Semantic Markup. für Zwecke der Langzeitarchivierung in digitalen Bibliotheken. Jan Scheffczyk

Transkript

1 Semantic Markup für Zwecke der Langzeitarchivierung in digitalen Bibliotheken Jan Scheffczyk

2

3 Semantic Markup : für Zwecke der Langzeitarchivierung in digitalen Bibliotheken von Jan Scheffczyk Veröffentlicht In dieser Seminararbeit, die Teil des Seminars Digitale Bibliotheken 1 von Professor Dr. Uwe Borghoff 2 ist, sollen Aspekte des semantischen Markup, die für die Archivierung elektronischer Dokumente relevant sind, näher untersucht werden. Neben einer generellen Betrachtung des Themas wird auch auf spezielle Archivierungs-Projekte und explizite Möglichkeiten des Semantic Markup eingegangen. Diese Seminararbeit wird betreut von Dr. Wolfram Kahl 3, dem ich für seine Unterstützung und zahlreichen Ideen bei der Aufarbeitung des Themas danke. Als Autor stehe ich selbstverständlich für Fragen und Anregungen 4 oder Kritik zur Verfügung! mailto:borghoff@informatik.unibw-muenchen.de 3 mailto:kahl@informatik.unibw-muenchen.de 4 mailto:herta@mail.studfb.unibw-muenchen.de

4

5 Inhaltsverzeichnis 1 Semantic Markup Anforderungen an Semantic Markup Formen von Semantic Markup Ansätze für Semantic Markup Nutzen von Semantic Markup für die Langzeitarchivierung digitaler Dokumente Literaturverzeichnis Glossar

6 6

7 1 Semantic Markup 1.1 Was ist Semantic Markup? Der Begriff Semantic Markup steht für das Markieren der Bedeutung von Informationen in einem Dokument. Mittels Semantic Markup können zum einen Metadaten zu einem Dokument angelegt werden, welche das Dokument als Ganzes näher beschreiben. Zum anderen dient Semantic Markup der Auszeichnung von bestimmten Zeichenfolgen im Dokument selbst. Das simple Auszeichnen reicht jedoch nicht aus. Um die Bedeutung der ausgezeichneten Zeichenfolgen eindeutig nachvollziehen zu können, muss eine Abbildung Markup Semantik existieren. So kann die Bedeutung bestimmter Passagen auch nach einer langen Archivierungszeit noch nachvollzogen werden. Zum Teil ergeben sich auch völlig neue Bedeutungen einer Textpassage, die zum Zeitpunkt der Archivierung nicht relevant waren. Zum Zeitpunkt der Archivierung bzw. Katalogisierung von Dokumenten ist also die Relevanz von bestimmten Passagen nicht unbedingt eindeutig klar. So kann beispielsweise in einem Gedicht ein vom Autor gesetzter Gedankenstrich (Hyphen) am Ende einer Textzeile während der Archivierung zum einfachen Trennstrich mutieren, was eventuell für die Bedeutung des Gedichtes relevant ist. Auf ein Markieren des Layouts im Dokument wird bei Semantic Markup völlig verzichtet. Eine Abbildung Inhalt Layout findet meist über sogenannte Stylesheets statt, die festlegen, wie eine markierte Information nun tatsächlich dargestellt wird. Es findet also eine strikte Trennung zwischen dem eigentlichen Dokument und seiner visuellen Darstellung statt. 1.2 Wie hängt Semantic Markup mit der Langzeitarchivierung von digitalen Dokumenten zusammen? Durch das Markieren der Bedeutung der Informationen in einem Dokument entstehen zahlreiche Vorteile für eine spätere Verwendung und Weiterverarbeitung bezüglich der Langzeitarchivierung: Bedeutung des Dokuments bleibt während der Archivierung erhalten semantische Suche fortlaufende Hilfe bei der Auswahl zu archivierender Dokumente Extraktion bestimmter Informationen entsprechend ihrer Bedeutung Speicherung von Metadaten Authentifizierung der Echtheit eines Dokuments Hilfen für Migration (insbesondere content migration ) und Emulation zur späteren Rekonstruktion von Dokumenten. Bei der Archivierung von Dokumenten geht es meist in erster Linie um das Erhalten von Informationen. Die Darstellung dieser Informationen kann sich je nach Zeit und Mode verändern. Aus diesem Grunde kann es sinnvoll sein, das Layout (sofern nicht relevant) nicht mitzuarchivieren. Allerdings ergibt sich hier wieder die Schwierigkeit, nicht-bedeutungsrelevantes Layout von bedeutungsrelevantem Layout zu trennen, bzw. bedeutungsrelevantem Layout die richtige Bedeutung zuzuweisen. Bei dem heutigen Datenaufkommen besteht für digitale Bibliotheken oftmals die Schwierigkeit darin, fortlaufend diejenigen Dokumente auszuwählen, die überhaupt archiviert werden, bzw. im Archiv verweilen sollen. Der Einsatz von Semantic Markup kann vor allem bei der fortlaufenden Validierung der Dokumente sinnvolle Hilfestellungen bieten. Einen weiteren Schwerpunkt bei der Archivierung stellen Metadaten dar. Kann ich meine archivierten Daten später wieder rekonstruieren? Ist das Dokument, das ich gerade lese, auch wirklich das, wofür ich es halte? Diese Fragestellungen lassen sich wesentlich leichter beantworten, wenn zusätzliche Daten über das eigentliche Dokument vorhanden sind und ausgewertet werden können. Semantic Markup läßt sich auf verschiedenen Ebenen implementieren. Es ist sowohl möglich, nur einen Header für Dokumente zu definieren, als auch ein Dokument komplett oder nur bis zu einer bestimmten Tiefe mit semantischen Informationen zu strukturieren. Es sind natürlich auch Mischformen möglich. 7

