza anidada de estos formatos, se tiende a crear consultas SQL demasiado complejas, degradando la performance de forma considerable. La opción mas viable para este tipo de formatos suele ser alguna forma de representación inherentemente anidada, como ser XML. Esto significaría la necesidad de contar con una Base de Datos XML (posiblemente solo para los documentos). podrías comentar algunas bases de datos que soporten XML de alguna u otra forma (eXist, Xindice, Oracle, BD2 ..). Algunas fueron hechas para eso, y otras fueron "extendidas" para soportar XML 26 26
27 Generación de documento con metadatos METSRepresentación de recursos Ejemplo simplificado de la complejidad aplicada a DSpace Modelo de datos DSpace Item Item Bundle Bit stream En este caso, DSpace guarda los metadatos de los ítems con una representación simple (p.e. metadatos dublin core). Sin embargo, al querer realizar una exportación de los metadatos en un formato como METS (cuya representación es más compleja), por cada registro que se quiere exportar en METS, debe hacerse una consulta a DSpace involucrando las siguientes tablas del modelo: Item, Bundle, Bitstream, MetadataValue, etc… Ésto implica la ejecución de múltiples JOINS sobre estas tablas, cuestión muy ineficiente en casos como el de hacer una exportación masiva de todos los items del repositorio en METS. Procesamiento de DSpace Metadata Generación de documento con metadatos METS SQL query con múltiples JOINS PostgreSQL 27 27
28 Representación de recursosFormatos de metadatos simples frente a complejos El caso simple se destaca por poseer poca cantidad de metadatos, cuya definición es amplia y, en general, poco restrictiva en cuanto a formatos. En el caso complejo existe una mayor cantidad de metadatos, con contenidos mas explícitos y por lo tanto una definición mas restrictiva para cada uno. La elección de representación de los recursos afecta a ciertas características del software de repositorios, los cuales son: Complejidad del software. El software debe ser perdurable, es decir, debe estar en continua corrección de errores y generación de actualizaciones. Por tanto, entre más simple sea la representación más simple serán los modelos de datos, los procesos de carga e incluso la interfaz de usuario. Escalabilidad y performance. Directamente proporcional con el número de recursos, por ello, cuando ellos aumentan considerablemente afectan la escalabilidad y la perfomance. Por ejemplo, en representaciones complejas basadas en bases de datos, la complejidad de las consultas aumenta considerablemente al igual que los tiempos de respuesta. Interoperabilidad. Definida como la capacidad que tienen algunos sistemas para intercambiar y utilizar información procedente de otro sistema diferente. La elección de la representación influirá en las capacidades del sistema para derivar otras representaciones para su exposición o para generar recursos internos a partir de representaciones externas. Por tanto, representaciones demasiado simples pueden llevar a un proceso de transformación deficiente, mientras que representaciones muy complejas pueden llevar a un proceso de transformación complicada. ¿La representación simple y compleja se puede comparar con Simple Dublin Core y Qualified Dublin Core? Simple Dublin Core expresses elements as attribute-value pairs using just the base metadata elements from the Dublin Core Metadata Element Set. Qualified Dublin Core increases the specificity of metadata by adding information about encoding schemes, enumerated lists of values, or other processing clues. While enabling searches to be more specific, qualifiers are also more complex and can pose challenges to interoperability. 28 28
29 Representación de recursosDublin core (DC) sin calificar es un ejemplo de esquema de metadatos simple. Posee solamente 15 elementos. Dublin core cualificado es un ejemplo de esquema complejo. Posee más de 50 elementos (incluidos los de DC calificado). MODS es un esquema todavía más complejo. Aunque sólo existen 20 elemento raíz, cada elemento puede poseer numerosos atributos. Además, cada elemento raíz puede tener sub-elementos anidados. P.e.: para el elemento
30 Representación de recursosAspectos del repositorio sobre los que influyen La representación que se elija para los recursos del repositorio influye directamente en aspectos como: complejidad del software: una representación simple implica que los modelos de datos, los procesos de carga e incluso la interfaz de usuario, son más simples. escalabilidad y performance: cuando el número de recursos aumenta considerablemente, la representación de los recursos comienza a tomar un rol importante. Por ejemplo, en representaciones complejas basadas en bases de datos, la complejidad de las consultas aumenta considerablemente, y por lo tanto también aumentan los tiempos de respuesta. 30 30
31 Representación de recursosAspectos del repositorio sobre los que influyen Interoperabilidad: para interoperar es necesario exponer los recursos propios en formatos entendibles por otros sistemas. La elección de la representación influirá en las capacidades del sistema para derivar la representación propia a otras representaciones (para su exposición), o bien generar recursos internos a partir de representaciones externas. Esto es, representaciones demasiado simples pueden llevar a transformaciones deficientes, mientras que representaciones muy complejas pueden llevar a procesos de transformación complicados. "derivar". Aclarar a qué se refiere este término. Ejemplo de transformaciones deficientes: 1. Mi representación tiene el formato "apellido, nombre" y el formato destino los tiene separados. 2. El formato destino requiere información que mi representación no considera. Ej.: filiación de los autores 3. El formato de destino requiere un campo controlado y mi representación no controla ese campo. Esto significa que los valores de ese campo serán poco confiables. 31 31
32 Representación de recursosEjemplo: al catalogar una tésis con un formato simple como Dublin Core sin calificar, es probable que el director y co-director, junto con la institución de desarrollo, sean catalogados utilizando un mismo elemento: dc:contributor, ya que no existe una distinción para estos datos en la definición del formato. Desde el punto de vista informático esto dificulta: - presentación: no se puede distinguir de qué dato se trata - validación: sólo puede esperarse texto libre 32 32
