标签： 元数据

孔夫子旧书网的元数据

前些天看胡文辉︱陈垣早年的两件尴尬事（2019-05-25），文中说到作者朋友宋希於在孔夫子旧书网上，查到陈垣科举替考那位的图书《甄祝三先生荣寿特刊》，“此系仅见的冷门文献，标价甚昂，实亦无关于学术史。考虑到事涉史学大家，毕竟想其人的结局，犹豫之下，终购得之”。出于好奇去孔夫子查了下，此书在2019-04-22以800元完成交易，确实有点贵。从网页照片，书中多位名人题字可以看个大概。

自2018年末开始的半年里，自己一直在查名人资料，当时就发现孔夫子（包括旧书网和拍卖网）是个很有料的地方，尤多名人信札、手稿、题赠图书等。它最大的优点是已拍卖结束资料的信息全都保留着。虽然没法获取原物，但不少物品信息中包含原物的多幅照片，还是能获取不少有价值的信息。比如钱谷融先生在2011年处理家中藏书，这批书不久即大量出现在孔夫子旧书网，其中包含1979-2011年间钱先生收到的赠书，大多为作者签名本。现在孔夫子上可查到的有四五百册，题赠页文字等信息都比较清晰。以下是钱谷融藏书签名本赠送者云图（使用WordArt生成）。

钱谷融藏书-赠书者

为体现物品价值，孔夫子上的数据标注还是挺细致的，涉及名人的除在标题中注明外，还专门有人物介绍。但从元数据设计角度，还是过于粗泛，没有考虑到不同文献的特殊性。如名人信札、题赠图书，涉及发送者与接受者，还有相应的时间、地点等因素，如分别标注，以孔夫子上已经累积的大量实物数据，无疑能呈现丰富的人际关系网络，这是分别对单个人物进行研究时无法实现的。
孔夫子网站上的数据想来是提交拍品者自己提供的，自然不能过于复杂。但可以对提交数据做一些自然语言处理、进行自动填充，比如图书拍品标题文字中有如“签名”“签赠”等，可选择相应前后文字填为赠送人，供提交数据者确认，如此等等。只要对元数据方案稍加改进，孔夫子完全可以在实现拍卖交易的同时，本身成为从实物交往角度反映当代中国名人间关系的数字人文网站，对学术研究也会有更大的价值，或许还能对拍品收藏起到一定的推动作用。

以上图片来自：钱谷融先生的朋友圈（2019-5-22）

IFLA胎死腹中的数字资源元数据指南：元数据类型和核心元素

元数据有很多不同的划分方法。如：
曾蕾与秦健教授的《元数据》分为4种：1数据结构标准，2数据内容标准，3数据值标准，4数据交换标准。参见：元数据和编目标准类型（2014-5-8）
NISO的《理解元数据》分为4种：1描述元数据；2管理元数据（技术/保存/权利）；3结构元数据；4标记语言。参见：NISO发布入门读物《理解元数据》（2017-2-9）

新发现IFLA编目部“元数据方案使用工作组”2003年《数字资源和馆藏的元数据记录的结构、内容和应用指南》（草案），又是一种分类方法（详见后）。
Guidance on the Structure, Content, and Application of Meatdata Records for Digital Resources and Collections
Report of the IFLA Cataloguing Section, Working Group on the Use of Metadata Schemas
Draft – for Worldwide Review, 27 October, 2003
工作组成立于1998年IFLA年会上，1999-2003连续5年在IFLA年会上开会，最终形成了这个草案。不知什么原因停步于草案，没有如文件中希望的那样在2004年IFLA年会得到通过。
忘了在哪里看到这个IFLA文件了。因为是草案，在编目部的出版物和出版清单中没有，IFLA网站内搜索文件名也没有结果，只有搜索引擎可以查到这个在IFLA存档中的文件。