8 Semantic Markup Abbildung 1 Ebenen des Semantic Markup nur Text kein Markup Header für Dokument Info kein Markup für Text Header für Dokument Info Semantik Markup für Text 2 Anforderungen an Semantic Markup Um die Langzeitarchvierung von digitalen Dokumenten sinnvoll zu ergänzen, ergeben sich folgende Anforderungen an Semantic Markup: Plattformunabhängigkeit Das Dokument selbst und die Darstellung seiner Bedeutung sollten auf möglichst vielen Plattformen lesbar sein. Es bietet sich demzufolge ein möglichst simples Format (z.b. nur Text) an. Allerdings treten hierbei wiederum Schwierigkeiten bzgl. der Kodierung auf: Kodierung in Unicode 5 (UTF-8, UTF-16, UTF-32), ASCII, ANSI etc. Ein Beispiel stellt das Projekt Gutenberg 6 dar, das sämtliche Texte in reinem ASCII ohne jegliches Markup archiviert. Lesbarkeit für Menschen Die Lesbarkeit für Menschen erfordert ein Markieren in natürlicher Sprache. Dies ist sozusagen der letzte Ausweg falls sämtliche Versuche, die Dokumente maschinell zu interpretieren, fehlschlagen. Gerade die Metadaten der Datenkapsel bei Emulation digitaler Dokumente sind auf human readability angewiesen. Insbesondere tritt hierbei das Problem auf, dass sich von Menschen gesprochene Sprachen ebenfalls im Laufe der Zeit ändern und so einzelne Worte an Bedeutung verlieren oder eine neue (u.u. völlig andere) Bedeutung bekommen. Es ist demnach notwendig, eine Datierung des archivierten Dokuments und der für das Markup verwendeten natürlichen Sprache vorzunehmen. Interpretierbarkeit durch Maschinen Um beispielsweise eine semantische Suche in digitalen Dokumenten zu ermöglichen, sollte das eingesetzte Markup für die Maschine nicht nur lesbar, sondern auch interpretierbar sein. D.h. es muss eine für die Maschine lesbare Abbildung Markup Bedeutung existieren. Von dieser Vision sind die momentanen Ansätze und Möglichkeiten jedoch zum Teil noch weit entfernt. Eindeutigkeit Es ist notwendig, eindeutige Markierungen zu verwenden, um Fehlinterpretation durch Interpretationsspielraum zu vermeiden. Die Abbildung Markup Bedeutung darf ebenfalls keinen Interpretationsspielraum zulassen. Insbesondere gilt es das Stille-Post-Problem bei fortschreitender Migrierung zu verhindern