33 Representación de recursos Vocabularios controladosPara determinados metadatos, se indica que su contenido se extrae de un vocabulario controlado, especificando además el vocabulario al que se hará referencia. Tesauros Sistemas de clasificación Idiomas Referencias geográficas Tipos de recursos Materias Frecuencias de entrega (mensual, bimestral, trimestral, etc) Un vocabulario controlado es un conjunto de término seleccionados del lenguaje natural con el fin de normalizar la carga del contenido de un metadato. Posee una estructura que varía desde las mas simples (listas) hasta las mas complejas (tesauros). Muchos campos presentes en los esquemas de metadatos necesitan ser estandarizados (por ejemplo : aplicación de vocabularios controlados o tesauros) para garantizar una identificación y recuperación correcta de acuerdo con las características de los recursos usados, a fin de evitar la redundancia y garantizar la integridad de la información. Estos vocabularios son usados para representar, referenciar y presentar los valores de los campos de una forma normalizada para los usuarios y administradores del sistema. Creo que habría que corregir el título a algo más específico de ésta sección, p.e.: Representación de Recursos – Restricciones en metadatos Comentar por que se denominan "simples". Anunciar que se necesita REPRESENTAR, REFERENCIAR y PRESENTAR estos vocabularios 33 33
34 Representación de recursos Vocabularios controlados simplesSe necesita una forma de Representación Depende del tipo de vocabulario (lista simple de elementos o elementos relacionados). Puede ser una tabla en la base de datos, un archivo XML con un schema particular, un archivo de texto, etc. Debe permitir generar respuestas rápidas. Complejidad aportada por las relaciones entre elementos. ¿Que quiere decir que debe permitir generar respuestas rápidas? ¿Significa que la representación del vocabulario controlado no sea un factor que deteriore la perfomance del software de repositorios? Los vocabularios controlados pueden ser dinámicos o estáticos (en relación al grado con el que el vocabulario actualiza o agrega/elimina términos). La forma de representación también tiene que estar relacionado a ésto... Parsear un XML y buscar un elemento aquí quizás sea un factor que desfavorezca mucho más la velocidad de respuesta del SW. Es mejor utilizarla para cuando el vocabulario es dinámico. Una lista simple en un archivo de texto quizás sea una alternativa más rápida para la búsqueda de valores, pero es mejor utilizarla para cuando el vocabulario es estático. Relaciones entre elementos...¿entre que elementos se hace referencia? Ésto hacer referencia vocabularios como el tesauro. El tesauro se compone de varias relaciones entre los distintos elementos que lo componen. Las relaciones más generales son: es un término mas amplio que, es un término más específico a, está relacionado con, se puede reemplazar con,...asímismo hay que considerar la direccionalidad entre las relaciones 34 34
35 Representación de recursos Vocabularios controlados simplesEjemplos de representación Lista (Fuente) En términos generales un Vocabulario Controlado puede oscilar entre una breve lista de términos claramente definidos, mutuamente excluyentes y exhaustivos, que son las únicas opciones para el uso en un contexto específico (por ejemplo, llenar ciertos atributos o elementos de un estándar de metadatos con DDI o SDMX) pasando por una clasificación o algo tan complejo como un tesauro con miles de términos y relaciones entre ellos. Clasificación Tesauro 35 35
36 Representación de recursos Vocabularios controlados simplesSe necesita una forma de Presentación Debe ser simple e intuitiva (suggest, select, search) Debe proporcionar respuestas rápidas De ser posible, debe ser internacionalizable Se debe utilizar desde un formulario de carga, desde una página de presentación de metadatos, desde la exportación de recursos, etc. 36 36
37 Representación de recursos Vocabularios controlados simplesSe necesita Referenciar elementos Depende de la representación elegida para los recursos (XML, Bases de Datos, etc). Debe permitir distinguir de forma unívoca un elemento específico en un vocabulario determinado. Decisión entre: Metadato vacío, con un dato adicional para la referencia Metadato con valor del vocabulario replicado y un dato adicional para la referencia Metadato con la referencia como valor Explicar que siginifica "Referenciar elementos". ¿”Referenciar elementos” significa “hacer referencia a la representación del elemento del vocabulario”, es decir, a donde está definido dicho elemento? Indicar las desventajas y ventajas de cada forma de referenciar Se agrega mas informacion (mayor espacio ocupado) Inconsistencias de valores replicados Sobrecarga de procesamiento al querer resolver dicha referencia 37 37
38 Representación de recursos Vocabularios controlados simplesEjemplos de forma de referencia Registro en el vocabulario DECS acerca del término consultado “Macaca mulatta” Represen-tación Valor Dato adicional A - D008253 B Macaca Mulatta C Explicar que siginifica "Referenciar elementos". ¿”Referenciar elementos” significa “hacer referencia a la representación del elemento del vocabulario”, es decir, a donde está definido dicho elemento? Indicar las desventajas y ventajas de cada forma de referenciar Se agrega mas informacion (mayor espacio ocupado) Inconsistencias de valores replicados Sobrecarga de procesamiento al querer resolver dicha referencia ¿Cuáles son las ventajas/desventajas de cada representación? 38 38
39 Representación de recursos Entidades abstractas¿A qué llamamos Entidades Abstractas? Conjunto de elementos que poseen información descriptiva propia, utilizados en los procesos de catalogación de recursos como elementos de un vocabulario controlado. Mismas consideraciones que para vocabularios controlados simples, adicionando algunos problemas. En estos sistemas, frecuentemente, se encuentran elementos que poseen información descriptiva propia, conocidos como entidades abstractas que son representadas de forma separada. Por ello, es necesario permitir su reutilización en los diferentes módulos del repositorio y garantizar su representación. Las entidades abstractas pueden tener distintas representaciones según el esquema de metadatos en el que se represente el recurso y la semántica deseada en dicha representación. ¿Una entidad abstracta (EA) puede usarse como el valor de un metadato mediante una referencia? Según la definición de la diapositiva...¿una instancia de un EA es entonces un elemento de un vocabulario particular? 39 39
40 Representación de recursos Entidades abstractasEjemplos: Autores: apellido, nombres, , institución de origen, etc. Instituciones: nombre, institución de la que depende, localidad, dirección, mail, responsables, etc. Revistas y sus números: nombre, ISSN, director, editor, staff, volúmen, tapa, etc. Eventos y sus instancias: nombre, año, ubicación, organizador, etc. 40 40
41 Representación de recursos Entidades abstractasDesafíos: Representación Se debe definir un formato de metadatos (considerar los mismos problemas que para la representación de recursos) Opción de usar de WebServices como proveedor de entidades (hay que considerar qué información se incluye en la respuesta del servicio) Hablar sobre de la similitud con la representación de recursos respecto de la elección de un formato de metadatos. 41 41