——— 通用元数据记录的类型或结构 ——-
本文件基于FRBR的用户任务（发现、识别、选择、获取），确定了10个核心元素，并与10种通用元数据方案作了映射（附录）。作为讨论的基础，在2.1节定义了6种元数据类型：
[1] 管理元数据：关于记录本身的“内务处理”信息 – 其创建、修改、与其他记录的关系等。元素如：记录号，记录创建日期，最后修改日期，记录创建者/修改者的标识，记录的语言，附注，本记录与其他记录的关系。
[2] 描述性元数据：描述数字项目或对象的物理和知识属性或内容的信息。元素如：题名，创建者，日期，出版者，唯一标识符，动态链接，摘要、描述性附注、评论等，受众层次，物理媒介、格式等，单件或对象的语言，版本。
[3] 分析元数据：分析和增强对资源内容的访问的信息。有时也称为“主题元数据”。元素如：受控主题词，主题/论题关键词，摘要、目次，分类代码、其他本地元素如所属部门、其他电子内容相关链接。
[4] 权利管理元数据：有关访问或使用数字单件或对象的限制（法律;财务等）的信息。元素如：使用限制，许可说明，订购/许可/每次使用费，致谢，版权声明，保留时间表，质量评级，使用免责声明。
[5] 技术元数据：用于将单项/对象转换为数字格式或存储、显示等的特定硬件或软件。元素如：数字化设备规格，相机位置，拍摄条件，编码参数，语音识别和/或回读硬件和软件，光学扫描仪规格，图像渲染设备，文件类型和转换软件要求
[6] 其他待定。例如，基于本地、区域和/或组织要求的特定元数据元素，或者根据国家规定的元数据标准，并且不包含在上面的任何元数据类型中。

——— 核心元素和常用元数据 ———
3.1节确定的核心元素
10个核心元素：主题，日期，使用条件，出版者，资源名称，语言/表达模式，资源标识符，资源类型，作者/创建者，版本

贯穿整个文件的元数据方案（从背景到附录）
10种元数据方案：MARC21，UNIMARC，DC，TEI，EAD，VRA，CSDGM/FGDC，CIMI，GILS，ONIX
其中：
CSDGM = Content Standard for Digital Geospatial Metadata（FGDC=美国联邦地理数据委员会，当前版本：Vers. 2 (FGDC-STD-001-1998)）
CIMI = Consortium for the Interchange of Museum Information（始于1990，从wikipedia词条下网站链接看，大概率已经死掉了）
GILS = Government Information Locator Service [now Global Information Locator Service]

OCLC的网站存档描述元数据项目成果之《网站存档的描述性元数据：建议》

OCLC的网站存档元数据（WAM）工作组2016年初开始工作。在与国际互联网保存联盟（International Internet Preservation Consortium）、美国档案工作者学会网络存档部（Society of American Archivists Web Archiving Section）和互联网档案（Internet Archive）的Archive-It计划的协商下完成工作，并得到很多社区的意见和反馈。2018年初发布成果，共3个出版物：建议、用户需求文献综述、网络收割工具述评。

Web Archiving Metadata Working Group 网站存档元数据工作组
* Descriptive Metadata for Web Archiving: Recommendations of the OCLC Research Library Partnership Web Archiving Metadata Working Group 网站存档的描述性元数据：OCLC研究图书馆合作伙伴网站存档元数据工作组的建议
* Descriptive Metadata of Web Archiving: Literature Review of User Needs 网站存档的描述性元数据：用户需求文献综述
* Descriptive Metadata of Archiving: Review of Harvesting Tools 存档的描述性元数据：收割工具评述

《建议》为网站存档描述元数据的使用指南，含14个描述数据元素的定义、详细说明、举例、取值以及与其他标准的对照（DC、EAD、MARC21、MODS、Schema.org）。
本元数据建议使用DC 15个基本元素中的12个：完全沿用9个，其中Contributor还用于Collector，Description还用于Source of description（泛指用于专指）；名称有所变化3个（泛指用于专指）：Format用于Extent，Type用于Genre/Form，Identifier用于URL）。