9 Semantic Markup Vollständigkeit Der Inhalt eines Dokuments soll durch Semantic Markup möglichst vollständig erfasst werden, um Fehlinterpretation durch fehlende Informationen zu vermeiden. So kann es beispielsweise bei Gedichten wichtig sein, ob ein Querstrich am Zeilenende nun ein Gedankenstrich, Bindestrich oder einfach nur ein simpler Trennstrich ist. Weiterhin können Layoutaspekte wie beispielsweise die Anzahl der Worte pro Zeile bedeutungsrelevant sein. leichte Emulierbarkeit und Migrierbarkeit Um weiterhin lesbar zu bleiben, werden Dokumente im Laufe ihrer Archivierung in andere Formate umgewandelt (Migration) oder es werden die Erstellungs-/Leseplattformen der Dokumente emuliert. Bezüglich des Semantic Markup ergeben sich hier drei Aspekte: 1. Emulation/Migration der durch Semantic Markup dargestellten Metadaten. 2. Emulation/Migration des Markup der Bedeutung im Dokument selbst. 3. Emulation/Migration der Darstellung der Abbildung Markup Bedeutung Eventuell ist hier eine weitere Anpassung aufgrund neuer Spracheigenschaften der verwendeten (natürlichen) Sprache nötig. Editierbarkeit vs. Schutz vor Änderungen Auch nach der Erstellung von semantischem Markup für ein Dokument müssen einige Informationen editierbar bleiben, um ggf. Anpassungen vorzunehmen. Andere Informationen (beispielsweise zur Authentifizierung) sollten selbstverständlich nicht mehr änderbar sein. Eventuell gibt es auch rechtliche Aspekte, die es generell verbieten, Änderungen an einem vorliegenden digitalen Dokument vorzunehmen. Einfachheit Der eigentliche Vorgang des Markierens sollte einfach gehalten sein, um den entstehenden Mehraufwand so gering wie möglich zu halten. Man halte sich in diesem Zusammenhang vor Augen, dass Bibliotheken eine Vielzahl von Dokumenten besitzen und das Markieren von Hand geschieht. Weiterhin verursacht der Prozess der Katalogisierung Kosten, die dem Nutzen von Semantic Markup gegenübergestellt werden müssen. Erweiterbarkeit Die Anforderungen an und der Umfang der nötigen Daten zur Dokument- und Informations-Beschreibung für der Zukunft sind nicht abschätzbar. Demzufolge muss das verwendete System des Semantic Markup leicht erweiterbar sein. Modularität Nicht immer werden sämtliche Möglichkeiten des Semantic Markup benötigt. Man stelle sich medizinische Dokumente zur Krebsvorsorge vor, die ganz andere Formen der Auszeichnung benötigen als beispielsweise Lyrik aus dem 19. Jahrhundert. Ein vollkommen universeller Ansatz führt also zu einem erheblich größeren Datenaufkommen, das nicht gerechtfertigt ist. Es ist klar, dass die oben definierten Anforderungen zum Teil miteinander in Konkurrenz stehen. Allein die Punkte Vollständigkeit, Einfachheit und Modularität zwingen zu einem Kompromiss. Aus der human-readability ergeben sich neue Problemfelder: Ist die natürliche Sprache überhaupt eindeutig genug, um komplexe Zusammenhänge zu erläutern? Entstehen durch den Wandel der natürlichen Sprache zusätzliche Risiken für die Langzeitarchivierung? 9

10 Semantic Markup 3 Formen von Semantic Markup Einfache Dokumente (Text, etc.), die archiviert werden sollen, können in den unterschiedlichsten Formen vorliegen: physisch digital beschreibbares Medium nicht beschreibbares Medium Liegen Dokumente physisch vor, so sind zumindest die Mittel für die Digitalisierung frei wählbar (beispielsweise OCR) und es können semantische Informationen in beinahe beliebiger Art und Weise hinzugefügt werden können. Anders verhält es sich mit bereits digital vorliegenden Dokumenten, bei denen die digitale Version eine bibliothekare Relevanz hat. Dies ist beispielsweise in folgenden Fällen gegeben: keine physische Version (mehr) vorhanden zusätzliche Funktionalität der digitalen Version Digitale Dokumente liegen in einer Vielzahl unterschiedlicher Formate vor, von denen nur sehr wenige überhaupt die Speicherung semantischer Informationen erlauben. Meist wird lediglich das Layout des Ursprungsdokuments nachgebildet. Diese Art der Archivierung bietet jedoch kaum Vorteile gegenüber der herkömmlichen Aufbewahrung von Dokumenten. Mächtige Such- und Indizierungsfunktionen, wie sie in digitalen Bibliotheken verwendet werden sollen, sind erst mit einem entsprechenden Satz von semantischen Informationen zu jedem archivierten Dokument möglich. Generell gibt es zwei Formen, Semantic Markup auf ein Dokument anzuwenden: Embedded Markup External Markup Unter Embedded Markup versteht man die Auszeichnung von Inhalten innerhalb des Dokuments selbst, wie es momentan bei den standardisierten Metasprachen (HTML, SGML, XML ) üblich ist. Bei der Verwendung von External Markup werden dagegen die semantischen Informationen außerhalb des eigentlichen Dokuments gespeichert. Es verweisen lediglich Zeiger auf die ausgezeichneten Stellen im Dokument. Abbildung 2 Formen des Semantic Markup Original ohne Markup Embedded Markup External Markup Der große Vorteil von External Markup besteht darin, dass das eigentliche Dokument beim Hinzufügen oder Ändern von Metadaten nicht verändert werden muss. Dies ist insbesondere bei Dokumenten von Vorteil, die (z.b. aus Authentifizierungsoder rechtlichen Gründen) auf Nur-Lese-Speichern archiviert wurden. Weiterhin ist auch davon auszugehen, dass zunehmend 10