42 Representación de recursos Entidades abstractasDesafíos: Referencia Una vez seleccionada una entidad abstracta, es necesario guardar la referencia. Pueden suceder problemas de compatibilidad entre la representación elegida para la entidad abstracta y el o los metadatos del recurso a los cuales esa entidad se asocia. Explicar lo del problema de compatibilidad. En la siguiente diapo hay un ejemplo simple 42 42
43 Representación de recursos Entidades abstractasEjemplo de problemas de compatibilidad Entidad Autor: - apellido - nombre Metadato autor: (del formato de catalogación)
44 Representación de recursos Entidades abstractasDesafíos: Presentación Además de los elementos a tener en cuenta para los vocabularios simples, es necesario considerar los problemas de compatibilidad entre el formato de la entidad abstracta y el formato de catalogación utilizado. 44 44
45 Representación de recursos Entidades abstractasAlternativas de referencia que influyen en la presentación, según en qué momento se realiza la transformación de la entidad abstracta al metadato correspondiente En ambos casos se asume que la referencia se guarda en un campo independiente 1. en el momento de catalogación 2. en el momento de presentación VERIFICAR ÉSTA DIAPOSITIVA Aclarar que significa que la referencia se guarda en un dato independiente 45 45
46 Representación de recursos Entidades abstractas1. En el momento de la catalogación Una única transformación Problema de duplicidad de información Tiende a generar problemas de consistencia Explicar por que una unica transformacion, y la tendencia a generar problemas de consistencia 46 46
47 Representación de recursos Entidades abstractas2. En el momento de la presentación Se requiere transformación cada vez que se muestra el recurso Mayor carga de procesamiento cada vez que se muestra el recurso Se evita la duplicidad de la información Se asegura la consistencia 47 47
48 Representación de recursos Representación física de los datosEs necesario analizar alternativas para el almacenamiento Performance Flexibilidad Escalabilidad Algunas opciones: Base de datos XML (eXist) Base de datos relacional Base de datos orientada a objetos Base de datos RDF Se pueden adoptar soluciones mixtas 48 48
49 Identificadores persistentes49 49
50 Identificadores persistentes¿Qué es un Identificador persistente? Es un método de resolución de direcciones (URL) que busca garantizar el acceso a los objetos en internet, aún cuando éstos cambien su ubicación (URL de acceso). Handle: hdl.handle.net/ /1234 DOI: dx.doi.org/ /jhse PURL: purl.org/net/example/purlName 50 50
51 Identificadores persistentes ImportanciaLas URL cambian con el tiempo Dominio: cambios poco frecuente Ruta: en general cambios frecuente El servicio se basa en redireccionar la solicitud de una URL persistente a una URL (no persistente) real, la que efectivamente apunta hacia el recurso. Cuando la URL real del recurso cambia, se informa de este cambio solo al manejador de identificadores persistentes contratado y este modifica las reglas de redirección. 51 51
52 Identificadores persistentes Algunas alternativas disponiblesPURL 52 52
53 Servicios de un repositorio digital53 53
54 Servicios de un Repositorio digitalBúsqueda y Recuperación Exploración Diseminación Selectiva de Información Autoarchivo Servicios a otros sistemas 54 54
55 Servicios de un Repositorio digital Búsqueda y RecuperaciónUn repositorio digital puede alojar cientos, miles o millones de recursos Es necesario proveer a los usuarios de mecanismos para buscar y recuperar estos recursos Los usuarios pueden estar buscando un recurso específico y único, o pueden requerir recursos con alguna característica en común (por ejemplo, artículos que traten sobre determinada área del conocimiento) A veces, los usuarios no saben bien que están buscando; suelen refinar los criterios de búsqueda una y otra vez hasta que localizan los recursos 55 55
56 Servicios de un Repositorio digital Búsqueda y RecuperaciónUn repositorio tiene que proveer un servicio de búsqueda simple, que permita ingresar algunos términos de búsqueda y retorne un conjunto de recursos como resultado También debe proveer una búsqueda avanzada, que permita parametrizar los criterios de búsqueda y acotar así el conjunto resultante: por fecha de publicación de los recursos, por tipo de recurso, por idioma, por autor... En cualquier caso, las búsquedas deben cumplir ciertos criterios mínimos: 56 56
57 Servicios de un Repositorio digital Búsqueda y RecuperaciónSimpleza: el formulario de búsqueda debe ser simple, y mostrar campos de búsqueda avanzada si el usuario lo requiere. De todos modos, la búsqueda avanzada también debe permanecer simple Eficiencia: las búsquedas deben resolverse casi inmediatamente, en cuestión de milisegundos, o muy pocos segundos a lo sumo Relevancia: Todos los resultados de una búsqueda tendrán un valor de relevancia. Cuanto más relevante, más arriba deberá mostrarse entre los resultados Simpleza: creo que un caso de "lo que NO se debe hacer" es la búsqueda de SeDiCI: actuar sobre ... (y mil campos), frase completa/cualquier palabra, búsqueda de documentos / de partes / general (????) Eficiencia: - dejá de hablar durante 10 segundos... y les tirás un "imagínense que una búsqueda tarde todo este tiempo" . Ahí mostrás la importancia del tiempo Hablar sobre la importancia de la relevancia y comentar conceptos básicos relacionados... ¿La relevancia podría determinarse en relación al grado de coincidencia del término de búsqueda? Creo que hay mayor relevancia cuando hay coincidencia en un campo como titulo que si hubiese coincidencia en el resúmen de los metadatos del recurso. 57 57
58 Servicios de un Repositorio digital Búsqueda y RecuperaciónFiltrado: la búsqueda avanzada permite definir ciertos criterios a aplicarse durante la búsqueda En ocasiones, es deseable aplicar filtros una vez realizada la búsqueda Para ello, es necesario definir criterios de agrupamiento de resultados, y permitir al usuario agregar o eliminar criterios Una técnica muy utilizada es el faceting (faceted search, faceted navigation o faceted browsing), que permite a los usuarios explorar filtrando la información disponible en los resultados de la búsqueda Faceting y su utilidad 58 58
59 Servicios de un Repositorio digital Búsqueda y Recuperación . FacetingCriterios de búsqueda y filtrado por facets in action Fijate que dejé marcado el término "Education", como que se puede eliminar un filtro faceteado re facilmente 59 59
60 Servicios de un Repositorio digital ExploraciónMediante la exploración, los usuarios pueden acceder a los recursos a partir de un orden preestablecido Este orden puede variar de repositorio en repositorio: colecciones, temas, fechas, etc. La exploración permite obtener un pantallazo general del repositorio Destacar que son los repositorios los que deciden cuales son los criterios de exploración a mostrar. También se puede indicar que luego de explorar por una rama de este orden se puede combinar con otras técnicas como el filtrado. Destacar que la representación elegida y el software elegido influyen de forma importante en estas decisiones 60 60