以下摘译自《建议》（电子版有信纸58页和A4纸54页2个版本）。

【标准，p.14/58p；数据元素（p.15/58p）】小组既评估现有标准《描述档案：内容标准》（DACS）、《资源描述和检索》（RDA）、《都柏林核心》（Dublin Core），以及编码档案描述（EAD），MARC 21和MODS（元数据对象描述规范），也抽样了解实际做法，包括WorldCat（MARC记录）、ArchiveGrid（MARC记录和检索工具）、Archive-It（都柏林核心）和发现系统中存档网站的现有描述。结果未发现新的数据元素，但某些数据元素的做法或者理解存在不一致：
– 网站创建者/所有者：是出版者、创建者、主体还是三者？
– 托管机构：选择、收割和托管网站的机构是否应被视为存储库、收集者、出版者、选择者或创建者？
– 题名：是否应该从网站头逐字转录？编辑以澄清网站的性质/范围？是否应该拼写首字母缩略词？题名是否应包含诸如“……的网站”之类的短语？
– 日期：哪些日期既重要又可用于记录？网站存在的开始/结束、抓取日期、内容日期或版权日期？
– 数量：如何最有效地表达？ 1个存档的网站、1个在线资源、6.25 GB或约300个网站？
– 出处（Provenance）：出处是指网站的创建者、收割网站和托管网站档案的存储库、网站进化的方式、抓取的频率和日期，还是所有这些？
– 评估（Appraisal）：评估意味着网站保证存档的原因、存储库命名的网站集合或网站的部分是否已被收割？
– 格式：描述是否清楚地表明资源是网站档案是不是很重要？如果是这样，在题名、数量或描述中如何最好地做到这一点？
– URL：应包含哪些URL？种子、访问或登陆页面？
– MARC 21记录的类型：当以MARC 21格式编码时，网站是否应被视为连续性资源、集成资源、电子资源、文本出版物、混合资料、手稿或其中任何一种，取决于具体情况？

【数据元素和使用指南（p.17/58）】14个元素及其定义（选摘对应的DC、schema.org元素）
[1] Collector 收集者：负责存档网站或集合的保管和管理的组织。（DC-contributor；schema:OwnershipInfo）
[2] Contributor 贡献者：对存档网站或集合的内容负有次要责任的组织或个人。（DC=；schema:contributor）
[3] Creator 创作者：对创建存档网站或集合的知识内容负有主要负责的组织或个人。（DC=；schema:creator）
[4] Date 日期：与存档网站或集合的生命周期中的事件关联的单个日期或日期范围。（DC=；schema:dateCreated，schema:dateModified，schema:datePublished）【DC Term另有专指时间：dateAccepted，dateCopyrighted，dateSubmitted，不太适合】
[5] Description 描述：一个或多个注释，用于解释存档网站或集合的内容、上下文和其他方面。（DC=；schema:description）
[6] Extent 范围：存档网站或集合大小的指示。（DC-format；schema:description）
[7] Genre/Form 类型/形式：指定存档网站或集合中内容类型的术语。（DC-Type；schema:genre）
[8] Language 语言：存档内容的语言，包括带有语言组件的影音资源。（DC=；schema:inLanguage）
[9] Relation 关系：用于表示单个存档网站与其所属的任何集合之间的部分/整体关系。（DC=；schema 无）
[10] Rights 权利：知识产权法或其他法律协议授予的合法权利和许可声明。（DC=；schema:license，schema:isAccessiblrForFree）【DC Term另有专指权利：accessRights， rightsHolder，类RightsStatement】
[11] Source of description 描述来源：有关收集或创建元数据本身的信息，例如数据源或获取源数据的日期。（DC-Description；schema:description，schema:disambiguatingDescription）
[12] Subject 主题：描述存档网站或集合内容的主要主题。（DC=；schema:about）
[13] Title 标题：存档网站或集合为人所知的名称。（DC=；schema:name）
[14] URL：存档网站或集合的网址。（DC-Identifier；schema:url）

P.S.：纽约艺术资源联盟（NYARC）是Archive-It项目成员，其《描述存档版网站的元数据应用纲要》（27个元素）提到OCLC的“网站存档描述元数据指南”即本建议，并有两种元数据的对照。
参见：为网站编目：《描述存档版网站的元数据应用纲要》（2018-9-9）