11 Semantic Markup multimediale Dokumente in digitalen Bibliotheken archiviert werden. Hier ist ein Embedded Markup garnicht mehr sinnvoll einzusetzen. Allerdings stellt Embedded Markup bis jetzt die wesentlich elegantere Variante der eigentlichen Kodierung dar. Es gibt weiterhin bis heute keinen anerkannten Standard für External Markup, während für Embedded Markup bereits standardisierte Metasprachen existieren (siehe Abschnitt 4.1). Einen Ansatz für External Markup bietet das HyTime Link-Modell. Es wurde ursprünglich zur Repräsentation multimedialer Dokumente konzipiert und bietet einen Ansatz, wie die oben angesprochenen Zeiger u.a. auch in Bild- und Videodokumenten implementiert werden können. Hierbei wird zu jedem Dokument eine beschreibender SGML-Text gespeichert, von dem aus (u.u. mehrendige) Verweise auf das archivierte Material zeigen. Das Link-Modell von HyTime läßt sich prinzipiell auch für Texte, die ja momentan den wesentlichen Bestand von Bibliotheken ausmachen, verwenden. Jedoch existieren bis jetzt keine Initiativen, die auf HyTime zurückgreifen. 4 Ansätze für Semantic Markup 4.1 Metasprachen - Die Mittel für Semantic Markup Der Schlüssel für die Auszeichnung der Bedeutung von Inhalten sind sogenannte Metasprachen - also Sprachen, mit denen sich Sprachen beschreiben lassen. Für den Bereich des Semantic Markup haben sich SGML 7 bzw. XML 8 durchgesetzt. Wobei XML eine Teilmenge von SGML darstellt, die wesentlich einfacher zu benutzen ist. SGML- bzw. XML-Dokumente werden in einem Nur-Text-Format (vorzugsweise ASCII) gespeichert und gleichen einem DAG (Directed Acyclic Graph), dessen Knoten Elemente repräsentieren, die durch Tags begrenzt sind. Ein Element kann nur aus Text bestehen (Blatt) oder die Wurzel eines oder mehrerer DAGs sein. In SGML/XML ist es möglich, DTDs [DTD] zu definieren, die Regeln beschreiben, wie ein Dokument aufgebaut sein muss. Hier stehen sowohl mögliche Elemente als auch Anordnungsbeziehungen zwischen ihnen. Weiterhin können Conventions getroffen werden, die all diejenigen Beziehungen/Regeln beschreiben, für die die Syntax der DTD nicht ausreicht. Durch DTDs sind SGML/XML flexibel - d.h. es gibt im Gegensatz zu HTML kein festes Element Set auf das man sich beschränken müsste. Allerdings ist SGML für die meisten Anwendungen zu komplex und unhandlich (insbesondere die Parser), so dass die Entwicklung wohl zugunsten von XML verläuft. Dies drückt sich auch darin aus, dass eigentlich in SGML entwickelte DTDs für die Langzeitarchivierung wie TEI (siehe Abschnitt 4.2.2) oder EAD (siehe Abschnitt 4.2.3) nach XML konvertiert werden. Durch die Verwendung von Metasprachen ergeben sich folgende Vorteile für die Langzeitarchivierung digitaler Dokumente: Plattformunabhängigkeit Human readability Erweiterbarkeit Modularität leichte Emulier- und Migrierbarkeit Einfache Dokumentenstruktur Es ist möglich, zunächst sehr allgemeine Elemente zu definieren und diese dann durch Attribute näher zu spezifizieren. Die Verwendung von Metasprachen allein reicht jedoch nicht aus, da die definierten Elemente keineswegs mit einer speziellen Semantik verbunden sind. Der Rechner sieht ein Element lediglich als Folge von ASCII-Zeichen und ist nicht in der Lage, sie zu interpretieren. Die Daten sind also machine-readable, jedoch nicht machine-understandable. Ja nicht einmal für Menschen ist die Bedeutung eines Elements eindeutig. Eine eindeutige Zuordnung Element Semantik ist also notwendig. Sie wird in verschiedenen Projekten versucht: DCMI (siehe Abschnitt 4.2.1) TEI (siehe Abschnitt 4.2.2) RDF (siehe Abschnitt 4.2.4) EAD (siehe Abschnitt 4.2.3)