61 Servicios de un Repositorio digital Exploración. EjemplosAquí se muestran dos tipos de exploración de recursos en SeDiCi... 61 61
62 Servicios de un Repositorio digital Exploración. EjemplosEl caso de tesis está bueno porque se ven no solo las Facultades, sino también los títulos alcanzados con cada tesis Claramente, ser Doctor en Cs. Exactas es re común... 62 62
63 Servicios de un Repositorio digital Diseminación Selectiva de InformaciónDSI es una técnica de envío de información de interés a los usuarios En un servicio DSI, los usuarios solicitan que se les envíe información Esta solicitud debe estar acompañada de algunos criterios de selección de información: temas, idiomas, tipos de recursos, períodos... En algunos casos, los usuarios pueden suscribirse a búsquedas; el software del repositorio ejecutará la misma búsqueda periódicamente, y enviará al usuario aquellos recursos que aparecen como nuevos entre los resultados Nuevamente entra el juego las capacidades del software y la representación elegida (que influye las posibilidades de filtrado) 63 63
64 Servicios de un Repositorio digital Diseminación Selectiva de InformaciónGoogle Scholar: Alertas por correo Google lo llama Alertas por correo, pero es básicamente lo mismo. Un alerta puede realizarse sobre una búsqueda simple o sobre una búsqueda avanzada 64 64
65 Servicios de un Repositorio digital AutoarchivoEs importante que todos los miembros de la organización se involucren con el repositorio. Una forma de hacerlo es que ellos mismos aporten su propia producción De este modo, los autores se aseguran la publicación y difusión de sus trabajos en forma rápida y sencilla Este servicio implica la carga de un archivo, y una pre-catalogación del recurso por parte de quién realiza el autoarchivo La interfaz de catalogación debe ser muy simple, y se presenta un subconjunto de metadatos al usuario Comentar todas las cuestiones relacionadas a autoarchivo como se ven en LA Referencia... 65 65
66 Servicios de un Repositorio digital AutoarchivoExisten restricciones en cuanto al tipo de archivo a enviar, y también en cuanto al tamaño de los mismos Los recursos enviados mediante autoarchivo quedan en un estado pendiente de revisión: debe hacerse un control de calidad sobre los recursos subidos, especialmente sobre aquellos subidos por personas no especializadas en catalogación Los autores deben seleccionar una licencia CC para su obra Los autores deben aceptar una licencia de difusión para SeDiCI 66 66
67 Servicios de un Repositorio digital AutoarchivoSeDiCi presenta una secuencia bien simple y clara para el autoarchivo... (por ejemplo, se piden muuuy pocos datos del autor...) No se si querés incluir la serie de pasos, o nombrarlo por arriba nomás 67 67
68 Servicios de un Repositorio digital Autoarchivo La idea aquí es mostrar que Autoarchivo, e-archivo, desposito de documentos y como se llame, se usa en otros repositorios groso e-archivo de la Universidad Carlos III de Madrid RiUMA de la Universidad de Málaga 68 68
69 Servicios de un Repositorio digital Servicios a otros sistemasUn Repositorio Institucional no está aislado en el mundo: debe ser capaz de interactuar con otros sistemas y otros repositorios, de compartir recursos y de recuperar recursos remotos Esto aumentará la visibilidad del repositorio en la web y maximizará la difusión de los recursos El repositorio podrá también aumentar la cantidad de recursos disponibles para sus usuarios Algunos servicios comunes: OAI PMH, SRU/SRW, RSS ¿Añadir otras opciones de servicios? ¿SWORD? Indicar que éste servicio es algo fundamental en un repositorio si se quiere ampliar aun más la visibilidad de la producción científica institucional en la comunidad mundial. 69 69
70 Estadísticas del repositorioACLARAR: las estadísticas en un factor más que sirve para persuadir a los investigadores y productores de material científico a que incluyan su material dentro del repositorio. Además, las estadísticas tienen que servir al repositorio para cuestiones estratégicas respecto a mejorar/crear/eliminar los servicio ofrecidos de repositorio, impulsar el crecimiento del contenido del repositorio en ciertas áreas documentales/institucionales menos beneficiadas, etc... 70 70
71 Estadísticas del repositorioNecesidad e importancia ¿Cómo explico esta clasificación de estadísticas? -¿Se podría explicar que ciertas instituciones pueden hacer convenios con el repositorio para alojar material digitalizado o “a digitalizar” (formato físico)?? -¿Explicar que los únicos que pueden generar contenido son los registrados en el repositorio como miembros de alguna institución asociada? 71 71
72 Estadísticas del repositorio Necesidad de las estadísticasLas estadísticas son una herramienta clave a la hora de medir nuestro repositorio Tamaño y Tasa de Crecimiento Nivel de Impacto Obtener tablas y gráficos estadísticos avanzados, y no aprovechar esta información es casi lo mismo a no tener estadísticas El repositorio debe retroalimentarse con estos datos y utilizarlos bajo una política de expansión y mejora continua Destacar que las estadísticas deben ser útiles y completas, y que se les debe dar mucha importancia 72 72
73 Estadísticas del repositorio Necesidad de las estadísticasLos datos obtenidos sirven como control de calidad, para saber dónde estamos parados como repositorio La interpretación de estos datos permitirá la toma de decisiones en varios niveles: político/estratégico: cooperar con otros grupos, interactuar más con determinados actores... táctico: cambiamos la forma de agrupar cierto tipo de recurso, incorporamos un nuevo tipo de recurso, implementamos una nueva metodología de carga tecnológico: necesitaremos más hardware y mejor conectividad, debemos ampliar nuestro software para integrar cierta tecnología, será mejor revisar los índices de la base de datos... TOMA DE DECISIONES: brindar ejemlos en cada uno de los niveles... -Ejemplo POLÍTICO/ESTRÁTEGICO: si en ciertas áreas del repositorio presentan estadísticas desfavorables en cuanto al crecimiento del contenido, puede incentivarse a los representantes de dichas áreas a incluir mayor cantidad de materiales en dichas áreas. -Ejemplo TÁCTICO: si se nota que ciertos elementos relacionados entre sí tienen bajos niveles de acceso por parte de los usuarios, podría perfilarse distintas agrupaciones temáticas de contenido en el repositorio, de tal forma que las personas puedan visiten cierto contenido puedan visitar también otros contenidos relacionados. -Ejemplo TECNOLÓGICO: si se obseva que el crecimiento del repositorio va creciendo a un nivel acelerado, se podría expandir los dispositivos de almacenamiento persistente para alojar mayor cantidad de recursos (y también se podría pensar en otras alternativas de almacenamiento, como el distribuido). Asimismo, si se observa que la mayoría de los PDFs están en formatos obsoletos, se podría pensar en incluir algún SW que permita la migración a algún formato reciente. 73 73