12 Semantic Markup Anmerkung: Das heute im Internet weit verbreitete HTML ist zwar ebenfalls eine Metasprache, eignet sich aber lediglich zum Markup von Layout. Ausserdem ist HTML durch sein festes Element Set eingeschränkt gegenüber SGML bzw. XML. Es ist jedoch trotzdem möglich, semantische Informationen in HTML-Dokumenten zu speichern. Zum einen gibt es das META-Element, zum anderen werden unbekannte Tags von den heutigen HTML-Browsern nicht beachtet, was die zugegebenermaßen unschöne Möglichkeit eröffnet, semantische Informationen einfach mit reinzuschreiben. 4.2 Konkrete Projekte und Initiativen Die Dublin Core Metadata Initiative (DCMI) Unter dem Namen DCMI hat sich ein Konsortium zusammengefunden, das sich das Ziel gesetzt hat, eine Basis-Menge von Metadaten zusammenzustellen, die ein Dokument für die elektronische Archivierung ausreichend beschreiben sollen. Hierbei wurde vor allem Wert auf eine saubere Beschreibung der Basis-Elemente, Erweiterbarkeit, Plattformunabhängigkeit und Verwendung von bestehenden Standards gelegt. So ist es beispielsweise möglich, DCMI-Metadaten in HTML, SGML oder XML-Dokumenten zu verwenden. So können beispielsweise DCMI-Metadaten in HTML-Dokumenten in den META Elementen gespeichert werden. Die eigentliche Implementierung von Dublin Core ist jedoch keineswegs vorgeschrieben. Das Dublin Core Element Set 9 liegt bereits in der Version 1.1 vor und definiert 14 allgemeine Elemente, die ein Dokument näher beschreiben wie z.b. Title, Author, Subject, Format, Rights. Die Semantik jedes Elements ist durch 10 Attribute 10 festgelegt, wie z.b. Name, Identifier, Registration Authority, Definition. Normalerweise sind die DCMI-Metadaten als einfaches Paar (key, value) gespeichert (Simple Dublin Core). Es ist jedoch auch möglich, sogenannte qualifier anzugeben (Qualified Dublin Core 11 ). Dieser Mechanismus macht es möglich, ein Core- Element näher zu spezifizieren (z.b. Date-Element: Erstellung, letzte Änderung, Veröffentlichung, letzter Zugriff etc.). Weiterhin kann das Dublin Core Element Set so erweitert werden. Es werden durch das Dublin Core Element Set also nur Metadaten bereitgestellt, die ein Dokument als Ganzes beschreiben. Es geht hierbei nicht um die Semantik des Textes selbst. Für die Langzeitarchivierung ist das Dublin Core Element Set dennoch insofern von Bedeutung, als dass es einen recht einfachen Weg bereitstellt, Dokumente mittels Metadaten zu beschreiben. Dies erleichtert unter anderem Such- und Retrievalfunktionen wie auch die Emulation und Migration der Dokumente. Die Tatsache, dass bereits zahlreiche digitale Bibliotheken 12 das Dublin Core Element Set für die Langzeitarchivierung digitaler Dokumente nutzen, ist zusätzlicher Indikator für seine Relevanz. Aus den Überlegungen des DCMI gingen zahlreiche Denkanstöße für das Resource Description Framework (siehe Abschnitt 4.2.4) aus. RDF stellt dann auch konkrete Möglichkeiten zur Verfügung, das Dublin Core Element Set zu erweitern. Im speziellen ist das Dublin Core Element Set ein mögliches RDF-Schema Die Text Encoding Initiative (TEI) Die Text Encoding Initiative ist eine Organisation, die sich mit der elektronischen Aufbereitung von philologischen geschriebenen Texten (Gedichte etc.) befasst. Sie hat Richtlinien erlassen, um die Analyse elektronischer Dokumente zu erleichtern. Die Dokumente werden in SGML / XML (XML bevorzugt) abgelegt und genügen der TEI DTD 13. Sie definiert neben sehr allgemeinen Elementen für den eigentlichen Inhalt auch ein Element namens teiheader für spezielle Metainformationen über das gesamte Dokument. Durch die TEI Documentation 14 wird dabei jedem Element eine explizite Semantik zugeordnet! Da die TEI DTD sehr ein sehr umfangreiches Element Set bereitstellt, gibt es eine abgespeckte Variante - die TEILITE DTD

13 Semantic Markup Im teiheader 16 gibt es die Elemente filedesc, encodingdesc, profiledesc und revisiondesc, die das archivierte Dokument als ganzes näher beschreiben. Die Elemente für den eigentlichen Inhalt eines Dokuments sind sehr allgemein gehalten. Die spezielle Interpretation wird über Attribute sichergestellt. Beispielsweise existieren Elemente für die Strukturierung: divx (x {1,...,7}). Das Attribut type spezifiziert dann genauer: volume, book, chapter etc. Da durch die TEI DTD auch Elemente für das Markup innerhalb des eigentlichen Texts definiert sind, können die so aufbereiteten Dokumente wesentlich gezielter durchsucht werden als dies beispielsweise bei durch die DCMI (siehe Abschnitt 4.2.1) aufbereiteten Dokumente der Fall wäre. Es wird also echtes Semantic Markup implementiert, das über die bloße Bereitstellung von Metadaten hinausgeht. Dennoch sind die Elemente der TEI DTD nicht machine understandable, da die Semantik der einzelnen Elemente lediglich verbal in der TEI-Documentation erläutert wird. Da sich die TEI nur mit der Erzeugung digitaler Dokumente aus gedruckten Dokumenten beschäftigt, handelt es sich bei TEI-Dokumenten ausschließlich um Embedded Markup mit den beschriebenen Nachteilen. Aus den Überlegungen der TEI ist beispielsweise das Projekt EAD (siehe Abschnitt 4.2.3) entstanden, das einen ähnlichen Ansatz versucht Encoded Archival Description (EAD) Die Encoded Archival Description DTD (EAD-DTD 17 ) ist eine SGML-DTD, die ihre Wurzeln im Berkeley Project (der University of California, Berkeley) hat. Sie wurde im August 1998 fertiggestellt und wird momentan von der Network Development and MARC Standards Office 18 gewartet. Das Ziel der EAD-DTD ist ein universeller Standard für maschinenlesbare Suchunterstützung, wie sie beispielsweise für Register, Indizes oder Dokumente in (digitalen) Bibliotheken benötigt werden. Im Zentrum der Entwicklung stand die Erweiterung des MARC-Records [MARC ] mit folgenden Zielen: 1. verknüpfte umfangreiche beschreibende Informationen für Dokumente 2. verschiedene Stufen der Beschreibung 3. Vererbung in der Stufenhierarchie 4. Unterstützung elementbasierter Indizierung und Suche Aus obigen Gründen wurde die Implementierung einer SGML-DTD beschlossen, die sich eng an die TEI-Spezifikationen (siehe Abschnitt 4.2.2) anlehnt. So wird hier zwischen einem eadheader (Allgemeine Informationen über das Dokument wie Titel oder Autor), dem frontmatter (zusätzliche Metadaten, die nicht in den eadheader passen ) und der archdesc (Informationen über das archivierte Material wie Inhalt, Kontext und Migrationsinformationen) unterschieden. Der eadheader entspricht hierbei fast genau dem teiheader 19. Anmerkung: Das eigentliche Dokument wird hierbei nicht gespeichert, da die EAD ursprünglich von normalen Bibliotheken ausging. Insgesamt sind die Elemente der EAD-DTD sehr allgemein gehalten und werden durch Attribute näher spezifiziert: So gibt es beispielsweise für die Strukturierung das Element cx (x {1,...,12}), wobei x die Verschachtelungstiefe angibt. Näher spezifiziert wird dieses Element über das Attribut LEVEL ähnlich der TEI-DTD. Weiterhin flossen in die Entwicklung der EAD-DTD Ideen der folgenden Standards ein: Machine Readable Cataloging (MARC 20 ) International Standard for Archival Description General (ISAD-G 21 ) Canadian Rules for Archival Description (RAD 22 ) ftp://ftp.loc.gov/pub/ead/ead.dtd

14 Semantic Markup Auf diese wird in dieser Arbeit jedoch nicht näher eingegangen wird. Die Abbildung Element Semantik findet mittels einer Tag-Bibliothek 23 statt, die gewissermaßen die gesamte DTD dokumentiert. Hier werden neben den eigentlichen Elementen, ihren Attributen und Regeln auch die Bedeutung erläutert. Dies geschieht jedoch (wie bei TEI) nicht nach einem strengen Schema wie beispielsweise RDF (siehe Abschnitt 4.2.4). Um zum aufkommenden XML-Standard weitgehend konform zu sein, wurde die EAD-DTD leicht abgeändert, so dass sie nicht alle Features von SGML nutzt. So können mit nur leichten Änderungen an der EAD-DTD in Zukunft EAD-kodierte Dokumente von normalen WWW-Browsern verarbeitet werden. Die EAD-DTD wird bereits von zahlreichen Universitäten und Bibliotheken 24 genutzt, unter ihnen befinden sich auch namhafte wie Berkeley, Harvard und Yale. Die RLG (Research Library Group) wirbt sogar mit EAD und versucht, ihre Mitglieder mittels einer EAD Support Site 25 zur Nutzung von EAD zur semantischen Beschreibung ihrer Dokumente zu bewegen. Insgesamt kann über EAD ein ähnliches Urteil gefällt werden wie DCMI. Der Ansatz ist prinzipiell gleich: Es wird die Möglichkeit gegeben, Metadaten zu vorhandenen Dokumenten abzulegen. Der Schwerpunkt bei EAD liegt jedoch auf der Suchunterstützung. Weiterhin existiert eine konkrete Implementierung (SGML/XML DTD). EAD kann sozusagen als Kombination der Ideen aus DCMI und TEI angesehen werden Resource Description Framework (RDF) Das Resource Description Framework wurde vom W3C 26 als generelles Metadaten-Framework verabschiedet, um machineunderstandable Informationen zu ermöglichen. RDF soll die automatische Verarbeitung (z.b. Suche) von WWW-Inhalten erleichtern. Die Anwendungsgebiete von RDF umfassen unter anderem: Resource Discovery Katalogisierung/Beschreibung von Dokumentinhalten Herstellen von Beziehungen zwischen Dokument-Inhalten Content Rating E-Commerce in Verbindung mit digitalen Signaturen Demnach ist RDF auch für die Beschreibung von Dokumenten in digitalen Bibliotheken geeignet. Die DCMI (siehe Abschnitt 4.2.1) ist eine der vorantreibenden Initiativen bei der Entwicklung von RDF. Mittels RDF lassen sich Dokumente aller Art beschreiben, die über eine URI (Unified Resource Identifier) verfügen. Es werden von vornherein keine Annahmen/Voraussetzungen über das Anwendungsgebiet oder die Implementierung gemacht, so dass es sich bei RDF um ein sehr allgemeines Modell handelt, das dann konkret implementiert werden muss (z.b. XML, CG). RDF versucht die Semantik eines Dokuments als baumartige Struktur darzustellen. Hierbei gibt es Knoten, die eine Menge von Paaren (Attribut,Wert) haben. Die Knoten selbst können einer WWW-Resource entsprechen. Die Werte der Attribute können atomar oder selbst wieder Knoten oder Container sein. Ein Container dient im Grunde nur zur Zusammenfassung mehrerer Werte als Menge, Liste oder Alternative. Ein Tripel {Resource (subject), Attribut (predicate), Wert (object)} wird als RDF-Statement bezeichnet. Zwei Dokumente werden als semantisch äquivalent angesehen, wenn ihre RDF-Statements übereinstimmen. Formal läßt sich das RDF-Modell 27 wie folgt beschreiben: Abbildung 3 RDF-Modell (formal) subject predicate object