74 Estadísticas del repositorio Necesidad de las estadísticasEstadísticas del repositorio Necesidad de las estadísticas. Tamaño y Tasa de Crecimiento Estadísticas de Tamaño y Tasa de Crecimiento Necesitamos conocer cuántos recursos aloja nuestro repositorio Es importante saber cómo han crecido estos recursos en el tiempo de este modo, podemos detectar mesetas en las curvas de crecimiento y apuntalar donde sea necesario podemos también predecir tendencias, como períodos de mayor o menor actividad, y prepararnos con antelación INFERENCIAS A PARTIR DEL CRECIMIENTO DEL REPOSITORIO EN EL TIEMPO aquí habría que ver si esto no es una primera clasificación 74 74
75 Estadísticas del repositorio Necesidad de las estadísticasEstadísticas del repositorio Necesidad de las estadísticas. Tamaño y Tasa de Crecimiento El concepto de "tamaño" es muy amplio cantidad de recursos locales cantidad de recursos en full-text cantidad de usuarios registrados Tasa de crecimiento también puede interpretarse de diferentes maneras recursos incorporados año tras año usuarios registrados cada semana alertas por correo creadas mes a mes INFERENCIAS A PARTIR DEL “TAMAÑO” o CONTENIDO DEL REPOSITORIO 75 75
76 Estadísticas del repositorio Necesidad de las estadísticasEstadísticas del repositorio Necesidad de las estadísticas. Tamaño y Tasa de Crecimiento Además de las cantidades mencionadas, tenemos otras "cantidades" de interés Cantidad de Recursos locales Tesis de grado, de posgrado Artículos de revista, en congresos Libros, e-books Recursos a partir del origen por dependencia, por departamento, área... Por área temática informática, ingeniería, literatura y letras, ciencias jurídicas... INFERENCIAS A PARTIR DEL DEL “TAMAÑO” o CONTENIDO DEL REPOSITORIO 76 76
77 Estadísticas del repositorio Necesidad de las estadísticasEstadísticas del repositorio Necesidad de las estadísticas. Tamaño y Tasa de Crecimiento Las clasificaciones nos permiten detectar desequilibrios Algunos desequilibrios son normales y esperables "en el último año, se sumaron más de 2000 tesis de grado y solamente 50 libros" natural, considerando la cantidad de alumnos que se recibe anualmente Otros desequilibrios puede ser indeseables y podrían corregirse si se detectan a tiempo "El 70% de los recursos proviene del 35% de las dependencias" quizás debamos promocionar el uso del repositorio en el 65% restante, o quizás debamos adaptar el repositorio para que les sea de mayor utilidad Nuevamente, las estadísticas serán de utilidad si brindan información precisa, y si dicha información es utilizada apropiadamente CORRECCIÓN DE DESEQUILIBRIOS: ¿¿¿Intercalar o comentar un poco con la creación de proyectos(estrictamente hablando como “proyectos operativos” o algo así) en PREBI/SEDICI para aumentar el contenido del repositorio??? 77 77
78 Estadísticas del repositorio Necesidad de las estadísticasEstadísticas del repositorio Necesidad de las estadísticas. Nivel de Impacto Nivel de Impacto: debemos medir el alcance global y local del repositorio desde dónde acceden los usuarios (países, regiones, instituciones) cómo se posiciona en rankings y en buscadores qué se busca y qué no se busca con qué dispositivos y plataformas se accede (computadoras, tablets, sistemas operativos, navegadores) a partir de cuáles servicios llegamos a nuestros usuarios (web, feeds, SRU/SWR, DSI, ...) → (2 primeros incisos):ESTADÍSTICAS EXTERNAS AL REPOSITORIO, MEDIDAS POR OTROS SISTEMAS. 78 78
79 Estadísticas del repositorio Necesidad de las estadísticasEstadísticas del repositorio Necesidad de las estadísticas. Nivel de Impacto Aquí también podremos tomar decisiones en niveles muy diversos: Incorporar nuevos idiomas, a partir del origen de los usuarios Optimizar las páginas web para maximizar su visibilidad en los buscadores Reorganizar los contenidos para darles mayor relevancia a aquellos menos utilizados Promocionar servicios con bajo nivel de uso Desarrollar servicios, herramientas y estrategias para aumentar el acceso desde ciertos dispositivos Mejorar las herramientas de búsqueda Optimizar mecanismos de exploración menos usados o crear unos nuevos. 79 79
80 Estadísticas del repositorio EjemplosEstadísticas de SeDiCI-DSpace Aplicaciones instalables Awstats Servicios on line Google Analytics StatCounter Yahoo! Site Explorer Rankings y registros globales y locales Webometrics Roar SNRD VER CUÁLES SERVICIOS SON GRATUITOS Y PAGOS Por las dudas: https://www.google.com/analytics/reporting/?reset=1&id= 80 80
81 Preservación de contenido81 81
82 Preservación de contenidoHay una muy importante necesidad de preservar el contenido digital en el tiempo, con el objetivo de conservarlo accesible frente a riesgos como Incendios, Inundaciones, etc Robos Problemas de hardware (rotura de discos, etc.) Cambios tecnológicos constantes Obsolescencia en el software, hardware y formatos de datos Es un proceso continuo Además de lo técnico, los esfuerzos de preservación incluyen retos legales, económicos y organizacionales. PROBLEMAS EN LA PRESERVACIÓN: 1- La propia naturaleza de los objetos digitales los hace efímeros, ya que los formatos de estos objetos constantemente se van actualizando. 2- La obsolencia de los medios informáticos: dado que los OD siempre están mediados por la tecnología que cambia constantemente; una inadecuada vigilancia o falta de transformaciones puede dejarlos inaccesibles. La incompatibilidad entre sistemas nuevos y antiguos sumado a que los formatos, medios de soporte, software y hardware quedan obsoletos en poco tiempo. Aunque la preservacion digital es la respuesta a un problema de origen tecnológico, no se puede alcanzar aplicando solamente medidas técnicas. También es imprescindible que se tomen medidas a nivel organizativo, financiero y legal. Aspectos organizativos: El primer paso en una inicitaiva de preservación es determinar qué objetos digitales preservar y quiénes son los responsables de ésta misión (la unidad que gestionó el objeto inicialmente, el servicio de informática, los bibliotecarios, la alta dirección). Si la preservación es una actividad que genera valor dentro de una organización, es muy probable que todos los sectores de la organizacion se disputen por ser responsables de esta actividad. Aspectos financieros: en la actualidad, el factor económico es el que tiene mayor incidencia como freno de las actividades de preservación digital. A corto plazo los problemas en éste ámbito se centran en obtener la adecuada financiación, pero a medio y largo plazo se les suma el aumento de los costes que provoca el aumento de las colecciones a tratar. No olvidemos que se trata de actividades caras y que no generan un rendimiento tangible inmediato: preservar ficheros no ayuda a ganar elecciones y a menudo tampoco es capaz de generar ganancias económicas. Aspectos legales: Las legislaciones nacionales e internacionales de protección de los derechos de autor impiden cambiar el soporte y formato de los documentos sin la autorización expresa de quien disponga de los derechos de propiedad intelectual. Cambiar los contenidos de un soporte a otro (de un CDROM a un disco duro) o migrar los ficheros de un formato obsoleto a otro actual son actuaciones habituales en un sistema de preservacion digital. 82 82
83 Preservación de contenidoA todo lo anterior se suma la fragilidad de los datos digitales. Los datos pueden perder su integridad y autenticidad, debido a acciones de modificación o borrado (calificados como): Conscientes Erróneos Negligentes Provocados por fuentes externas Debemos añadir que los datos son muy fŕagiles, fácilmente se pueden cambiar o borrar, sea de forma: Consciente: edición de un documento Por error: edito una versión equivocada del documento Por negligencia: no he hecho la copia de seguridad Por acción externa: un virus ha alterado el documento. 83 83
84 Cornell University Library creó la "Cámara de los horrores" Preservación de contenido Digital obsolescence (en los medios de soporte) Es el resultado de la evolución de las tecnologías: a medida que surgen nuevas tecnologías, las viejas van quedando en desuso y se vuelven obsoletas. Además de la obsolescencia, los soportes se ven afectados por la vida útil y las alteraciones físicas en los mismos. Mantener tecnologías obsoletas en funcionamiento puede ser justificado en casos particulares, pero no en la mayoría. Cornell University Library creó la "Cámara de los horrores" La fase mas primaria de la preservacion digital empieza asegurando que los bits no se alteran con el paso del tiempo. Pero, en contra de este objetivo… … los soporte de almacenamiento presentan 3 tipos de problemas: Los soportes tienen una vida útil limitada; incluso si han sido almacenados en óptimas condiciones. Como resultado, la informacion grabada sufre alteraciones a nivel de bit o, en caso extremo, se llega a la imposibilidad de poder leer el soporte. Los soportes se vuelven obsoletos debido a la evolución tecnológica o por razones comerciales (digital obsolescence), resultando cada vez más dificil disponer de dispositivos para su lectura. Los soportes pueden sufrir alteraciones físicas por causas internas o externas. Algunos ejemplos son: la acción de los campos magnéticos , la humedad, la degradación de los componentes (plástico, laca, etc) de los discos ópticos. 84 84
85 En general no suele ser la mejor opciónPreservación de contenido Digital obsolescence Mantener tecnologías obsoletas requiere conservar Hardware Software (aplicaciones, librerías, sistema operativo, etc) Documentación (manuales, instructivos, etc) Personal con la capacitación y las habilidades necesarias para trabajar en ese entorno obsoleto Suelen ser opciones muy difíciles de mantener y muy costosas. En general no suele ser la mejor opción 85 85
86 Preservación de contenido EstrategiasLas formas de atacar los problemas de preservación, y en particular los problemas de obsolescencia, son: Migración continua Adhesión a estándares internacionales Emulación Encapsulamiento Metadatos de preservación Políticas de backup Los sistemas de preservacion digital trabajan con grandes volúmenes de datos que hacen inviable un tratamiento individualizado de los mismos. Por lo tanto, surge la necesidad de automatizar al máximo todas las operaciones de preservación y reducir la variabilidad técnica de los documentos a fin de poder crear procedimientos de gestión claros y genéricos. 86 86
87 Preservación de contenido Migración continuaMigrar la información de una tecnología a la siguiente de forma continua, evitando así la obsolescencia. Es una de las opciones de mayor uso Asegura el acceso en todo momento (los datos son siempre accesibles mediante una tecnología actual) Requiere transformación de los datos originales Decisiones sobre qué se desea preservar Tener que migrar un gran volumen de datos implica grandes costes. Hablamos de la migracion en los formatos de archivos y soporte de la información. Por ejemplo: migrar un formato “TIFF” a un “PNG”, migrar de un soporte en CD-ROM a disco duro. Los formatos de los ficheros pueden convertirse en obsoletos con el paso del tiempo, por lo que es necesario migrar los contenidos a un formato mas actual para continuar teniendo acceso a los mismos. ¿A que migramos? A formatos mas recientes dentro del mismo formato (Word 95 a Word 2010) A formatos no propietario, sin licencia de uso (de Microsoft Office a OpenOffice, de MP3 a Ogg Vorbis) Hacia un formato en común para agilizar la automatización (por ejemplo, existen diversos formatos de planillas de cálculo y se desea utilizar un único formato para uniformizar el tratamiento). Riesgos: En cada migración se corre el riesgo de pérdidad de funcionalidades o de propiedades significativas de los documentos, pues ningún formato es realmente equivalente a otro En cada migraciópn se corre un riesgo de pérdidad de datos y de producirse errores que se acumulan a los generados en migraciones anteriores; por ello es necesario reducire el número de migraciones ó “alargar” el tiempo de vida de los formatos (p.e. uilizando formatos estandarizados).. 87 87
88 Preservación de contenido Adhesión a estándares internacionalesEs una estrategia que busca apoyarse en la afirmación de que los estándares internacionales son relativamente estables en el tiempo. En la actualidad, los estándares evolucionan casi tan rápido como las tecnologías Es una estrategia que debería usarse en combinación con otras Según la National Initiative for Networked Cultural Heritage, los formatos que no serán declarados obsoletos (al menos en un futuro cercano) son: TIFF y PDF sin compresión, y ASCII y RTF sin compresión, para imágenes y texto respectivamente. Por ejemplo: el estandar pdf 88 88
89 Preservación de contenido EmulaciónSe trata de imitar las características y capacidades de un software y/o hardware, de modo que los procesos "piensen" que están funcionando en la plataforma original. No hay necesidad de modificar los datos originales (como en la migración), manteniendo la integridad de la información. Una vez que se archivaron los datos, solo hay que asegurarse que el soporte físico utilizado siga siendo accesible Se puede usar un mismo emulador para múltiples objetos del mismo tipo. Como alternativa a los problemas de la migración, se encuentra el uso de la emulación. Emular es crear un programa (el emulador) que simule el funcionamiento de hardware o de software del pasado (los emulados) y así permita acceder a los datos, que aún se mantienen guardados en sus formatos originales, sin migración. Existen 2 variantes de la emulación: emulación por hardware: en este caso disponemos de software y datos que solo funcionan en hardware antiguo que ya no funciona o no existe (por ejemplo: un emulador de IBM PC 5150, la primer computadora personal de IBM emulación por software: en esta emulador, el software original ya no existe o no funciona con los ordenadores actuales, entonces un software emulador simula un funcionamiento, permitiendo acceder a los datos archivados 89 89