15 Semantic Markup Hierzu ein Beispiel: Beispiel 1 Repräsentation durch RDF Die Semantik des Satzes Der Autor dieses Dokuments ist Jan Scheffczyk kann durch folgendes RDF-Statement dargestellt werden muenchen.de/~j8sj0499/seminar/index.html Titel Autor Semantic Markup für Zwecke der Langzeitarchivierung in digitalen Bibliotheken Jan Scheffczyk Eine äquivalente Beschreibung desselben Sachverhalts könnte sein: Die Seminararbeit mit dem Titel Semantic Markup für Zwecke der Langzeitarchivierung in digitalen Bibliotheken kann auf gefunden werden. Ihr Autor ist Jan Scheffczyk. Eine Möglichkeit, RDF in maschinenlesbarer Form darzustellen - also zu implementieren, ist XML. Die reine Kodierung geschieht mittels XML-Namespaces, um Überschneidungen mit anderen Elementen zu vermeiden. Weiterhin ist es möglich, RDF-Statements in HTML-Dokumente 28 einfach einzubinden. Die XML-Tags, die den Browsern in HTML-Dokumenten unbekannt sind, werden einfach ignoriert. In RDF gibt es keine vordefinierten Elemente. Die Elemente, ihre Semantik und Regeln müssen mittels sogenannter RDF Schemata 29 definiert werden. Ein RDF-Schema ist eine Menge von Klassen ähnlich einem Klassensystem einer objektorientierten Programmiersprache. Jede Klasse definiert eine Menge von Attributen mit ihrer Semantik und bestimmten Regeln, denen die Anwendung dieser Attribute genügen muss. Ein RDF-Schema könnte somit von einem Parser ausgewertet werden und wäre demnach machine understandable. Ein mögliches RDF-Schema ist das Dublin Core Element Set 30. Weiterhin stellt die RLG (Research Library Group) Überlegungen über die zusätzliche Benutzung von RDF zur semantischen Dokumentenbeschreibung an. Diese sind jedoch momentan noch etwas vage (Suchergebnisse nach RDF 31 ). Die besondere Relevanz von RDF für das Semantic Markup und damit für die Langzeitarchivierung liegt insbesondere darin, dass hier erstmals eine maschineninterpretierbare Implementierung der Abbildung Element Semantik mittels RDF-Schemata versucht wird. Somit werden die Elemente auch machine understandable. Mittels RDF ist bei Implementierung einer entsprechenden DTD neben der Bereitstellung von Metadaten auch das Tagging innerhalb eines Dokuments möglich

16 5 Nutzen von Semantic Markup für die Langzeitarchivierung digitaler Dokumente Die Langzeitarchivierung digitaler Dokumente erfordert erhebliche Anstrengungen im Bereich der internen Repräsentation der Daten. So müssen zum einen Metadaten für das archivierte Material angelegt werden, die dieses ausreichend beschreiben. Zum anderen ist es für die zukünftige Erschließung der Bedeutung des archivierten Materials sinnvoll, die Inhalte mit ihrer Semantik auszuzeichnen. Um die Vorteile digitaler Dokumente gegenüber ihren physischen Pendants voll ausnutzen zu können (z.b. semantische Suchfunktionen), ist es insbesondere notwendig, der verarbeitenden Maschine den Sinn eines Dokuments klarzumachen. Für diese Zwecke bietet Semantic Markup bereits jetzt entsprechende Möglichkeiten. Wenn es um das bloße Bereitstellen von Metadaten zu archiviertem Material geht, gibt es zahlreiche Ansätze, die dieses leisten wie z.b. DCMI oder EAD. Darüber hinaus geht der Ansatz der TEI: Hier wird zusätzlich das komplette Dokument einem Markup unterzogen. Eine Besonderheit stellt RDF dar: Hier wird versucht, Dokumente tatsächlich machine understandable zu machen. Allerdings ist kein Projekt bekannt, das RDF tatsächlich auf gesamte Dokumente anwendet. Es wird RDF meist lediglich zur Darstellung von Metadaten verwendet beispielsweise bei DCMI. Allerdings ist die RDF-Schema-Spezifikation gerade erst als Standard veröffentlicht worden, so dass hier sicherlich noch einiges zu erwarten ist. In digitalen Bibliotheken werden zur Zeit vorrangig Metadaten gemäß DCMI- oder EAD-Spezifikation gespeichert. Den zusätzlichen Aufwand eines vollständigen Markup (wie z.b. in TEI) scheuen digitale Bibliotheken jedoch meist aus Kosten- und Personalgründen. Auch werden die Metadaten meist nur während der Katalogisierungsphase einem Dokument hinzugefügt und nicht im Laufe der Archivierungsphase gepflegt und erweitert. Sie werden lediglich mit dem eigentlichen Dokument zusammen einem Migrierungsprozess unterworfen, ohne eine Bedeutungsanpassung (an z.b. Sprachänderungen) vorzunehmen. Wünschenswert wäre in diesem Zusammenhang eine fortlaufende Migrierung auf eine höhere (detailliertere) Ebene semantischer Erfassung der Dokumente, die sich von dem Bereitstellen von Metadaten bis hin zum kompletten Semantic Markup erstreckt. 16

17 Literaturverzeichnis Theodor Holm Nelson, Embedded Markup Considered Harmful, W3J. Michael Day, Metadata for digital preservation: an update 1, , Ariadne. Robin Cover, XML and Semantic Transparency 2, , Oasis. Jonathan M. Dugan, Daniel C. Berrios, Xiaole Liu, David K. Kim, Herbert Kaizer, und Lawrence M. Fagan, Automation and Integration of Components for Generalized Semantic Markup of Electronical Medical Texts 3, Stanford Medical Informatics. Ressource Description Framework (RDF) Schema Specification 4, , World Wide Web Consortium. Ressource Description Framework (RDF) Modell and Syntax Specification 5, , World Wide Web Consortium. Ora Lassila, Introduction to RDF Metadata 6, , World Wide Web Consortium. Extensible Markup Language (XML) 1.0 7, , World Wide Web Consortium. David Seaman, The Electronic Text Center Introduction to TEI 8, Herbst 1995, Electronic Text Center. TEI and XML in Digital Libraries 9, , Digital Library Federation. Zusammenfassung eines zweitägigen Meetings in der Library of Congress am und The Dublin Core: A Simple Content Description Model for Electronic Resources 10, Dublin Core Metadata Initiative. Dublin Core Metadata Element Set, Version 1.1: Reference Description 11, , Dublin Core Metadata Initiative. John A. Kunze, Encoding Dublin Core Metadata in HTML 12, Dezember 1999, Dublin Core Metadata Initiative. Simon Cox, Recording qualified Dublin Core metadata in HTML 13, , Dublin Core Metadata Initiative. Encoded Archival Description (EAD) 14 : Document Type Definition (DTD), Version 1.0 Technical Document No. 2, Juni 1998, Society of American Archivists, Library of Congress. Development of the Encoded Archival Description Type Definition 15, August 1998, Society of American Archivists, Library of Congress. Graydon Hoare, bloody hell, you left it turned on all night 16. Steven J. DeRose und David G. Durand, Making Hypermedia Work: A User s Guide to HyTime, 1994, Kluwer Academic Publishers

18 Emily Berg und Joseph Devlin, Hypertext / Hypermedia Handbook, 1991, Intertext Publications, McGraw-Hill Publishing Company, Inc.. Charles F. Goldfarb, The SGML Handbook, 1994, Oxford University Press, Inc., New York. Danny Poppe, Das PANDORA-Projekt in Australien 17, Daniel Prenzel, Projekte der Research Library Group (RLG) 18, Sebastian Hess, Migration 19, Dominik Bódi, Emulation als Methode zur Langzeitarchivierung digitaler Dokumente 20,

19 Glossar CG DCMI DTD EAD Conceptual Graphs 1. Logisches System auf Graphenbasis zur Darstellung von Bedeutung. Dublin Core Metadata Initiative 2. Organisation, die sich mit mit einer Standardisierung der Metadaten für die elektronische Archivierung von Dokumenten beschäftigt. Document Type Definition. Es werden die gültigen Elemente und ihre Beziehung zueinander beschrieben. Jedes gültige (valid) SGML/XML-Dokument muss einer DTD genügen. Encoded Archival Description 3. Standard, der der Beschreibung von Archiven dient. Emulation HTML Die ursprüngliche Umgebung, mit der die Dokumente erstellt wurden, wird nachgebildet. Hypertext Markup Language. Metasprache zur Auszeichnung von Layout von Dokumenten im WWW. Momentan aktuell: XHTML HyTime MARC Markup ISO-Standard (ISO/IEC 10744:1992), der ursprünglich für die semantische Auszeichnung von Multimedia-Dokumenten gedacht war. HyTime 5 verwendet External Markup. Machine Readable Cataloging Markieren, Auszeichnen Metadaten Daten, die Informationen über die eigentlichen Daten liefern Migration RDF Dokumente werden im Laufe der Archivierung an neue Gegebenheiten (Standards, Hardware etc.) angepasst Resource Description Framework 6. Framework für Metadaten in verschiedenen Anwendungsgebieten. RDF-Schema

20 Resource Description Framework Schema 7. Abbildung Markup Bedeutung in RDF SGML Standardized General Markup Language. Metasprache zum Markieren der Bedeutung von Dokumenten TEI Text Encoding Initiative 8. Initiative, die sich mit der Digitalisierung philologischer Texte beschäftigt. XML Extensible Markup Language 9. Eine Untermenge von SGML, die den neuen WWW-Standard prägen soll

21 black