90 Preservación de contenido EncapsulamientoSe basa en agrupar cada objeto a preservar junto con todos los elementos (incluso software) necesarios para asegurar su acceso en el tiempo. Como elementos a encapsular podemos tener: Especificaciones del formato de archivo Instructivos relacionados a la emulación necesaria Información de configuración de alguna herramienta en particular Software de emulación Especificaciones de hardware 90 90
91 Preservación de contenido Metadatos de preservaciónGeneralmente considerados como metadatos administrativos Buscan registrar información relativa a la evolución de los recursos en el tiempo según las acciones de preservación aplicadas, incluyendo información sobre formatos, usos, actividades de preservación realizadas, responsables de dichas actividades en el tiempo, etc. Varias iniciativas: - PREMIS: PREservation Metadata: Implementation Strategies - OAIS: Open Archival Information System - NEDLIB: Networked European Deposit Library 91 91
92 Preservación de contenido Políticas de backupLos riesgos de pérdida de datos por eventos desafortunados siempre son posibles: Incendios Inundaciones Robos Fallas de hardware Para disminuir esos riesgos es necesario contar con un sistema de backups (datos, configuración, documentación, etc) Incremental Espejo Investigar técnicas de backup: Incremental y Espejo 92 92
93 Repositorio semántico93 93
94 Repositorio semántico Web sintácticaSi bien en general se afirma que la web es una base de datos gigante, colaborativa, distribuida, en continuo crecimiento, etc, también existe consenso respecto de que esa base de datos tiene algunos problemas: Información mayormente semi-estructurada o completamente desestructurada Mucha información desactualizada Información redundante Información íntimamente relacionada, aunque sin ningún vínculo En la actualidad, la World Wide Web está basada principalmente en documentos escritos en HTML, un lenguaje de marcado que sirve principalmente para crear hipertexto en Internet. El lenguaje HTML es válido para adecuar el aspecto visual de un documento e incluir objetos multimedia en el texto (imágenes, esquemas de diálogo, etc.). Pero ofrece pocas posibilidades para categorizar los elementos que configuran el texto más allá de las típicas funciones estructurales, como sucede con otros lenguajes de maquetación (tipo LaTeX). HTML permite mediante una herramienta de visualización (como un navegador o un agente de usuario) mostrar por ejemplo un catálogo de objetos en venta. El código HTML de este catálogo puede explicitar aspectos como "el título del documento es Ferretería Acme"; pero no hay forma de precisar dentro del código HTML si el producto M es una "batería Acme", con un "precio de venta al público" de 200 €, o si es otro tipo de producto de consumo (es decir, es una batería eléctrica y no un instrumento musical, o un puchero). Lo único que HTML permite es alinear el precio en la misma fila que el nombre del producto. No hay forma de indicar "esto es un catálogo", "batería Acme" es una batería eléctrica, o "200 €" es el precio. Tampoco hay forma de relacionar ambos datos para describir un elemento específico en oposición a otros similares en el mismo catálogo. La web semántica se ocuparía de resolver estas deficiencias. 94 94
95 Repositorio semántico Web sintácticaMuchas de los elementos en la codificación HTML tienen un valor semántico nulo, y además pueden utilizarse de forma contraria a su función. De esta forma, las páginas web solo tiene semántica para los seres humanos. Elemento semántico Mal uso de los elementos que sirven para estructurar la información 95 95
96 Repositorio semántico Web sintáctica¿Por qué todos estos problemas? Carga descentralizada Páginas mal estructuradas Diversidad (texto, imágenes, videos, etc) Libertad de expresión (blog, wordpress) Según fuentes en wikipedia: ..El 23,5% de páginas en el mundo utiliza WordPress [¹] ... 96 96
97 Repositorio semántico Web semánticaEl objetivo de la web semántica es aportar "significado" a toda la información disponible, de forma que sea "interpretable" por máquinas a través de agentes inteligentes, para así proveer información coherente, completa, competente, etc., de forma automática. De esta forma se logra Aumentar la interoperabilidad entre sistemas Generar nuevos tipos de servicios de búsqueda y recuperación La web semántica es una ampliación de la Web, por medio de la que se intenta realizar un filtrado de manera automática pero precisa de la información. Es necesario hacer que la información que anida en la web sea entendible por las propias máquinas. En concreto se atiende a su contenido, independientemente de la estructura sintáctica. O lo que es lo mismo, se atiende a diferentes ámbitos, se tiene en cuenta el conjunto de lenguajes, a la vez que los procedimientos para poder añadir esa semántica a la información para que, de esta manera, sea entendible por los agentes encargados de procesarla. AGENTES INTELIGENTES: Además, se tiene en cuenta el desarrollo y la construcción de los agentes encargados de procesar esa información y de filtrar adecuadamente cuál de todas ellas es la útil para los usuarios o para los agentes que tienen que realizar una función concreta. Con todo ello, los agentes deben recuperar y manipular la información pertinente, lo que requiere una integración sin fracturar la web, pero sin dejar de aprovechar totalmente las infraestructuras que existen. En concreto, a través de esta modalidad de web semántica se pueden obtener soluciones a problemas habituales en la búsqueda de información gracias a la utilización de una infraestructura o proceso común, mediante la cual, es posible compartir, procesar y transferir información de forma sencilla. 97 97
98 Repositorio semánticoLos repositorios digitales cuentan con: Información estructurada (metadatos) Carga controlada (reglas de catalogación) Vocabularios controlados (tesauros, entidades abstractas) Base de datos centralizada (en general) Ver definición en 98 98
99 Repositorio semánticoUn repositorio semántico se caracteriza por la existencia de relaciones entre sus componentes (documentos, entidades, etc). Algunas relaciones posibles son: Composición Traducciones Misma temática Autores relacionados Instituciones relacionadas Podemos expresar la composicion de documentos (por ejemplo: “el artículo Y aparece en la publicación numero 20 de la revista X”) y viceversa (“el número 20 de la revista X se componen por los artículos T,U,W y X”). Podemos expresar la igualdad de temáticas (La tesis X es de Ingeniería Robótica, la tesis Y es de Ingeniería robótica, por lo tanto el material disponible de Ingeniería Robótica estará compuesta por la tesis X e Y, entre otras…) 99 99
100 Repositorio semántico Cuestiones relativos a la representaciónEs necesario encontrar una forma flexible y eficiente para representar estas relaciones. Por inferencia, a través de relaciones establecidas en el modelo de datos De forma explícita, por ejemplo con Ontologías Indagar en el significado de ONTOLOGIAS 100 100
101 Repositorio semántico Cuestiones relativos a la representaciónPor inferencia en base al modelo Título: Función endotelial en el embarazo Autor: Ros, Natalia Descriptores: Cardiología; Embarazo Título: Donantes de tejidos valvulares cardíacos: modelo de selección Autor: Olano, Ricardo Daniel Descriptores: Cardiología; Cultivo de tejidos Título: Diferencias en la forma de presentación y diagnóstico de la enfermedad coronaria en la mujer Autor: Corneli, Mariana Descriptores: Cardiología; Enfermedades cardiovasculares Autores relacionados con Cardiología Ros, Natalia Olano, Ricardo Daniel Corneli, Mariana 101 101
102 Repositorio semántico Cuestiones relativos a la representaciónOntologías Representa conceptos/objetos y las relaciones entre ellos Las componentes mas importantes son: Clases: tipos de objetos Instancias: objetos concretos que pertenecen a una clase particular Atributos: características de una Clase (y por lo tanto de todas las instancias de esa clase) Relaciones: formas en las que los objetos se conectan entre sí 102 102
103 Repositorio semántico Cuestiones relativos a la representaciónOntologías del dominio Este tipo particular de ontologías se limita a representar elementos de un dominio particular, aportando un contexto a los conceptos/objetos que representa. Ej.: el concepto Ratón En el dominio Informática hace referencia a un periférico de entrada En el dominio Animales hace referencia a un roedor 103 103
104 Repositorio semántico Cuestiones relativos a la representaciónLas ontologías se construyen usando un lenguaje. Los más destacados son: RDFSchema: Resource Description Framework Schema Provee un conjunto de clases base, utilizando RDF como lenguaje de base. OWL: Ontology Web Language Es una familia de lenguajes (OWL Lite, OWL DL y OWL Full), con varias sintaxis alternativas (una es una extensión al vocabulario de RDFS) 104 104
105 Repositorio semántico Cuestiones relativos a la representaciónPara poder representar estos lenguajes se necesita de una forma de codificación estandarizada. XML (eXtensible Markup Language): definido en un estándar por la W3C, es un sistema utilizado para definir lenguajes de marcas de usos específico. Permite utilizar varios namespaces en un mismo XML Utilizado en conjunto con un XML Schema Puede existir un único XML para distintas formas de visualización utilizando transformaciones XSL. XML es un sistema que permite definir lenguaje de marcas para usos específicos. Namespaces permite combinar diversos lenguajes de marcado creados en XML en un mismo documento. XML Schema sirve para definir tipos de documentos complejos en los que se pueden especificar tipos de datos, listas de componentes y restricciones similares a las de los diccionarios de datos (DTD). XSL es un Lenguaje Extensible de Hojas de Estilo, cuyo objetivo principal es mostrar cómo debería estar estructurado el contenido, cómo debería ser diseñado el contenido de origen y cómo debería ser paginado en un medio de presentación como puede ser una ventana de un navegador Web o un dispositivo móvil, o un conjunto de páginas de un catálogo, informe o libro. 105 105
106 Repositorio semántico Cuestiones relativos a la representaciónLas dos siguientes ilustraciones muestran una captura de texto editado en OpenOffice y el código fuente del mismo texto generado en formato XML de forma automática por OpenOffice. Ejemplo: esquema XML utilizado por OpenOffice. 106 106
107 1- Sujeto 2- Predicado 3- ObjetoRepositorio semántico Cuestiones relativos a la representación RDF(Resource Desciption Framework) es un modelo de representación de metadatos que, entre otras cosas, sirve para representar objetos digitales (p.e páginas web). Se basa en la declaración de sentencias (statements) o tripletas: 1- Sujeto 2- Predicado 3- Objeto Representación en forma de grafos Ejemplo para un Libro en sedici, cuyo identificador es 10915/43129 1 Histología de las aves dc.title 2 3 107 107
108 Repositorio semántico Cuestiones relativos a la representaciónRDF. Como alternativa a la representación mediante grafos surge la serialización. Se utiliza RDF/XML y distintos namespaces. RDF/XML fue el primer formato de serialización en el standard RDF1.1 El problema de la representación mediante grafos no es muy práctica para describir miles de recursos, cada uno de ellos con decenas de atributos. Por este motivo surgen formas de expresar estos grafos mediante una codificación en base a lineas de texto, operación que recibe el nombre de serialización. En el ejemplo se utiliza la serialización usando los esquemas de RDF/XML y DublinCore 108 108
109 Repositorio semántico Cuestiones relativos a la representaciónRDFSchema: es una extensión de RDF que permite construir ontologías.Provee un conjunto de clases base, utilizando RDF como lenguaje de base. Ejemplos de algunas clases son: Clase Definicion rdfs:Class Permite declarar recursos como clases para otros recursos. rdfs:subclassOf Permite definir jerarquías. Relaciona una clase con sus superclases. rdfs:label Se usa para proporcionar una versión claramente entendible del nombre de un recurso. rdfs:comment Se usa para proporcionar una descripción de un recurso 109 109
110 Repositorio semántico Cuestiones relativos a la representaciónEjemplo de RDFS xml:base → utilizado para resolver la referencia. Por ejemplo: “#animal” se resuelve a “http://www.animals.fake/animals#horse”. En este ejemplo definimos 2 clases: “Animal” y “Horse”. La clase “Horse” es subclase de “Animal”. Fuente 110 110
111 Repositorio semántico Cuestiones relativos a la representaciónOWL (Ontology Web Language): es un lenguaje estandar para expresar y codificar ontologías, extiendiendo RDF. Formaliza aún más las relaciones entre clases que RDF, permitiendo aspectos como, p.e.: Clases disjuntas →
112 Repositorio semántico Cuestiones relativos a la representaciónEjemplo de OWL (usando RDFS como sintaxis) 112 112
113 Repositorio semántico Recuperación de la información y navegación de relacionesSe necesita una forma de almacenamiento y recuperación eficiente Existen: Bases de datos RDF (openRDF, Mulgara) Lenguajes de consulta RDF (SPARQL) Además es necesario adaptar la interfaz de usuario para proveer elementos de navegación pertinentes, contextuales, eficientes, simples, etc. 113 113
114 Repositorio semántico Posibilidad de nuevas estadísticasEl agregado de relaciones al repositorio permite generar un nuevo conjunto de estadísticas mas complejas, pero más interesantes: Tendencias en cuanto a temáticas Relación entre autores e instituciones Instituciones y autores mas productivas 114 114